एजेंटिक AI की छिपी हुई कीमत: 2026 में AI एजेंट बिल क्यों बढ़ते ही जाते हैं

हाइप साइकल का सामना इनवॉइस से

Gartner की जून 2025 की भविष्यवाणी इस बारे में साफ़ थी कि एजेंटिक AI प्रोजेक्ट्स क्यों बंद किए जाते हैं: बढ़ती लागत, अस्पष्ट बिज़नेस वैल्यू, या नाकाफ़ी रिस्क कंट्रोल्स — आमतौर पर इन तीनों का कोई न कोई मिश्रण। फ़र्म का अपना सर्वे भी बताता है कि ज़्यादातर इन प्रोजेक्ट्स की ज़मीन कितनी कमज़ोर है। जनवरी 2025 के एक सर्वे में, जिसमें 3,412 वेबिनार अटेंडीज़ शामिल थे, सिर्फ़ 19% ने कहा कि उनके संगठन ने एजेंटिक AI में कोई बड़ा निवेश किया है। 42% ने अपने निवेश को "कंज़र्वेटिव" बताया, 8% ने कोई निवेश ही नहीं किया था, और 31% अभी भी "वेट-एंड-सी" मोड में थे। यह ऐसा मार्केट नहीं है जो एक साथ ऑटोनॉमस एजेंट्स की ओर बढ़ रहा हो। यह एक ऐसा मार्केट है जहां पांचवां हिस्सा खरीदार कमिटेड हैं और बाकी यह देख रहे हैं कि पहले किसके हाथ जलते हैं।

जो चीज़ जल रही है उसका एक हिस्सा है वेंडर लेबल पर भरोसा। Gartner ने "एजेंट वॉशिंग" को लेकर चेतावनी दी है — यानी मौजूदा चैटबॉट्स, RPA स्क्रिप्ट्स, और असिस्टेंट्स को बिना किसी असली ऑटोनॉमस क्षमता के "एजेंटिक AI" के नए नाम से रीब्रांड कर देना। एजेंटिक AI प्रोडक्ट्स बेचने वाले हज़ारों वेंडर्स में से, Gartner का अनुमान है कि सिर्फ़ करीब 130 ही ऐसे हैं जो सच में इस परिभाषा पर खरे उतरते हैं। जब कोई खरीदार यह पता नहीं लगा पाता कि किसने उसे असली एजेंट बेचा और किसने रीलेबल्ड स्क्रिप्ट, तो कॉस्ट ओवररन कोई टेक्निकल समस्या नहीं लगती — बल्कि प्रोक्योरमेंट की नाकामी लगती है, जिसे ठीक करने से कहीं आसान है रद्द कर देना।

Gartner के इस वाक्यांश में "नाकाफ़ी रिस्क कंट्रोल्स" शब्द बहुत कुछ कह जाता है, और इसे समझना ज़रूरी है। असल में इसका मतलब आमतौर पर यह होता है कि एजेंट लाइव होने से पहले किसी ने भी उस पर खर्च की कोई सीमा तय नहीं की थी, किसी ने भी यूसेज को उस प्रोजेक्ट या डिपार्टमेंट के हिसाब से नहीं जोड़ा जो उसका मालिक है, और किसी के पास यह प्लान नहीं था कि जब एजेंट किसी एज केस में फंस जाए और उसे खुद सुलझाने की कोशिश में ज़रूरत से ज़्यादा देर तक लूप करे, तो क्या होगा। ये गवर्नेंस गैप्स हैं, मॉडल की सीमाएं नहीं — और यह उसी तरह का गैप है जिसने शैडो IT और अनमैनेज्ड SaaS खर्च को एक दशक तक बेतहाशा बढ़ने दिया, इससे पहले कि किसी ने इसके इर्द-गिर्द कोई प्रोसेस बनाई।

