NieuwsMacroDe AI-tokeneconomie: waarom bedrijven AI FinOps nodig hebben vóórdat de rekening komt

De AI-tokeneconomie: waarom bedrijven AI FinOps nodig hebben vóórdat de rekening komt

Auteur: Bworldonline·

Belangrijkste punten

  • •De kosten van zakelijke AI verschuiven van vaste abonnementen naar verbruiksgebaseerde kosten gemeten in tokens, vergelijkbaar met de evolutie van cloudcomputing-facturering.
  • •De auteur voorspelt de opkomst van een 'AI FinOps'-discipline die AI-uitgaven zichtbaar, verantwoordelijk en gekoppeld aan bedrijfswaarde maakt, zoals FinOps in het cloudtijdperk deed.
  • •AI-agents kunnen één werknemersverzoek omzetten in vele modeltransacties, waardoor budgetten op basis van gebruikersaantallen ontoereikend worden.
  • •De juiste indicator voor AI-uitgaven is de kosten per nuttig resultaat, niet de kosten per token, want het goedkoopste model is niet altijd de beste keuze.
  • •Verbruikscontroles zoals caching, het inkorten van prompts, selectieve documentophaling en modroutering via AI-gateways worden al ondersteund door grote AI- en cloudproviders.
De AI-tokeneconomie: waarom bedrijven AI FinOps nodig hebben vóórdat de rekening komt

De afgelopen twee jaar hebben bedrijven hun werknemers opgeroepen kunstmatige intelligentie te omarmen. Binnenkort zullen ze een heel andere vraag stellen: wie betaalt er eigenlijk voor al die tokens?

Vandaag klinkt dat probleem triviaal, omdat de meeste werknemers AI leren kennen via een maandelijks abonnement op ChatGPT, Claude of een andere tool. De kosten lijken voorspelbaar — koop licenties, wijs ze toe aan personeel en zet het bedrag in het IT-budget.

Maar daarheen beweegt zakelijke AI niet.

Naarmate bedrijven AI inbedden in klantenservice, verkoop, marketing, softwareontwikkeling, juridisch werk, financiën, analytics en interne processen, wordt de technologie minder als traditionele software en meer als een nutsvoorziening. Het wordt verbruikt: hoe meer je gebruikt, hoe meer je betaalt. En de meter wordt steeds vaker afgemeten in tokens.

Een bekend verhaal uit het cloudtijdperk

De zakenwereld is hier eerder geweest. Meer dan tien jaar geleden stormden bedrijven de cloudcomputing in. Amazon Web Services, Microsoft Azure en Google Cloud boden precies wat zakelijke IT al lang wilde: rekenkracht zonder servers te hoeven kopen of datacenters te bouwen. Start een virtuele machine, voeg opslag toe, verhoog de capaciteit en betaal alleen voor wat je gebruikt.

Het klonk prachtig efficiënt — totdat de rekeningen arriveerden.

Ontwikkelaars creëerden servers en vergaten ze uit te schakelen. Testomgevingen bleven maandenlang draaien. Opslag stapelde zich op. Afdelingen kochten clouddiensten zonder centrale controle. Niemand maakte zich druk zolang elke beslissing maar een paar dollar kostte, maar duizenden van dit soort beslissingen samen trokken uiteindelijk de aandacht van de CFO.

Die pijnlijke periode gaf ontstaan aan FinOps, een discipline gericht op het zichtbaar, verantwoordelijk en gekoppeld aan bedrijfswaarde maken van clouduitgaven — een praktijk die inmiddels wordt ondersteund door een georganiseerde FinOps-gemeenschap en certificeringsinstanties. De auteur gelooft dat hetzelfde nu met AI gaat gebeuren — noem het AI FinOps.

Van adoptie-indicatoren naar verbruiksindicatoren

Vandaag richten bedrijven zich op AI-adoptie: hoeveel werknemers gebruiken ChatGPT? Hoeveel AI-projecten zijn er gelanceerd? Hoeveel processen kunnen worden geautomatiseerd?

Dat zijn nuttige vragen, maar een andere reeks is in aantocht. Hoeveel tokens verbruiken we? Welke afdelingen verbruiken ze? Welke applicaties genereren het meeste gebruik? Welke modellen worden gebruikt? Wat kost een AI-ondersteunde transactie? En, het belangrijkst, welk bedrijfsresultaat heeft het geld opgeleverd?

Een token is simpelweg een kleine teksteenheid die door een AI-model wordt verwerkt. Economisch gezien zouden bedrijven tokens echter moeten gaan behandelen zoals ze leerden om te gaan met rekenuren, opslag en netwerkverkeer in de cloud: als verbruikseenheden. Grote modelproviders publiceren al verbruiksgebaseerde prijzen, doorgaans per miljoen input- en output-tokens, waardoor dit soort metende verantwoording vandaag technisch mogelijk is — wat meestal ontbreekt, is inzicht in wie binnen de organisatie wat verbruikt.

