AI i virksomhederne: Optælling af de fulde omkostninger

AI er gået ud over teorier og nyttesløs nyhed. For mange virksomheder er det nu en del af infrastrukturen sammen med kernesystemer. Mange mennesker tænker stadig på det primært i forhold til offentlige LLM’er og chatbots – noget, man kan gå ind og ud af i en browser og smide væk, når man er færdig. At se på AI gennem denne linse kan overse det bredere udvalg af modeller og teknikker, der kan forbedre resultaterne mere effektivt med mindre risiko.

Sandheden er, at AI skal vurderes som enhver anden større infrastrukturinvestering – med en klar oversigt over omkostninger, fordele og operationsrisiko fra starten. At bringe det til en brugbar tilstand indebærer at investere i kvalitetsdata-pipelines, overvågning, styre og de mennesker, der holder det i gang med de ønskede forretningsresultater. At skære hjørner her betyder, at regningen blot flyttes til fremtiden med tilføjet rente.

Hvordan AI-omkostninger virkelig skalerer

Forståeligt, kan teams antage, at AI-omkostninger vokser i en lige linje: gør dobbelt så meget arbejde, betal dobbelt så meget penge. I virkeligheden kan indsats, omkostninger og resultater bevæge sig uafhængigt af hinanden på overraskende måder. Spørg en AI om at læse en lang dokument samlet, og den må overveje hvert ord i forhold til hvert andet ord. I de fleste populære LLM’er betyder det, at arbejdet og dermed omkostningerne ikke vokser på den måde, mennesker naturligt forventer – dobbelt indsats, dobbelt omkostning – men i stedet vokser omtrent med kvadraten på indgangslængden. En bevidsthed om grundlæggende ting som disse kan have en reel indvirkning på bundlinjen for enhver AI-udførelse. Hvis en virksomhed, der håndterer store mængder tekst hver dag, f.eks. en regulator, designer fra starten omkring graf-søgning eller hentning af pipelines i stedet for at sende hele dokumenter til modellen, er slutbrugeroplevelsen stadig “stil et spørgsmål, få et svar på sekunder”, ligesom en offentlig chatbot. Det holder AI-begejstrede chefer glade med øjeblikkelige interaktioner, mens systemet under overfladen udfører langt mindre unødvendigt arbejde, og regningen for beregning er meget lavere som følge.

Hvordan AI-udgifter fordeler sig på tværs af organisationen

Teknologivalg er kun en del af historien, resten er, hvordan organisationer tilgår AI fra starten. I mange organisationer ligger dataforberedning hos ingeniører. Compliance-gennemgang finder sted hos jurister. Cloud-udgifter bor hos platform- eller infrastrukturhold. Modelvalg, konfiguration og eventuel finjustering ligger normalt hos få specialiserede operatører. Hver gruppe ser sin egen del af arbejdet og sin egen budgetlinje. Udgifterne viser sig som beregning her, entreprisertid der, og menneskers tid absorberet i “forretning som sædvanlig” på tværs af flere hold. Med tal spredt over omkostningscentre kan det fulde landede beløb for en enkelt AI-initiativ muligvis ikke være synligt på noget sted og kan let undervurderes. I den situation kan AI-omkostninger stille og roligt spiralere, blot fordi ingen sporer det hele beløb på et sted.

En praktisk tilgang til AI-omkostningsstyring

At undgå AI er ikke den rigtige beslutning for organisationer, men det er heller ikke at behandle AI som en catch-all-teknologi. En god strategi er altid at starte med det ønskede resultat og arbejde baglæns. Ikke alle sager kræver en skærekkelig, dyrt at køre, stor almen formål model. Mange opgaver kan håndteres af velkendte maskinelærings-teknikker, der falder under AI-paraplyen og kan køre på eksisterende infrastruktur.

Start småt med pilotprojekter, der måler den totale ejeromkostning, ikke kun modelbrug, hvilket betyder at se på beregning, naturligvis, men også integrationsarbejde, ingeniørtid, ændringsstyring og compliance-bestræbelser. Målet er at vælge den mindste og enkleste model, der leverer et acceptabelt resultat, snarere end at antage, at “mere model” betyder “mere fordel”.

AI er ikke noget. Det er en kombination af teknikker og værktøjer, der kan bruges på forskellige måder. At se det på den måde bryder ned mystikken om imponerende resultater og giver virksomheder mulighed for at udnytte dets kraft med mere ansvar og større effekt.

Mennesker, tid og AI

Hver AI-udførelse er i praksis et samarbejde mellem mennesker og software. Uanset om det anerkendes formelt eller ej, er det sådan, arbejdet bliver gjort. Den nuværende skift mod mere agentic AI – værktøjer, der kan kæde trin sammen, kalde andre systemer og handle med mindre promptning – ændrer ikke på det, faktisk øger det spillet for at få den menneskelige del af arbejdsgangen ret.

Disse værktøjer kan være lette at over-truste. Når et system præsenterer svarene flydende og med tillid, er det naturligt for mennesker at antage, at det er som regel ret. Hvis et sådant værktøj indsættes i en arbejdsgang uden ordentlig træning, klare grænser og fornuftige kontroller, kan det stille og roligt generere en strøm af små fejl. Hver enkelt af dem må opdages, forstås og rettes af et menneske. På papir ser AI ud til at være effektivt, i praksis er der en skjult omkostning i ekstra menneskelig tid, der bruges på at rydde op efter det. I kundefacaderede eller regulerede indstillinger kan disse små fejl også medføre en reputationsomkostning. Uanset hvordan værktøjerne leveres eller bruges, ligger ansvar for deres output stadig hos organisationen og i dag-til-dag-termer hos de menneskelige operatører, der bruger dem. Det skal være udtrykkeligt forstået, for at disse værktøjer kan være virkelig nyttige.

En bedre mønster er en bevidst partnerskab: dygtige mennesker bliver tydeligt ansvarlige for resultater, og AI bruges til at accelerere de dele af arbejdet, der passer til det, såsom sammenfatning, udarbejdning, sortering, søgning. Selv når nogen kontrol og korrektion stadig er nødvendig, kan den samlede effekt af vel-introduceret og vel-styret AI i arbejdsgange være mere hast, mere konsekvens og mere kapacitet, end et hold kunne opnå alene.

Styre som en del af AI-budgettet

Selv når tekniske valg er sunde, og brug er effektiv, vil en voksende andel af AI-udgifter være bundet op i styre snarere end ren beregning. For organisationer, der opererer i EU, gør AI-loven det meget klart. Det tager en risikobaseret syn på AI, og det er vigtigt, at det ikke kun gælder offentligt tilgængelige produkter. Interne systemer, der bruges i områder som ansættelse og forfremmelse, arbejderstyring og overvågning samt visse sikkerhedsrelaterede beslutninger, kan falde ind under dette og bringe forventninger om risikostyring, dokumentation, logging og menneskelig overvågning med sig. Andre regioner bevæger sig i en lignende retning, selv om reglerne ser lidt forskellige ud, men den overordnede trend er den samme: større organisationer forventes at vide, hvor AI bruges, hvad det gør, og hvordan det styres.

Den praktiske effekt heraf er, at interne AI-projekter nu kan komme med en styre-arbejdsbyrde af deres egen, som ikke er valgfri. Hver ny brugs-case kan betyde en ny risiko- eller påvirkningsvurdering, mere overvågning og flere spørgsmål fra compliance-, revision- eller risikohold. Ingen af det vil dukke op i model-brugs-målinger, men det er reel indsats, der skal betales for.

Igen er det ikke en grund til at undgå AI. Det er en påmindelse om, at driftsomkostningerne for en intern AI-aktiveret proces ikke kun er prisen for at aktivere en model. Styre og reguleringsforventninger er nu en del af den totale ejeromkostning.