AI एजेंट का बिल SaaS सब्सक्रिप्शन जैसा व्यवहार क्यों नहीं करता

एक बार जब आप देख लेते हैं कि एक "एजेंट" एक सिंगल रिक्वेस्ट के पीछे असल में क्या कर रहा है, तो इस ओवररन के पीछे की मैकेनिक्स सीधी-सादी लगने लगती हैं। एक सवाल का जवाब देने वाला चैटबॉट मॉडल को सिर्फ़ एक कॉल करता है। एक टास्क पूरा करने वाला एजेंट आमतौर पर पूरा होने से पहले 8 से 15 इंटरनल कॉल्स करता है — एक प्लानिंग स्टेप, तीन से पांच टूल इनवोकेशन, टूल्स से मिले नतीजे पर क्या करना है इसे लेकर रीज़निंग के कई राउंड, एक रिफ्लेक्शन पास, और आख़िर में एक फ़ाइनल सिंथेसिस स्टेप। इंडस्ट्री अनुमानों के मुताबिक एजेंटिक वर्कलोड, एक बराबर के सिंगल-टर्न चैट इंटरैक्शन के मुकाबले 10 से 100 गुना ज़्यादा टोकन खर्च करते हैं, और मल्टी-एजेंट पाइपलाइन से गुज़रने वाला एक टास्क एक सामान्य क्वेरी के मुकाबले लगभग 30 गुना ज़्यादा टोकन खर्च कर सकता है।

यहां से यह और बढ़ता जाता है। ज़्यादातर LLM APIs हर कॉल पर पूरी बातचीत की हिस्ट्री का बिल लगाते हैं, न कि सिर्फ़ नए मैसेज का, इसलिए 10-से-20-टर्न वाले एजेंट लूप के हर टर्न पर दोबारा भेजा गया 2,000-टोकन का सिस्टम प्रॉम्प्ट, एक ही टास्क में सिर्फ़ दोहराव से 20,000 से 40,000 अतिरिक्त टोकन जोड़ देता है। किसी एजेंट के चुनने के लिए 30 टूल्स रजिस्टर कर दीजिए और मॉडल हर रिक्वेस्ट पर सभी 30 टूल स्कीमा पढ़ेगा — यानी यूज़र के असली सवाल को प्रोसेस करने से पहले ही 15,000 से 21,000 अतिरिक्त टोकन का ओवरहेड। इनमें से कुछ भी किसी ऐसे लाइन आइटम की तरह सामने नहीं आता जिसे किसी ने मंज़ूरी दी हो। यह एक ऐसे बिल की तरह सामने आता है जो हर बार बढ़ता है जब एजेंट थोड़ा और स्मार्ट, थोड़ा और ऑटोनॉमस, या थोड़ा और उपयोगी बनता है — और यही वह दिशा है जिस ओर हर वेंडर इस टेक्नोलॉजी को धकेल रहा है।

इसका व्यावहारिक असर यह होता है कि लागत अब उस चीज़ से मेल नहीं खाती जिसका बजट फ़ाइनेंस टीम ने असल में बनाया था। एक सब्सक्रिप्शन सीट्स के हिसाब से बढ़ता है, जो अनुमानित होता है क्योंकि हेडकाउंट धीरे-धीरे बदलता है। एक एजेंट की लागत इस बात पर निर्भर करती है कि वह कितनी बार सोचने, दोबारा कोशिश करने, या किसी टूल को कॉल करने का फ़ैसला लेता है — जो एक ही हफ़्ते में दोगुना या तिगुना हो सकती है अगर अंडरलाइंग डेटा और गड़बड़ हो जाए, कोई वेंडर API बिगड़े हुए रिस्पॉन्स देना शुरू कर दे जिन्हें एजेंट को संभालना पड़े, या कोई टास्क पायलट में टेस्ट किए गए से कहीं ज़्यादा रीज़निंग स्टेप्स मांगे। इस तरह के उतार-चढ़ाव को पहले से कोई मंज़ूरी नहीं देता, क्योंकि इसे पकड़ने वाला कोई लाइन आइटम तब तक मौजूद ही नहीं होता जब तक यह इनवॉइस पर आ न जाए।

