47% dintre companiile chestionate sunt peste bugetul AI. Puține reduc proiectele, multe caută bani în altă parte

47% sunt deja peste buget — dar puține companii reduc inițiativele

Sondajul „2H 2026 CIO & Technology Buyers Global Enterprise Decision Maker Survey" al Futurum împarte cheltuielile AI ale companiilor chestionate în trei grupuri principale: 46,9% peste plan (35,6% moderat peste plan + 11,3% substanțial peste plan), 31,8% aproximativ conform planului, 5,6% sub plan. Un al patrulea grup e la fel de relevant: 10,0% dintre companii spun că nu au deloc un buget AI formal față de care să măsoare — un gol de guvernanță în sine.

Tiparul se repetă și la sursa banilor. Când depășirea e acoperită prin realocare în interiorul bugetului IT, majoritatea companiilor taie întâi de la furnizorii externi, nu de la proiectul AI. Și mai relevant: aproape un sfert dintre organizațiile peste buget mută deja bani din bugetul altor unități de business, nu doar din IT — dovadă, spune Futurum, că autoritatea de finanțare a AI a început să iasă din organizația IT.

Pentru un CEO sau CFO, concluzia practică nu e „AI-ul costă mult". Asta se știa deja. Concluzia e că, atunci când bugetul e depășit, compania de obicei nu oprește proiectul. Cele mai frecvente reacții sunt să ceară buget suplimentar sau să absoarbă depășirea. Dacă acești bani vin sistematic din contractori tăiați sau din bugete împrumutate de la alte departamente, controlul costului AI nu mai e doar o discuție tehnică — e o discuție de alocare a capitalului.

De ce agenții pot amplifica problema costurilor AI

Sondajul Futurum măsoară cheltuielile AI în general — nu demonstrează că agenții AI, în particular, sunt cauza depășirilor de buget deja constatate. Există însă un motiv structural pentru care riscul crește acolo unde se extinde utilizarea: de la chat spre agenți autonomi.

Un chatbot consumă tokeni (unitățile de text pe care modelele AI le facturează) când un om îi trimite un prompt: consumul e legat direct de o acțiune umană, ușor de anticipat. Un agent poate declanșa consum fără supraveghere directă la fiecare pas: apeluri repetate către unelte, sub-agenți lansați în paralel, reîncercări automate când un pas eșuează, obiective urmărite pe parcursul mai multor etape fără intervenție umană la fiecare dintre ele.

McKinsey sintetizează mecanismul din cercetări recente despre agenții de programare, citate în propriul articol: într-o sarcină de programare, un agent poate consuma de aproximativ 1.000 de ori mai mulți tokeni decât un dialog de tip chat despre aceeași problemă de cod, pentru că modelele sunt stateless, adică nu țin minte apelurile anterioare, așa că agentul retrimite adesea tot contextul pe măsură ce avansează. Aproximativ 60% din costul unei sarcini agentice vine din verificare, reparare și re-verificare, nu din răspunsul inițial. Iar în programare, aceeași sarcină poate varia de până la 30 de ori în cost între două rulări, pentru că agentul poate alege căi, unelte sau număr de reîncercări diferite de fiecare dată. Costul se comportă ca o distribuție largă, cu variații mari de la o rulare la alta — un buget calculat pe cost mediu per sarcină nu va fi suficient.

Asta nu înseamnă că depășirile din sondajul Futurum vin de la agenți. Sondajul nu măsoară asta. Înseamnă că agenții adaugă o sursă nouă de variație a costului, peste presiunea care a dus deja aproape jumătate dintre companiile chestionate peste buget.

McKinsey gestionează consumul AI permanent. În sondajul EY, doar 64% monitorizează tokenii

McKinsey procesează, intern, aproximativ 5 trilioane de tokeni AI pe lună (cifră din mai 2026). Inițial, compania nu a limitat utilizarea; acum introduce reguli și limite, în pregătirea valului următor, în care agenții autonomi vor consuma inteligență în numele utilizatorilor, nu doar vor răspunde la prompturi. Gestionarea cererii de AI a devenit, spune McKinsey, o capabilitate permanentă, nu un exercițiu de o singură dată. Separat, compania a ajuns la o concluzie clară din experiența proprie: aproximativ 10% dintre utilizatori generează aproximativ 65% din consumul total de tokeni. Compania recomandă explicit model routing (modele scumpe doar pentru pașii care chiar au nevoie de ele, modele mai ieftine pentru restul fluxului) și pooling: gruparea cheltuielilor de consum la nivelul întregii organizații, în locul capacității blocate în licențe individuale. În plus, McKinsey face optimizare de prompturi și a investit într-un gateway AI intern care rutează cererile către furnizorii de modele.

