Dark Reading گزارش می‌دهد که agentهای هوش مصنوعی می‌توانند هزینه‌های سرکش را برای سازمان‌ها ایجاد کنند. حالت شکست ساختاری است نه تصادفی: agentی که یک tool call ناموفق را دوباره تلاش می‌کند، پس از یک نتیجه مبهم دوباره برنامه‌ریزی می‌کند، یا در یک ازدحام چند-agent پخش می‌شود، می‌تواند tokenها و API callها را بدون نقطه توقف طبیعی مصرف کند. هر گام به‌تنهایی معقول به نظر می‌رسد؛ صورتحساب تجمعی این‌گونه نیست.
همین پوشش اشاره می‌کند که هزینه‌های رو به افزایش هوش مصنوعی توسعه‌دهندگان را به سمت مدل‌های open-weight سوق می‌دهد. این منحنی هزینه را جابه‌جا می‌کند اما ریسک زیربنایی را حذف نمی‌کند. inference خودمیزبان همچنان ساعت‌های GPU را مصرف می‌کند، و یک حلقه بی‌پایان علی
پیامد عملی برای مهندسی agent این است که کنترل هزینه یک دغدغه runtime است. بودجه‌ها، سقف گام‌ها، محدودیت‌های retry، timeoutها و kill switchها باید توسط لایه orchestration اعمال شوند، با حسابداری به‌ازای هر اجرا و هر tenant، زیرا دستورالعمل‌های موجود در یک system prompt جنبه توصیه‌ای دارند و می‌توانند توسط استدلال خود مدل نادیده گرفته شوند. آنچه پوشش ارائه‌شده مشخص نمی‌کند، مقیاس حوادث گزارش‌شده، بخش‌های تحت تأثیر، یا الگوهای کاهشی است که سازمان‌ها اتخاذ می‌کنند؛ این جزئیات از گزارش‌های موجود روشن نیست.