Finanční ředitelé bijí na poplach: Nekontrolovatelné náklady na nové agenty s umělou inteligencí

Generativní umělá inteligence je v zásadní krizi – ne proto, že by technologie selhávala, ale proto, že se hroutí její komerční architektura.

Technologičtí giganti jako Microsoft, Uber a GitHub již podnikají drastická opatření: roční rozpočty na nástroje umělé inteligence se v důsledku používání autonomních agentů během několika měsíců zmenšují, zatímco očekávané zvýšení produktivity je často neměřitelné. Viníkem je celoodvětvový přechod na fakturační modely založené na tokenech. Pod rouškou principu „plaťte za to, co používáte“ poskytovatelé přesouvají veškeré finanční riziko na své podnikové zákazníky a účtují si pouze samotný výpočetní výkon – bez ohledu na to, zda umělá inteligence správně řeší úkol nebo přináší skutečnou ekonomickou hodnotu. Tento článek analyzuje skrytá rizika současné transformace cen umělé inteligence, vysvětluje fatální napětí mezi kontrolou rozpočtu a jejím zaváděním a ukazuje, proč je cena založená na výsledcích jediným udržitelným řešením pro budoucnost podnikové umělé inteligence.

Souvisí s tím:

• UNFRAME.AI: Ceny založené na tokenech nefungují. Modely založené na výsledcích to opravují

Kdo platí, když umělá inteligence nic nepřinese? Zúčtování odvětví, které nechápalo, jak si vytváří vlastní hodnotu

Obchodní model generativní umělé inteligence je v zásadní krizi. Ne proto, že by samotná technologie selhávala, ale proto, že způsob jejího účtování staví ekonomickou logiku naruby: firmy nesou veškeré finanční riziko – poskytovatel inkasuje bez ohledu na výsledek. V květnu 2026 společnost Microsoft zrušila interní licence Claude Code pro tisíce zaměstnanců ve své divizi Experiences & Devices. Společnost Uber vyčerpala celý svůj rozpočet na umělou inteligenci na rok 2026 během čtyř měsíců, protože 5 000 inženýrů intenzivně pracovalo s Claude Code, což generovalo měsíční náklady ve výši 500 až 2 000 dolarů na osobu. GitHub, největší světová vývojářská platforma vlastněná společností Microsoft, zrušila 1. června 2026 paušální ceny a přešla na kreditní systém založený na tokenech. Tyto tři události během několika týdnů nejsou náhoda – jsou to příznaky strukturální chyby hluboce zakořeněné v cenové architektuře odvětví umělé inteligence.

Konec éry dotací: Když trh objeví cenu

První fáze generativní umělé inteligence byla z velké části dotována. Poskytovatelé jako Anthropic, OpenAI a Microsoft nabízeli své služby výrazně pod skutečnými náklady na infrastrukturu, aby získali podíl na trhu, porozuměli chování uživatelů a vybudovali vývojářské ekosystémy. Paušální poplatky za kódovací asistenty, neomezené chatovací relace za jednociferné měsíční částky a štědré podnikové testování na náklady poskytovatele – to vše bylo možné, protože rizikový kapitál financoval cenový rozdíl a protože skutečné náklady na používání pracovních postupů založených na agentech ještě nebyly známy.

Tato fáze je nyní prokazatelně u konce. GitHub výslovně odůvodnil svůj přechod na fakturaci založenou na tokenech tím, že používání agentů se stalo normou a související výpočetní náklady jednoduše již nemohou udržet předchozí modely s paušální sazbou. Společnost to uvedla bez obalu: Krátká otázka v chatu a několikahodinová autonomní kódovací relace dříve stály stejně – to bylo neudržitelné. Vývojáři, kteří dříve mohli pracovat na agentech bez omezení za 10 až 39 dolarů měsíčně, zaznamenali po přechodu nárůst nákladů z pouhých 50 dolarů na více než 3 000 dolarů měsíčně. Komunitní vlákno oznamující změnu získalo téměř 900 hlasů proti.

