Finansdirektører slår alarm: De ukontrollerbare omkostninger ved nye AI-agenter

Generativ AI er i en fundamental krise – ikke fordi teknologien fejler, men fordi dens kommercielle arkitektur er ved at kollapse.

Techgiganter som Microsoft, Uber og GitHub tager allerede drastiske skridt: De årlige budgetter til AI-værktøjer skrumper ind inden for få måneder på grund af brugen af ​​autonome agenter, mens de forventede produktivitetsgevinster ofte er umålelige. Synderen er det brancheomfattende skift til tokenbaserede faktureringsmodeller. Under dække af "betal-for-hvad-du-bruger" flytter udbydere den fulde økonomiske risiko over på deres virksomhedskunder og opkræver kun betaling for selve computerkraften - uanset om AI'en løser en opgave korrekt eller leverer reel økonomisk værdi. Denne artikel analyserer de skjulte risici ved den nuværende AI-pristransformation, forklarer den fatale spænding mellem budgetkontrol og AI-adoption og demonstrerer, hvorfor resultatbaseret prisfastsættelse er den eneste bæredygtige løsning for fremtiden for virksomhedens AI.

Relateret til dette:

• UNFRAME.AI: Tokenbaseret prisfastsættelse er i stykker. Resultatbaserede modeller løser det

Hvem betaler, når AI ikke leverer noget? Opgøret med en branche, der ikke forstod sin egen værdiskabelse

Forretningsmodellen for generativ AI er i en fundamental krise. Ikke fordi teknologien i sig selv fejler, men fordi den måde, den faktureres på, vender den økonomiske logik på hovedet: virksomheder bærer hele den økonomiske risiko – udbyderen opkræver betaling uanset resultatet. I maj 2026 annullerede Microsoft interne Claude Code-licenser for tusindvis af medarbejdere i sin Experiences & Devices-division. Uber opbrugte hele sit AI-budget for 2026 på fire måneder, fordi 5.000 ingeniører arbejdede intensivt med Claude Code, hvilket genererede månedlige omkostninger på $500 til $2.000 pr. person. GitHub, verdens største udviklerplatform ejet af Microsoft, afskaffede fastprisfastsættelse den 1. juni 2026 og skiftede til et tokenbaseret kreditsystem. Disse tre begivenheder inden for få uger er ikke tilfældige – de er symptomer på en strukturel fejl, der er dybt indlejret i AI-industriens prisarkitektur.

Slutningen på subsidieæraen: Når markedet opdager prisen

Den første fase af generativ AI blev i vid udstrækning subsidieret. Udbydere som Anthropic, OpenAI og Microsoft tilbød deres tjenester betydeligt under de faktiske infrastrukturomkostninger for at vinde markedsandele, forstå brugeradfærd og opbygge udviklerosystemer. Faste gebyrer for kodeassistenter, ubegrænsede chatsessioner for encifrede månedlige beløb og generøs virksomhedstestning på udbyderens regning – alt dette var muligt, fordi venturekapital finansierede prisforskellen, og fordi de reelle omkostninger ved at bruge agentbaserede arbejdsgange endnu ikke var kendte.

Denne fase er nu påviseligt afsluttet. GitHub retfærdiggjorde eksplicit sit skift til tokenbaseret fakturering med, at agentbaseret brug er blevet normen, og de tilhørende computeromkostninger simpelthen ikke længere kan opretholde de tidligere flatrate-modeller. Virksomheden udtrykte det ligeud: Et kort chatspørgsmål og en autonom kodningssession på flere timer kostede tidligere det samme – dette var uholdbart. Udviklere, der tidligere havde kunnet arbejde agentbaseret uden begrænsninger for $10 til $39 om måneden, oplevede, at deres omkostninger stige fra så lidt som $50 til over $3.000 om måneden efter skiftet. Community-tråden, der annoncerede ændringen, fik næsten 900 afvigende stemmer.

