За январь-апрель 2026 года Uber довел долю инженеров, работающих с Claude Code, с 32% до 84% и заодно успел сжечь годовой бюджет на AI. Теперь президент и операционный директор компании Эндрю Макдональд публично усомнился, что такой разгон вообще можно честно защитить через результат. Для русскоязычного IT-рынка это важный сигнал: разговор про окупаемость AI постепенно выходит из фазы восторга и возвращается в скучную, но взрослую плоскость unit-экономики.
По данным Habr / Новости, поводом стал субботний выпуск подкаста Rapid Response, где Макдональд вспомнил апрельское заявление технического директора Uber Правина Неппалли Нага о том, что компания за четыре месяца выбрала весь годовой лимит на AI-инструменты. Реакция операционного руководителя была предсказуемо без романтики: его, по собственным словам, эта новость шокировала. После обсуждений с техническим блоком Макдональд пришел к неприятному для модного AI-нарратива выводу: рост расходов на токены и рост выпуска полезных функций не всегда удается связать напрямую. Иными словами, если команда жжет больше токенов, это еще не доказывает, что продукт двигается на сопоставимые 20-25% быстрее.
Здесь важна не только сумма затрат, которую Uber в публикации не раскрывает, но и сама логика принятия решения. Весной менеджмент защищал перерасход как альтернативу агрессивному найму: лучше больше тратить на AI, чем раздувать штат инженеров. На бумаге схема выглядит соблазнительно. Если компания получает тот же объем работы меньшим количеством людей, экономика сходится. Но в реальности появляется старая проблема корпоративных метрик: очень легко измерить потребление инструмента и очень трудно доказать, что именно оно принесло бизнесу нужный эффект. Когда такой разрыв замечает не внешний аналитик и не осторожный юрист по рискам, а человек, отвечающий за операционный результат, тон разговора меняется.
Отдельно показателен и внутренний контекст Uber. В Кремниевой долине с начала 2026 года закрепился термин tokenmaxxing: продуктивность сотрудника или команды начинают оценивать через интенсивность использования AI-сервисов. Внутри Uber, как пишет источник, дело дошло до рейтингов команд, где более высокое потребление Claude Code трактовалось как плюс. Это очень узнаваемый корпоративный соблазн. Если у тебя есть новая дорогая технология, хочется быстро сделать ее видимой, обязательной и измеримой. Но как только KPI строится вокруг использования инструмента, а не вокруг результата, компания почти неизбежно начинает стимулировать ритуал вместо пользы. Инженер в такой системе может быть не тем, кто решил сложную задачу дешевле и надежнее, а тем, кто просто оставил самый жирный след в биллинге.
Макдональд в этой истории проговорил вещь, которую многие разработчики и тимлиды обсуждают между собой уже не первый месяц: AI кажется почти бесплатным, пока его рассматривают как абстрактный ускоритель идей. Но когда этим ускорителем одновременно пользуются тысячи инженеров, магия быстро превращается в строчку расходов. У Uber около 5000 инженеров, и, по данным источника, каждый при текущих практиках тратит на AI-инструменты от 500 до 2000 долларов в месяц. Даже без точной разбивки по командам масштаб понятен. На уровне одного сотрудника это выглядит как допустимая цена за дополнительную продуктивность. На уровне всей инженерной организации CFO и COO внезапно вспоминают, что «немного больше токенов» легко превращается в десятки миллионов расходов в год, а доказательная база по эффекту остается размытой.
Uber здесь не выглядит исключением, скорее ранним симптомом более широкой коррекции. В том же источнике приводятся два характерных примера. Microsoft, по сообщениям, отозвала у части внутренних команд лицензии Claude Code и перевела инженеров на GitHub Copilot CLI ради экономии перед новым финансовым годом. Duolingo, в свою очередь, откатил идею учитывать использование AI в оценке сотрудников после жалоб на то, что компания продвигает сам инструмент, а не результат работы. Общий мотив у этих кейсов один: рынок постепенно перестает покупать аргумент «больше AI автоматически значит лучше». Для топ-менеджмента важнее не демонстрация технологической смелости, а ответ на неудобный вопрос, сколько именно продукта, выручки, скорости релиза или сокращения ручной работы компания получила на каждый дополнительный доллар AI-расходов.
Для разработчиков эта история тоже не про бухгалтерию в чистом виде. Когда руководство сначала поощряет максимальное использование AI, а затем публично сомневается в его эффективности, первыми под удар попадают локальные практики команд. Начинаются пересмотры лимитов, закупок, политик безопасности, допуска к инструментам и даже критериев performance review. Для продактов и CTO вывод еще жестче: если AI внедряется как универсальная смазка для всей инженерной машины, без нормальной системы измерения эффекта, почти наверняка наступит момент отката. Не потому что модель «плохая», а потому что бизнес не любит расходы, которые невозможно привязать к конкретному выпуску фич, качеству кода, времени цикла или найму, которого удалось избежать.
Именно поэтому сомнение Uber выглядит важнее самой новости о перерасходе. Рынок уже видел компании, которые охотно экспериментируют с генеративным AI, но гораздо реже слышал, как крупный публичный игрок с операционного уровня ставит под вопрос окупаемость AI не в теории, а на примере собственной инженерной организации. Следующая фаза, похоже, будет не про соревнование «кто сжег больше токенов», а про более приземленный отбор: какие AI-инструменты реально ускоряют поставку продукта, а какие просто делают счет за инфраструктуру заметно толще.