Токеномика | Када вештачка интелигенција постане скупља од особља: Тиха експлозија трошкова вештачке интелигенције и шта управљана вештачка интелигенција може да уради поводом тога

### Уберов буџет за вештачку интелигенцију је пропао: Зашто трошкови токена сада премашују плате ### Скривени трошкови за агенте за вештачку интелигенцију: Зашто рачуни за облак изненада експлодирају ### 113.000 долара за један месец вештачке интелигенције: Знак упозорења или будућност рада? ###

Невидљива замка трошкова у компанијама: Како наплата заснована на токенима уништава корпоративне буџете

Вештачка интелигенција се дуго сматрала врхунским појачивачем продуктивности – али сада због ње многе сале за састанке облива хладан зној. Разлог: експлозивни, непредвидиви рачуни за облак и токене. Када корпорације попут Убера исцрпе своје годишње буџете за вештачку интелигенцију после само неколико месеци, а технолошки гиганти открију да рачунарска снага постаје скупља од њиховог сопственог особља у неким областима, достигнута је критична прекретница. Почетна еуфорија уступа место суровој реалности где скривени трошкови за аутономне агенте вештачке интелигенције и модели наплате засновани на коришћењу угрожавају профитабилност. Али постоје излази: Да бисте избегли да упаднете у замку трошкова токена, у фокус долази нови стратешки концепт – Управљана вештачка интелигенција. Сазнајте зашто се прорачуни трошкова многих компанија тренутно више не сабирају и које конкретне FinOps стратегије можете користити да бисте вратили контролу над својим трошковима вештачке интелигенције пре него што буџет буде потрошен.

Крај ере фиксне стопе: Како компаније могу зауставити замку трошкова вештачке интелигенције

Технолошка индустрија тренутно доживљава дуго очекивано разочарање: Вештачка интелигенција више није само подстицај продуктивности у многим компанијама, већ је постала независан, тешко израчунат фактор трошкова – онај који у екстремним случајевима превазилази трошкове запослених. Оно што би пре две године звучало као смело предвиђање сада је сурова пословна реалност 2026. године. Питање више није да ли вештачка интелигенција ствара додатну вредност, већ да ли та додата вредност оправдава нагло растуће оперативне трошкове. А на хоризонту се појављује концепт који обећава да ће пружити одговоре: Управљана вештачка интелигенција.

Темељ је климав: Зашто се обрачун трошкова више не сабира

Две године, технолошке компаније једва да су доводиле у питање своје буџете за вештачку интелигенцију. Логика је била варљиво једноставна: они који рано инвестирају обезбеђују конкурентску предност; они који оклевају заостају. У овој атмосфери оптимизма, милијарде су се сливале у језичке моделе, асистенте за кодирање и аутономне агенте – често без ригорозног мерења учинка и без ограничења трошкова. Сада рачуни доспевају на наплату, а бројке је тешко игнорисати.

Проблем постаје посебно очигледан тамо где се вештачка интелигенција користи не само као алат, већ као примарна радна снага. Брајан Катанцаро, потпредседник за примењено дубоко учење у компанији Nvidia, сумирао је то у једној реченици за Axios: Трошкови рачунарства у његовом тиму далеко премашују трошкове особља. Ово је изјава значајне тежине – не само зато што долази од компаније која је сама у центру таласа вештачке интелигенције инфраструктуре, већ зато што описује системску промену која се до сада једва појављивала у извештајима менаџмента.

Разлог лежи у структури модерних модела наплате вештачке интелигенције. Велики језички модели попут GPT, Claude или Gemini не наплаћују фиксну накнаду, већ се заснивају на токенима – најмањим јединицама на које се текст разлаже током обраде. Премијум модели коштају између 2,50 и 5,00 долара по милиону улазних токена и између 10 и 25 долара по милиону излазних токена. Ово звучи апстрактно, али брзо постаје конкретно: свако ко дневно шаље хиљаде упита путем продукцијског система вештачке интелигенције, покреће агенте са дугим контекстним прозорима или врши аутоматизоване прегледе кода акумулира огромне суме – често а да тога није ни свестан док не стигне месечни рачун.

