Разходите за изкуствен интелект растат с разширяването на употребата му в бизнеса, но компаниите все още трудно свързват потреблението на AI модели с конкретни финансови резултати. Управлението на тези разходи, ефективността на AI агентите и измерването на реалната полза от автоматизацията се превръщат в ново предизвикателство за ИТ и финансовите директори.

Според доклада The CIO"s Guide to AI Tokenomics на Accenture 80% от ръководителите на компании казват, че AI създава стойност, но под 20% от разходите за токени могат да бъдат свързани с количествено измерими бизнес резултати.

Проучването обхваща 750 висши ръководители от 17 държави и е допълнено от интервюта с 15 технологични и финансови лидери в големи международни компании.

Докладът очертава проблем, който ще става все по-съществен с разширяването на употребата на изкуствен интелект: компаниите трябва не само да внедряват технологията, но и да доказват каква стойност получават срещу направените разходи.

От потребление на AI до измерими бизнес резултати

Основното предизвикателство пред бизнеса вече не е само да определят бюджета си за AI, а да разберат какво получават срещу него. Разходите за технологията обикновено се отчитат в ИТ бюджета, докато ползите могат да се проявят в други части на организацията - например чрез по-бързо обслужване на клиенти, съкратено време за разработка на софтуер, по-ниски административни разходи или по-ефективно управление на запасите.

Така се получава разминаване между разхода и резултата. ИТ екипът може да отчете колко заявки са обработени и колко токени са използвани, но тези данни сами по себе си не показват дали компанията е увеличила приходите си, намалила разходите или освободила служителите си за задачи с по-висока добавена стойност.

Според Accenture само 35% от компаниите могат да изчислят разхода за конкретен бизнес резултат дори при най-голямото си приложение на AI. Това затруднява както планирането на инвестициите, така и вземането на решения кои проекти да бъдат разширени и кои не оправдават направените разходи.

За да преодолеят този проблем, компаниите трябва да определят критериите за успех още преди внедряването на дадено AI решение. Ако целта е автоматизация на обслужването на клиенти, показателите могат да включват разход за обработено запитване, време за разрешаване на казус и дял на случаите, при които не е необходима човешка намеса. При разработката на софтуер могат да се следят времето за изпълнение, качеството на кода и броят на грешките.

Съществено е да се отчита не просто спестеното време, а дали то води до реална икономическа полза. Ако служителите отделят по-малко часове за рутинна работа, но освободеният капацитет не се използва за други задачи, това не означава автоматично, че компанията е намалила разходите си.

Затова финансовите и технологичните екипи трябва да работят с общ набор от показатели. В противен случай финансовият директор вижда нарастващ разход, ИТ директорът отчита увеличено потребление, а бизнес звеното говори за по-висока производителност, без трите резултата да могат да бъдат свързани в единна оценка на възвръщаемостта.

AI агентите увеличават възможностите за автоматизация, но и разходите

Проблемът става по-сложен с навлизането на AI агентите - системи, които могат да изпълняват поредица от действия, да използват различни инструменти и да работят по задачи с по-малко човешка намеса.

За разлика от обикновения чатбот, който отговаря на конкретно запитване, един агент може да планира последователност от стъпки, да извлича информация от различни източници, да проверява резултати и да повтаря действия, докато изпълни възложената задача. Това разширява възможностите за автоматизация, но прави потреблението на ресурси по-трудно за прогнозиране.

Всяко допълнително извличане на информация или повторно изпълнение на задача може да увеличи разходите. При сложни процеси няколко агента могат да работят последователно или паралелно, което допълнително увеличава броя на операциите. Ако липсват ограничения и механизми за контрол, една автоматизирана задача може да използва значително повече ресурси от първоначално предвиденото.

Това поставя ново изискване пред компаниите: да оценяват не само цената на AI инструмента, но и общия разход за успешно изпълнена задача.

Например при автоматизирана обработка на клиентски запитвания трябва да се отчита не само цената на модела, а и разходът за допълнителни проверки, извличане на данни, човешка намеса и коригиране на грешки. Едва след това резултатът може да се сравни с цената и времето, необходими за обработка по традиционния начин.

Това е особено важно при процеси, в които грешките имат висока цена - например финансови операции, правни проверки или работа с чувствителни данни. По-евтиното изпълнение не е непременно по-ефективно, ако изисква повече корекции или създава по-висок риск.

Практическият подход е компаниите да определят кои задачи изискват най-мощните модели и кои могат да бъдат изпълнявани от по-евтини алтернативи. В анализа си Accenture посочва, че 90% от над 9000 изследвани задачи не изискват възможностите на най-мощните модели и могат да бъдат изпълнени с подходящ модел от среден клас.

Това не означава, че всички задачи трябва да се прехвърлят към по-евтини решения. При сложни анализи, продължителни работни процеси или случаи, в които грешките могат да имат сериозни последици, по-мощният модел може да оправдае по-високата си цена. Въпросът е изборът да се основава на сложността и риска на задачата, а не на предположението, че най-скъпият модел винаги е най-добрият.