Gartner forudser globale AI-udgifter på 2,52 billioner dollars i 2026, en stigning på 44 procent i forhold til året før. Med globale udgifter af denne størrelsesorden er spørgsmålet om, hvem der bærer omkostningerne, og hvem der høster fordelene, ikke længere en akademisk diskussion, men et fundamentalt spørgsmål om virksomhedsledelse. Alene udgifterne til AI-infrastruktur forventes at stige til 1,37 billioner dollars i 2026. Samtidig, ifølge en MIT-undersøgelse fra juli 2025, formåede cirka 95 procent af virksomhedsdækkende GenAI-pilotprojekter ikke at levere en målbar P&L-effekt. Denne modsætning - stigende udgifter, manglende afkast - er kernen i problemet.

Fem risikoklasser, som tokenprismodeller flytter over på virksomheden

Bag den uskyldige vending "betal for det, du bruger", ligger et systematisk skift af fem forskellige risikoklasser fra udbyderen til virksomhedskunden. Enhver, der forstår denne mekanisme, erkender, hvorfor tokenfakturering ikke er en neutral faktureringsmetode, men snarere en strukturel ulempe for køberen.

Budgetrisiko: Leverandøren kontrollerer enheden, ikke køberen

Med en tokenbaseret prismodel forpligter virksomheden sig til et årligt budget for en omkostningsenhed, hvis pris udbyderen kan ændre når som helst, og hvis forbrug opfører sig ikke-lineært med stigende brug. For eksempel annoncerede Anthropic i maj 2026, at abonnenter på agentværktøjer og tredjepartsintegrationer ville modtage separate månedlige godtgørelser faktureret til standard API-takster. Dette er en ensidig prisjustering, der øjeblikkeligt devaluerer et eksisterende budget. Uber oplevede dette på første hånd: et budget beregnet for tolv måneder løb ud på fire. Implementering var ikke problemet - det var faktisk et tegn på succes. Problemet var, at "token"-enheden skaleres eksponentielt, så snart agentbaserede arbejdsgange implementeres, mens budgettet var planlagt lineært.

Adoptionsrisiko: Brug og værdiskabelse er afkoblet

Et tokenbaseret system fakturerer for computerkraft, ikke resultater. En model, der bruger 100.000 tokens og leverer et forkert svar, koster præcis det samme som en model, der bruger 100.000 tokens og leverer et korrekt svar. Denne afkobling af omkostninger og fordele er det grundlæggende økonomiske problem. Det betyder, at en virksomhed kan opbygge en arbejdsgang omkring et tokenbaseret system, drive denne arbejdsgang og betale for den – uden nogensinde at se nogen målbar merværdi. Det faktum, at 42 procent af virksomhederne opgav størstedelen af ​​deres AI-initiativer i 2025, en dramatisk stigning fra 17 procent året før, er i dette lys mindre et teknologisk problem end et prisproblem. Den mangelfulde incitamentsarkitektur fører til fejlinvesteringer, der først bliver tydelige efter måneders drift.

Prognoserisiko: Ukontrollerbar variation i omkostningsplanlægning

For CFO'er er tokenfakturering en udgiftskategori, der opfører sig som valutaafdækningsfejl: den er fundamentalt umodellerbar, fordi for mange eksterne variabler påvirker faktureringen. Hver ny use case, hver ny intern bruger, hver ændring i modeladfærd, hver stigning i kontekstvinduets størrelse - alt dette skubber regningen i en uforudsigelig retning. Dertil kommer den såkaldte agent sprawl: Når virksomheder udruller agentbaserede arbejdsgange på tværs af forskellige afdelinger, mangedobles uforudsigeligheden. Hver ny agent tilføjer endnu en post til token-ledgeren uden nogen garanti for afkast. Med Claude Opus 4.7 introducerede Anthropic et versionsspring, der på grund af udvidede ræsonnementskæder forbruger omkring 30 procent flere tokens end sin forgænger - en omkostningsstigning på 30 procent natten over, uden en eneste ny transaktion eller kundeordre til at retfærdiggøre det.

