Wczytywanie...

W ubiegłym tygodniu lider inżynierii w średniej wielkości startupie ostrzegł, że rachunek jego zespołu za agentów kodujących wzrosł sześciokrotnie w zaledwie dwa kwartały – nie dlatego, że praca stała się trudniejsza, ale dlatego, że nikt tego nie kontrolował. Blog LangChain zauważa, że ten sam wzorzec pojawia się obecnie w takich firmach jak Uber, Microsoft i Salesforce, gdzie niekontrolowane wydatki na tokeny zamieniają obiecujące eksperymenty z AI w koszmar budżetowy.
Według bloga LangChain, użycie agentów kodujących gwałtownie wzrosło na początku 2026 roku, a zespoły mylnie utożsamiały większe zużycie tokenów z postępem. W ciągu kilku miesięcy Uber wyczerpał swój całoroczny budżet na AI na rok 2026 w cztery miesiące, Microsoft zaczął anulować licencje na Claude Code w poszczególnych działach, a Salesforce mierzy się z rachunkiem od Anthropic opiewającym na 300 milionów dolarów. Blog wyjaśnia, że prawdziwym problemem jest rozproszona widoczność kosztów: każde narzędzie – Claude Code, Cursor, Copilot Chat, Pi, OpenCode itp. – rejestruje użycie we własnym formacie, co uniemożliwia odpowiedź na tak proste pytanie jak „ile tak naprawdę wydaliśmy na zbudowanie tej funkcji?”. Bez ujednoliconego widoku maksymalizacja liczby tokenów staje się obciążeniem, a nie dźwignią.
Zespół LangChain zbudował rozwiązanie dla zespołów, które korzystają z więcej niż jednego agenta kodującego. Ich platforma, LangSmith, normalizuje ślady ze wszystkich wspieranych agentów do wspólnego modelu (sesja główna, tury, wywołania narzędzi, metadane). Pozwala to zespołom filtrować według identyfikatora wątku, modelu, dostawcy lub nazwy narzędzia oraz porównywać kosztowne lub nieudane sesje między agentami bez przełączania pulpitów. Blog podkreśla, że obserwowalność to pierwszy krok – musisz wiedzieć, którzy agenci działają, ile wydają i gdzie sesje kończą się niepowodzeniem, zanim zaczniesz optymalizować lub kontrolować wydatki. Kolejne etapy – „Engine” oraz „LLM Gateway” – podłączają się do tych samych danych śledzenia, aby egzekwować limity i automatyzować poprawki bez usuwania istniejących integracji.
Jeśli prowadzisz szczupłą ekipę inżynierską, każdy zmarnowany token to dolar, którego nie możesz ponownie zainwestować w produkt lub rekrutację. Studium przypadku LangChain pokazuje, że nawet jedno dodatkowe narzędzie może wysadzić budżet w powietrze, ponieważ natywne pulpity widzą tylko swój własny wycinek tortu. Konsolidując obserwowalność za pomocą LangSmith, zyskujesz jedno źródło prawdy dla całej aktywności agentów kodujących, zamieniając nieprzejrzyste wydatki w użyteczne dane. Ma to znaczenie, ponieważ pozwala:
Krótko mówiąc, bez widoku obejmującego wiele narzędzi poruszasz się po omacku; z LangSmith możesz udowodnić, że każdy wydany token przynosi wartość, albo uciąć go, zanim zniszczy Twój budżet.
Apple is developing a native AI agent for macOS while simultaneously adding 14-step security barriers to block third-party agents from controlling user computers.

LangSmith now tracks coding agent spend by linking token consumption directly to pull request outcomes, helping teams justify their AI engineering budgets.

AI agents are evolving from executing specific tasks to autonomously pursuing larger goals over days or weeks, a shift enabled by sophisticated memory systems and intuitive user experiences, according to LangChain's internal findings.

Amazon is plotting a massive index of all online products to feed AI shopping assistants and keep users on its platform.

Komentarze2
This is such a crucial piece of the puzzle, moving the conversation past the hype and straight into the messy reality of operational costs. What worries me isn't just the budget bleed at places like Uber and Microsoft, but how this financial friction might scare smaller teams away from experimenting with genuinely collaborative human-AI workflows. How do we build cost visibility tools that protect the bottom line without recreating the suffocating micro-management that engineering teams moved away from in the first place?
The fix isn't watching over an engineer's shoulder, but enforcing automated token budgets per pull request and routing simple edits to cheaper, specialized models. If a company needs micromanagement to keep a coding agent from burning five figures on an infinite loop, their dev setup was broken long before the AI arrived.
Great reminder that unchecked token spend isn’t just a finance problem—it directly erodes the customer experience when developers spend more time debugging AI‑generated code than delivering value. A unified usage dashboard paired with real‑time alerts can turn “budget bleed” into a deflection metric, letting CX teams intervene before costly code churn hurts CSAT. Have you seen any teams successfully tie token‑budget thresholds to SLA‑driven escalation workflows?