Защо инвестициите в AI не носят очакваната възвръщаемост

Трудностите при измерването на резултатите не са само технологичен проблем. Те са свързани и с начина, по който компаниите планират, внедряват и управляват AI проектите си.

Една от причините е липсата на ясна бизнес цел. Когато технологията се внедрява, защото организацията иска да използва AI, без предварително да е определила кой процес трябва да се подобри и как ще бъде измерен ефектът, разходите лесно се превръщат в постоянна позиция в бюджета без доказана възвръщаемост.

Друг проблем е разпределението на отговорностите. Когато ИТ отделът плаща сметките за AI, а ползите се отчитат от отделни бизнес звена, няма непременно екип, който да носи отговорност за съотношението между разхода и резултата. Така компаниите могат да разширяват употребата на технологията, без да имат ясна представа кои приложения създават най-голяма стойност.

Към това се добавя и изборът на прекалено мощни модели за рутинни задачи. Служителите и разработчиците могат да предпочитат най-способния модел, защото той е леснодостъпен или се възприема като по-надежден, без да отчитат разликата в цената. Accenture посочва, че 54% от AI заявките в изследването са насочени към по-мощен и по-скъп модел, отколкото е необходимо за съответната задача.

Бюджетите също могат бързо да остареят. Плановете, направени при ограничено използване на чатботове, невинаги отчитат разходите при разгръщане на автономни агенти и автоматизирани работни процеси, които могат да работят непрекъснато и да генерират множество заявки без пряка намеса на служител.

Според доклада на Accenture компаниите очакват обемът на потреблението на токени да нарасне със 78% през следващите 24 месеца. Въпреки прогнозираното понижение на цените на токените с 19%, общите разходи за тях могат да достигнат около 3,6 млрд. долара спрямо приблизително 2,5 млрд. долара през предходната година, ако не бъдат предприети мерки за оптимизация.

Това показва защо поевтиняването на AI услугите не гарантира по-ниски общи разходи. Когато цената на една операция намалява, компаниите могат да започнат да използват технологията за повече задачи и в по-голям мащаб. Така спестените средства се насочват към нови приложения, вместо непременно да намалят бюджета.

Решението не е просто да се ограничава употребата на AI. Прекомерните ограничения могат да попречат на автоматизацията и на потенциалните ползи за производителността. По-устойчивият подход е разходите да се проследяват на ниво работен процес, да се определят отговорни екипи и всяко по-значимо приложение да има предварително зададена цел и измерим резултат.

Икономиката на токените: нов подход към управлението на AI

Тези предизвикателства поставят в центъра на вниманието понятието AI tokenomics - икономиката на токените в изкуствения интелект. То описва подхода, при който компаниите свързват потреблението на AI ресурси с разходите и стойността, която технологията създава.

Токените са единици, чрез които езиковите модели обработват входната информация и генерират отговори. В зависимост от услугата цената може да се определя според броя входни и изходни токени, като допълнителни разходи могат да възникват при използването на инструменти, извличане на информация и последователни операции на AI агенти.

Проблемът е, че разходът не зависи само от броя на потребителите. Той се влияе и от сложността на задачите, дължината на контекста, избрания модел и броя на стъпките, необходими за изпълнение на даден процес. Ето защо бюджет, изчислен единствено въз основа на броя служители или лицензите, може да се окаже недостатъчен.

Икономиката на токените предполага компаниите да следят потреблението не само на ниво доставчик или отдел, а и за конкретни приложения, работни процеси и задачи. Това позволява да се установи къде се концентрират разходите, кои операции използват повече ресурси от необходимото и каква стойност се получава срещу тях.

Един от инструментите е насочването на различните задачи към подходящ модел. Рутинна класификация на документи или извличане на структурирани данни може да не изисква същите възможности като сложен финансов анализ или синтез на голям обем противоречива информация. Изборът на по-лек модел за подходящите задачи може да намали разходите, без непременно да влоши резултата.

Друга мярка е разходите да се разпределят към екипите, които ги генерират. Когато потреблението е видимо за съответния бизнес екип и се отразява в неговия бюджет, има по-силен стимул да се оценява дали даден процес действително оправдава използваните ресурси. По данни на Accenture само 7% от компаниите прилагат модел, при който разходите за токени се начисляват на екипите, които ги използват.

В крайна сметка икономиката на токените не се свежда до това да се намали броят на заявките или да се избира винаги най-евтиният модел. Целта е да се постигне по-добро съотношение между разход и резултат - чрез подходящ избор на технология, контрол върху потреблението и ясна отговорност за постигнатата стойност.

С разширяването на употребата на AI тази задача ще става все по-важна за управлението на бизнеса. Компаниите, които могат да свържат разходите за технологията с конкретни финансови и оперативни резултати, ще разполагат с по-надеждна основа за решенията си къде да инвестират, кои процеси да автоматизират и как да разширяват употребата на изкуствен интелект, без разходите да изпреварват ползите.