Wydatki na AI według Ramp spadły w największych firmach, podważając zakład o wzrost hyperscalerów
Wydatki na AI według Ramp wśród najbardziej intensywnych użytkowników biznesowych spadły w sierpniu o 9,7%, mimo lat szybkiego wzrostu wykorzystania AI w przedsiębiorstwach. Miesięczne wydatki na pracownika wśród 1% firm najaktywniej korzystających z AI zmniejszyły się z 7 976 USD do 7 205 USD. Jednym z wyjaśnień może być letnie spowolnienie. Istotniejsze wydają się jednak spadające koszty tokenów i rosnąca preferencja dla tańszych modeli.
Te same dane wskazują, że wdrażanie AI w biznesie nadal rosło, lecz nieznacznie. Ramp ustalił, że w sierpniu 56% jego klientów kupowało produkty AI — zaledwie o 0,4 punktu procentowego więcej niż w lipcu. To połączenie wolniejszej adopcji i niższych wydatków największych klientów podważa założenia stojące za boomem infrastrukturalnym.
OpenAI, Anthropic i ich partnerzy hyperscalerowi potrzebują rosnącego wykorzystania, aby wyprzedzić spadające ceny jednostkowe. Nabywcy korporacyjni coraz częściej oczekują najtańszego modelu, który niezawodnie realizuje dane zadanie. Różnica między sprzedażą większej ilości inteligencji a dostarczaniem tańszych rezultatów znajduje się dziś w centrum ekonomii AI.
Wydatki na AI według Ramp straciły impet w sierpniu
Sierpniowy spadek ma znaczenie, ponieważ wystąpił wśród klientów, którzy mają generować nieproporcjonalnie dużą część przyszłych przychodów AI.
Ramp oparł najnowszą analizę na zanonimizowanych danych transakcyjnych ponad 70 000 firm. Platforma finansowa śledzi płatności za subskrypcje AI i wykorzystanie tokenów, zapewniając bezpośredni wgląd w zakupy korporacyjne.
September AI Index wykazał, że adopcja nadal rosła w sierpniu. Tempo wyhamowało jednak na tyle, by wzbudzić pytania o popyt po kilku miesiącach intensywnej ekspansji.
Anthropic osiągnął wskaźnik adopcji na poziomie 43,8% wśród firm badanych przez Ramp. Oznaczało to miesięczny wzrost o 0,34 punktu procentowego. OpenAI wzrósł zaledwie o 0,09 punktu procentowego, do 39,8%.
Odsetki te mierzą firmy płacące każdemu dostawcy, a nie wyłączny udział w rynku. Przedsiębiorstwa mogą jednocześnie kupować produkty od kilku dostawców AI. Ramp wcześniej ustalił, że 52% klientów korzystających z OpenAI lub Anthropic używało obu rozwiązań.
Bardziej zaskakująca zmiana dotyczyła intensywności wydatków. Miesięczne wydatki na AI na pracownika wśród 1% największych użytkowników spadły ze skorygowanej wartości lipcowej 7 976 USD do 7 205 USD.
Ramp zaznacza, że grupa ta obejmuje stosunkowo niewiele firm. Jego szacunek jest więc bardziej zmienny niż dane dotyczące mediany firmy lub górnych 10%. Opóźnione transakcje sprawiły również, że Ramp skorygował lipcowy wynik w górę.
To ostrzeżenie metodologiczne nie pozwala traktować jednego miesięcznego ruchu jako dowodu trwałego odwrotu. Nie czyni jednak spadku nieistotnym. Górny 1% zapewnia nieproporcjonalnie dużą część przychodów dostępnych dla dostawców modeli.
Ci intensywni użytkownicy wyraźnie różnią się od typowej firmy. Letnie dane o wydatkach Ramp wskazały, że mediana miesięcznych wydatków na AI wynosiła w lipcu 11,95 USD na pracownika. Górne 10% wydawało około 650 USD, a górny 1% przekraczał 7 400 USD.
Ta różnica pokazuje, dlaczego łączna adopcja może wprowadzać w błąd. Pozyskanie kolejnego klienta korzystającego z AI w ograniczonym zakresie nie rekompensuje spadku wydatków firmy wdrażającej agentów, systemy programistyczne i zautomatyzowane przepływy pracy w całej działalności.