Governance-risiko: Databeskyttelse og compliance skaleres med forbruget

I regulerede brancher – finansielle tjenester, sundhedspleje, forsikring – har hvert token-kald en governance-dimension: Virksomhedsdata dirigeres gennem tredjeparts inferensinfrastruktur med hvert API-kald. Det betyder, at jo flere tokens der forbruges, jo flere data forlader den interne sikkerhedsperimeter. I et miljø reguleret af GDPR, SOC 2, HIPAA og EU's AI-lov genererer dette compliance-omkostninger, revisionseksponering og ansvarsrisici, der stiger med brugsintensiteten. Token-fakturering og datasuverænitet er således i strukturel spænding: De, der bruger mere AI, påtager sig automatisk mere regulatorisk risiko – et incitamentsproblem, der hindrer sikker og skalerbar AI-brug.

Resultatrisiko: AI-udbyderes tavshed vedrørende indvirkning

Den mindst diskuterede risiko er den mest betydningsfulde. Token-prismodeller måler forbrug, ikke værdiskabelse. Udbyderen modtager betaling uanset om virksomhedens AI-program har en målbar P&L-effekt eller slutter sig til den lange liste af virksomheds-GenAI-pilotprojekter, der ikke har genereret et målbart afkast. En MIT-undersøgelse sætter dette tal til 95 procent. Med andre ord betaler virksomheden i langt de fleste tilfælde uden at modtage nogen verificerbar økonomisk værdi – og udbyderen har intet forretningsmodelrelateret incitament til at ændre det.

Branchens prislogik: Et marked, der ikke kendte sin egen værdi

Den grundlæggende årsag til den nuværende priskrise ligger i GenAI-markedets oprindelse. Branchen markedsførte sine produkter, før den forstod deres sande brugsomkostninger i produktive virksomhedsmiljøer. Flat rates og token-baserede prismodeller blev udtænkt som markedsadgangsstrategier, ikke som bæredygtige kommercielle strukturer. GitHub indrømmede selv, at de eksisterende flat rate-modeller absorberede de faktiske inferensomkostninger, og at denne mekanisme ikke er bæredygtig for udbydere i det lange løb.

Dette skabte en paradoksal situation: Jo mere succesfuld implementeringen var, desto højere var risikoen for tab for udbyderen, og desto højere var budgetrisikoen for virksomheden. Uber er det mest levende eksempel: Claude Code-implementeringen steg fra 32 til 84 procent af udviklerne, 70 procent af den committede kode var AI-genereret, og produktivitetsgevinsterne var reelle og målbare. Og alligevel beskrev Ubers CTO, Praveen Neppalli Naga, situationen således: "Jeg er tilbage til tegnebrættet, fordi det budget, jeg troede var nødvendigt, allerede er brugt op." Teknologien virkede. Prismodellen gjorde ikke.

Dette forklarer også, hvorfor Microsoft besluttede at annullere Claude Code-licenserne for sin Experiences & Devices-division og migrere udviklere til GitHub Copilot CLI. Den officielle begrundelse er "toolchain unification" - internt var det en økonomisk beslutning. Tusindvis af ingeniører, der udviklede Windows, Microsoft 365, Teams, Outlook og Surface, havde brugt Claude Code i høj grad siden pilotlanceringen i december 2025, og token-omkostningerne havde opbrugt det årlige budget længe før årets udgang. Microsoft, virksomheden der har investeret 13 milliarder dollars i OpenAI og driver den sky, som de fleste AI-frontend-laboratorier kører på, kiggede på tallene og besluttede sig baseret på omkostninger, ikke opfattet værdi.

Resultatorienterede prismodeller: En anderledes kommerciel arkitektur, ingen rabat

Udtrykket resultatbaseret prisfastsættelse misforstås ofte på markedet. Det handler ikke om billigere tokenpriser, rabatpakker eller udskudt betaling. Det er en fundamentalt anderledes kommerciel arkitektur: Udbyderen får betaling pr. udført opgave – hvis og kun hvis et defineret forretningsresultat verificeres på en defineret arbejdsgang. Ikke for den beregningsmæssige indsats, der påløber undervejs.

I årtier har virksomhedssoftware fungeret ud fra et system-og-SLA-princip: Leverandøren er ansvarlig for enhedsøkonomien og sikrer, at løsningen leverer de lovede resultater. ERP-systemer, CRM-platforme, regnskabssoftware – ingen af ​​disse kategorier er nogensinde blevet faktureret baseret på databaseadgang, API-kald eller beregningscyklusser. De fakturerer baseret på brugere, moduler eller præstationsresultater. AI-prissætning skal overholde den samme standard.