Există și o legătură tematică cu ce am scris deja pe massai.ro despre gap-ul de utilizare AI dintre companiile de vârf și cele tipice: potrivit sondajului „State of AI 2026" al McKinsey (1.719 participanți, în teren între mai și iunie 2026, citat de McKinsey înainte de publicare), aproximativ o cincime dintre companii spun că și-au restrâns deja utilizarea AI din cauza costurilor operaționale — un semn suplimentar că problema nu e izolată la sondajul Futurum.

Sondajul EY, pe 534 de lideri seniori din SUA, confirmă din altă direcție cât de răspândită e îngrijorarea: 82% dintre liderii seniori ale căror companii investesc în AI sunt îngrijorați de consumul de tokeni, iar 98% dintre cei care folosesc deja unelte cu facturare pe token spun că acest cost i-a determinat să-și reconsidere abordarea. În același sondaj, doar 64% dintre liderii organizațiilor care investesc în AI spun că monitorizează activ consumul de tokeni și au limite bugetare clare — un gol între îngrijorare și control, de aceeași formă cu ce am documentat deja pe partea de permisiuni ale agenților AI: îngrijorarea e mare, controlul verificabil rămâne în urmă.

Ce trebuie să măsoare compania ta

Recomandările de mai jos sunt formulate de MassAI, pe baza mecanismelor documentate de McKinsey și EY mai sus — traduse în practică pentru o companie obișnuită, nu pentru o organizație care procesează trilioane de tokeni pe lună.

• Cost per rezultat acceptat, nu cost per token sau per prompt — un răspuns pe care trebuie să-l repari manual nu e „ieftin" doar pentru că a costat puțini tokeni.
• Cost per flux de lucru, măsurat separat de costul per model — același proces poate costa diferit în funcție de câți pași, unelte și reîncercări implică.
• Identifică utilizatorii care consumă cel mai mult — dacă 10% din utilizatori generează majoritatea consumului, acolo trebuie concentrat controlul, nu în medie pe toată organizația.
• Model routing cu proprietar clar — cine decide când se folosește un model „frontier" scump și când unul mai ieftin e suficient, și cine revizuiește periodic acea decizie.
• Caching pentru pașii repetitivi — recomandare practică MassAI, nu rezultat citat din cercetare: multe fluxuri agentice repetă aceleași interogări sau verificări, iar cache-ul reduce costul fără să reducă funcționalitatea.
• Un proprietar de buget AI numit explicit, nu „IT în general" — cu autoritate reală asupra deciziei de a cere buget suplimentar, a absorbi o depășire sau a opri o inițiativă.
• Praguri de alertă înainte de depășire, nu doar raportare după fapt. Dacă aproape jumătate dintre companii ajung peste buget, obiectivul realist nu e „zero depășiri" — e depistarea depășirii înainte să devină o realocare de urgență.

Nimic din lista de mai sus nu elimină riscul ca AI-ul să coste mai mult decât ai planificat. Pe măsură ce utilizarea se extinde de la interacțiuni simple de tip chat către fluxuri de lucru cu agenți autonomi, riscul structural crește. Dar diferența dintre o companie care își permite să scaleze AI și una care se oprește la primul buget depășit stă rareori în cât de mult cheltuiește. Stă în cât de repede vede depășirea și cât de clar știe cine decide ce se întâmplă cu ea. E și continuarea firească a întrebării puse deja în articolul despre costul per task al modelelor AI: după ce alegi modelul potrivit pentru fiecare sarcină, urmează întrebarea mai grea — cum controlezi consumul la nivel de organizație, nu doar la nivel de task individual.

Surse: ↗ Futurum Research — 46.9% of Enterprises Report AI Spend Over Budget in 2H 2026 · ↗ McKinsey — Is that AI agent worth it? Agentic economics and the modern operating model · ↗ EY — C-Suites Pivot from AI Adoption to Unlocking Value as Escalating Token Costs Trigger Fiscal Scrutiny