Sierpień również historycznie cechuje się słabą aktywnością. Ramp zaobserwował niewielki wzrost adopcji między sierpniem a październikiem 2025 roku, po którym nastąpiła ponowna ekspansja pod koniec roku. Zespoły inżynierskie często wyjeżdżają na wakacje latem, ograniczając użycie interaktywne i automatyczne.
Sezonowość pozostaje zatem wiarygodnym wyjaśnieniem. Spadek wydatków nastąpił jednak równocześnie ze zmianami strukturalnymi, które nie znikną wraz z powrotem pracowników. Tokeny tanieją, firmy ustalają domyślne modele, a nabywcy dokładniej oceniają zwroty.
Spowolnienie najlepiej traktować jako wczesny sygnał, a nie ostateczny werdykt. Pokazuje ono, że przychody z AI dla przedsiębiorstw nie rosną już automatycznie wraz ze wzrostem adopcji.
Tańsze tokeny zmieniają znaczenie wzrostu
Niższe koszty tokenów przynoszą korzyści klientom, ale zmuszają dostawców modeli do generowania większego wykorzystania tylko po to, by utrzymać te same przychody.
Efektywny indeks cen Ramp spadł na początku września do 0,68 USD za milion tokenów. To o 41% mniej niż szczyt z 2026 roku, wynoszący 1,15 USD i odnotowany w marcu. Do zmiany przyczyniła się konkurencja i obniżki cen dostawców.
Token to niewielka jednostka tekstu przetwarzana lub generowana przez model językowy. Dostawcy zazwyczaj rozliczają klientów API według liczby zużytych tokenów wejściowych i wyjściowych.
Niższe koszty jednostkowe nie muszą oznaczać niższej aktywności AI. Firma może przetwarzać więcej dokumentów, generować więcej kodu lub obsługiwać dodatkowych agentów, płacąc jednocześnie mniej. Wydatki mogą spadać, nawet gdy rośnie użyteczny efekt.
To rozróżnienie sprawia, że wydatki na AI według Ramp są niedoskonałym wskaźnikiem intensywności adopcji. Rejestry transakcji pokazują przepływ pieniędzy do dostawców. Nie ujawniają bezpośrednio zrealizowanych zadań, wygenerowanych tokenów, zaoszczędzonego czasu pracowników ani wartości biznesowej.
Przychody nadal mają jednak ostateczne znaczenie dla twórców modeli i dostawców infrastruktury. Jeśli ceny spadają szybciej, niż rośnie wolumen, większe wykorzystanie techniczne przekłada się na słabszy wzrost komercyjny.
To kluczowe odwrócenie widoczne w danych z sierpnia. Usługi AI stają się bardziej dostępne, zgodnie z oczekiwaniami wobec konkurencji. Ten sukces osłabia związek między adopcją a przychodami.
Presję zwiększa miks modeli. Ramp podał, że firmy coraz częściej korzystają ze standardowych modeli, takich jak GPT-5.6 Terra i rodzina Sonnet Anthropic. Firmy powiedziały Ramp, że systemy te pozostają wydajne, a kosztują mniej niż alternatywy z najwyższej półki.
Modele z najwyższej półki, w tym Opus, Fable i Sol, stanowiły 45% mierzonego wolumenu tokenów. Według relacji Ramp ich udział osiągnął wcześniej 53% w sierpniu, po czym ponownie spadł.
Dokładne nazwy modeli i ich udziały będą nadal się zmieniać. Trwalsze jest zachowanie klientów, które za nimi stoi. Firmy uczą się, że redagowanie e-maili, klasyfikacja, ekstrakcja danych i rutynowe programowanie rzadko wymagają najwydajniejszego modelu.
Routing modeli formalizuje tę decyzję. Router ocenia żądanie i kieruje je do systemu oferującego akceptowalną równowagę między możliwościami, opóźnieniem i kosztem.
Przesunięcie w stronę routingu przedsiębiorstw było widoczne jeszcze przed publikacją sierpniowych danych Ramp. Konsultant Bain Jue Wang opisał firmy rezerwujące kosztowne systemy dla zadań, które rzeczywiście ich wymagają.
Takie podejście zmienia jednostkę konkurencji. Dostawcy nie konkurują już wyłącznie o umowę obejmującą całą firmę lub pozycję preferowanego chatbota. Rywalizują o każdą kategorię pracy w warstwie routingu klienta.
Laboratorium tworzące modele z najwyższej półki może wygrywać trudne zapytania badawcze i programistyczne, jednocześnie tracąc podsumowania, klasyfikacje i rutynowe zapytania na rzecz tańszych systemów. Taki klient może pozostać aktywny, lecz generować niższe przychody.
To korzystna efektywność dla nabywców korporacyjnych. Przypomina optymalizację chmury, w której zespoły dopasowują obciążenia do odpowiednich zasobów obliczeniowych zamiast wybierać największą instancję dla każdego zadania.
Transformacja może również ujawnić słabe projekty AI. Tanie wnioskowanie nie uratuje przepływu pracy, który daje niewiarygodne wyniki, wymaga intensywnej weryfikacji lub rozwiązuje nieistotny problem.
Firmy muszą więc mierzyć rezultaty, a nie sumy tokenów. Przeszukiwalna baza wiedzy AI tworzy wartość, gdy pracownicy szybciej odnajdują użyteczne informacje. Samo zużycie tokenów niewiele mówi o takim wyniku.
Spadające ceny mogą z czasem zwiększyć popyt. Odczyt Ramp z sierpnia sugeruje jednak, że ta ekspansja nie zrekompensowała jeszcze dostawcom niższych cen efektywnych.
Zakład hyperscalerów wymaga wolumenu, który przewyższy wzrost efektywności
Rozbudowa infrastruktury zakłada, że tańsza inteligencja stworzy wystarczająco dużo dodatkowej pracy, aby zrekompensować spadek przychodów z każdej jednostki mocy obliczeniowej.
OpenAI, Anthropic i inne firmy modelowe intensywnie inwestują w trenowanie i obsługę coraz wydajniejszych systemów. Partnerzy chmurowi budują centra danych, zabezpieczają dostawy energii elektrycznej i kupują akceleratory w oparciu o oczekiwania trwałego popytu.
Ten argument inwestycyjny nie wymaga, by każda firma wydawała tyle co górny 1% klientów Ramp. Wymaga jednak trwałego wzrostu wśród wystarczającej liczby klientów, przepływów pracy i zautomatyzowanych agentów, aby uzasadnić zainstalowaną moc.
Dane z sierpnia wywierają presję na to oczekiwanie z obu stron. Wzrost adopcji zwolnił, a wydatki na pracownika spadły wśród najbardziej zaangażowanych użytkowników. Żadna z tych zmian sama w sobie nie unieważnia tezy.
Łącznie ujawniają jednak słabość. Rynek oczekuje, że intensywni użytkownicy będą nadal odkrywać wartościowe zastosowania szybciej, niż dostawcy obniżają ceny.
Ta relacja przypomina biznes wolumenowy o szybko rosnącej efektywności produkcji. Niższe koszty mogą przyciągać klientów i stymulować konsumpcję. Mogą też ograniczać przychody, gdy klienci przejmują większość oszczędności.
Firmy AI chcą, by dominował pierwszy efekt. Zespoły finansowe przedsiębiorstw wolą drugi. Konkurencja decyduje, jak zostaną podzielone korzyści.
OpenAI odpowiedział, zachęcając klientów do mierzenia wartości zamiast surowych kosztów tokenów. Jego proponowana koncepcja, użyteczna inteligencja na dolara, pyta, czy AI realizuje istotną pracę dokładnie i ekonomicznie.
Te ramy mają swoje zalety. Najtańszy model nie jest najlepszym wyborem, gdy powtarzające się błędy, ludzkie poprawki lub eskalacje niwelują pozorne oszczędności.
Ramy te służą jednak również interesom komercyjnym dostawców modeli z najwyższej półki. Potrzebują oni, aby nabywcy brali pod uwagę powodzenie zadania, a nie tylko porównywali ceny tokenów między modelami.
Wiele przedsiębiorstw zdaje się akceptować argument oparty na wynikach, jednocześnie odrzucając pogląd, że jeden model premium powinien obsługiwać wszystko. Kierują łatwą pracę do tańszych modeli, a systemy z najwyższej półki rezerwują dla złożonych żądań.
