Tokens — de basiseenheden voor het meten en beprijzen van AI-gebruik — zijn in korte tijd uitgegroeid tot een van de meest kritieke maatstaven voor bedrijven. De prijsstelling van enterprise-AI-modellen is verschoven van vaste abonnementen naar dynamische, op gebruik gebaseerde modellen, en de toenemende AI-consumptie heeft wat begon als een productiviteitsexperiment inmiddels veranderd in een potentiële bron van margedruk. Omdat tokenkosten doorgaans stijgen met de hoeveelheid tekst die wordt verwerkt en gegenereerd, kan een hogere adoptie door werknemers al snel uitgroeien tot een variabele kostenpost die moeilijker te voorspellen is dan traditionele softwarelicenties per gebruiker. CEO’s bevinden zich daardoor in een delicate evenwichtsoefening.

AI is niet het soort softwaretool dat naar believen eenvoudig aan en uit kan worden gezet. In het afgelopen jaar zijn grote taalmodellen diep verweven geraakt met bedrijfsprocessen, en alle signalen wijzen erop dat deze afhankelijkheid blijvend is. Het ongericht beperken van AI-gebruik — een aanpak die veel managementteams momenteel overwegen — zou niet alleen de groei en efficiëntiewinsten vertragen die bedrijven al hebben gerealiseerd, maar hen ook minder goed voorbereiden op het benutten van de volgende generatie AI-mogelijkheden doordat experimenteren wordt ontmoedigd.

Het gevaar is dat bestuurders in de val trappen van het abrupt op- en afschalen van hun AI-uitgaven om het volgende kwartaalbudget in evenwicht te brengen, en daarbij de fundamentele transformatie missen die AI zal opleveren wanneer het systematisch in plaats van reactief wordt bestuurd.

De tweede fase van AI-adoptie

Het bedrijfsleven is de tweede fase van AI-adoptie ingegaan, waarin de opdracht is verschoven van het snel aantonen van competentie en vooruitgang naar het bewijzen dat bedrijven de grootst mogelijke waarde uit AI kunnen halen zonder hun winstgevendheid in gevaar te brengen. Deze fase van duurzame adoptie zal binnenkort een scheidslijn blootleggen met langdurige gevolgen in het ondernemingslandschap — tussen organisaties die AI economisch kunnen beheren en opschalen, en organisaties die dat niet kunnen. Tokenkosten zijn slechts het eerste zichtbare symptoom van een breder governanceprobleem.

Twee belangrijke aannames hebben tot dit kantelpunt geleid. De eerste was een aantrekkelijke maar uiteindelijk gebrekkige these over wat AI bedrijven in staat zou stellen te doen: kosten voor menselijke arbeid inruilen voor modelkosten en het efficiëntieverschil als winst realiseren. Die uitruil is veel minder eenvoudig gebleken. Veel organisaties die dit idee omarmden en hun personeelsbestand verkleinden in afwachting van AI-gedreven productiviteitswinsten, ontdekten dat zij institutionele kennis en cruciaal technisch talent hadden verloren die nodig zijn om AI-systemen in de loop der tijd effectief te integreren en te verfijnen.

Dat besef treft nu bedrijven die grootschalige ontslagrondes hebben doorgevoerd. In een prominent recent voorbeeld zei Ford dat het honderden ingenieurs opnieuw moet aannemen om kwaliteitscontroleproblemen aan te pakken die voortkomen uit nieuw geïmplementeerde AI-tools. Bestuurders verwezen rechtstreeks naar het gebrek aan ervaren expertise als een factor die productontwikkeling negatief beïnvloedt en efficiëntiewinsten uit autonome systemen beperkt.

De tweede aanname had te maken met een verkeerde afstemming tussen beleggers en managementteams. In Teneo’s meest recente jaarlijkse enquête onder CEO’s en beleggers, verwachtte 53 procent van de beleggers binnen zes maanden rendement op investering uit AI, terwijl slechts 16 procent van de CEO’s van largecapbedrijven dacht dat zij dat tijdpad konden halen. Die deadline is nu aangebroken. De kloof is relevant omdat AI-programma’s vaak veranderingen vereisen in workflows, datapraktijken, leveranciersbeheer en werknemerstraining voordat voordelen betrouwbaar kunnen worden gemeten, waardoor korte terugverdientermijnen moeilijk te verenigen zijn met de manier waarop enterprisetechnologie doorgaans wordt ingevoerd.