Убер тренутак: Позив на буђење за целу индустрију

Ниједан од скорашњих случајева не илуструје проблем живописније од случаја компаније Убер. Правин Непали Нага, главни технолошки директор компаније за превоз путника, признао је за The Information да је компанија већ исцрпела цео свој буџет за вештачку интелигенцију за 2026. годину за само неколико месеци у години – првенствено због брзог усвајања Anthropic-овог Claude Code-а. Нага је то рекао отворено: „Вратио сам се на почетак јер је буџет за који сам мислио да ми је потребан већ потрошен.“ Окидач није био један велики пројекат, већ постепено ширење алата кроз целокупно инжењерско одељење. Убер је одобрио приступ Claude Code-у за око 5.000 програмера – и утицај на буџет је био сходно томе значајан.

Оно што је Нага такође открио је изванредно: 11 процената свих ажурирања Уберовог репозиторијума кода сада пишу агенти вештачке интелигенције, а не људи. Компанија се стога налази усред истинске трансформације развоја софтвера – и плаћа цену која је поништила све почетне прорачуне. Парадокс је очигледан: што је вештачка интелигенција кориснија, то се више користи и трошкови су већи. Модел одређивања цена заснован на коришћењу директно преводи успех у притисак на трошкове.

Џејсон Калаканис, познати инвеститор из Силицијумске долине, описао је слично искуство: трошкови агента од 300 долара дневно на Anthropic-овом Claude API-ју – за делић рада једног запосленог. Његова пресуда: у ком тренутку трошкови токена прелазе плату особе коју треба да замене? Ово питање – реторичко, али математички реално – постало је централно питање економије вештачке интелигенције 2026. године.

Поносан на рачун од шест цифара: Феномен вештачке интелигенције „Сван“

На другом крају спектра је Амос Бар-Џозеф, извршни директор стартапа Swan AI са четири запослена. Он је објавио Anthropic фактуру на LinkedIn-у у износу од 113.421,87 долара за само један месец, написавши да никада није био поноснији на фактуру. Swan AI, компанија специјализована за аутономне продајне агенте, види своје трошкове за вештачку интелигенцију као структурну замену за трошкове особља: мање запослених, више интелигенције – то је обећање. Извршни директор је ово експлицитно представио као пословни модел: циљ је постићи годишњи приход од 10 милиона долара по запосленом.

Чињеница да Swan AI већ пријављује седмоцифрене сталне приходе и, према сопственим изјавама, недавно је зарадио око 200.000 долара годишњег прихода (ARR) у једној недељи звучи убедљиво. Међутим, оно што Bar-Joseph није открио остаје кључно: маржа. Ако рачун за AI од 113.000 долара месечно одговара годишњим трошковима који прелазе 1,3 милиона долара, остварени приход мора бити знатно већи – и са довољном маржом да покрије инфраструктуру, порезе и друге трошкове. Потврђено од стране независних извора: Компанија је одбила да пружи конкретне податке о приходима. Оно што се продаје као прича о успеху могло би једнако лако бити непотпуно рачуноводство.

Оно што Бар-Џозефова објава ипак открива јесте промена у менталитету: У деловима технолошке индустрије, износ рачуна за вештачку интелигенцију постаје статусни симбол – слично као што се број запослених или канцеларијског простора некада сматрао показатељем величине компаније. Ова логика носи значајне ризике ако расходи и приходи нису уско повезани.

Тржиште експлодира: 6,31 билиона долара потрошње на ИТ служи као упозоравајући сигнал

Појединачни притисци на трошкове одражавају се на макро слици. Према Гартнеру, глобална ИТ потрошња ће порасти на 6,31 билион долара у 2026. години – што је раст од 13,5 процената у поређењу са 2025. годином. Повећање је посебно нагло у сектору дата центара: очекује се да ће потрошња на серверске системе порасти за 36,9 процената, а предвиђа се да ће укупни обим дата центара први пут премашити 650 милијарди долара. Истовремено, Гартнер предвиђа раст потрошње на генеративне моделе вештачке интелигенције од 80,8 процената.

Ове бројке не описују органски инвестициони циклус вођен измереним очекивањима додате вредности. Оне описују тржиште које се и даље креће пуном брзином, док кочнице – другим речима, свест о трошковима – тек полако делују. Паралелно са подацима компаније Gartner, студија показује да ће глобална потрошња на вештачку интелигенцију порасти за 44 процента у 2026. години, док ће буџети за обуку и развој запослених расти само за 5 процената. Компаније које повећавају своју потрошњу на технологију скоро десет пута брже од оснаживања људи који користе ту технологију ризикују масовну погрешну расподелу ресурса.