वही स्प्रॉल, बस AI का नया कोट

ऑपरेशंस टीमें इस पैटर्न को SaaS से पहले से जानती हैं। इंडस्ट्री के SaaS-मैनेजमेंट रिसर्च के मुताबिक, एक औसत कंपनी अब करीब 291 से 305 अलग-अलग SaaS एप्लीकेशंस मैनेज करती है, और बड़े एंटरप्राइज़ेज़ में यह संख्या 470 को पार कर जाती है — और कहीं-कहीं 696 तक भी पहुंच जाती है — और इसमें उन 30% से 40% शैडो-IT टूल्स को गिना भी नहीं गया है जिन्हें IT में कोई भी आधिकारिक रूप से ट्रैक नहीं करता। इनमें से हर टूल की शुरुआत एक अकेली, वाजिब समस्या के लिए एक अकेली, वाजिब ख़रीद के तौर पर हुई थी। पूरी कंपनी में गुणा होने पर, ये मिलकर एक ऐसा स्टैक बन गए जिसका पूरा हिसाब कोई नहीं रख सकता, बजट की तो बात ही छोड़िए, वह भी एक साल पहले से।

AI एजेंट्स इसी पैटर्न को और तेज़ रफ़्तार से दोहरा रहे हैं, क्योंकि एंट्री कॉस्ट बहुत कम है। किसी एक वर्कफ़्लो के लिए AI एजेंट खड़ा करने के लिए किसी डिपार्टमेंट को प्रोक्योरमेंट साइकल की ज़रूरत नहीं पड़ती — अक्सर एक क्रेडिट कार्ड और एक API की ही काफ़ी होती है। इन्वेंट्री अलर्ट्स के लिए एक एजेंट जोड़िए, लीड स्कोरिंग के लिए एक और, सपोर्ट ट्राएज के लिए एक और, रिपोर्ट जनरेशन के लिए एक और — और हर एक अपनी यूसेज कर्व पर, अलग से बिल करता है, जबकि किसी एक फ़ंक्शन के पास पूरा जोड़ नहीं होता। जो स्प्रेडशीट-अफ़रा-तफ़री ऑपरेशंस मैनेजर्स सालों से बचने की कोशिश करते आए हैं, वह AI आने से गायब नहीं होती। वह सिर्फ़ टैब्स से टोकन मीटर्स की तरफ़ खिसक जाती है — और महीने के आख़िर में टोकन मीटर्स को मिलाना कहीं ज़्यादा मुश्किल होता है।

शैडो IT से यह तुलना महज़ इत्तेफ़ाक नहीं है। IT और फ़ाइनेंस टीमों ने पिछले कई सालों में डुप्लीकेट SaaS लाइसेंस ढूंढने और उन्हें समेटने के लिए प्रोसेस बनाने में लगाए हैं। एजेंटिक टूल्स इतनी तेज़ी से सामने आ रहे हैं कि ये प्रोसेस उनके साथ तालमेल नहीं बिठा पा रहे, और अक्सर इन्हें प्रोक्योरमेंट के ज़रिए नहीं बल्कि किसी अकेले मैनेजर द्वारा कॉर्पोरेट कार्ड से ख़रीदा जाता है — जिसका मतलब है कि कुल लागत पहली बार बिलिंग साइकल के आख़िर में ही किसी को दिखती है, मंज़ूरी मिलने से पहले नहीं।

महत्वाकांक्षा धीमी नहीं पड़ रही — यही लागत की समस्या को और बढ़ा रही है

ऐसा कुछ भी इसलिए नहीं हो रहा कि ऑटोमेशन की भूख कम हो रही है। McKinsey की नवंबर 2025 की रिसर्च में पाया गया कि अमेरिका में 57% काम के घंटे ऐसी टेक्नोलॉजी से ऑटोमेट किए जा सकते हैं जो पहले से मौजूद है — जो फ़र्म के अपने 2023 के अनुमान से लगभग दोगुना है, जिसमें कहा गया था कि 2030 तक 30% घंटे ऑटोमेट होने योग्य होंगे। Gartner का अनुमान है कि 2028 तक एजेंटिक AI, 33% एंटरप्राइज़ सॉफ्टवेयर एप्लीकेशंस में शामिल हो जाएगा, जबकि 2024 में यह आंकड़ा 1% से भी कम था, और तब तक कम से कम 15% रोज़मर्रा के काम के फ़ैसले ऑटोनॉमस रूप से लिए जाएंगे, जबकि 2024 में यह लगभग शून्य था।

