„Tokenmaxing“ – Byl to Amazon? Proč korporace spálila půl miliardy dolarů v tokenech: Spravovaná umělá inteligence jako ochranný mechanismus

Past 500 milionů dolarů: Proč autonomní agenti s umělou inteligencí nafukují firemní rozpočty

Jediný měsíc, neomezený přístup k modelům umělé inteligence a neuvěřitelný účet ve výši 500 milionů dolarů: Nedávno odhalený incident z korporátního světa odhaluje obrovská finanční rizika umělé inteligence, pokud je používána bez jasných pokynů. Zatímco tzv. „agentní umělá inteligence“ stále častěji autonomně přebírá složité úkoly, jevy jako „maximalizace tokenů“ způsobují exponenciální nárůst nákladů v zákulisí – často bez jakékoli hmatatelné přidané hodnoty pro společnost. Dokonce i technologickí giganti jako Amazon, Uber a Meta se již tvrdě naučili, že nekontrolované nasazení umělé inteligence pohlcuje rozpočty v rekordním čase. Tento případ vrhá světlo na pravděpodobně nejdražší selhání umělé inteligence v historii firem a živě ilustruje, proč „řízená umělá inteligence“ – systematické řízení, správa a omezování pracovních postupů umělé inteligence – již není volitelnou funkcí IT, ale absolutní strategickou nutností pro každou společnost.

Když se nedostatečná správa věcí veřejných stane dražší než samotný model umělé inteligence

Někde v účetním oddělení velké korporace finanční tým stále zpracovává události jediného měsíce. Žádná čtvrtletní zpráva, žádný roční plán – jediný měsíc stačil k převodu zhruba 500 milionů dolarů na platformu Claude společnosti Anthropic, aniž by kdokoli mohl spustit zmrazení výdajů. Ne proto, že by společnost nebyla schopna stanovit limit. Ale jednoduše proto, že to nikdo neudělal.

Tento případ, o kterém poprvé informovala společnost Axios 28. května 2026 a který potvrdil konzultant pro umělou inteligenci, je nyní považován za největší veřejně známou jednoměsíční ztrátu v historii firem v důsledku překročení nákladů na umělou inteligenci. Nejedná se o ojedinělý incident na okraji odvětví – je to symptom strukturální slabosti, která v současné době sužuje řadu velkých společností: kombinace nekontrolovaného používání agentní umělé inteligence a téměř úplné absence řízených struktur umělé inteligence.

Detail případu: 500 milionů dolarů bez stropu

Axios ani citovaný konzultant nejmenovali dotyčnou společnost. Spekulace o Amazonu kolovaly na platformě X, ale bez jakýchkoli důkazů. Ví se jen to, že korporace poskytla svým zaměstnancům neomezený přístup k platformě Claude od Anthropic – bez limitů útrat, bez kvót využití a bez dashboardů v reálném čase pro sledování spotřeby tokenů.

Výsledkem byl exponenciální nárůst nákladů. Zaměstnanci hojně využívali kódovací agenty s umělou inteligencí, pracovní postupy s dlouhými kontextovými okny a vícevrstvé agentní systémy umělé inteligence, které autonomně řetězily úkoly. Ani finanční oddělení, ani struktury správy IT nezasáhly. Když dorazil účet, bylo utraceno 500 milionů dolarů – za jediný měsíc.

Anthropic nabízí mechanismy řízení na podnikové úrovni: administrátorské dashboardy, limity využití založené na uživatelích a nástroje pro dodržování předpisů. Tyto funkce však vyžadují proaktivní konfiguraci. V tomto případě byla tato konfigurace zcela zanedbána. Výsledek: Anthropic generoval měsíční tržby z jednoho zákazníka na úrovni, o které si investory rizikového kapitálu obvykle jen nemohou nechat ujít.

