AI-omkostninger accelererer - Sådan holder du dem under kontrol

Cloudbrug fortsætter med at stige, og det samme gør dets tilknyttede omkostninger - især på det seneste, dem drevet af kunstig intelligens. Gartner-analytikere forudser, at verdensomspændende slutbrugerudgifter på offentlige cloud-tjenester vil stige til $ 723.4 milliarder i 2025, op fra knap 600 milliarder dollars i 2024. Og 70% af ledere undersøgt i en IBM-rapport citerede generativ kunstig intelligens som en kritisk drivkraft for denne stigning.

Samtidig lavede Kinas DeepSeek bølger, da det hævdede, at det tog lige to måneder og 6 millioner dollars at træne sin AI-model. Der er nogen tvivl om, hvorvidt disse tal fortæller hele historien, men hvis Microsoft og Nvidias stadig rykkede aktiekurser er nogen indikation, vækkede meddelelsen den vestlige verden til behovet for omkostningseffektive AI-systemer.

Til dato har virksomheder været i stand til at behandle stigende AI-omkostninger som R&D-afskrivninger. Men AI-omkostninger - især dem, der er forbundet med succesfulde produkter og funktioner - vil i sidste ende ramme virksomhedernes omkostninger ved solgte varer (COGS) og dermed deres bruttomargener. AI-innovationer var altid bestemt til at møde forretningssansens kolde granskning; DeepSeeks bombe-meddelelse forkortede netop denne tidslinje.

Ligesom de gør med resten af ​​den offentlige sky, skal virksomheder administrere deres AI-omkostninger, herunder både uddannelses- og forbrugsomkostninger. De bliver nødt til at forbinde AI-udgifter med forretningsresultater, optimere AI-infrastrukturomkostninger, forfine prissætnings- og pakkestrategier og maksimere afkastet af deres AI-investeringer.

Hvordan kan de gøre det? Med cloud unit økonomi (CUE).

Hvad er cloud unit Economics (CUE)?

CUE omfatter måling og maksimering af cloud-drevet profit. Dens grundlæggende mekanisme er at forbinde cloud-omkostningsdata med data om kundernes efterspørgsel og omsætning, afsløre de mest og mindst rentable dimensioner af en virksomhed og dermed vise virksomheder, hvordan og hvor de skal optimere. CUE gælder på tværs af alle kilder til cloud-udgifter, inklusive AI-omkostninger.

Grundlaget for CUE er omkostningsfordeling — organisering af cloudomkostninger efter hvem og/eller hvad der driver dem. Almindelige allokeringsdimensioner inkluderer pris pr. kunde, pris pr. ingeniørteam, pris pr. produkt, pris pr. funktion og pris pr. mikroservice. Virksomheder, der bruger en moderne omkostningsstyringsplatform, allokerer ofte omkostninger i en ramme, der afspejler deres forretningsstruktur (deres ingeniørhierarki, platformsinfrastruktur osv.).

Så er hjertet i CUE enhedsomkostningsmåling, som sammenligner omkostningsdata med efterspørgselsdata for at vise en virksomhed deres samlede omkostninger at betjene. For eksempel vil en B2B-marketingvirksomhed måske beregne sin "pris pr. 1,000 beskeder", der sendes via sin platform. For at gøre dette skal det spore sine cloud-omkostninger og antallet af sendte beskeder, feed disse data ind i et enkelt system og instruere det system til at dividere sine cloud-omkostninger med sine beskeder og tegne resultatet i et dashboard.

Siden virksomheden startede med omkostningsallokering, kunne den derefter se sin pris pr. 1,000 beskeder efter kunde, produkt, funktion, team, mikroservice eller hvilken som helst anden opfattelse, som den anså for at afspejle sin forretningsstruktur.

Resultaterne:

• Fleksibel forretningsdimensioner hvorved de kan filtrere deres enhedsomkostningsmetrik og vise dem, hvilke områder af deres virksomhed der driver deres cloudomkostninger
• En oplysende enhedsomkostningsmåling der viser dem, hvor effektivt de opfylder kundernes efterspørgsel
• Evnen til at lave målrettede effektivitetsforbedringer, såsom omstrukturering af infrastruktur, justering af kundekontrakter eller finpudsning af pris- og pakkemodeller

CUE i AI-alderen

I CUE-modellen er AI-omkostninger blot endnu en kilde til skyudgifter, som kan indarbejdes i en virksomheds allokeringsramme. Måden, som AI-virksomheder formidler omkostningsdata på, udvikler sig stadig, men i princippet behandler omkostningsstyringsplatforme AI-omkostninger på nogenlunde samme måde, som de behandler AWS-, Azure-, GCP- og SaaS-omkostninger.

Moderne cloud-omkostningsstyringsplatforme allokerer AI-omkostninger og viser deres effektivitetspåvirkning i sammenhæng med enhedsomkostningsmålinger.

Virksomheder bør fordele deres AI-omkostninger på en håndfuld intuitive måder. En af dem ville være den førnævnte omkostning pr. team, en fordelingsdimension, der er fælles for alle kilder til cloud-udgifter, og som viser de omkostninger, som hvert ingeniørteam er ansvarlig for. Dette er især nyttigt, fordi ledere ved præcis, hvem de skal underrette og holde ansvarlige, når et bestemt teams omkostninger stiger.

Virksomheder vil måske også gerne kende deres pris pr. AI-servicetype — Machine learning (ML)-modeller versus fundamentmodeller versus tredjepartsmodeller som OpenAI. Eller de kunne beregne deres omkostninger pr. SDLC-stadie for at forstå, hvordan en AI-drevet funktions omkostninger ændrer sig, når den går fra udvikling til test til iscenesættelse og til sidst til produktion. En virksomhed kunne blive endnu mere detaljeret og beregne omkostningerne pr. AI-udviklingslivscyklusfase, herunder datarensning, lagring, modeloprettelse, modeltræning og konklusioner.

Zoome lidt ud fra ukrudtet: CUE betyder at sammenligne organiserede cloudomkostningsdata med kundeefterspørgselsdata og derefter finde ud af, hvor der skal optimeres. AI-omkostninger er blot endnu en kilde til cloud-omkostningsdata, der med den rigtige platform passer problemfrit ind i en virksomheds overordnede CUE-strategi.

Undgå COGS-tsunamien

Kun fra 2024 61% af virksomhederne havde formaliserede cloud-omkostningsstyringssystemer på plads (i henhold til en CloudZero-undersøgelse). Ikke-administrerede cloud-omkostninger bliver snart uoverskuelige: 31 % af virksomhederne - svarende til den del, der ikke formelt administrerer deres omkostninger - lider af store COGS-hits, og rapporterer, at cloud-omkostninger bruger 11 % eller mere af deres omsætning. Ikke-administrerede AI-omkostninger vil kun forværre denne tendens.

Nutidens mest fremsynede organisationer behandler cloud-omkostninger som alle andre større udgifter, beregner deres ROI, opdeler dette ROI efter deres mest kritiske forretningsdimensioner og giver de relevante teammedlemmer de nødvendige data til at optimere dette ROI. Næste generations cloud-omkostningsstyringsplatforme tilbyder et omfattende CUE-workflow, der hjælper virksomheder med at undgå COGS-tsunamien og styrke langsigtet levedygtighed.