Společnost Gartner předpovídá, že globální výdaje na umělou inteligenci dosáhnou v roce 2026 výše 2,52 bilionu dolarů, což představuje meziroční nárůst o 44 procent. S globálními výdaji tohoto rozsahu již otázka, kdo nese náklady a kdo sklízí výhody, není akademickou diskusí, ale základní otázkou správy a řízení společností. Jen výdaje na infrastrukturu umělé inteligence by se měly v roce 2026 vyšplhat na 1,37 bilionu dolarů. Zároveň podle studie MIT z července 2025 přibližně 95 procent pilotních projektů GenAI v celém podniku nepřineslo měřitelný efekt zisku a ztráty. Tento rozpor – rostoucí výdaje, nedostatečná návratnost – je jádrem problému.

Pět rizikových tříd, které modely oceňování tokenů přesouvají na společnost

Za neškodnou frází „plaťte za to, co používáte“ se skrývá systematický přesun pěti různých rizikových tříd od poskytovatele k firemnímu zákazníkovi. Každý, kdo tomuto mechanismu rozumí, ví, proč tokenizace není neutrální metodou fakturace, ale spíše strukturální nevýhodou pro kupujícího.

Rozpočtové riziko: Dodavatel kontroluje jednotku, nikoli kupující

U cenového modelu založeného na tokenech se společnost zavazuje k ročnímu rozpočtu na nákladovou jednotku, jejíž cenu může poskytovatel kdykoli změnit a jejíž spotřeba se s rostoucím využitím chová nelineárně. Například v květnu 2026 společnost Anthropic oznámila, že předplatitelé nástrojů pro agenty a integrací třetích stran budou dostávat samostatné měsíční limity účtované za standardní sazby API. Jedná se o jednostrannou cenovou úpravu, která okamžitě znehodnocuje stávající rozpočet. Uber to zažil na vlastní kůži: rozpočet vypočítaný na dvanáct měsíců vypršel za čtyři. Problém nebyl v přijetí – ve skutečnosti to byla známka úspěchu. Problém byl v tom, že „tokenová“ jednotka se exponenciálně škáluje, jakmile jsou implementovány pracovní postupy založené na agentech, zatímco rozpočet byl plánován lineárně.

Riziko přijetí: Užívání a tvorba hodnoty jsou odděleny

Systém založený na tokenech účtuje za výpočetní výkon, nikoli za výsledky. Model, který používá 100 000 tokenů a doručí nesprávnou odpověď, stojí přesně stejně jako model, který používá 100 000 tokenů a doručí správnou odpověď. Toto oddělení nákladů a přínosů je základním ekonomickým problémem. Znamená to, že společnost může vybudovat pracovní postup kolem systému založeného na tokenech, provozovat tento pracovní postup a platit za něj – aniž by kdy viděla jakoukoli měřitelnou přidanou hodnotu. Skutečnost, že 42 procent společností v roce 2025 opustilo většinu svých iniciativ v oblasti umělé inteligence, což je dramatický nárůst oproti 17 procentům v předchozím roce, je v tomto světle méně technologickým problémem než problémem s cenotvorbou. Chybná architektura pobídek vede k chybným investicím, které se projeví až po měsících provozu.

Riziko prognózy: Nekontrolovatelná variabilita v plánování nákladů

Pro finanční ředitele je fakturace za tokeny kategorií výdajů, která se chová jako chyby zajištění měn: je zásadně nemodelovatelná, protože fakturaci ovlivňuje příliš mnoho externích proměnných. Každý nový případ užití, každý nový interní uživatel, každá změna v chování modelu, každé zvětšení velikosti kontextového okna – to vše posouvá fakturu nepředvídatelným směrem. K tomu se přidává tzv. rozrůstání agentů: když společnosti zavádějí pracovní postupy založené na agentech napříč různými odděleními, nepředvídatelnost se znásobuje. Každý nový agent přidá do účetní knihy tokenů další položku bez jakékoli záruky návratnosti. S verzí Claude Opus 4.7 společnost Anthropic představila skok mezi verzemi, který díky prodlouženým řetězcům uvažování spotřebuje přibližně o 30 procent více tokenů než jeho předchůdce – což je 30% nárůst nákladů přes noc, bez jediné nové transakce nebo objednávky zákazníka, která by to ospravedlnila.

