Η τεχνητή νοημοσύνη είχε παρουσιαστεί για χρόνια ως το απόλυτο εργαλείο εξοικονόμησης κόστους, ένας τρόπος να ενισχυθεί η παραγωγικότητα των εργαζομένων και να μειωθούν τα λειτουργικά έξοδα. Ωστόσο, μια νέα πραγματικότητα αρχίζει να διαμορφώνεται: σε αρκετές εταιρείες, το κόστος λειτουργίας των συστημάτων AI έχει ξεπεράσει τις δαπάνες για μισθούς, ανατρέποντας τις καθιερωμένες αντιλήψεις γύρω από την οικονομία της αυτοματοποίησης.
Σύμφωνα με ρεπορτάζ του Axios στις 26 Απριλίου, οι εταιρικοί προϋπολογισμοί IT «σκάνε» καθώς το κόστος υποδομής AI εκτοξεύεται πέρα από τη μισθοδοσία. Ο Bryan Catanzaro, Αντιπρόεδρος της Nvidia για την εφαρμοσμένη βαθιά μάθηση, ανέφερε ότι για την ομάδα του «το κόστος της υπολογιστικής ισχύος υπερβαίνει κατά πολύ το κόστος των εργαζομένων». Η δήλωση αυτή έχει ιδιαίτερη βαρύτητα, καθώς προέρχεται από κορυφαίο στέλεχος της εταιρείας της οποίας οι GPU αποτελούν τη ραχοκοκαλιά των περισσότερων φόρτων εργασίας AI παγκοσμίως.
Η περίπτωση της Uber και το εξαντλημένο budget
Όπως μεταδίδει το cio.com, η Uber αποτέλεσε χαρακτηριστικό παράδειγμα της νέας αυτής τάσης. Ο CTO της εταιρείας, Praveen Neppalli Naga, δήλωσε στο The Information ότι η Uber είχε ήδη εξαντλήσει ολόκληρο τον προϋπολογισμό AI για το 2026 μέσα στους πρώτους μήνες της χρονιάς. Ο λόγος ήταν η ραγδαία υιοθέτηση του Claude Code της Anthropic από τους μηχανικούς της. «Ξεκινώ από το μηδέν, γιατί ο προϋπολογισμός που νόμιζα ότι θα χρειαζόμουν έχει ήδη εξανεμιστεί», σημείωσε ο Naga.
Η υπέρβαση αυτή δεν προήλθε από αποτυχημένο project, αλλά ακριβώς επειδή τα εργαλεία λειτούργησαν. Από τον Δεκέμβριο του 2025, περίπου 5.000 μηχανικοί της Uber απέκτησαν πρόσβαση στο Claude Code, με τη χρήση να διπλασιάζεται έως τον Φεβρουάριο. Τον Μάρτιο, το 84% των προγραμματιστών κατατάχθηκε ως χρήστες agentic coding, ενώ περίπου το 70% του κώδικα που δεσμεύτηκε ήταν παραγωγής AI. Περίπου 1.800 αλλαγές κώδικα την εβδομάδα πραγματοποιούνταν χωρίς άμεση ανθρώπινη εμπλοκή.
Το πρόβλημα κόστους προέκυψε από την τιμολόγηση βάσει token, η οποία αυξάνεται ραγδαία όταν οι μηχανικοί εκτελούν παράλληλους πράκτορες και αναδιαμορφώσεις κώδικα. Έτσι, το μηνιαίο κόστος API κυμαίνεται πλέον μεταξύ 500 και 2.000 δολαρίων ανά μηχανικό.
Η άνοδος των δαπανών πληροφορικής
Η ευρύτερη εικόνα δείχνει ότι οι ίδιες πιέσεις επηρεάζουν ολόκληρο τον κλάδο. Σύμφωνα με την τελευταία τριμηνιαία πρόβλεψη της Gartner, που δημοσιεύθηκε στα τέλη Απριλίου, οι παγκόσμιες δαπάνες πληροφορικής αναμένεται να φτάσουν τα 6,31 τρισεκατομμύρια δολάρια το 2026, σημειώνοντας αύξηση 13,5% σε σχέση με το προηγούμενο έτος. Οι δαπάνες για κέντρα δεδομένων μόνο προβλέπεται να αυξηθούν κατά 55,8%, αγγίζοντας τα 788 δισεκατομμύρια δολάρια, λόγω της αυξανόμενης ζήτησης για υπολογιστική ισχύ και επεξεργαστές υψηλών επιδόσεων που τροφοδοτούν τα συστήματα AI.
Το διαρκώς αυξανόμενο κόστος αναγκάζει τα στελέχη να επανεξετάσουν αν η ευρεία υιοθέτηση της τεχνητής νοημοσύνης είναι οικονομικά βιώσιμη. Παρά τον προϋπολογισμό έρευνας και ανάπτυξης ύψους 3,4 δισεκατομμυρίων δολαρίων που διαθέτει η Uber, η εταιρεία υποτίμησε τον ρυθμό με τον οποίο θα εξελισσόταν η χρήση των εργαλείων AI.
Ο Catanzaro, τα τμήματα του οποίου στην Nvidia αντιμετωπίζουν ελλείψεις σε GPU λόγω περιορισμών στην παγκόσμια εφοδιαστική αλυσίδα, περιέγραψε την κατάσταση με απλά λόγια: «Όλοι αντιμετωπίζουμε έλλειψη προμηθειών». Για πολλές επιχειρήσεις που προσπαθούν να ενσωματώσουν την τεχνητή νοημοσύνη στις λειτουργίες τους, τα αυξανόμενα νούμερα γίνονται ολοένα και πιο δύσκολο να αγνοηθούν — οι μηχανές μπορεί να είναι εξαιρετικά παραγωγικές, αλλά δεν είναι φθηνές.