Agentická umělá inteligence: Tichý multiplikátor nákladů

Abychom pochopili, jak je možné vydělat 500 milionů dolarů za 30 dní, musíme pochopit podstatu tzv. agentních systémů umělé inteligence. Typický dotaz na jazykový model – zadáte otázku, dostanete odpověď – spotřebuje zvládnutelný počet tokenů. Agent umělé inteligence na druhou stranu funguje zásadně odlišně.

Systémy agentní umělé inteligence plánují autonomně, provádějí více úkolů postupně, vyhodnocují své vlastní mezivýsledky, opravují se, volají externí nástroje a s každým krokem rekontextualizují celou předchozí historii konverzací. Každá nová akce vyžaduje, aby model zpracoval nejen aktuální výzvu, ale celou nashromážděnou historii konverzací – což je efekt sněhové koule, který způsobuje exponenciální nárůst nákladů na tokeny. Nedávná studie Stanfordské laboratoře digitální ekonomiky, na které se podílel Erik Brynjolfsson, empiricky prokázala, že úkoly agentní umělé inteligence spotřebovávají v průměru až 1 000krát více tokenů než jednoduché úkoly uvažování o kódu nebo kódový chat.

Článek identifikoval obzvláště kritické zjištění: modely jsou strukturálně neschopné předpovědět vlastní náklady na tokeny. U identických úloh se skutečná spotřeba tokenů stejného agenta může lišit až 30krát. A vyšší spotřeba tokenů nemusí nutně znamenat kvalitnější výsledky – přesnost často dosahuje maxima při středním využití tokenů a stagnuje při vyšších úrovních spotřeby.

Tato inherentní stochasticita činí rozpočtování tokenů podle klasické finanční logiky téměř nemožným – pokud se nevytvoří strukturální rámce prostřednictvím řízených systémů umělé inteligence, které řídí tok nákladů nezávisle na chování modelu.

Tokenizace: Když se výkonnostní pobídky zvrhnou

Případ 500 milionů tokenů není ojedinělý incident. Je součástí širšího jevu, který má nyní své vlastní jméno: token maxing. To se týká úmyslného nafukování spotřeby tokenů – nikoli z věcné potřeby, ale za účelem splnění interních ukazatelů výkonnosti, postupu po firemním žebříčku nebo jednoduše zneužití nepřesnosti měření produktivity řízené umělou inteligencí.

Společnost Amazon zavedla pro svou vývojářskou platformu Kiro interní systém hodnocení s názvem „KiroRank“, který hodnotil zaměstnance na základě jejich používání umělé inteligence. Původní cíl byl chvályhodný: propagovat zavádění umělé inteligence a zdůrazňovat osvědčené postupy. Nezamýšlený důsledek: zaměstnanci začali agentům s umělou inteligencí přidělovat zbytečné úkoly jen proto, aby zvýšili počet svých tokenů a posunuli se v žebříčku. Senior viceprezident Amazonu Dave Treadwell následně zaměstnancům vysvětlil, že ačkoliv žebříček byl vytvořen s dobrými úmysly, vedl ke zbytečným dodatečným nákladům. Jeho sdělení bylo jednoznačné: „Nepoužívejte umělou inteligenci jen proto, abyste ji používali.“ Systém byl ukončen. Jako nové kritérium hodnocení Amazon zavedl „normalizované nasazení“ – metriku, která neměří počet tokenů, ale spíše skutečný počet vygenerovaných užitečných nasazení kódu.

Společnost Meta o několik týdnů dříve spustila podobnou skupinu pro správu zaměstnanců s názvem „Claudeonomics“. Tento vzorec se systematicky opakuje: jakmile se spotřeba tokenů stane měřitelnou metrikou, zaměstnanci optimalizují s ohledem na spotřebu tokenů – nikoli na tvorbu hodnoty.