Riziko správy a řízení: Ochrana dat a dodržování předpisů se měří v závislosti na spotřebě

V regulovaných odvětvích – finanční služby, zdravotnictví, pojišťovnictví – má každé volání tokenu rozměr správy a řízení: firemní data jsou s každým voláním API směrována přes inferenční infrastrukturu třetích stran. To znamená, že čím více tokenů je spotřebováno, tím více dat opouští interní bezpečnostní perimetr. V prostředí regulovaném GDPR, SOC 2, HIPAA a zákonem EU o umělé inteligenci to generuje náklady na dodržování předpisů, vystavení auditu a rizika odpovědnosti, která se zvyšují s intenzitou používání. Fakturace tokenů a datová suverenita jsou tak ve strukturálním napětí: ti, kdo používají více umělé inteligence, automaticky podstupují větší regulační riziko – což je problém s motivací, který brání bezpečnému a škálovatelnému používání umělé inteligence.

Riziko výsledku: Mlčení poskytovatelů umělé inteligence ohledně dopadu

Nejméně diskutované riziko je nejzávažnější. Modely oceňování tokenů měří spotřebu, nikoli tvorbu hodnoty. Poskytovatel obdrží platbu bez ohledu na to, zda má program umělé inteligence společnosti měřitelný dopad na zisk a ztrátu, nebo se připojí k dlouhému seznamu pilotních projektů GenAI v korporátních projektech, které nedokázaly generovat měřitelnou návratnost. Studie MIT uvádí toto číslo na 95 procent. Jinými slovy, ve velké většině případů společnost platí, aniž by obdržela jakoukoli ověřitelnou ekonomickou hodnotu – a poskytovatel nemá žádnou motivaci související s obchodním modelem to změnit.

Cenová logika odvětví: Trh, který neznal svou vlastní hodnotu

Základní příčina současné cenové krize spočívá v původu trhu s GenAI. Toto odvětví uvedlo své produkty na trh dříve, než pochopilo jejich skutečné náklady na používání v produktivním podnikovém prostředí. Paušální sazby a cenové modely založené na tokenech byly koncipovány jako strategie vstupu na trh, nikoli jako udržitelné komerční struktury. Sám GitHub připustil, že stávající modely paušálních sazeb absorbovaly skutečné inferenční náklady a že tento mechanismus není pro poskytovatele dlouhodobě udržitelný.

To vytvořilo paradoxní situaci: čím úspěšnější bylo přijetí, tím vyšší bylo riziko ztráty pro poskytovatele a tím vyšší bylo rozpočtové riziko pro společnost. Nejvýraznějším příkladem je Uber: přijetí Claude Code se zvýšilo z 32 na 84 procent vývojářů, 70 procent odevzdaného kódu bylo generováno umělou inteligencí a zvýšení produktivity bylo skutečné a měřitelné. Přesto technický ředitel Uberu Praveen Neppalli Naga popsal situaci takto: „Jsem zpátky u rýsovacího prkna, protože rozpočet, který jsem považoval za nezbytný, už byl vyčerpán.“ Technologie fungovala. Cenový model ne.

To také vysvětluje, proč se Microsoft rozhodl zrušit licence Claude Code pro svou divizi Experiences & Devices a migrovat vývojáře do rozhraní GitHub Copilot CLI. Oficiálním důvodem je „sjednocení nástrojů“ – interně se jednalo o finanční rozhodnutí. Tisíce inženýrů vyvíjejících Windows, Microsoft 365, Teams, Outlook a Surface Claude Code intenzivně používaly od jeho pilotního spuštění v prosinci 2025 a náklady na tokeny vyčerpaly roční rozpočet dlouho před koncem roku. Microsoft, společnost, která investovala 13 miliard dolarů do OpenAI a provozuje cloud, na kterém běží většina front-endových laboratoří umělé inteligence, se podívala na čísla a rozhodla se na základě nákladů, nikoli vnímané hodnoty.