यही ट्रेजेक्टरी असली वजह है कि लागत की समस्या अपने आप हल नहीं होती। ज़्यादा फ़ैसलों, ज़्यादा वर्कफ़्लो, और रोज़मर्रा के ज़्यादा काम को ऑटोमेट करने की दौड़ में लगी हर टीम, ज़्यादा एजेंटिक कॉल्स, ज़्यादा टूल इनवोकेशन, और ज़्यादा जमा होते टोकन बिलों की तरफ़ भी दौड़ रही है — जब तक कि इस ऑटोमेशन के पीछे का प्राइसिंग मॉडल न बदले। लागत की कोई सीमा तय किए बिना महत्वाकांक्षा — यही वह मिश्रण है जिसका ज़िक्र Gartner 40% कैंसिलेशन रेट का अनुमान लगाते हुए कर रहा है: ऐसे प्रोजेक्ट्स जो पायलट में आशाजनक दिखे, और फिर उसी पल बंद कर दिए गए जब फ़ाइनेंस टीम ने देखा कि इन्हें स्केल करने का इनवॉइस पर असल मतलब क्या होगा।

वही वर्कफ़्लो, दो बिल्कुल अलग बिल

ज़रा सोचिए एक मीडियम-साइज़ लॉजिस्टिक्स कंपनी का, जो एक वर्कफ़्लो ऑटोमेट कर रही है: एक इन्वेंट्री एजेंट जो तीन वेयरहाउसेज़ में स्टॉक लेवल पर नज़र रखता है और जब भी कोई चीज़ थ्रेशोल्ड से नीचे जाती है, एक रीऑर्डर सिफ़ारिश तैयार करता है। एक लाइव एजेंटिक सर्विस के तौर पर प्राइस किए जाने पर, यह वर्कफ़्लो हर बार जब इन्वेंट्री बदलती है अपना प्लानिंग-एंड-टूल-कॉल लूप चलाता है — तीनों लोकेशन्स पर दिन में दर्जनों बार — और हर रन में 8 से 15 मॉडल कॉल्स और ऊपर बताई गई पूरी कॉन्टेक्स्ट विंडो शामिल होती है। किसी सुस्त महीने में यह बिल संभालने लायक होता है। लेकिन किसी ऐसे महीने में जब सप्लाई में रुकावट आ जाए, जब स्टॉक लेवल लगातार उतार-चढ़ाव करें और एजेंट कहीं ज़्यादा बार ट्रिगर हो, तो यही वर्कफ़्लो फ़ाइनेंस द्वारा मंज़ूर किए गए से कई गुना ज़्यादा खर्च कर सकता है — और इसकी कोई चेतावनी तब तक नहीं मिलती जब तक इनवॉइस न आ जाए।

अब यही वर्कफ़्लो एक बार बनाए गए एप्लीकेशन के तौर पर सोचिए: एक रीऑर्डर-थ्रेशोल्ड रूल, एक डैशबोर्ड, और एक अलर्ट — जिसे AI ने एक सामान्य भाषा में लिखे विवरण से जनरेट किया और फिर एक सामान्य सॉफ्टवेयर की तरह चलाया जाता है। यह लॉजिक हर बार स्टॉक बदलने पर शुरू से दोबारा रीज़न नहीं करता — यह सिर्फ़ वही रूल चलाता है जिसे चलाने के लिए ऐप बनाया गया था। ज़्यादा व्यस्त महीने बिल को नहीं बदलते, क्योंकि लागत होस्टिंग टियर पर तय की गई थी, न कि इन्वेंट्री कितनी बार बदली इस पर। वेयरहाउस देख रहे ऑपरेशंस मैनेजर के लिए ऑपरेशनल नतीजा वही है। पर तिमाही के आख़िर में फ़ाइनेंस से होने वाली बातचीत बिल्कुल अलग है।

जैसे-जैसे कंपनी लोकेशन्स जोड़ती है, यह अंतर और बढ़ता ही जाता है। एजेंटिक मॉडल में चौथा वेयरहाउस मतलब लाइव रीज़निंग कॉल्स की एक चौथी धारा, जो अलग से बिल होती है और पहले तीन के ऊपर जुड़ती जाती है। एक बार बनाए गए मॉडल में चौथा वेयरहाउस मतलब बस उसी एप्लीकेशन को किसी और डेटा सोर्स की तरफ़ इशारा कर देना — लॉजिक नहीं बदलता, और न ही बिल बदलता है, क्योंकि AI का महंगा काम पहले ही एक बार हो चुका है, न कि हर वेयरहाउस के लिए, हर महीने, हमेशा के लिए।