Форестер Рисерч то каже још отвореније: Мање од 15 процената доносилаца одлука у области вештачке интелигенције пријавило је мерљиво побољшање EBITDA од инвестиција у вештачку интелигенцију у последњих дванаест месеци. Мање од трећине може чак и да повеже вредност својих улагања у вештачку интелигенцију са конкретним променама у билансу успеха. Последица: Форестер предвиђа да ће компаније одложити 25 процената својих планираних улагања у вештачку интелигенцију са 2026. на 2027. годину – корекција тржишта вођена растућом нелагодношћу међу финансијским директорима.

Токеномика: Невидљива замка трошкова у свакодневном пословању

Да бисмо разумели обим проблема, вреди детаљније погледати структуру модела наплате заснованих на токенима. Они су посебно подмукли за предузећа из два разлога: Прво, не скалирају се линеарно са вредношћу, већ са употребом. Сваки лоше формулисан упит, сваки непотребно дуг контекстуални прозор, свака петља поновног покушаја због грешака ствара трошкове - без обзира на то да ли је резултат употребљив или не. Друго, тешко их је интегрисати са традиционалним FinOps системима, који мере по виртуелним машинама, рачунарским инстанцама или корисничким лиценцама, а не по текстуалним сегментима.

Конкретан пример из праксе: Azure OpenAI наплаћује улазне и излазне токене одвојено, при чему су излазни токени обично три до пет пута скупљи од улазних токена. Истовремено, системски упити, који се извршавају пре сваког корисничког захтева, могу потрошити значајне количине улазних токена – а да то корисници не виде у фронтенду. Свако ко покреће хиљаде агената са дугим системским упитима ће континуирано плаћати за ово, чак и када агенти тренутно не раде ништа корисно.

Структура трошкова постаје све изазовнија са крајем ере фиксне цене. Антропик је већ променио свој модел наплате за предузећа са фиксних накнада на цене засноване у потпуности на токенима – очекује се да ће и други добављачи следити тај пример у року од шест месеци. Оно што је раније служило као сигурносни тампон – фиксна накнада која је такође апсорбовала прекомерну употребу – сада је прошлост. Буџетски менаџери који су и даље обрачунавали своје трошкове вештачке интелигенције према старом моделу суочавају се са структурном репроценом целе своје стратегије вештачке интелигенције.

Зашто инвеститори захтевају одговоре: Криза управљања

У компанијама које се јавно тргују, проблем ескалира на други ниво: ниво одговорности према акционарима. Управни одбори и главни финансијски директори постављају питања о мерљивој додатој вредности инвестиција у вештачку интелигенцију са учесталошћу и жестином која би била незамислива пре две године. Према истраживању финансијских директора Гранта Торнтона за први квартал 2026. године, 68 одсто финансијских директора очекује даље повећање својих издатака за ИТ и дигиталну трансформацију – што је највећа бројка у 21 кварталу истраживања. Овај број у почетку звучи оптимистично, али се чита другачије када се узме у обзир пратећа порука: финансијски директори су активно укључени у одлуке о вештачкој интелигенцији које су раније биле искључива одговорност директора информационих технологија или техничких директора.

Бред Овенс из компаније Asymbl описује дубоку промену у свести међу вишим руководиоцима: Кључно питање више није само цена вештачке интелигенције, већ права вредност запосленог – било људског или дигиталног. Иако дефинитиван одговор још увек не постоји, питање се поставља много чешће. Ово сигнализира промену парадигме: вештачка интелигенција се више не посматра као дискрециони експеримент, већ као управљана пословна имовина – са одговарајућим захтевима за мерљивост и оправдање.

Криза одговорности је статистички евидентна: Према Ларидиновом извештају „Стање предузећа у вештачкој интелигенцији 2025“, 72 процента свих компанија активно уништава вредност кроз неефикасну употребу вештачке интелигенције. Ово звучи драстично, али је вероватно када се узме у обзир да многе компаније мере усвајање алата вештачке интелигенције, али не и стварну промену у продуктивности или стварању пословне вредности. Постоји значајна разлика између посматрања да запослени користе алат вештачке интелигенције и демонстрирања да овај алат доводи до мерљивог побољшања профита компаније.