Modely cen orientovaných na výsledky: Jiná komerční architektura, žádná sleva

Pojem „ceny založené na výsledcích“ je na trhu často nepochopen. Nejde o nižší ceny tokenů, slevové balíčky ani odložené platby. Jde o zásadně odlišnou komerční architekturu: Poskytovatel je placen za každý dokončený úkol – pouze tehdy, pokud je definovaný obchodní výsledek ověřen v rámci definovaného pracovního postupu. Ne za výpočetní úsilí vynaložené během procesu.

Podnikový software po celá desetiletí fungoval na principu systém-a-SLA: Dodavatel je zodpovědný za ekonomiku jednotky a zajišťuje, aby řešení přinášelo slíbené výsledky. ERP systémy, CRM platformy, účetní software – žádná z těchto kategorií se nikdy nefakturovala na základě přístupů k databázi, volání API nebo výpočetních cyklů. Fakturují se na základě uživatelů, modulů nebo výkonnostních výsledků. Ceny umělé inteligence musí dodržovat stejný standard.

Model tvorby cen založený na výsledcích je však ekonomicky životaschopný pouze tehdy, pokud poskytovatel dokáže absorbovat rozptyl sám – tedy pokud si vybudoval platformu s takovou efektivitou, že mu to umožňuje internalizovat riziko. Většina poskytovatelů to nedokáže. Jejich výrobní náklady jsou stejným symbolickým protihodnotou, jakou nese společnost – a oni ji jednoduše přenesou dál. Cena založená na výsledcích vyžaduje, aby poskytovatel propojil své vlastní příjmy s výsledkem. Jedná se o podstatně odlišný rizikový profil – a vysvětluje to, proč je tento model tvorby cen na trhu stále vzácný.

Platforma spravované umělé inteligence – obrázek: Xpert.Digital

Zde se dozvíte, jak může vaše společnost rychle, bezpečně a bez vysokých vstupních bariér implementovat řešení umělé inteligence na míru.

Spravovaná platforma umělé inteligence je vaším komplexním a bezstarostným řešením pro umělou inteligenci. Místo řešení složitých technologií, drahé infrastruktury a zdlouhavých vývojových procesů získáte hotové řešení šité na míru vašim potřebám od specializovaného partnera – často během několika dní.

Klíčové výhody na první pohled:

⚡ Rychlá implementace: Od nápadu k aplikaci připravené k použití během několika dnů, nikoli měsíců. Dodáváme praktická řešení, která vytvářejí okamžitou přidanou hodnotu.

🔒 Maximální zabezpečení dat: Vaše citlivá data zůstanou u vás. Garantujeme bezpečné a kompatibilní zpracování bez sdílení dat s třetími stranami.

💸 Žádné finanční riziko: Platíte pouze za výsledky. Vysoké počáteční investice do hardwaru, softwaru nebo personálu jsou zcela eliminovány.

🎯 Zaměřte se na své hlavní podnikání: Soustřeďte se na to, co děláte nejlépe. Postaráme se o kompletní technickou implementaci, provoz a údržbu vašeho řešení s umělou inteligencí.

📈 Připraveno na budoucnost a škálovatelné: Vaše umělá inteligence roste s vámi. Zajišťujeme neustálou optimalizaci a škálovatelnost a flexibilně přizpůsobujeme modely novým požadavkům.

