Databricks setter prislapp på ukontrollert kode-AI

Databricks peker på et problem mange teknologiledere kjenner, men få har tallfestet godt nok: AI-koding skalerer ikke pent på kostnadssiden. Når utviklere får kodeagenter, terminaltilgang og lange kontekster, kan forbruket vokse raskere enn gevinstene ledelsen trodde den kjøpte.

I en ny gjennomgang skriver Databricks at agentiske kodeverktøy har gitt målbare forbedringer i alle hastighetsmål selskapet følger, og i noen team løftet produksjonen med en størrelsesorden. Samtidig advarer selskapet om at nesten alle store brukere treffer samme vegg: eksponentielt voksende kostnader. Hvis kurven får stå alene, kan den spise opp effektiviseringsgevinsten.

Det viktige er at dette ikke behandles som et innkjøpsproblem alene. Databricks beskriver det som et styrings- og arkitekturproblem. Kodeagenten får en enkel oppgave fra brukeren, men henter deretter inn store mengder kontekst, bruker verktøy, søker i kodebasen, leser systeminstrukser og bygger opp en arbeidsøkt før de dyre modellkallene kommer. Brukerens første prompt er ofte en liten del av det som faktisk sendes gjennom modellene.

Det forklarer hvorfor en fast lisenspris ikke er nok som kostnadskontroll. Den reelle kostnaden ligger i hvor mye kontekst agenten drar med seg, hvor mange verktøykall den gjør, hvilken modell hvert steg bruker, hvor lenge sesjonen lever, og hvor effektivt harnesset arbeider.

Databricks kaller den viktigste disiplinen for å jage "efficiency frontier" heller enn bare intelligensfronten. Det betyr å flytte arbeidsmengder til modellene som gir nok kvalitet til lavest pris, ikke automatisk bruke den dyreste og kraftigste modellen på alt. Selskapet skriver at nye modeller kommer nesten ukentlig med bedre pris per egnet intelligensnivå, men at virksomheter bare kan høste gevinsten hvis de har egne evalueringer som ligner reelle interne oppgaver.

Dette er et klart signal til CIO-er. Offentlige benchmarks er nyttige, men de sier lite om hvordan en modell oppfører seg på egen kodebase, egne pull requests, egne rammeverk og egen risikotoleranse. Databricks viser til at Stripe valgte bort Opus 4.7 internt fordi kvaliteten ikke ga nok løft over Opus 4.6 til å forsvare kostnaden. Databricks så tilsvarende kostnadsregresjon fra Opus 4.8 til Opus 5.0 i egne vurderinger.

Neste grep er fleksibilitet i selve verktøykjeden. Hvis utviklerne er låst til ett harness og ett modellsett, blir det tungt å flytte kostnadene når markedet endrer seg. Databricks peker derfor på meta-harness som et mønster: et felles brukerlag som kan sende oppgaver til ulike underliggende verktøy og modeller. Poenget er ikke å gjøre utviklerne til modellforvaltere, men å gi plattformteamet mulighet til å endre rutingen uten å rive opp arbeidsflyten.

Ruting er selve motoren i kostnadskontrollen. Databricks skiller mellom ruting på forespørselsnivå, ruting på oppgavenivå og eskalering mellom billige og dyre modeller. En proxy eller gateway kan sende enkle deler av arbeidet til rimeligere modeller, mens vanskeligere steg går til kraftigere modeller. Selskapet skriver at deres egen AI Gateway Smart Router har redusert gjennomsnittlig oppgavekostnad med mer enn 30 prosent samtidig som kvaliteten omtrent matchet den dyreste modellen i arbeidssettet.

Det er ikke en garanti alle kan kopiere direkte. Men prinsippet er relevant: standardvalget bør ikke være dyreste modell. Standardvalget bør være billigste modell som består intern kvalitetsgrense for den konkrete typen arbeid.

Databricks advarer også mot primitive hardbudsjetter. Hvis en utvikler treffer et tak og mister all tilgang, kan virksomheten stoppe en av de personene som faktisk får mest ut av verktøyet. Derfor anbefales progressive mekanismer: synlighet, varsler, selvklarerte porter, ledergodkjenning ved høyere nivåer, nedskifting til billigere modeller og bare i siste instans suspensjon.

Dette treffer en norsk lederhverdag bedre enn en ren "AI for alle"-kampanje. Mange virksomheter har nå kjøpt tilgang til Copilot, Claude Code, Cursor, Codex eller interne agentoppsett. Neste spørsmål er ikke om utviklerne liker dem. Spørsmålet er hva hvert team faktisk bruker, hvilke oppgaver som gir avkastning, hvor kostnaden havner, og hvilke sperrer som finnes før eksperimentering blir fast utgift.

Den fjerde spaken er å kutte tokenoverhead. Databricks beskriver hvordan justering av harness og caching ga nesten 50 prosent reduksjon i genererte tokens og tilhørende kostnad uten observert kvalitetstap for utviklerne. Det er et nøkternt, men viktig funn. Mange organisasjoner leter etter neste modell for å spare penger, mens mye av sløsingen ligger i for mye kontekst, for pratsomme verktøy og for dårlig komprimering av øktene.

For styrer og toppledelse er konklusjonen praktisk. AI-koding bør behandles som en ny produksjonsplattform, ikke som et skrivebordsverktøy. Da må den ha måling, ruting, kostnadsallokering, policyer, revisjonsspor og aktiv modellforvaltning. Hvis alt dette ligger hos hver enkelt utvikler, blir kostnadskontrollen tilfeldig.

Det betyr ikke at virksomheter skal bremse bruken. Tvert imot. Databricks beskriver store produktivitetsgevinster når verktøyene brukes riktig. Men ledelsen må slutte å måle bare antall lisenser og begynne å måle AI-arbeid som en driftslinje: kostnad per oppgavetype, kvalitet per modellvalg, tokenbruk per økt, cacheeffekt, feilsløyfer og gevinst per team.

Den korte anbefalingen er enkel: gi brede verktøy, men ikke blankosjekk. Bygg en gateway eller kjøp en som gir styring på tvers av modeller og harness. Lag interne evals før modellbytter. Bruk progressive kostnadsporter i stedet for brutale avstengninger. Og krev at plattformteamet kan forklare hvorfor en oppgave gikk til én modell og ikke en annen.

Markedet for kodeagenter går raskt fra eksperiment til industriell bruk. Da flytter konkurransefordelen seg. Det handler mindre om å ha den mest entusiastiske utviklergruppen og mer om å ha en styringsmodell som lar gode team bruke mye AI uten at økonomi og sikkerhet mister kontrollen.

Kilder og medier

Kilde: Databricks Blog, "Managing AI Coding Costs at Scale", publisert 7. august 2026. https://www.databricks.com/blog/managing-ai-coding-costs-scale

Thumbnail: OpenAI Image 2 / hogby.ai