Den resultatbaserede prismodel er dog kun økonomisk rentabel, hvis udbyderen selv kan absorbere variansen – det vil sige, hvis den har opbygget en platformeffektivitet, der gør det muligt at internalisere risikoen. De fleste udbydere kan ikke gøre dette. Deres produktionsomkostninger er den samme token-tæller, som virksomheden bærer – og de sender simpelthen tælleren videre. Resultatbaseret prissætning kræver, at udbyderen forbinder sin egen indkomst med resultatet. Dette er en væsentligt anderledes risikoprofil – og forklarer, hvorfor denne prismodel stadig er sjælden på markedet.

Administreret AI-platform - Billede: Xpert.Digital

Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.

En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.

De vigtigste fordele på et overblik:

⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.

🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.

💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.

🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.

📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.

Mere information her:

• Administreret AI-platform

Praktisk model: Hvordan resultatorienteret AI-levering fungerer

Platforme, der konsekvent implementerer det resultatbaserede princip, følger en anden engagementslogik. I stedet for at leje infrastruktur ud og blot køre måleren, identificerer de først den arbejdsgang med den højeste værdiskabelse for virksomhedens use case – det vil sige den proces, der hurtigst kan levere en målbar effekt. En produktionsklar løsning implementeres derefter i virksomhedens infrastruktur: i virksomhedens sky, on-premises, i en privat sky eller som et fuldt administreret SaaS-tilbud, hvor dataene aldrig forlader virksomhedens perimeter. Betalingen begynder først, når resultatet er tilgængeligt, og kunden er tilfreds.

Denne model har vidtrækkende konsekvenser for risikodeling. Den tvinger udbyderen til at fokusere sine ressourcer på reelt værdiskabende use cases snarere end dem, der forbruger mange tokens. Den skaber en direkte interesseafstemning mellem udbyder og kunde: begge tjener, når AI'en rent faktisk fungerer; ingen tjener på den andens bekostning, når den ikke gør. For regulerede brancher giver præmissen om, at data ikke forlader virksomhedens perimeter, også en compliance-arkitektur, der er kompatibel med GDPR, SOC 2, HIPAA og EU's AI-lov.

En central fordel ved velimplementerede, resultatorienterede platforme er deres kumulative vidensstruktur: Hver vellykket gennemført arbejdsgang bygger på en fælles intern vidensbase, der bliver mere værdifuld med hver efterfølgende opgave. Dette står i direkte kontrast til tokenbaserede implementeringer, som, selvom de akkumulerer omkostninger, ikke forankrer institutionel viden i virksomheden.

Finansdirektørens perspektiv: Tokenfakturering som et kategorisk budgetproblem

For finansfolk repræsenterer token-fakturering en kategorisk ny type driftsudgift, som der ikke findes etablerede styringsstrukturer for. Cloud-omkostninger – beregning, lagring, netværk – er blevet professionaliseret i løbet af de sidste femten år. FinOps som disciplin har skabt metoder, værktøjer og organisatoriske enheder, der gør cloud-udgifter forudsigelige og kontrollerbare. Der mangler stadig en fuldgyldig ækvivalent til runtime-omkostninger for AI-agenter.

Tokenforbruget skaleres ikke med antallet af brugere, men snarere med ambitionen bag prompterne, længden af ​​kontekstvinduerne, antallet af samtidigt kørende agenter og kompleksiteten af ​​ræsonnementskæderne. Det betyder, at en virksomhed, der overgår 100 ingeniører fra simpel autofuldførelse til agentbaserede arbejdsgange, kan gange sin månedlige AI-indsats med en faktor på fem til tyve – uden at tilføje en eneste ny bruger. Standardplanlægningsantagelser baseret på brugerantal eller sessionsvolumener er strukturelt mangelfulde i denne sammenhæng.

Dette har konkrete konsekvenser for budgetplanlægningen. Udgiftsstrukturen kræver lignende kontrolmekanismer som dem for energi: måling i realtid, tærskelalarmer, teamkvoter og hårde grænser på agentniveau. Virksomheder, der ikke implementerer disse, før implementeringen begynder, vil stå over for konsekvenserne, når budgettet allerede er opbrugt – ligesom Uber. Virksomheden havde ingen grænser pr. team, ingen centraliseret sporing og ingen realtidsoverblik over forbruget, før CTO'en for tidligt rapporterede det årlige budget som opbrugt.