Více informací zde:

• Spravovaná platforma umělé inteligence

Praktický model: Jak funguje realizace umělé inteligence zaměřené na výsledky

Platformy, které důsledně implementují princip založený na výsledcích, se řídí jinou logikou zapojení. Místo pronájmu infrastruktury a pouhého sledování počtu uživatelů nejprve identifikují pracovní postup s nejvyšší hodnotou pro daný případ užití společnosti – tedy proces, který může nejrychleji přinést měřitelný dopad. Řešení připravené k produkčnímu provozu je poté nasazeno v rámci infrastruktury společnosti: v podnikovém cloudu, on-premises, v privátním cloudu nebo jako plně spravovaná SaaS nabídka, přičemž data nikdy neopouštějí perimetr společnosti. Platba začíná až poté, co je výsledek k dispozici a zákazník je spokojen.

Tento model má dalekosáhlé důsledky pro sdílení rizik. Nutí poskytovatele zaměřit své zdroje na skutečně hodnotné případy užití, spíše než na ty, které spotřebovávají mnoho tokenů. Vytváří přímé sladění zájmů mezi poskytovatelem a zákazníkem: oba profitují, když umělá inteligence skutečně funguje; ani jeden neprofituje na úkor druhého, když nefunguje. Pro regulovaná odvětví předpoklad, že data neopouštějí perimetr společnosti, také poskytuje architekturu dodržování předpisů kompatibilní s GDPR, SOC 2, HIPAA a zákonem EU o umělé inteligenci.

Klíčovou výhodou dobře implementovaných platforem orientovaných na výsledky je jejich kumulativní znalostní struktura: Každý úspěšně dokončený pracovní postup staví na sdílené interní znalostní bázi, která se s každým dalším úkolem stává cennější. To je v přímém kontrastu s nasazením založeným na tokenech, které sice hromadí náklady, ale neukotvuje institucionální znalosti v rámci společnosti.

Pohled finančního ředitele: Fakturace tokenů jako kategorický rozpočtový problém

Pro finanční profesionály představuje fakturace tokenů zcela nový typ provozních nákladů, pro které neexistují žádné zavedené struktury řízení. Náklady na cloud – výpočetní výkon, úložiště, síť – se v posledních patnácti letech profesionalizovaly. FinOps jako obor přinesl metody, nástroje a organizační jednotky, díky nimž jsou výdaje na cloud předvídatelné a kontrolovatelné. Plný ekvivalent nákladů na běh agentů s umělou inteligencí stále chybí.

Spotřeba tokenů se neměří s počtem uživatelů, ale spíše s ambicemi výzev, délkou kontextových oken, počtem souběžně spuštěných agentů a složitostí řetězců uvažování. To znamená, že společnost, která převádí 100 inženýrů z jednoduchého automatického doplňování na pracovní postupy založené na agentech, může znásobit své měsíční úsilí v oblasti umělé inteligence faktorem pět až dvacet – aniž by přidala jediného nového uživatele. Standardní plánovací předpoklady založené na počtu uživatelů nebo objemu relací jsou v tomto kontextu strukturálně chybné.

To má konkrétní důsledky pro plánování rozpočtu. Struktura výdajů vyžaduje podobné kontrolní mechanismy jako u energií: měření v reálném čase, upozornění na prahové hodnoty, kvóty týmů a pevné limity na úrovni agentů. Společnosti, které tyto mechanismy neimplementují před zahájením zavádění, budou čelit důsledkům, až bude rozpočet již vyčerpán – jako například Uber. Společnost neměla žádné limity na tým, žádné centralizované sledování a žádný přehled o spotřebě v reálném čase, dokud technický ředitel předčasně nenahlásil vyčerpání ročního rozpočtu.

Dynamika trhu: Kdo drží v rukou tuto cenovou transformaci

Současná cenová transformace není symetrická. Velké hyperscalery jako Microsoft, Google a Amazon mají strukturální vliv, který je odlišuje od menších poskytovatelů: Kontrolují distribuční kanály, podnikové smlouvy, cloudovou infrastrukturu a vývojářské nástroje. Microsoft neukončil Claude Code, protože Copilot je lepší – interní průzkumy ukázaly, že vývojáři preferují Claude Code. Společnost jej ukončila, protože kontroluje distribuci a nemůže kontrolovat ani strategicky využívat náklady na tokeny pro konkurenční produkt.

