ИИ кодиращите агенти изтощават ИТ бюджетите: Как Replit, Kilo Code и Symbotic управляват разходите
Развитието на софтуерното инженерство преминава през дълбока трансформация, задвижвана от автономни инструменти. Въпреки обещанията за главоломно повишаване на производителността, практическото внедряване на агентния ИИ разкрива сериозен финансов проблем: неконтролируемо нарастване на разходите за API токени. По време на конференцията VB Transform 2026, панелът „Ентърпрайз софтуерът в ерата на агентното програмиране“, модериран от Сам Уитевийн, събра технологични лидери, за да обсъдят как техните организации се справят с този икономически натиск [1].
Проблемът: Безкрайни цикли и „токсични“ токени
Основното предизвикателство при автономните системи за кодиране произтича от техния начин на работа. За разлика от стандартните чатботове, които отговарят на единични заявки, кодиращите агенти работят на принципа на верижно изпълнение на задачи. Те могат да прекарат часове в автономно писане, тестване и коригиране на код, което води до лавинообразно потребление на ресурси (известно в индустрията като tokenmaxing).
Оперативни проблеми като латентност в оркестрацията, грешки и дрейф на моделите (model drift) допълнително оскъпяват процеса. Ситуацията се усложнява при Brownfield разработката — работата по съществуващи сложни бази от код [1]. В тези среди агентите се сблъскват с наследена архитектура и липса на документация, което изисква значителен човешки контрол и води до по-чести грешки. Обратно, при Greenfield разработката (създаване на проекти от нулата), ИИ инструментите показват по-висока ефективност с по-ниски ресурси.
Авторско изображение
Корпоративни решения за контрол на разходите
Различните компании прилагат разнообразни архитектурни и управленски подходи за ограничаване на бюджетите [1]:
Kilo Code: Емили Шарио споделя, че инженерите им прекарват около 99% от времето си в съвместна работа с ИИ агенти. Вместо да измерват общото потребление на API или лицензи, те препоръчват въвеждането на метрика „цена за pull request“ (cost per PR), за да оценят реалната възвръщаемост на инвестициите (ROI). Освен това компанията разделя софтуерната архитектура от базовите модели: скъпите „фронтиер“ модели се използват за високо ниво на планиране, докато по-евтините модели с отворен код изпълняват конкретните задачи.
Symbotic: Джаред Го описва как компанията е внедрила месечни лимити и ценови нива за служителите си, подкрепени с вътрешен инструмент за мениджъри, даващ видимост за тенденциите в потреблението. Прекратяването на наследена отстъпка за ценообразуване е принудило екипа бързо да оптимизира избора на модели за конкретни технически нужди.
Replit: Амол Джайн представя архитектура с „човек в цикъла на наблюдение“ (human on the loop), при която агентите планират и тестват в защитени виртуални машини зад токен прокси сървъри. Платформата автоматично избира подходящите ценови нива и модели за потребителите. Джайн отбелязва и риск при нетехнически екипи (например екипи за поддръжка), които неволно могат да натрупат високи сметки чрез неефективни цикли на заявки.
Бъдещето на когнитивните бюджети
Контролът върху цената на софтуерната разработка с ИИ преминава от плоско ценообразуване на база лицензи към динамично бюджетиране на ниво задача. Ефективното управление изисква не само по-добри алгоритми, но и промяна в културата на разработка, където инженерът действа като оркестратор на сложен и скъп изчислителен ресурс [1].
Източници: