Interviews
Sadeepa Wijesekara, vicepræsident for Private Cloud AI hos HPE – interviewserie

NøglepunkterAI-økonomi bliver først en forretningsdisciplin, når pilotprojekter skaleres til…
Vis mere
- AI-økonomi bliver først en forretningsdisciplin, når pilotprojekter skaleres til produktion, og økonomifunktionen kommer med i samtalen.
- Pris pr. token måler forbruget, mens pris pr. forretningsresultat afslører, om investeringen faktisk giver mening.
- Agentiske arbejdsgange kan mangedoble tokenforbruget dramatisk, selv mens inferenspriserne fortsat falder.
Sadeepa Wijesekara er vicepræsident for Private Cloud AI hos Hewlett Packard Enterprise (HPE), hvor han leder arbejdet med virksomhedsrettet AI-software og -platforme til private cloud-miljøer. Han fokuserer blandt andet på at hjælpe organisationer med at implementere AI sikkert og i stor skala, samtidig med at infrastrukturvalg forbindes med virksomhedens behov. Han anlægger et ingeniørmæssigt perspektiv på økonomien i AI i produktionsmiljøer, herunder styring af arbejdsbelastninger, valg af modeller og omkostningerne ved at sikre pålidelig drift af stadig mere autonome systemer.
Hewlett Packard Enterprise (HPE) leverer virksomhedsteknologi inden for AI, cloud, netværk, databehandling og lagring. Porteføljen Private Cloud AI hjælper organisationer med at køre AI-arbejdsbelastninger på infrastruktur, de selv kontrollerer, sideløbende med hybrid cloud og eksterne tjenester. I dette interview taler Wijesekara om, hvorfor AI-investeringer bør måles på forretningsresultater, hvordan agentbaserede arbejdsgange ændrer forbruget, og hvilke økonomiske og driftsmæssige faktorer der præger beslutninger om modeller, orkestrering og infrastruktur.
HPE har udbredt brugen af AI blandt mere end 70.000 medarbejdere. Hvad har den erfaring lært dig om, hvornår AI-økonomi holder op med at være et IT-anliggende og bliver en bredere forretningsdisciplin?
AI-økonomi bliver en bredere forretningsdisciplin, når virksomheder går fra pilotprojekter til produktion. Et pilotprojekt kan vise, om AI kan udføre en opgave, men det kan skjule ineffektivitet, fordi der er få brugere. Når man går fra 10 brugere til 10.000, er man nødt til at tænke på omkostninger, latenstid og pålidelighed og samtidig forstå den værdi, AI skaber. På det tidspunkt skal økonomifunktionen og de ledere, der har ansvar for de forretningsprocesser, AI understøtter, også inddrages i samtalen. IT kan måle, hvilke ressourcer en applikation bruger, men virksomhedens ledere skal afgøre, om resultaterne retfærdiggør investeringen.
Mange organisationer fokuserer stadig i høj grad på målinger som omkostning pr. token, når de evaluerer generativ AI. Hvorfor mener du, at omkostning pr. forretningsresultat er et mere meningsfuldt mål, og hvordan bør virksomheder beregne den i praksis?
Omkostning pr. token fortæller, hvor meget AI I har brugt, men ikke, om brugen har skabt et nyttigt resultat. Virksomheder bør først definere forretningsresultatet og derefter beregne de samlede omkostninger ved at opnå det. Modellen udgør kun en del af omkostningerne; software, lagring, dataflytning, styring og medarbejdere bidrager også. Når virksomheder sammenholder disse omkostninger med den værdi, der skabes i en bestemt forretningsproces, får de et bedre grundlag for at vurdere, om investeringen giver økonomisk mening.
Efterhånden som AI bevæger sig fra individuelle copiloter til agentbaserede systemer og systemer med flere agenter, der kan udføre lange sekvenser af opgaver, hvor kraftigt kan forbruget så stige, selv hvis de underliggende omkostninger ved inferens fortsætter med at falde?
Forbruget kan stige meget hurtigt, fordi én brugerforespørgsel kan udløse langt mere arbejde i baggrunden. En agent kan hente oplysninger og bruge værktøjer, mens den gennemgår flere trin, før den leverer et resultat. I en repræsentativ sammenligning fra HPE brugte en grundlæggende chatbotudveksling omkring 400 tokens, mens en agentbaseret RAG-forespørgsel brugte omkring 21.500. Selv hvis tokenpriserne falder, kan det samlede forbrug stadig stige kraftigt, efterhånden som AI påtager sig mere komplekse opgaver.
Hvordan bør virksomheder vurdere, om en AI-anvendelse reelt skaber økonomisk værdi i stedet for blot at forbedre produktivitetsmålinger eller levere imponerende demonstrationer?
En anvendelse bør knyttes til en business case med tydelige KPI’er, før den skaleres. Virksomheder skal forstå, hvad forretningsprocessen koster, og hvordan det ændrer sig, når AI indføres. De skal også skelne mellem forbedringer i en aktivitet og forbedringer i forretningsresultatet. Tidsbesparelser bliver mere meningsfulde, når de fører til, at flere kundeproblemer løses, færre fejl opstår, eller arbejde, der tidligere ikke blev udført, bliver gjort. Evalueringen bør tage højde for resultatets kvalitet og eventuelle ekstra behov for gennemgang eller omarbejde. En vellykket demonstration beviser, at en bestemt funktion er mulig; målbare forbedringer af forretningsprocessen taler for at udvide brugen. I nogle tilfælde kan analysen vise, at AI ikke er den rette løsning.
Modelrouting og AI-orkestrering bliver i stigende grad fremhævet som metoder til at styre omkostningerne. Hvor stor værdi kan virksomheder frigøre ved dynamisk at vælge mellem mindre modeller, frontiermodeller, specialiserede modeller og traditionel software alt efter opgaven?
Det giver stor værdi at vælge en model, der passer til opgaven. Vi har set virksomheder sende meget forskellige arbejdsbelastninger til den samme dyre frontiermodel, fordi deres førsteprioritet var at få AI op at køre. Det kan være overkommeligt med et lille antal brugere, men omkostningerne vokser hurtigt, efterhånden som brugen breder sig. En frontiermodel kan være velegnet til kompleks ræsonnering, mens en mindre model kan være tilstrækkelig til en rutineopgave. En specialiseret model kan være bedre egnet til et bestemt fagområde, og en forudsigelig, regelbaseret opgave kan håndteres mere effektivt med traditionel software. Orkestrering hjælper med at samle disse valg i en arbejdsgang, så der bruges en mere avanceret model, når opgaven kræver det. Efterhånden som modeller med åbne vægte bliver mere avancerede, får virksomheder også flere muligheder for at køre bestemte arbejdsbelastninger på deres egen infrastruktur i stedet for at betale for eksterne modeller. I stor virksomhedsskala kan sådanne valg af modelrute gøre en betydelig forskel for omkostningerne, samtidig med at den kvalitet, virksomheden kræver, opretholdes.
Hvornår ændrer økonomien i at køre AI-arbejdsbelastninger sig, så det bedre kan betale sig at eje eller kontrollere mere af den underliggende infrastruktur end at leje computerkraft via et API eller en offentlig cloud? Hvilke faktorer bør virksomheder tage i betragtning, når de træffer den beslutning?
Jeg tænker på det som at leje kontra at købe. Det kan give mening at leje, mens virksomheder eksperimenterer, eller når efterspørgslen varierer betydeligt. Når brugen bliver større og mere forudsigelig, kan det begynde at give økonomisk mening at eje eller kontrollere mere af infrastrukturen. Egen infrastruktur giver også mulighed for at gennemføre flere AI-eksperimenter i perioder med lav brug, så man får mere ud af en investering, der allerede er foretaget. Virksomheder bør tage højde for arbejdsbelastningens karakter samt omkostningerne til strøm, administration og vedligeholdelse af aktuelle systemer. For mange store virksomheder vil den rette tilgang sandsynligvis omfatte både privat infrastruktur og eksterne tjenester, afhængigt af arbejdsbelastningen.
HPE har udvidet sin private AI-infrastruktur, efterhånden som virksomheder flytter flere arbejdsbelastninger i produktion. Hvor mener du, at privat AI giver den største økonomiske fordel sammenlignet med udelukkende at bruge AI-tjenester via offentlig cloud?
Privat AI kan give en betydelig økonomisk fordel ved vedvarende arbejdsbelastninger, hvor virksomheder kan udnytte den kapacitet, de ejer, effektivt. I en analyse fra HPE, der byggede på bestemte antagelser om arbejdsbelastningen, blev HPE Private Cloud AI anslået til at koste cirka $45 pr. node-time sammenlignet med cirka $102 for en tilsvarende lejet cloudkonfiguration. Resultaterne varierer afhængigt af arbejdsbelastningen og bør beregnes på ny for hvert miljø. Privat AI giver også virksomheder en anden økonomisk model, hvor infrastrukturen kan blive et aktiv, der skaber værdi for organisationen.
AI-agenter medfører omkostninger, der rækker ud over inferens, herunder datahentning, værktøjskald, overvågning, sikkerhed og styring. Hvilke omkostninger risikerer organisationer især at undervurdere, når de budgetterer med agentbaseret AI i stor skala?
Jeg tror, at virksomheder sandsynligvis undervurderer det arbejde, der kræves for at holde agenter pålidelige, sikre og nyttige over tid. Ud over inferens er der omkostninger forbundet med at hente og klargøre data, få adgang til eksterne værktøjer og flytte information mellem systemer. Gentagne værktøjskald eller mislykkede forsøg kan øge omkostningerne uden at føre til, at en opgave bliver fuldført. Virksomheder skal også afsætte budget til at evaluere resultater, overvåge agenternes adfærd, administrere adgangsrettigheder og vedligeholde sikkerheds- og styringskontroller. Menneskelig overvågning skal også indgå i beregningen, herunder den tid, medarbejdere bruger på at gennemgå undtagelser eller rette fejl. For at forstå omkostningen ved en vellykket opgave skal man have indsigt i hele arbejdsgangen.
Du har fremhævet, at AI-forbruget bør måles i forhold til de enkelte forretningsbegrundelser. Hvordan ser en effektiv intern måleramme ud, og hvor ofte bør organisationer revurdere, om en AI-applikation stadig retfærdiggør de løbende omkostninger til computerkraft og drift?
Målerammen bør knytte forbruget direkte til forretningsbegrundelsen. Virksomheder skal vide, hvilken applikation der bruger ressourcer, og hvilke resultater den forventes at levere. Hos HPE følger vi KPI’er og de underliggende enhedsomkostninger for hvert anvendelsestilfælde for at måle, om det leverer de forventede resultater. Jeg vil også gerne se den slags målinger på niveau med de enkelte afdelinger og forretningsprocesser, så en økonomidirektør kan forstå, hvad en proces koster i dag sammenlignet med, hvad den koster med AI. Det bør være en løbende proces, fordi brugen og økonomien i en applikation kan ændre sig over tid. Virksomheder bør også revurdere situationen, når en model, en pris eller en arbejdsgang ændres væsentligt, da sådanne ændringer kan påvirke både applikationens omkostninger og værdi.
Hvis vi ser tre til fem år frem, hvordan forventer du så, at økonomien i virksomheds-AI udvikler sig, efterhånden som AI bliver integreret i de fleste forretningsprocesser? Kommer styringen af AI-forbruget på sigt til at minde om discipliner som FinOps for cloud, eller får organisationer brug for en helt ny driftsmodel?
Jeg tror, at AI-økonomien vil bygge videre på FinOps-discipliner såsom omkostningssynlighed, fordeling og ansvarlighed, samtidig med at de udvides til at måle kvaliteten og værdien af det arbejde, AI udfører. Efterhånden som agenter varetager flere trin i en forretningsproces, bliver virksomheder nødt til at forstå omkostningerne ved at gennemføre processen med succes, herunder gentagne forsøg, menneskelig indgriben, og om resultatet lever op til den krævede standard. Jeg forventer, at dette bliver et fælles ansvar for IT, økonomi og forretningsdrift. Vi er stadig tidligt i arbejdet med at etablere ensartede metoder til at foretage sådanne sammenligninger på tværs af organisationer og brancher. På sigt vil jeg gerne se standardiserede målepunkter, der gør det muligt for virksomheder at forstå, hvor effektivt de arbejder med AI, og afspejle det i deres resultatopgørelser.
Tak for et godt interview. Læsere, der ønsker at vide mere om AI i private cloud-miljøer, virksomhedsinfrastruktur og skalering af AI-arbejdsbelastninger, bør besøge HPE.