Tato dynamika je významná pro interpretaci cenové transformace jako celku. Pro hyperscalery nepředstavuje odklon od paušálních sazeb a zavedení tokenové fakturace cenovou reformu – jde o optimalizaci výnosů. Ti, kdo ovládají infrastrukturu, na které modely běží, kdo provozují fakturační systémy a kdo drží podnikové smlouvy, strukturálně těží z fakturace založené na spotřebě. Opačný model – ceny orientované na výsledky – ohrožuje tyto pozice v oblasti výnosů, protože nutí poskytovatele nést riziko, místo aby ho přenášel na ostatní.

Pro středně velké podniky a korporace, které nepatří mezi hyperscalery, se jedná o významný problém s mocí, pokud jde o další obnovení smlouvy. Podle analýzy společnosti JP Morgan by tlak na infrastrukturu umělé inteligence mohl vytvořit ekonomické napětí ještě před splněním slíbených výnosů. Ti, kteří aktivně nevyjednávají o rozdělení rizik v další smlouvě o umělé inteligenci, přijmou standardní pozici, která je pro ně strukturálně nevýhodná.

Poselství investiční ekonomie: Pokud efektivita není cílem, stává se problémem

Proti kritice nákladů na fakturaci založené na tokenech existuje protiargument, který je třeba brát vážně. V Uberu generovala umělá inteligence 70 procent odevzdaného kódu a 11 procent všech živých aktualizací backendu. Inženýr v San Franciscu stojí firmu ročně výrazně více než 2 000 dolarů měsíčně na tokenech. Pokud kódování založené na umělé inteligenci zvýší produktivitu byť jen o jednociferné procento nejdražšího zdroje společnosti, návratnost investic by mohla převážit náklady.

Tento argument není chybný – je neúplný. Zaprvé, platí pouze tehdy, pokud jsou zvýšení produktivity skutečně kvantifikovatelná a kauzálně přiřaditelná sadě nástrojů, což se ve většině společností zřídka systematicky měří. Zadruhé, předpokládá, že ušetřený čas inženýrství se promítá do realizovaných úspor nákladů nebo přímo přiřaditelných dodatečných příjmů – a ne, jako v mnoha organizacích, jednoduše vede k větší práci, která zase spotřebovává více tokenů ze systému umělé inteligence. Zatřetí, srovnatelnost je platná pouze tehdy, pokud je výsledek práce umělé inteligence ověřen: kód, který je vygenerován, ale není produktivně použit, není ekvivalentní hodnotě práce seniorního inženýra.

Základní argument pro ceny orientované na výsledky proto zůstává v platnosti: Pokud je návratnost skutečná, může ji poskytovatel smluvně doložit a propojit s ní svůj příjem. Pokud tak nemůže nebo nechce učinit, existují pro to strukturální důvody, které hrají v neprospěch kupujícího.

Strategické důsledky pro řízení společnosti

Události první poloviny roku 2026 poskytnou vedení společnosti jasné provozní závěry.

Zaprvé, řízení výdajů řízené umělou inteligencí vyžaduje specializovanou disciplínu FinOps, která musí být strukturována podobně jako cloudové FinOps, ale vyžaduje vlastní metodiky. Spotřeba tokenů je nelineární, závislá na agentovi a verzi modelu. Dashboardy jsou nedostatečné; potřeba jsou rozpočtové limity v reálném čase na úrovni týmu a agenta, automatické mechanismy ukončení při překročení prahových hodnot a auditní protokoly na úrovni jednotlivých běhů.

Za druhé, pilotní projekty využívající fakturaci tokeny neposkytují spolehlivé prognózy produkčních nákladů. Pilotní projekt s cenou 1 000 eur měsíčně se může v produkčním prostředí škálovat až stonásobně oproti původnímu využití, a tím překročit rozpočtové prostředky. Plánování výdajů na umělou inteligenci musí být založeno na produkčních předpokladech, nikoli na využití v pilotním projektu.

