Företag hanterar budgetkostnader för AI-kodningsagenter

Inom programvaruutveckling står företag inför nya utmaningar med den ökande användningen av AI-kodningsagenter, särskilt när det gäller budgethantering. Replit, Kilo Code och Symbotic har presenterat sina metoder för att optimera AI-relaterade kostnader samtidigt som de utnyttjar agenternas effektivitet.

Enligt Emilie Schario, medgrundare av Kilo Code, ägnar ingenjörer endast cirka 1 % av sin tid åt att läsa eller skriva kod, resten hanteras av AI-agenter. Denna förändring tvingar utvecklingsteam att fundera över vilka system som är säkra att överlämna till AI, vem som ansvarar för att korrigera fel och hur man stöder flera modellarkitekturer. Eskalerande "token"-kostnader väcker frågor om det representerar verkliga framsteg eller bara slösaktig IT-budgetförbrukning.

Jared Go, distinguished engineer för AI och moln på Symbotic, betonar vikten av att styra AI:ns fokus. Han menar att AI är bra på "greenfield"-utveckling (nya kodbaser), men "brownfield"-utveckling (underhåll och uppdatering av befintlig kod) kräver fortfarande mänsklig inblandning för produktbeslut. Replit, å andra sidan, har en mer konservativ strategi: varje kodändring granskas och får en riskpoäng. Ändringar med låg risk slås samman automatiskt, medan de med högre risk dirigeras till mänsklig granskning.

Stöd för multimodellarkitekturer är också avgörande. Kilo Code stöder över 500 modeller, vilket möjliggör val av mer kostnadseffektiva modeller för olika projektfaser. Företag kan till exempel använda dyra toppmodeller för arkitektur och billigare open-source-modeller för resten av arbetet. Replit fattar modellval å användarnas vägnar för att minimera kostnader och maximera kapacitet.

Kostnadshantering är en pågående oro. Både Kilo Code och Symbotic har infört verktyg och strategier för att övervaka och begränsa AI-användningen. Kilo Code rekommenderar att använda billigare modeller för rutinmässiga uppgifter, medan Symbotic har satt månatliga kostnadsklasser för anställda och övervakar användningstrender. Målet är att säkerställa att AI-investeringarna ger verkligt värde.