Badania nad ekonomią agentów potwierdzają tę ostrożność. Analiza ekonomiki przepływów pracy wykazała, że wybór modelu, projekt przepływu pracy, ponowne próby i nadzór człowieka mogą radykalnie zmieniać całkowite koszty.
Agenci wzmacniają znaczenie tych zmiennych, ponieważ realizują zadania wieloetapowe. Jedno żądanie użytkownika może uruchomić planowanie, wywołania narzędzi, wyszukiwania, walidację i powtarzane interakcje z modelem.
Tworzy to wiarygodną ścieżkę powrotu do wzrostu. Nawet jeśli każdy token stanie się tańszy, autonomiczne przepływy pracy mogą zużywać znacznie więcej tokenów niż prompt konwersacyjny. Większa liczba agentów mogłaby zatem przywrócić wzrost wolumenu.
Rosnące zużycie nie gwarantuje jednak proporcjonalnej wartości. Źle zaprojektowany agent może wielokrotnie analizować ten sam materiał, wywoływać niepotrzebne narzędzia lub ponawiać nieudaną czynność bez poprawy rezultatu.
Firmy zaczynają odróżniać produktywną automatyzację od aktywności tokenowej. Ta zmiana zagraża strategiom biznesowym opartym na wykorzystaniu jako mierniku sukcesu.
Stawka wykracza poza laboratoria modeli. Hyperscalerzy zarabiają na mocy obliczeniowej, pamięci masowej, sieciach i usługach zarządzanych stojących za aplikacjami AI. Bezpośrednio inwestują również w twórców modeli z najwyższej półki i rezerwują moce na oczekiwany popyt.
Jeśli klienci uzyskują ten sam rezultat dzięki mniejszym modelom, lepszemu buforowaniu i bardziej selektywnemu routingowi, popyt na infrastrukturę może pozostać wysoki, lecz rosnąć poniżej ambitnych prognoz.
Rozróżnienie między wykorzystaniem a wydatkami staje się tutaj kluczowe. Więcej tokenów nie zawsze wymaga proporcjonalnie większej mocy obliczeniowej. Kwantyzacja, zoptymalizowane wnioskowanie i wyspecjalizowany sprzęt mogą zmniejszyć zasoby potrzebne do wygenerowania każdej odpowiedzi.
Dostawcy mogą zareagować, udostępniając mocniejsze modele, ulepszając narzędzia dla programistów lub tworząc aplikacje docierające do pracowników nietechnicznych. Każda z tych strategii ma na celu wygenerowanie nowego popytu wykraczającego poza wczesne zastosowania inżynieryjne.
Pomaga to wyjaśnić rosnące zainteresowanie środowiskami pracy AI, asystentami badawczymi i agentami współpracy. Zespoły techniczne wcześnie wdrożyły AI. Kolejny zasób przychodów musi objąć operacje, finanse, marketing, pracę prawną oraz inne funkcje intensywnie wykorzystujące wiedzę.
Stawka zależy teraz od powtarzalnego, wartościowego użycia w tych rolach. Kupiona subskrypcja, którą pracownicy rzadko otwierają, wspiera statystyki wdrożenia, ale wnosi niewiele dodatkowych przychodów.
Czego dane Ramp nie mogą udowodnić
Jeden zmienny miesiąc nie pozwala odróżnić sezonowej przerwy od trwałej zmiany popytu przedsiębiorstw.
Zbiór danych Ramp dostarcza wyjątkowo bezpośrednich dowodów, ponieważ obserwuje rzeczywiste płatności. Nadal jednak reprezentuje klientów Ramp, których struktura branżowa i preferencje technologiczne różnią się od szerszej gospodarki.
Sektory techniczne, takie jak informacja, finanse i usługi profesjonalne, przodują we wdrażaniu rozwiązań w tej próbie. Taka orientacja może sprawiać, że indeks jest wczesnym wskaźnikiem, ale może też zawyżać skalę wdrożenia wśród amerykańskich firm.
Badanie wdrożenia w przedsiębiorstwach prowadzone przez U.S. Census Bureau stanowi użyteczną przeciwwagę. TechCrunch podał, że aktualizacja z sierpnia określiła zgłaszane wykorzystanie AI na blisko 22% firm, znacznie poniżej 56% wskazywanych przez Ramp.
