AI-omkostninger accelererer – Her er, hvordan du kan holde dem under kontrol

Cloud-forbrug fortsætter med at stige, ligesom de tilhørende omkostninger – især de seneste år, drevet af AI. Gartner-analytikere forudser, at verdensomspændende slutbruger-udgifter til offentlige cloud-tjenester vil stige til 723,4 milliarder dollars i 2025, op fra kun under 600 milliarder dollars i 2024. Og 70% af direktører i en IBM-rapport nævnte generativ AI som en kritisk driver af denne stigning.

Sammen med dette har Kinas DeepSeek skabt bølger, da de påstod, at de kun brugte to måneder og 6 millioner dollars på at træne deres AI-model. Der er nogen tvivl om, hvorvidt disse tal fortæller hele historien, men hvis Microsoft (MSFT ) og Nvidias stadig chokerede aktiekurser er noget at gå efter, så vækkede annonceringen den vestlige verden op til behovet for omkostningseffektive AI-systemer.

Indtil nu har virksomheder kunnet behandle stigende AI-omkostninger som R&D-afskrivninger. Men AI-omkostninger – især de, der er forbundet med succesfulde produkter og funktioner – vil til sidst ramme virksomhedernes omkostninger til salgsvarer (COGS) og deres bruttomargener. AI-innovationer var altid bestemt til at møde den kolde fornuft i forretningsverdenen; DeepSeeks bombeshells-annonce forkortede bare denne tidsramme.

Ligesom de gør med resten af den offentlige cloud, vil virksomhederne være nødt til at styre deres AI-omkostninger, herunder både trænings- og forbrugsomkostninger. De vil være nødt til at kobler AI-udgifterne sammen med forretningsresultater, optimere AI-infrastruktur-omkostninger, finpudse prissætnings- og emballagestrategier og maksimere avkastningen på deres AI-investeringer.

Hvordan kan de gøre det? Med cloud-enhedsøkonomi (CUE).

Hvad er cloud-enhedsøkonomi (CUE)?

CUE består af måling og maksimering af cloud-drevet profit. Dens grundlæggende mekanisme er at kobler cloud-omkostningsdata sammen med kundeefterspørgsel og omsætningsdata, hvilket afslører de mest og mindst profitable dimensioner af en virksomhed og viser virksomhederne, hvordan og hvor de kan optimere. CUE anvendes på alle kilder til cloud-udgifter, herunder AI-omkostninger.

Grundlaget for CUE er omkostningsallokering – organisation af cloud-omkostninger efter, hvem og/eller hvad der driver dem. Almindelige allokationsdimensioner inkluderer omkostning pr. kunde, omkostning pr. ingeniørteam, omkostning pr. produkt, omkostning pr. funktion og omkostning pr. mikrotjeneste. Virksomheder, der bruger en moderne omkostningsstyringsplatform, allokere ofte omkostninger i en ramme, der spejler deres forretningsstruktur (deres ingeniørhierarki, platform-infrastruktur osv.).

Så er hjertet af CUE enhedsomkostningsmetrikken, som sammenligner omkostningsdata med efterspørgselsdata for at vise en virksomhed deres samlede omkostning til at betjene. For eksempel kunne en B2B-markedsføringsvirksomhed ønske at beregne sin “omkostning pr. 1.000 beskeder” sendt via deres platform. For at gøre dette skulle de være nødt til at spore deres cloud-omkostninger og antallet af beskeder sendt, føre disse data ind i et enkelt system og instruere dette system til at dividere deres cloud-omkostninger med deres beskeder og grafisk fremstille resultatet i et dashboard.

Da virksomheden startede med omkostningsallokering, kunne de derefter se deres omkostning pr. 1.000 beskeder efter kunde, produkt, funktion, team, mikrotjeneste eller hvilken som helst anden visning, de mente reflekterede deres forretningsstruktur.

Resultaterne:

• Fleksible forretningsdimensioner, som de kan filtrere deres enhedsomkostningsmetrik med, og som viser dem, hvilke områder af deres forretning, der driver deres cloud-omkostninger
• En oplysende enhedsomkostningsmetrik, som viser dem, hvor effektivt de møder kundeefterspørgslen
• Evnen til at gøre målrettede effektivitetsforbedringer, som omstrukturering af infrastruktur, finpudse kundeaftaler eller finpudse prissætnings- og emballagemodeller

CUE i AI-alderen

I CUE-modellen er AI-omkostninger bare en mere kilde til cloud-udgifter, der kan indarbejdes i en virksomheds allokationsramme. Den måde, hvorpå AI-virksomheder formidler omkostningsdata, er stadig under udvikling, men i princippet behandler omkostningsstyringsplatforme AI-omkostninger på samme måde som de behandler AWS-, Azure-, GCP- og SaaS-omkostninger.

Moderna cloud-omkostningsstyringsplatforme allokere AI-omkostninger og viser deres effektivitetsindvirkning i konteksten af enhedsomkostningsmetrikker.

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

Virksomhederne kunne også ønske at kende deres omkostning pr. AI-tjenestetype – maskinlæringsmodeller (ML) versus grundmodeller versus tredjepartsmodeller som OpenAI. Eller de kunne beregne deres omkostning pr. SDLC-stadium for at forstå, hvordan en AI-drevet funktions omkostninger ændrer sig, når den går fra udvikling til test til staging og endelig til produktion. En virksomhed kunne få endnu mere detaljeret og beregne deres omkostning pr. AI-udviklingslivscyklus, herunder datarensning, lagring, modeloprettelse, modeltræning og slutning.

Når man zoomer lidt ud fra detaljerne: CUE betyder at sammenligne organiseret cloud-omkostningsdata med kundeefterspørgselsdata og derefter finde ud af, hvor man kan optimere. AI-omkostninger er bare en mere kilde til cloud-omkostningsdata, der med den rette platform kan indgå i en virksomheds samlede CUE-strategi.

Undgå COGS-tsunamien

Pr. 2024 havde kun 61% af virksomhederne formaliserede cloud-omkostningsstyringssystemer på plads (ifølge en CloudZero-undersøgelse). Ustyrrede cloud-omkostninger bliver snart ustyrlige: 31% af virksomhederne – lignende dem, der ikke formaliserer deres omkostninger – lider under betydelige COGS-nedslag og rapporterer, at cloud-omkostninger udgør 11% eller mere af deres omsætning. Ustyrrede AI-omkostninger vil kun forværre denne trend.

I dag behandler de mest fremadskuende organisationer cloud-omkostninger som enhver anden større udgift, beregner deres ROI, bryder denne ROI ned efter deres mest kritiske forretningsdimensioner og giver de relevante teammedlemmer de data, der er nødvendige for at optimere denne ROI. Næste generations cloud-omkostningsstyringsplatforme tilbyder en komplet CUE-arbejdsgang, der hjælper virksomheder med at undgå COGS-tsunamien og styrke deres langsigtede levedygtighed.