Společnost Uber poskytla další důkazy o rozsahu problému. Technický ředitel Praveen Neppalli Naga serveru The Information potvrdil, že Uber již do dubna – pouhé čtyři měsíce od začátku roku – vyčerpal celý svůj rozpočet na umělou inteligenci na rok 2026. To bylo způsobeno rychlým rozšířením společnosti Claude Code na přibližně 5 000 inženýrů, což byla dynamika, která zcela zahltila interní finanční modely společnosti. Uber již v roce 2025 vynaložil na výzkum a vývoj 3,4 miliardy dolarů – což představuje devítiprocentní nárůst oproti předchozímu roku. Rozpočtová katastrofa tedy nebyla problémem zdrojů, ale problémem správy a řízení.

Provozní ředitel Uberu Andrew Macdonald veřejně prohlásil to, o čem mnoho obchodních lídrů interně diskutuje, ale jen zřídka se vyjadřuje takto přímo: Vysoká spotřeba tokenů nemá prokazatelnou korelaci s prospěšnými výsledky pro zákazníky. I Uber využíval interní žebříčky k propagaci zavádění umělé inteligence – se stejným zvráceným výsledkem jako Amazon.

Odvětví pod tlakem nákladů: Další spektakulární případy

Claudeův případ s rozpočtem 500 milionů dolarů je nejpozoruhodnějším individuálním případem, ale zdaleka ne jediným. Jen květen 2026 přinesl sérii senzačních nákladových katastrof, které dohromady vykreslují strukturální obraz.

Vývojář Peter Steinberger, tvůrce virálního nástroje pro AI agenty OpenClaw, zveřejnil snímek obrazovky svého dashboardu OpenAI API: spotřeba tokenů za 30 dní činila 1 305 088,81 USD, rozdělená mezi 603 miliard tokenů prostřednictvím 7,6 milionu požadavků API, generovaných přibližně 100 instancemi Codexu provozovanými tříčlenným týmem. Steinberger nyní pracuje přímo v OpenAI a tuto částku osobně nezaplatil – OpenAI náklady uhradila v rámci dohody o financování. Tento případ nicméně ilustruje rozsah nákladů, kterých mohou vývojová prostředí řízená agenty dosáhnout.

V dubnu 2026 byl australský konzultant v oblasti umělé inteligence Jesse Davies vystaven fakturu za Google Cloud ve výši 25 672,86 australských dolarů (přibližně 18 391 amerických dolarů) – a to i přesto, že jeho účet měl rozpočet pouze 10 australských dolarů. Útok byl proveden pomocí veřejně dostupného klíče API uloženého jako proměnná v prostém textu v kontejnerovém prostředí. Tomuto incidentu mohlo zabránit devět bezpečnostních funkcí Google Cloud – všechny však byly ve výchozím nastavení deaktivovány. Aby toho nebylo málo, Google automaticky bez upozornění upgradoval účet na vyšší úroveň s limitem útrat 20 000 až 100 000 amerických dolarů, jakmile byl překročen limit 1 000 dolarů.

Společnost Microsoft začala snižovat počet interních licencí na kód Claude poté, co měsíční náklady na jednoho inženýra vzrostly na 500 až 2 000 dolarů. Společnost migruje své inženýry na rozhraní GitHub Copilot CLI jako na cenově výhodnější alternativu.

Generální ředitel společnosti OpenAI Sam Altman veřejně přiznal, že od vedoucích pracovníků firem pravidelně slýchá: „Naše výdaje stále rostou, lidé se cítí produktivní – ale kde jsou příjmy, kde jsou skutečné nárůsty produktivity?“

Platforma spravované umělé inteligence – obrázek: Xpert.Digital

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Spravovaná platforma umělé inteligence

Co znamená řízená umělá inteligence – a proč by mohla tomuto poškození zabránit

V obchodním kontextu se termín „spravovaná umělá inteligence“ vztahuje ke strukturovanému, na platformě založenému přístupu k řízení, monitorování a správě všech aktivit umělé inteligence v organizaci. Na rozdíl od nekontrolovaného přímého přístupu k API umisťuje spravovaná umělá inteligence vrstvu administrativní kontroly mezi zaměstnance a podkladové jazykové modely.

V plně implementovaném řízeném systému umělé inteligence by scénář za 500 milionů dolarů nikdy nemohl nastat – z několika technických a organizačních důvodů.