Badania mierzą różne populacje i zachowania. Ramp wykrywa zakupy sklasyfikowane jako wydatki na AI. Census Bureau pyta przedsiębiorstwa o wykorzystanie AI przy wytwarzaniu dóbr i świadczeniu usług.
Żaden z tych wskaźników nie obejmuje całego rynku. Pracownicy mogą korzystać z bezpłatnych narzędzi lub subskrypcji kupionych prywatnie, poza systemami korporacyjnymi. Firmy mogą również płacić za produkty AI, które są w niewielkim stopniu faktycznie wykorzystywane.
Szacunek Ramp dotyczący górnego 1% zasługuje na szczególną ostrożność. Niewielka liczba firm, dat rozliczeń, umów rocznych lub opóźnionych transakcji może przesunąć miesięczną medianę dla tej grupy.
Ramp zrewidował lipcowe wydatki z około 7 400 USD do niemal 8 000 USD po otrzymaniu dodatkowych transakcji. Wyniki za sierpień pozostają podatne na podobne zmiany.
Wzorce urlopowe wprowadzają kolejne źródło szumu. Jeśli inżynierowie wygenerowali mniej tokenów w sierpniu, wydatki mogą odbić po wznowieniu projektów. Wcześniejsze odbicia na koniec roku wspierają taką możliwość.
Nawet odbicie nie wyeliminowałoby problemu cenowego. Pracownicy wracający z urlopu zetkną się z tańszymi modelami i bardziej oszczędnymi domyślnymi ustawieniami niż na początku 2026 roku.
Dostępne dane nie pozwalają też ustalić, czy spadek odzwierciedla słabsze wyniki pracy. Firma płacąca mniej może wykonywać tę samą pracę efektywniej. Taki rezultat oznacza udane wdrożenie, a nie odwrót.
Z kolei firma o wysokich wydatkach może generować duże ilości treści o niskiej wartości. Łączna liczba tokenów nie pozwala oddzielić produktywnej automatyzacji od marnotrawstwa.
Ta luka pomiarowa ma znaczenie dla nabywców. Zespoły finansowe potrzebują danych o wydatkach według przepływu pracy, zespołu, modelu i ukończonego rezultatu. Liderzy produktów potrzebują danych o jakości, czasie cyklu, wskaźnikach korekt i retencji użytkowników.
Programiści potrzebują równie kompletnego obrazu. Tani model, który wielokrotnie zawodzi, może kosztować więcej po uwzględnieniu ponownych prób i debugowania. Drogi model może być ekonomiczny, jeśli poprawnie wykonuje trudne zadanie.
Dla dostawców modeli niejednoznaczność oznacza zarówno pociechę, jak i zagrożenie. Spadające wydatki mogą wskazywać na zdrowszą ekonomię klientów, która później przyspieszy wdrożenia. Mogą też ujawniać pułap gotowości do płacenia.
Modele o otwartych wagach nie wyjaśniają jeszcze szerokiej zmiany. Ramp stwierdził, że w sierpniu tylko 6,4% firm wydających na AI korzystało z platform do obsługi modeli lub wnioskowania.
Liczba ta jest górnym szacunkiem wykorzystania otwartych modeli, ponieważ platformy routingu mogą również oferować modele zamknięte. Ramp określił wdrożenie we wszystkich firmach na 3,6%.
Otwarte modele pozostają więc kontekstem pomocniczym, a nie głównym przeciwnikiem w tej historii. Bezpośrednia konkurencja pochodzi z tańszych standardowych ofert sprzedawanych przez tych samych dużych dostawców.
Ta dynamika może obniżać średni przychód bez konieczności zmiany dostawcy przez klientów. Klient Anthropic może przenieść pracę z Opus do Sonnet. Klient OpenAI może wybrać tańszy model do rutynowych zadań.
Wdrożenie rozwiązań dostawcy może rosnąć, podczas gdy jakość przychodów słabnie. Właśnie dlatego sierpniowe połączenie tych zjawisk zasługuje na uwagę, zanim ktokolwiek nazwie je trendem.
Trzy sygnały zdecydują, czy było to ostrzeżenie
Kolejny test pokaże, czy wydatki odbiją, podczas gdy klienci nadal będą kierować więcej pracy do ekonomicznych modeli.