Hvor AI-udrulninger går galt

En velkendt mønster i AI-projekter er forskellen på, hvordan et system ser ud i en demo og hvordan det opfører sig i skala i det virkelige liv. I en kontrolleret indstilling, med et snævert udvalg af spørgsmål og venligt data, kan resultaterne se fejlfrie ud. Det er let i det øjeblik at antage, at systemet er klar til at tage på en hel kategori af arbejde.

Problemerne tenderer til at dukke op senere, når systemet udsættes for den fulde variation og mængde af reel brug: usædvanlige forespørgsler, stressede brugere, ufuldstændige optegnelser, beskidte kant-tilfælde. Revner, der var usynlige i demo’en, begynder at vise sig som misrettede svar, manglende nuance, support-loop, længere behandlingstider og stille skade på tillid. Interne målinger som “forespørgsler behandlet” og “tid gemt” kan se gode ud på papir, men den oplevede oplevelse for slutbrugere kan fortælle en anden historie.

At springe direkte fra en poleret demo eller et lille pilotprojekt, hvor succes under kontrollerede betingelser behandles som bevis for, at systemet er klar til bredere udrulning, kan være en kostbar fejl. I det virkelige liv bringer brugere beskidte forespørgsler, ufuldstændige data og deres egne antagelser om, hvad værktøjet kan gøre. Hvis forventninger ikke styres, og arbejdsgangen omkring systemet ikke er designet med reserve og eskalering i mente, betaler organisationen to gange: en gang for bygningen og igen i ekstra support, ombygning, klager og tabt tillid. Teknologien kan se imponerende ud på papir, men uden en pragmatisk tilgang til, hvordan den møder rigtige mennesker og rigtige processer, forsvinder avkastningen på den investering hurtigt.

Den modsatte side er, at vel-designede systemer med tydelige grænser og menneskelig ejerskab bygget ind fra starten kan gøre ting, som intet menneskeligt hold kan klare alene: scannende enorme mængder af information på sekunder, spotte mønstre på tværs af års data og håndtere rutine-beslutninger i en skala, der ellers ville være utilgængelig. Pointen er, at for at opnå disse fordele, må organisationer matche deres ambition med en realistisk syn på, hvordan teknologien vil opføre sig, når den er ude i verden.

Afsluttende tanker

Ingenting her er et argument imod AI. Det er et argument for at behandle det med samme alvor som ethvert andet system, der kan materielt ændre, hvordan en forretning opererer.

Brugt på rigtig vis, hjælper AI små hold med at agere på en større skala, afsløre mønstre, der ville være svære at spotte manuelt, og gøre ekspertråd gå længere. Men for at komme dertil kræves en klar oversigt over, hvor AI bruges, hvad det koster i alt, og hvordan det styres. Det betyder at træffe bevidste valg om modeller og arkitekturer, investere i data og overvågning og designe processer, hvor mennesker bliver i løkken.

“Flyt hurtigt og lav fejl” var et slogan skrevet til menneskelige hold, der arbejdede på menneske-skala-systemer: hvis noget gik galt, rullede man tilbage, lavede en korrektion og flyttede videre. Når AI er vævet ind i beslutninger om kunder, ansatte eller borgere, kan den samme holdning producere problemer, der spreder sig hurtigere, rammer hårdere og er meget sværere at afvikle. Hastighed betyder stadig noget, og AI kan bestemt hjælpe her, men det må matches med en klar oversigt over risiko, omkostning og ansvar.

Der er ingen måde at fjerne omkostninger eller risiko helt. Men der er en klar forskel på organisationer, der afhænger af tilfældige eksperimenter, og de, der bygger AI ind i deres operationer på en måde, der er målrettet, med oversigt over udgifter til succes. På tværs af den variation af problemer og resultater, organisationer står over for, er der ingen enkelt AI-løsning, der kan løse dem alle. Effektiv brug af AI i virksomheder bør altid være specialiseret, overvåget og omhyggeligt defineret.