Denk aan een bedrijf dat 500.000 klantinteracties per maand verwerkt met AI, waarbij elke interactie gemiddeld 4.000 input-tokens en 800 output-tokens verbruikt. Het management kan het maandvolume schatten en vermenigvuldigen met de geldende modelprijzen. Verhoog nu het klantvolume met 20%, voeg een extra AI-applicatie toe, geef meer werknemers toegang en introduceer een AI-agent die meerdere modelaanroepen doet om één taak te voltooien. Het budget kan snel veranderen.

Waarom agents de vergissing veranderen

De uitdaging wordt nog groter met AI-agents. Een persoon stelt één vraag en krijgt één antwoord. Een agent daarentegen kan één instructie ontvangen, die opsplitsen in meerdere taken, documenten doorzoeken, verschillende systemen aanroepen, zijn werk controleren en herhaaldelijk een AI-model aanroepen. Eén werknemersverzoek kan stilletjes uitgroeien tot vele AI-transacties.

Daarom wordt budgetteren op basis van alleen het aantal AI-gebruikers uiteindelijk ontoereikend. Bedrijven moeten tokens meten per applicatie, afdeling, workflow en bedrijfsresultaat. Financiën hebben prognoses nodig. IT heeft verbruikscontroles nodig. Businessunits hebben verantwoordelijkheid nodig.

Een marketingafdeling die miljoenen gepersonaliseerde berichten verstuurt, zou zijn AI-kosten moeten kennen. Een contactcenter zou de AI-kosten per afgehandelde case moeten kennen. Softwareteams zouden de AI-kosten per ontwikkeltaak moeten kennen. Een bank die AI gebruikt voor documentbeoordeling zou de kosten per verwerkte aanvraag moeten kennen.

Kosten per nuttig resultaat, niet kosten per token

AI FinOps mag echter niet uitgroeien tot weer een corporate bezuinigingsoperatie. Het goedkoopste model is niet automatisch het beste model. Als 10 peso aan AI 500 peso aan werknemerstijd bespaart, kan het terugbrengen van de AI-kosten naar vijf peso betekenisloos zijn. Als een duurder model minder fouten maakt en meer klantproblemen oplost, kan meer betalen juist de betere beslissing zijn.

De juiste indicator is niet de kosten per token. Het zijn de kosten per nuttig resultaat.

Er zijn ook voor de hand liggende manieren om het verbruik te beheersen. Bedrijven hebben niet hun krachtigste model nodig voor elke taak — eenvoudige classificatie, extractie en samenvatting werken mogelijk prima met kleinere modellen. Prompts kunnen worden ingekort. Documenten kunnen selectief worden opgehaald in plaats van herhaaldelijk honderden pagina's naar een model te sturen. Lange gesprekken kunnen worden samengevat, herhaalde instructies en context kunnen worden gecachet en applicaties kunnen tokenlimieten instellen. AI-gateways kunnen taken op basis van complexiteit en kosten naar verschillende modellen routeren. Verschillende van deze hendels — caching, hergebruik van promptcontext, modroutering — worden al ondersteund door functies en tools die grote AI-providers en cloudplatforms voor zakelijke ontwikkelaars hebben geïntroduceerd.

Niets hiervan klinkt spannend in vergelijking met praten over autonome agents of artificiële algemene intelligentie. Maar CFO's maken saaie dingen uiteindelijk belangrijk.

Cloudcomputing volgde hetzelfde pad: eerst enthousiasme, dan adoptie, dan onbeheerde uitgaven, dan governance. AI zal dat waarschijnlijk sneller doen.

Wat er komt

Het is gemakkelijk voor te stellen dat bedrijven binnenkort dashboards voor AI-verbruik inzetten met tokengebruik, kosten per workflow, modelbenutting, budgetafwijkingen en bedrijfswaarde. Afdelingen krijgen mogelijk AI-budgetten, net zoals ze reis-, marketing- of cloudbudgetten ontvangen. En iemand zal er uiteindelijk verantwoordelijk voor worden gehouden.

Die persoon zit mogelijk in financiën, IT of een AI-centrum voor excellentie. De titel kan verschillen, maar de discipline is hetzelfde: AI FinOps.

Bedrijven zouden deze capaciteit nu moeten opbouwen — voordat de AI-rekening groot genoeg wordt dat de CFO de vraag stelt die niemand wil beantwoorden: waar zijn al die tokens gebleven?


De hierin uitgedrukte mening is die van de auteur en weerspiegelt niet noodzakelijkerwijs de opvatting van zijn kantoor of van FINEX.

Reynaldo C. Lugtu, Jr. is de oprichter en CEO van Hungry Workhorse, een adviesbureau voor digitale, culturele en klantervaringstransformatie. Hij is fellow bij het in de VS gevestigde Institute for Digital Transformation. Hij is voorzitter van het AI-, Digital Transformation- en Governanceprogramma van de FINEX Academy. Hij doceert strategisch management en digitale transformatie in het MBA-programma van De La Salle University. Hij is bereikbaar via rey.lugtu@hungryworkhorse.com.