Uber vypálil celý roční AI budget za čtyři měsíce. Co to znamená pro vaši firmu

Uber nasadil AI nástroje pro 5000 inženýrů a do dubna vyčerpal celý roční budget. Příběh, který nutí každého finančního ředitele přehodnotit, jak firmy počítají návratnost investic do umělé inteligence.

V prosinci 2025 dal Uber svým inženýrům přístup k Claude Code — kódovacímu AI asistentovi od Anthropic. Výsledky byly pozoruhodné: do jara 2026 používalo AI nástroje 95 % z přibližně pěti tisíc inženýrů a zhruba 70 % veškerého odevzdaného kódu pocházelo z AI nástrojů. Zní to jako úspěch. Jenže finanční ředitelé v Uberu dostali šok: celý roční AI budget byl spotřebován do dubna — čtyři měsíce po začátku roku.

Případ Uberu se rychle stal průmyslovým vzorem pro to, co se stane, když technologická adopce předběhne finanční plánování. Není to varovný příběh o selhání AI. Je to příběh o tom, že ceny AI nástrojů fungují úplně jinak, než na co jsou finanční oddělení zvyklá — a o tom, jak se na to připravit.

Jak kódovací nástroj předběhl rozpočet celé firmy

Adoption curve byla strmá. V únoru 2026 používalo Claude Code 32 % inženýrů. V březnu to bylo již 84 % klasifikovaných jako agentic users — uživatelé, kteří AI nepoužívají jen pro doplňování kódu, ale pro komplexní automatizované úkoly. Přibližně 11 % živých aktualizací backendu vznikalo plně automatizovaně, bez lidského zásahu. Inženýři AI přiřazovali velké úkoly: přepis celých částí kódu, generování testů, refaktoring rozsáhlých repozitářů.

Průměrné měsíční náklady na inženýra se pohybovaly od $150 do $250. Ale power users — ti, kdo spouštěli paralelní agenty a pracovali s velkými kódovými základnami — platili $500 až $2 000 měsíčně. Sám technický ředitel Uberu Praveen Neppalli Naga přiznal, že při osobní demonstraci utratil $1 200 za dvě hodiny práce. Přenásobte tato čísla tisíci inženýrů a výsledek nepřekvapí.

Tokenmaxxing: když kultura firmy žene náklady nahoru

Uber přidal jeden zdánlivě nevinný prvek: interní žebříčky hodnotící inženýry podle využití Claude Code. Záměr byl pochopitelný — motivovat adopci nového nástroje. Výsledek byl ovšem nečekaný. Vznikl fenomén, který analytici pojmenovali tokenmaxxing: inženýři začali AI zadávat stále větší úkoly ne proto, že to byl nejefektivnější způsob práce, ale proto, že to zvyšovalo jejich skóre v žebříčku. Tým zodpovědný za produktivitu a tým zodpovědný za rozpočet se nesetkali dříve, než bylo pozdě.

Ten odkaz ještě není přítomen. Nejsem si jistý, zda větší spotřeba tokenů se rovná většímu počtu doručených zákaznických funkcí.

Proč token pricing rozbíjí klasické finanční plánování

Tradiční softwarové nástroje se platí per-seat: jeden člověk, jedna licence, pevná cena na rok. Finanční ředitel to zvládne spočítat i bez tabulky. AI nástroje jako Claude Code fungují jinak — platíte za spotřebované tokeny, tedy za množství textu, který AI zpracuje a vygeneruje. Stejný inženýr, stejný den, stejný nástroj — ale jiný typ úkolu přinese fakturu desetkrát vyšší nebo desetkrát nižší. Tradiční roční plánování tuto variabilitu nedokáže zachytit.

Anthropic navíc od 15. června 2026 zavádí pro předplacené uživatele Claude samostatný kreditní metr pro agentní nástroje, účtovaný plnými API sazbami. Jinými slovy: cenová složitost poroste, ne klesá. GitHub Copilot přechází od 1. června na podobný kreditní systém. Analytici předpovídají, že tento model přijme většina velkých AI vendorů v příštích 12 až 24 měsících.

Co z toho plyne pro vaši firmu: pět konkrétních kroků

Případ Uberu je cennou lekcí pro každou firmu, která zvažuje nebo již provozuje AI nástroje pro svůj tým. Dobrá zpráva: problémy Uberu nejsou nevyhnutelné. Vznikly kvůli absenci základních kontrolních mechanismů, které jsou snadno implementovatelné.

• Nezačínejte s plošným rollout — nejdříve pilotujte na malém týmu (10–20 lidí) po dobu jednoho měsíce a sledujte skutečnou spotřebu tokenů. Pilotní ekonomika se od ekonomiky plného nasazení může lišit řádově.
• Nastavte per-person limity spotřeby tokenů a real-time alerting. Cloudové nástroje umožňují nastavit prahové hodnoty a upozornění ještě před překročením.
• Oddělte týmy správy nákladů od týmů adopce AI. V Uberu byly tyto role fakticky v konfliktu zájmů — nikdo neměl mandát zastavit adoption kvůli nákladům.
• Nepropagujte AI adopci přes žebříčky a gamifikaci spotřeby. Motivujte výstupem — kód doručen, bugy opraveny, funkce vydány — ne vstupem, tedy spotřebovanými tokeny.
• Sledujte změny v cenových modelech AI vendorů. Přechod od flat-rate k consumption-based billingu je průmyslový trend — vaše smlouvy a budgety se musí přizpůsobit dříve, než přijde překvapivá faktura.

Širší kontext: problém, který se bude opakovat

Podle průzkumů citovaných v analýzách Uberova případu má v současnosti formální AI governance politiku pouze 43 % organizací a zralou správu agentního AI dokonce jen 21 %. Většina firem nasazuje AI nástroje bez kontrolních mechanismů, které rutinně používají pro cloudové výpočty — per-user spending caps, real-time monitoring, proaktivní alerting.

AI nástroje jsou produktivní — to Uber potvrdil. Osmdesát čtyři procent inženýrů jsou aktivní uživatelé, 70 % kódu pochází z AI a část backendu běží bez lidského dohledu. Produktivita roste. Ale produktivita se neobjeví ve stejném řádku rozpočtu jako náklady na AI. Finanční ředitel vidí výdaje okamžitě, ale úspory — méně zaměstnanců, rychlejší vývoj, méně chyb — se projevují jinak a jindy. Tato asymetrie je systémový problém celého odvětví, ne jen Uberův.

Pro české podnikatele z toho plyne jednoznačný závěr: AI nástroje mají smysl. Ale nasadit je bez finančního rámce je jako dát zaměstnancům firemní kreditku bez limitu a doufat v nejlepší. Uber měl $3,4 miliardy na výzkum a vývoj — a i tak ho token pricing překvapil. Firmy s menšími polštáři si chybu tohoto typu nemohou dovolit.