Za třetí, každé obnovení smlouvy s poskytovateli umělé inteligence má strategický rozměr vyjednávání, který je v současnosti nedostatečně využíván. Otázka, kterou by každá společnost měla položit svému poskytovateli umělé inteligence na příští schůzce, je jednoduchá a přesná: Kolik zaplatím, když to nebude fungovat? Poskytovatel, který není ochoten sdílet riziko nepříznivého vývoje, má střet zájmů s kupujícím, který nelze v seriózním procesu zadávání veřejných zakázek ignorovat.

Za čtvrté, datová suverenita je zřetelnou nákladovou a rizikovou proměnnou, nikoli pouze otázkou dodržování předpisů. Společnosti v regulovaných odvětvích, které využívají služby založené na tokenech ve veřejném cloudu, hromadí úsilí o dodržování předpisů, vystavení auditům a potenciální rizika odpovědnosti s každou jednotkou použití. Suverénní umělá inteligence – tedy infrastruktura umělé inteligence provozovaná v rámci vlastního perimetru společnosti – dosáhne do roku 2026 technologické parity s cloudovými front-end modely: Podle indexu AI Stanford HAI 2026 se výkonnostní rozdíl mezi nejlepšími modely s otevřenou váhou a nejpokročilejšími proprietárními systémy zmenší na průměrně tři měsíce.

Výhled: Co znamená cenová transformace pro rok 2027

Trh se mění. Odklon od paušálních sazeb k tokenové fakturaci je pro poskytovatele krátkodobým vítězstvím – příjmy rostou s rostoucím využíváním. Ve střednědobém horizontu je však katalyzátorem tří paralelních vývojů, které zásadně změní cenovou strukturu.

Zaprvé, konkurenční tlak se zvýší kvůli open-source modelům. Pokud náklady na proprietární tokeny pro nasazení agentů v celém podniku dosáhnou šestimístné částky ročně a modely s otevřenou váhou poskytnou srovnatelný výkon na on-premise hardwaru, výpočet celkových nákladů na vlastnictví se přikloní ve prospěch on-premise infrastruktury – zejména pro evropské společnosti, které upřednostňují dodržování GDPR a datovou suverenitu.

Za druhé, na trhu porostejí cenové modely orientované na výsledky, protože podnikovým zákazníkům poskytují vyjednávací pozici, kterou tokenové fakturace ze své podstaty nenabízí. Přestože v současnosti má jen málo poskytovatelů dostatečnou platformovou efektivitu k tomu, aby tento model ziskově nabízeli, konkurence si vynutí napodobování.

Za třetí, správa umělé inteligence – včetně měření návratnosti investic do umělé inteligence, sledování příspěvků k tvorbě hodnoty a smluvního definování metrik úspěchu – se stane samostatnou obchodní oblastí, srovnatelnou s ochranou dat nebo kybernetickou bezpečností. Společnost Gartner očekává, že globální výdaje na umělou inteligenci dosáhnou do roku 2027 výše 3,34 bilionu dolarů. V tomto rozsahu již vedoucí pracovníci firem nebudou akceptovat umělou inteligenci jako rozpočtovou kategorii bez ověřitelných metrik úspěchu.

Klíčovou otázkou není, zda bude fakturace založená na tokenech nahrazena modely orientovanými na výsledky – ekonomická logika naznačuje, že k tomu dojde. Otázkou je, zda firmy budou tento přechod aktivně ovlivňovat, nebo zda si ho pasivně vnucují neustále rostoucí účty. Ti, kdo nyní přizpůsobují smluvní architekturu svých investic do umělé inteligence, tahají za správný konec lana.

Konrad Wolfenstein

Rád/a bych sloužil/a jako váš osobní poradce.

Můžete mě kontaktovat na adrese wolfenstein∂xpert.digital nebo

Zavolejte mi na +49 7348 4088 965 .

LinkedIn