Zaprvé, limity výdajů na úrovni projektu, týmu nebo uživatele umožňují automatické omezení nebo úplné zastavení provozu API po dosažení předem definovaných rozpočtových limitů. Google Cloud si to uvědomil a na své konferenci Next v dubnu 2026 oznámil zavedení „limitů výdajů“ pro Gemini, Cloud Run a další služby – limitů, které nejen upozorňují uživatele, ale také aktivně pozastavují provoz.

Za druhé, podrobné monitorování v reálném čase na úrovni uživatelů, týmů a pracovních postupů poskytuje včasné signály o anomáliích dříve, než se náklady mohou zvýšit. Technický ředitel pro modální segmentaci Akshat Bubna odhaduje, že přibližně 50 procent interní spotřeby tokenů ve firmách je zcela zbytečných – problém je v současnosti neschopnost rozlišit bezcennou polovinu od produktivní poloviny. Řízené systémy umělé inteligence poskytují právě toto rozlišení prostřednictvím detailní atribuce využití.

Za třetí, správa přístupu založená na rolích umožňuje rozlišování mezi skupinami uživatelů: rutinní úkoly jsou směrovány na levnější modely (jako je Claude Haiku), zatímco výpočetně náročné pracovní postupy jsou prováděny na výkonnějších, ale dražších modelech. Samotná společnost Anthropic ve své oficiální cenové dokumentaci výslovně doporučuje alokaci úloh citlivou na model jako nákladovou strategii: Haiku pro jednoduché úkoly, Sonnet pro většinu produkčních úloh a Opus pouze pro nejsložitější úlohy uvažování.

Za čtvrté, mechanismy ukládání výzev do mezipaměti chrání před redundantními smyčkami spotřeby tokenů: Opakující se kontextové bloky, jako jsou systémové výzvy nebo firemní zásady, není nutné znovu načítat s každým požadavkem. U pracovních postupů Agentic, které načítají stejný kontext stokrát denně, to může snížit náklady na tokeny o 60 až 80 procent.

Za páté, dávkové zpracování přináší obrovské úspory nákladů u úloh, které nejsou časově kritické: Anthropic Batch API nabízí až 50% slevy ve srovnání se synchronními požadavky. V systému spravované umělé inteligence se takové optimalizace aplikují automaticky, což eliminuje nutnost ručního rozhodování jednotlivých vývojářů.

Strukturální mezera v řízení: Proč jsou firmy nepřipravené

Otázka, která vyvstává, není technická, ale organizační: Proč korporace s tisíci zaměstnanců, mnohamiliardovými rozpočty na IT a sofistikovanými strukturami správy cloudu nedokázaly implementovat nejjednodušší mechanismy kontroly nákladů na umělou inteligenci?

Odpověď spočívá ve strukturálním časovém zpoždění. Koncepty cloudové správy, jako je FinOps – disciplinovaný, mezifunkční přístup ke správě cloudových výdajů – se vyvíjely po mnoho let, kdy byly výpočetní náklady předvídatelné a lineárně škálovatelné. Modely oceňování tokenů umělé inteligence se chovají zásadně odlišně: Jsou nelineární, nedeterministické a pracovní postupy řízené agenty generují náklady, které nejsou ani předvídatelné, ani intuitivní.

Zpráva o stavu FinOps za rok 2026 potvrzuje, že výdaje na umělou inteligenci se vyvinuly z experimentálních rozpočtů na základní infrastrukturu a že téměř všechny týmy FinOps nyní sdílejí odpovědnost za pracovní zátěž umělé inteligence. Zároveň chybí zavedené metriky návratnosti investic: Podle živého průzkumu na summitu FinOps Foundation není největším problémem pro vedoucí pracovníky v podnikání výše nákladů na umělou inteligenci, ale neschopnost prokázat její hodnotu.