Скривени трошкови леденог брега: Шта крију ценовници токена

Јавни дискурс се првенствено фокусира на трошкове API-ја за језичке моделе. Ово је само врх леденог брега. Много већи део стварних трошкова рада вештачке интелигенције лежи испод површине – и једноставно се превиђа у многим пословним случајевима.

Према Гартнеру, преко 75 процената свих пословних вештачких оптерећења извршава се у облаку. Ово додаје трошкове инфраструктуре трошковима модела: израчунавање, складиштење, умрежавање, CDN и редови чекања за поруке. За системе засноване на агентима са 10.000 до 20.000 разговора месечно, чисти трошкови инфраструктуре крећу се од 200 до 500 евра месечно – поред трошкова LLM API-ја. За скалиране имплементације са стотинама хиљада интеракција, ове бројке се сходно томе множе.

Додатни трошкови који се ретко појављују у понудама добављача укључују: интеграцију и оркестрацију пословних система (10.000 до 60.000 евра), тестирање и валидацију (5.000 до 15.000 евра), инфраструктуру за имплементацију (10.000 до 30.000 евра), текуће одржавање, преобуку модела и безбедносне закрпе (10.000 до 50.000 евра годишње и више). Technova Partners је израчунао да, дугорочно гледано, трошкови имплементације чине само 25 до 35 процената укупних трошкова власништва – 65 до 75 процената настаје током текућег рада. Свако ко верује да су највећи трошкови иза њих након почетног имплементирања систематски потцењује стварност.

Разлика је још значајнија када су у питању аутономни AI агенти. Salesforce наплаћује два долара по разговору за свој производ Agentforce – што у почетку звучи разумно. Али скривени трошкови лиценци за облак података, предуслова за CRM, интеграционих радова и сталног надзора доводе стварне трошкове далеко изнад тога. Gartner предвиђа да ће више од 40 процената свих пројеката AI агената бити обустављено до краја 2027. године – аналитичка група наводи растуће трошкове и нејасну додату вредност као главне разлоге.

Када аутономија постане проблем трошкова: Цена вештачке интелигенције

Посебно су скупи потпуно аутономни АИ агенти који доносе одлуке и извршавају радње без сталног људског надзора. За разлику од четботова, који епизодно троше токене, АИ агенти то раде континуирано – током планирања, праћења, исправљања грешака и повратних информација. Анализа сценарија аутономног распоређивања открила је да неконтролисани агенти могу имати годишње трошкове рачунарства од 120.000 до 270.000 долара – поред скривених трошкова инфраструктуре који могу бити 200 до 400 процената већи од понуда добављача.

Заблуда да су ови агенти заиста аутономни и стога исплативи и даље постоји. У стварности, чак и најнапреднији системи захтевају људски надзор, редовне корекције и контекстуалну интервенцију. Људски елемент не нестаје - он се мења. Директно извршавање задатака постаје надзор, калибрација и обезбеђивање квалитета машина. Овај посао је мање видљив, али не и мање стваран. Свако ко сматра агенте јефтином заменом за људске раднике, а да не узима у обзир ове трошкове праћења, бави се креативним рачуноводством.

Управљана AI платформа - Слика: Xpert.Digital

Овде ћете сазнати како ваша компанија може брзо, безбедно и без високих баријера за улазак имплементирати прилагођена решења за вештачку интелигенцију.

Управљана AI платформа је ваше свеобухватно и безбрижно решење за вештачку интелигенцију. Уместо да се бавите сложеном технологијом, скупом инфраструктуром и дуготрајним процесима развоја, добијате готово решење прилагођено вашим потребама од специјализованог партнера – често у року од само неколико дана.

Кључне предности на први поглед:

⚡ Брза имплементација: Од идеје до апликације спремне за употребу за дане, а не месеци. Нудимо практична решења која стварају тренутну додату вредност.

🔒 Максимална безбедност података: Ваши осетљиви подаци остају код вас. Гарантујемо безбедну и усклађену обраду без дељења података са трећим лицима.

💸 Без финансијског ризика: Плаћате само за резултате. Велика почетна улагања у хардвер, софтвер или особље су потпуно елиминисана.