Markedsdynamik: Hvem har magten i denne pristransformation

Den nuværende pristransformation er ikke symmetrisk. Store hyperscalere som Microsoft, Google og Amazon har en strukturel gearing, der adskiller dem fra mindre udbydere: De kontrollerer distributionskanaler, virksomhedskontrakter, cloudinfrastruktur og udviklerværktøjer. Microsoft lukkede ikke Claude Code ned, fordi Copilot er bedre – interne undersøgelser viste, at udviklere foretrak Claude Code. Virksomheden lukkede det ned, fordi det kontrollerer distributionen og ikke kan kontrollere eller strategisk udnytte tokenomkostninger til et konkurrerende produkt.

Denne dynamik er vigtig for at fortolke pristransformationen som helhed. For hyperscalere er overgangen væk fra faste priser og introduktionen af ​​token-fakturering ikke en prisreform – det er omsætningsoptimering. De, der kontrollerer den infrastruktur, som modellerne kører på, som driver faktureringssystemerne, og som har virksomhedskontrakterne, drager strukturelt fordel af forbrugsbaseret fakturering. Den modsatte model – resultatorienteret prissætning – bringer disse omsætningspositioner i fare, fordi den tvinger udbyderen til at bære risikoen i stedet for at sende den videre.

For mellemstore virksomheder og selskaber, der ikke er blandt hyperscalerne, er dette et betydeligt magtproblem, når det kommer til den næste kontraktfornyelse. Ifølge en analyse fra JP Morgan kan presset på AI-infrastrukturen skabe økonomisk friktion, før de lovede afkast er opfyldt. De, der ikke aktivt forhandler risikofordelingen i den næste AI-kontrakt, vil acceptere en standardposition, der er strukturelt ugunstig for dem.

Budskabet fra investeringsøkonomi: Hvis effektivitet ikke er et mål, bliver det et problem

Der er et modargument til omkostningskritikken af ​​tokenbaseret fakturering, som skal tages alvorligt. Hos Uber genererede AI 70 procent af den committede kode og 11 procent af alle live backend-opdateringer. En ingeniør i San Francisco koster en virksomhed betydeligt mere om året end 2.000 dollars om måneden i tokenomkostninger. Hvis AI-drevet kodning øger produktiviteten med bare en encifret procentdel af virksomhedens dyreste ressource, kan investeringsafkastet opveje omkostningerne.

Argumentet er ikke forkert – det er ufuldstændigt. For det første gælder det kun, hvis produktivitetsgevinsterne rent faktisk er kvantificerbare og årsagsmæssigt kan tilskrives værktøjssættet, hvilket sjældent måles systematisk i de fleste virksomheder. For det andet forudsætter det, at den sparede ingeniørtid omsættes til realiserede omkostningsbesparelser eller direkte tilskrivelig merindtægt – og ikke, som i mange organisationer, blot fører til mere arbejde, hvilket igen forbruger flere tokens fra AI-systemet. For det tredje er sammenligneligheden kun gyldig, hvis resultatet af AI'ens arbejde valideres: kode, der genereres, men ikke bruges produktivt, svarer ikke til værdien af ​​​​ledende ingeniørarbejde.

Det grundlæggende argument for resultatorienteret prisfastsættelse er derfor fortsat gyldigt: Hvis afkastet er reelt, kan udbyderen kontraktligt underbygge det og knytte sin indkomst til det. Hvis de ikke kan eller vil gøre det, er der strukturelle årsager til dette, som er til skade for køberen.

Strategiske konsekvenser for virksomhedsledelsen

Begivenhederne i første halvdel af 2026 vil give virksomhedsledelsen klare operationelle konklusioner.