Pierwszym sygnałem będą wydatki we wrześniu i październiku wśród górnego 1% klientów Ramp. Silne odbicie w kierunku lipcowego poziomu wzmocniłoby sezonowe wyjaśnienie.
Takie odbicie trzeba oceniać wraz z rewizjami transakcji. Wstępny wzrost lub spadek może się zmienić, gdy Ramp otrzyma dodatkowe płatności. Kilka miesięcy dostarczy pewniejszego trendu niż pojedyncza obserwacja.
Dalszy spadek wzmocniłby interpretację strukturalną. Sugerowałby, że tańsze tokeny i bardziej rygorystyczny dobór modeli obniżają przychody szybciej, niż nowe obciążenia robocze je zwiększają.
Drugim sygnałem będzie udział modeli frontier w wolumenie tokenów. Ramp określił ten udział na 45% po wcześniejszym sierpniowym szczycie na poziomie 53%.
Utrzymujące się odbicie pokazałoby, że firmy nadal znajdują wystarczająco trudne zadania, aby uzasadnić systemy premium. Wsparłoby to twierdzenia dostawców, że większe możliwości tworzą lepszą ekonomię.
Kolejny spadek pokazałby, że standardowe modele przejmują większą część codziennej pracy. Wywierałoby to presję na laboratoria tworzące modele frontier, by poprawiały zróżnicowanie, obniżały ceny lub włączały zaawansowane możliwości do szerszych produktów.
Sam udział modeli nadal wymaga kontekstu. Model frontier może generować istotne przychody z mniejszej liczby tokenów, jeśli jego cena pozostaje wyższa. Dostawcy mogą także zmieniać pakiety, rabaty lub strukturę subskrypcji.
Trzecim sygnałem będzie wdrożenie poza zespołami technicznymi. Laboratoria AI coraz częściej kierują swoją ofertę do pracy zespołowej wykonywanej przez analityków, menedżerów, marketerów i innych pracowników wiedzy.
Silne, powtarzalne wykorzystanie w tych grupach poszerzyłoby bazę klientów poza wczesnych użytkowników z obszaru inżynierii. Stworzyłoby też przepływy pracy mniej powiązane z cyklami wydawania oprogramowania i liczbą programistów.
Same zakupy nie rozstrzygną sprawy. Firmy muszą wykazać, że użytkownicy nietechniczni wracają, wykonują istotne zadania i rozszerzają wykorzystanie po początkowych testach.
Czytelnicy powinni obserwować retencję produktu, wolumen przepływów pracy i zgłaszane wyniki zadań. Wskaźniki te ujawniają więcej niż ogłoszenia premier czy liczba kont.
Nabywcy korporacyjni powinni również sprawdzić, skąd pochodzą ich własne oszczędności. Niższe wydatki wynikające z lepszego routingu są zdrowe. Niższe wydatki spowodowane porzuconymi projektami sygnalizują nieudane wdrożenie.
Zespoły mogą wesprzeć to rozróżnienie, łącząc aktywność AI z zapisanymi decyzjami, dokumentacją projektów i ukończoną pracą. Dobrze utrzymany second brain może zachować kontekst potrzebny do oceny tych wyników w czasie.
Szerszy rynek nie potrzebuje, by wydatki na pracownika rosły bez końca. Firmy korzystają na poprawie możliwości i spadku kosztów. Efektywne wdrożenie może tworzyć więcej wartości przy mniejszych nakładach.
Twórcy modeli i hyperscalerzy stoją przed innym równaniem. Ich plany inwestycyjne wymagają przychodów, które ostatecznie uzasadnią ogromne zobowiązania infrastrukturalne.
Wydatki na AI obserwowane przez Ramp ujawniły konflikt między tymi rezultatami. To, co pomaga klientom, może ograniczać dostawców, nawet gdy więcej osób korzysta z AI.
Sierpień może nadal okazać się przerwą wynikającą z sezonu urlopowego. Kolejne odczyty pokażą, czy intensywni użytkownicy wznowili wydatki, czy też trwale nauczyli się robić więcej z użyciem tańszych modeli.
Dla programistów i liderów biznesu praktyczne pytanie jest już jasne: czy wydatki na AI przekładają się na ukończoną, wartościową pracę, czy jedynie gromadzą tokeny? Zmierz tę odpowiedź przed kolejnym cyklem budżetowym.
