One in Three Enterprises Deployed an Emergency AI Spending Freeze This Year.

Enterprises are not failing at AI because the models do not work. They are failing at AI because the budget process was never built for how AI costs actually behave.

Mavvrik, an AI cost governance platform, and Benchmarkit, a SaaS benchmarking firm, surveyed 396 enterprise organizations across technology, financial services, retail, and manufacturing in April and May 2026. 

The survey revealed AI costs had a material impact on at least one business decision at 62% of organizations. One in four delayed or canceled an AI initiative outright. One in three deployed emergency spending freezes as bills mounted. And 40% reported that AI spending surprises had escalated to the board.

These are not organizations that ignored AI spending. About 95% had assigned formal AI budgets. 

The problem is that having a budget is not the same as being able to forecast your spending. Only 11% of organizations forecast AI spending within ±10% accuracy. The other 89% are making budget commitments they cannot reliably predict.

>

How AI Costs Broke the Enterprise Budget Model

The pattern behind every emergency spending freeze in the report is the same. AI tools piloted in 2024 and 2025 are hitting production in 2026, and production costs dwarf pilot costs in ways most enterprise budgets were never built to absorb.

A pilot running 100 users at controlled volume looks nothing like the same tool running 10,000 users at enterprise scale. Token consumption compounds. Infrastructure overhead compounds.

Agent retry loops, where a failed agentic task restarts and consumes tokens again, compound. And the governance layer to catch runaway spend was never built because nobody budgeted for it during the pilot.

The spending is also coming from places most finance teams are not looking. 98% of engineering organizations use AI coding assistants, yet only 42% include that spending in their AI cost reporting. 

68% operate hybrid AI environments spanning cloud and on-premises infrastructure, but fewer than half include on-premises AI resources in formal cost reporting. 43% cited token costs as a top unexpected spending source. The result: 81% of organizations are unable to fully account for their AI costs, and AI has eroded gross margins at four in five enterprises for the second consecutive year.

"AI is fundamentally changing how infrastructure is consumed and how costs accumulate," said Sundeep Goel, CEO of Mavvrik. "The organizations succeeding with AI are not necessarily spending less, but they're implementing the governance systems necessary to understand where costs originate, how they scale, and how they impact margins."

The Forecasting Problem Is Getting Worse

The Mavvrik report also concluded that forecasting accuracy worsened in 2026 compared to 2025. Enterprises have more AI experience, more consumption data, and more mature tracking tools than they did a year ago, yet they are still less accurate at predicting what they will spend.

The reason is structural. Traditional enterprise budgeting models are built for fixed costs and predictable variable costs. AI costs are none of those things. Token consumption is non-linear. Agentic workloads generate costs in ways that are invisible until a long-running task completes, or fails and retries. 

Gartner flagged in July 2026 that token consumption is becoming a meaningful component of enterprise operating costs while its connection to business outcomes often remains unclear. You are paying for tokens. You are not yet able to reliably connect those tokens to revenue, margin, or productivity outcomes.

70% of organizations have not required COGS-based AI cost tracking. That means the majority of enterprises cannot tell you what a specific AI-driven business outcome actually cost to produce. They know what they spent on models, infrastructure, and tools. They do not know what any of it is worth.

The Question Every Enterprise Leader Needs to Answer

The organizations in the Mavvrik report that are managing AI costs successfully share one characteristic: they treated cost governance as an architectural requirement rather than a retrospective finance exercise. They built the governance layer before scaling, not after the first board escalation.

The ones deploying emergency spending freezes built the technology first and discovered the cost structure afterward.

Every enterprise deploying AI at scale right now is somewhere on that spectrum. The question is not whether unexpected costs will appear. The Mavvrik data is clear that they will.

The question is whether your cost governance architecture will catch them before they reach the board, or after.