निष्पक्षता से कहें तो, कुछ काम को सच में एक लाइव एजेंट चाहिए

यह इस बात की दलील नहीं है कि एजेंटिक AI हर जगह एक बुरा आइडिया है। ओपन-एंडेड कस्टमर सवालों को संभालने वाला एक सपोर्ट एजेंट, अनजान दस्तावेज़ों को समझने वाला एक रिसर्च असिस्टेंट, या किसी अनजान कोडबेस को डीबग करने वाला एक कोडिंग एजेंट — ये सभी सच में अनिश्चित काम कर रहे हैं, जहां रीज़निंग को लाइव होना ही पड़ता है क्योंकि हर बार इनपुट अलग होता है। इस तरह की वैरिएबल रीज़निंग के लिए, यूसेज के हिसाब से भुगतान करना, इससे मिलने वाली वैल्यू के बदले एक वाजिब सौदा है।

ज़्यादातर इंटरनल ऑपरेशंस का काम ऐसा नहीं होता। एक रीऑर्डर थ्रेशोल्ड, एक अप्रूवल रूटिंग रूल, एक मंथली रिपोर्ट, एक शिफ्ट शेड्यूल — ये ऐसे वर्कफ़्लो हैं जिन्हें बिज़नेस पहले से समझता है। इस लॉजिक को हर बार चलाए जाने पर शुरू से दोबारा गढ़ने की ज़रूरत नहीं होती; इसे एक बार सही तरीके से बनाने की ज़रूरत होती है, और फिर भरोसेमंद तरीके से चलाने की — बिल्कुल वैसे ही जैसे यह कल चला था और अगली तिमाही में चलेगा। ऐसे काम के लिए, जो मूल रूप से दोहराने लायक है, लाइव-एजेंट, पर-इन्फ़रेंस कीमत चुकाना — यहीं से बजट लीक होता है — इसलिए नहीं कि एजेंटिक AI में कोई खराबी है, बल्कि इसलिए कि यह ग़लत तरह के टास्क पर लगाया गया ग़लत प्राइसिंग मॉडल है।

प्रेडिक्टेबल AI लागत असल में कैसी दिखती है

Gartner का 40% कैंसिलेशन अनुमान यह भविष्यवाणी नहीं है कि एजेंटिक AI तकनीकी रूप से फेल हो जाएगा। यह भविष्यवाणी है कि फ़ाइनेंस टीमें उन प्रोजेक्ट्स का प्लग खींचती रहेंगी जिनकी लागत का अंदाज़ा कोई एक तिमाही पहले नहीं लगा सकता, चाहे डेमो कितना भी शानदार क्यों न रहा हो। 2027 के बाद बचने वाले प्रोजेक्ट्स वे नहीं होंगे जिनके पास सबसे प्रभावशाली एजेंट है — वे होंगे जिनका मालिक बिना झिझक यह बता सके कि अगले साल का बिल ठीक-ठीक कितना होगा।

यह टेक्नोलॉजी की समस्या से पहले एक प्राइसिंग-मॉडल की समस्या है। एप्लीकेशन को AI के साथ एक बार बनाइए, फिर उसके लिए होस्टिंग का भुगतान कीजिए — जैसे आपके ऑपरेशन पर निर्भर किसी भी दूसरे सॉफ्टवेयर के लिए करते हैं — एक ऐसा नंबर जिसके इर्द-गिर्द आप प्लान बना सकें, न कि एक मीटर जिसे देखने से आप डरें।

अगली ऑटोमेशन बजट को मंज़ूरी देने वाले ऑपरेशंस मैनेजर को 40% कैंसिलेशन की ढेर में शामिल होने से बचने के लिए टोकन-प्राइसिंग एक्सपर्ट बनने की ज़रूरत नहीं है। साइन करने से पहले उन्हें बस एक सवाल का साफ़ जवाब चाहिए: क्या यह ऐसा बिल है जो इस बात के साथ बढ़ता है कि AI कितना "सोचने" का फ़ैसला लेता है, या ऐसा नंबर है जो तिमाही चाहे कितनी भी व्यस्त हो, फ्लैट बना रहता है। वेंडर की बाकी पूरी पिच इस जवाब के आगे गौण है।