Vijf aanbevelingen voor raden van bestuur en CEO’s

Het venster om gedisciplineerde AI-governance op te bouwen staat nog open, maar dat zal niet onbeperkt zo blijven. Tussen de twee firma’s werken de auteurs wereldwijd met duizenden CEO’s en raden van bestuur aan deze uitdagingen. Het volgende geeft hun huidige advies weer.

Ten eerste: herformuleer het AI-gesprek in de bestuurskamer. Vraag niet langer hoeveel er aan AI wordt uitgegeven. Vraag waar AI-investeringen duurzame concurrentievoordelen creëren — en waar ze consumptie genereren zonder samengestelde waarde op te bouwen.

Ten tweede: behandel AI-uitgaven als een beslissing over kapitaalallocatie, niet als een regel in het IT-budget. Gebruik dat nieuwe omzet stimuleert, onderscheidende klantervaringen creëert of eigen capaciteiten opbouwt, vormt een groei-investering. Gebruik dat slechts processen met lage waarde automatiseert, is een operationele kostenpost. Dat onderscheid geeft raden van bestuur ook een duidelijkere manier om AI-initiatieven te vergelijken met andere strategische toepassingen van kapitaal, in plaats van alle modelconsumptie te behandelen als één ongedifferentieerde technologiekost.

Ten derde: stel governancemechanismen in die workloads koppelen aan het goedkoopste model dat ze betrouwbaar kan uitvoeren. Werknemers zullen van nature neigen naar de nieuwste en krachtigste modellen, zelfs wanneer oudere generaties de gewenste output kunnen leveren. Een praktische implementatie kan bestaan uit een softwarelaag die prompts inneemt en ze automatisch doorstuurt naar het juiste model.

Ten vierde: hervorm prikkels rond AI-gebruik. Werknemers moeten niet worden beloond omdat zij AI het meest gebruiken — een reflex die veel bedrijven in een vroeg stadium lieten zien, omdat zij beleggers wilden tonen hoe ver hun adoptie gevorderd was. Evenmin moeten zij worden gestraft met botte gebruikslimieten, die innovatie onbedoeld kunnen afremmen. In plaats daarvan moeten organisaties efficiënt AI-gebruik belonen: betere bedrijfsresultaten behalen met het juiste niveau van AI-consumptie. Zoals opgemerkt in een analyse van The Wall Street Journal, is het doel niet maximaal gebruik, maar maximale waarde per token.

Ten vijfde: verspreid AI-governance door de hele organisatie. AI-governance kan niet worden gedelegeerd aan één enkele functie, zoals een Chief AI Officer. Managers in alle functies moeten verantwoordelijk zijn voor het begeleiden van duurzame AI-adoptie binnen hun teams. Werknemers hebben op hun beurt praktische ondersteuning nodig, zowel om te begrijpen hoe hun AI-gebruik wordt beoordeeld als om de vaardigheden te ontwikkelen die nodig zijn om op lange termijn zinvol en efficiënt met AI bij te dragen.

De weg vooruit

De bedrijven die in deze fase van AI-adoptie de overhand krijgen, zullen niet de bedrijven zijn die AI het meest gebruiken, noch de bedrijven die het minst uitgeven. Het zullen de bedrijven zijn die AI het best besturen en AI-consumptie consequent omzetten in duurzaam economisch voordeel. Dat evenwicht bereiken is moeilijk, zeker bij een technologie die zich in dit tempo ontwikkelt. Toch kan het verkeerd inschatten van dat evenwicht binnenkort een existentiële kwestie worden.

De meningen die worden geuit in commentaarstukken op Fortune.com zijn uitsluitend die van de auteurs en weerspiegelen niet noodzakelijk de meningen en overtuigingen van Fortune.

Dit verhaal verscheen oorspronkelijk op Fortune.com.