For det første kræver AI-drevet udgiftskontrol en dedikeret FinOps-disciplin, som skal struktureres på samme måde som cloud-FinOps, men kræver sine egne metoder. Tokenforbrug er ikke-lineært, agentspecifikt og modelversionsafhængigt. Dashboards er utilstrækkelige; det, der er behov for, er realtidsbudgetlofter på team- og agentniveau, automatiske afbrydelsesmekanismer ved overskridelse af tærskler og revisionslogfiler på enkeltkørselsniveau.

For det andet giver pilotprojekter, der bruger token-fakturering, ikke pålidelige prognoser for produktionsomkostninger. Et pilotprojekt, der koster €1.000 om måneden, kan skaleres op til 100 gange det oprindelige forbrug i et produktionsmiljø og dermed overstige de budgetterede ressourcer. Planlægning af AI-udgifter skal være baseret på produktionsantagelser, ikke pilotforbrug.

For det tredje har enhver kontraktfornyelse med AI-udbydere en strategisk forhandlingsdimension, der i øjeblikket er underudnyttet. Spørgsmålet, som enhver virksomhed bør stille sin AI-udbyder på det næste møde, er enkelt og præcist: Hvad skal jeg betale, hvis det ikke virker? En udbyder, der ikke er villig til at dele risikoen, har en interessekonflikt med køberen, som ikke kan ignoreres i en seriøs indkøbsproces.

For det fjerde er datasuverænitet en særskilt omkostnings- og risikovariabel, ikke kun et compliance-problem. Virksomheder i regulerede brancher, der bruger tokenbaserede tjenester i den offentlige cloud, akkumulerer compliance-indsats, revisionseksponering og potentielle ansvarsrisici for hver brugsenhed. Suveræn AI - det vil sige AI-infrastruktur, der drives inden for virksomhedens egen perimeter - vil have nået teknologisk paritet med cloud-frontend-modeller inden 2026: Ifølge Stanford HAI 2026 AI Index vil præstationsforskellen mellem de bedste åbne vægtede modeller og de mest avancerede proprietære systemer være indsnævret til et gennemsnit på tre måneder.

Udsigter: Hvad prisændringen betyder for 2027

Markedet er i konstant forandring. Skiftet væk fra faste priser og hen imod tokenfakturering er en kortsigtet sejr for udbyderne – indtægterne stiger med brugen. På mellemlang sigt er det dog en katalysator for tre parallelle udviklinger, der fundamentalt vil ændre prisstrukturen.

For det første vil konkurrencepresset stige på grund af open source-modeller. Hvis proprietære token-omkostninger for virksomhedsomspændende agentimplementeringer når sekscifrede beløb om året, og open-weight-modeller leverer sammenlignelig ydeevne på on-premise hardware, vil beregningen af ​​de samlede ejeromkostninger tippe til fordel for on-premise infrastruktur – især for europæiske virksomheder, der prioriterer GDPR-overholdelse og datasuverænitet.

For det andet vil resultatorienterede prismodeller vokse på markedet, fordi de giver virksomhedskunder en forhandlingsposition, som token-fakturering per definition ikke tilbyder. Selvom kun få udbydere i øjeblikket har platformeffektiviteten til at tilbyde denne model rentabelt, vil konkurrencen tvinge frem imitation.

For det tredje vil AI-styring – herunder måling af AI-ROI, sporing af værdiskabelsesbidrag og kontraktligt definerede succesmålinger – blive et særskilt forretningsområde, der kan sammenlignes med databeskyttelse eller cybersikkerhed. Gartner forventer, at de globale AI-udgifter vil nå 3,34 billioner dollars inden 2027. I denne skala vil virksomhedsledere ikke længere acceptere AI som en budgetkategori uden verificerbare succesmålinger.

Det afgørende spørgsmål er ikke, om tokenbaseret fakturering vil blive erstattet af resultatorienterede modeller – økonomisk logik tyder på, at det vil ske. Spørgsmålet er, om virksomhederne aktivt vil forme denne overgang eller passivt lade den blive påtvunget af stadigt stigende regninger. De, der tilpasser kontraktarkitekturen for deres AI-investeringer nu, trækker i den rigtige ende af rebet.

Konrad Wolfenstein

Jeg vil med glæde fungere som din personlige rådgiver.

Du kan kontakte mig på wolfenstein∂xpert.digital eller

Bare ring til mig på +49 7348 4088 965 .

LinkedIn