Cenová struktura společnosti Anthropic situaci dále zkomplikovala. V dubnu 2026 společnost Anthropic zásadně reformovala svůj podnikový model: Místo fixních poplatků za předplatné založených na počtu licencí jsou nyní stanoveny nižší nominální ceny licencí (např. 20 dolarů měsíčně pro technické uživatele Claude Code) v kombinaci s povinnými závazky ke spotřebě předem. Předchozí slevy API ve výši 10 až 15 procent pro velkoodběratele byly zrušeny. Tato struktura přesouvá riziko spotřeby výhradně na podnik: Společnosti platí za závazná množství bez ohledu na skutečnou spotřebu, zatímco nekontrolovaná spotřeba přesahující závazek je fakturována za plnou cenu.

Společnost Gartner předpovídá, že do konce roku 2027 bude ukončeno více než 40 procent všech projektů s využitím umělé inteligence Agentic – především kvůli nedostatečným strukturám řízení.

Řízení AI jako strategický firemní imperativ

Důsledky těchto případů jsou jasné: Správa AI již není pro IT oddělení režijní činností, ale strategickou odpovědností společnosti. Společnosti, které implementují řízené struktury AI, získávají oproti neregulovanému nasazení několik klíčových výhod.

Základ tvoří transparentnost nákladů a kontrola výdajů. Přední organizace se již spoléhají na přísné limity výdajů, správu přístupu založenou na rolích, monitorovací panely v reálném čase a zásady, které nařizují nákladově efektivnější modely pro rutinní úkoly. Databricks ve svých pokynech pro správu a řízení výslovně doporučuje ochranné prvky pro dobu návrhu a běhu: předdefinované limity tokenů, omezení délky kontextu, pravidla pro ukládání do mezipaměti a systémy pro detekci anomálií, které zasahují dříve, než se pracovní postupy nekontrolovatelně eskalují.

Měření založené na hodnotě nahrazuje metriky založené na tokenech. Přechod Amazonu od KiroRank k „normalizovaným nasazením“ – měření smysluplného nasazení kódu namísto hrubého množství tokenů – ukazuje cestu vpřed: relevantní metrikou není spotřeba, ale produkovaný výsledek. Tento posun v metrikách není technickou poznámkou pod čarou, ale zásadním přehodnocením toho, co znamená produktivita umělé inteligence.

Specializované nástroje, spíše než univerzální systémy, umožňují výrazné snížení nákladů bez kompromisů v kvalitě. Pro definované, opakující se úkoly jsou specializovaná, pro dané úkoly optimalizovaná řešení často 10 až 100krát levnější než univerzální hraniční model. Summit FinOps Foundation to formuloval jako klíčový princip: Nejprve určete, zda úkol vůbec vyžaduje umělou inteligenci; poté určete, který model je nákladově nejefektivnější; a teprve poté optimalizujte.

Architektury bran umělé inteligence centralizují řízení. Platformy jako Bifrost (Maxim AI) fungují jako centrální brány, které směrují, monitorují a vynucují kontroly politik veškerého provozu umělé inteligence v organizaci. Takové architektury umožňují organizacím spravovat limity výdajů, směrování modelů, filtry soukromí a požadavky na dodržování předpisů na jednom centrálním místě – a plně zaznamenávat všechny aktivity umělé inteligence pro účely auditu.

Ekonomika věku tokenů: Nová pravidla pro financování podniků

Případ v hodnotě 500 milionů dolarů představuje zlomový bod v tom, jak je třeba společně vnímat korporátní finance a infrastrukturu umělé inteligence. Cenové modely založené na tokenech se nechovají jako tradiční softwarové licence: neexistuje žádný fixní roční poplatek, žádný jasně definovaný rozsah ani žádný přirozený strop spotřeby.

Tento zásadní rozdíl zahlcuje tradiční procesy sestavování rozpočtu v podniku. Finanční ředitelé, zvyklí modelovat náklady na software jako fixní výdaje, čelí modelu variabilních nákladů, který se může exponenciálně škálovat. Předpokládá se, že globální výdaje na umělou inteligenci dosáhnou do roku 2026 výše 2,52 bilionu dolarů, což představuje meziroční nárůst o 44 procent. Tento rozsah činí z nekontrolovaného nasazení v podnikových systémových rizik.

Michael Burry, známý svými včasnými varovnými signály před tržními krizemi, popsal maximalizaci tokenů jako „nadměrnou spotřebu řízenou kvótami, žebříčky a managementem“ a „šílenou, uspěchanou a dočasnou fázi“. Předpovídá, že tato fáze je neudržitelná. Ať už se jeho načasování ukáže jako správné, nebo ne, strukturální tlak na přizpůsobení se již probíhá.

Paradigma nekontrolovaného, ​​demokratizovaného přístupu k umělé inteligenci jakožto akcelerátoru inovací je v současné době korigováno realitou masivního překročení nákladů. Zbývá jen zralejší model: široký přístup, ale s definovanými hranicemi, měřitelnými cíli a institucionálními kontrolními mechanismy – zkrátka řízená umělá inteligence v nejširším slova smyslu.

Co musí firmy udělat nyní

Popsané případy umožňují okamžité operativní závěry pro společnosti, které využívají umělou inteligenci v podnikovém měřítku.

První prioritou je okamžité zavedení přísných limitů výdajů na úrovni uživatelů, týmů a projektů. Anthropic, Google Cloud a OpenAI nabízejí podnikové kontrolní mechanismy, které je třeba konfigurovat. Hlavním problémem téměř ve všech známých případech nebyla jejich absence v produktovém portfoliu, ale spíše neschopnost je konfigurovat.

Souběžně s tím by měla být po dobu 30 dnů před zavedením nebo škálováním pracovních postupů Agentic měřena základní hodnota skutečné spotřeby tokenů. Bez této základní hodnoty neexistuje referenční bod pro anomálie. Druhou vrstvu zabezpečení poskytují systémy pro detekci anomálií, které automaticky spouštějí upozornění při 25, 50 a 75 procentech měsíčního rozpočtu.

Definice metriky produktivity umělé inteligence se musí přesunout z množství tokenů na metriky výsledků. Amazon představil životaschopný model s „normalizovanými nasazeními“. Investice do umělé inteligence, které nelze dohledat k měřeným obchodním výsledkům, by měly být přehodnoceny.

Nasazení agentické umělé inteligence vyžaduje explicitní, fázované řízení: pilotní skupiny, jasně definované případy užití, limity nákladů na pracovní postup a pravidelné kontroly před širším zavedením. Škálovatelnost agentické umělé inteligence je silnou stránkou, ale pokud bude zavedena bez zábran, představuje také nákladové riziko.

Závěr: 500 milionů dolarů za lekci, která byla k dispozici zdarma

Případ za 500 milionů dolarů je svým rozsahem velkolepý, ale jeho příčina je banální: nikdo nepřepnul vypínač. Technická infrastruktura pro kontrolu nákladů byla na místě, ale chyběla konfigurace. Chyběla strategie řízené umělé inteligence – institucionální rámec, který by kombinoval přístup k umělé inteligenci se správou a řízením umělé inteligence.

Vzkaz pro vedoucí pracovníky firem je jasný: Štědrý přístup k nástrojům umělé inteligence bez rámce správy a řízení není známkou důvěry v zaměstnance – je to fiskální nedbalost. Případy společností Uber, Amazon, Microsoft a anonymní korporace s investicí půl miliardy dolarů kolektivně nepopisují začínající problémy nové technologie. Popisují systémové selhání v integraci nových technologií s osvědčenými principy správy a řízení společností.

Řízená umělá inteligence je odpovědí na tuto mezeru. Ne jako omezení inovací, ale jako podmínka jejich udržitelnosti.

Konrad Wolfenstein

Rád/a bych sloužil/a jako váš osobní poradce.

mě wolfenstein∂xpert.digital kontaktovat

Zavolejte mi na +49 7348 4088 965 .

LinkedIn