🎯 Фокусирајте се на свој основни посао: Концентришите се на оно што најбоље радите. Ми се бринемо о целокупној техничкој имплементацији, раду и одржавању вашег вештачке интелигенције.

📈 Спремно за будућност и скалабилно: Ваша вештачка интелигенција расте са вама. Обезбеђујемо континуирану оптимизацију и скалабилност и флексибилно прилагођавамо моделе новим захтевима.

Више информација овде:

• Управљана AI платформа

Управљана вештачка интелигенција: Концепт осмишљен да стави трошкове под контролу

У том контексту, концепт управљане вештачке интелигенције добија на стратешком значају. Ово се не односи на једну технологију, већ на свеобухватни модел управљања за цео ланац снабдевања вештачком интелигенцијом компаније – од избора модела и брзог инжењеринга до континуираног праћења трошкова и евалуације резултата. Услуге управљане вештачке интелигенције пружају независни добављачи који у потпуности управљају имплементацијом, праћењем и одржавањем вештачких решења, доприносећи стручношћу у области исплативости, безбедности и усклађености.

KPMG процењује да модерне управљане услуге могу смањити укупне оперативне трошкове за 15 до 45 процената – кроз оптимизацију процеса, смањење техничког дуга и ефикасније операције вештачке интелигенције и облака. Обећање звучи примамљиво, али додатна вредност се не материјализује аутоматски. Потребна је јасна структура управљања, дефинисане одговорности и култура транспарентности трошкова која се протеже до нивоа токена.

Оквир FinOps-а, првобитно развијен за трошкове облака, све се више примењује на вештачку интелигенцију. FinOps фондација описује основне елементе робусног управљања трошковима вештачке интелигенције као: јасне структуре власништва за трошкове вештачке интелигенције, детаљно праћење до нивоа токена или графичког процесора, имплементацију инкременталних модела финансирања са редовним прегледима „брзих промашаја“ и успостављање Савета за инвестиције у вештачку интелигенцију на нивоу целе компаније. Ове мере нису техничке већ организационе природе – што објашњава зашто многе компаније пропадају упркос томе што имају алате: Недостају им процеси и култура, а не инструменти.

Техничке полуге: Како систематски оптимизовати потрошњу токена

На техничком нивоу, постоји успостављени алат за оптимизацију трошкова токена који се још увек не користи доследно у многим компанијама.

Прва и најефикаснија полуга је инжењеринг промптова. Непотребно дуги системски промпти, сувишне контекстуалне информације или редундантне инструкције троше улазне токене без побољшања излаза. Професионални инжењеринг промптова може смањити потрошњу токена за 20 до 40 процената уз одржавање квалитета излаза. У комбинацији са кеширањем промптова – механизмом који поново користи често коришћене компоненте промптова – могу се постићи значајне уштеде.

Друга полуга је усмеравање модела: схватање да није сваки задатак захтеван најмоћнији и најскупљи модел. Једноставне класификације, задаци форматирања или сумирања могу се подједнако добро решити са економичним моделима који коштају од 0,15 до 1,00 долара по милиону улазних токена као и са премијум моделима који коштају седам до тридесет пута више. Интелигентни систем усмеравања који аутоматски додељује захтеве најисплативијем способном моделу може драстично смањити просечну цену по захтеву.

Трећа полуга: управљање контекстним прозором. Многе архитектуре агената прослеђују комплетну историју разговора са сваким захтевом – чак и ако је само део релевантан за тренутни задатак. Технике као што су рано заустављање, брзо скраћивање и селективно узорковање контекста смањују излазне токене без жртвовања квалитета. Deloitte Insights наглашава да локални модел фабрике вештачке интелигенције може да оствари уштеду трошкова од преко 50 процената током три године у поређењу са решењима заснованим на API-ју – када се достигне критична количина производње токена.

Четврта полуга: Управљање путем чувара буџета и откривања аномалија. Аутоматизовани системи који покрећу упозорења, паузирају радна оптерећења или преусмеравају на исплативије моделе на дефинисаним праговима су најефикаснија заштита од прекорачења буџета попут оних убер. Ови системи постоје — само се преретко имплементирају пре него што стигне први шокантни рачун.

FinOps за вештачку интелигенцију: Управљање као стратешка конкурентска предност

Иза техничког алата крије се дубља промена у корпоративном управљању: трошковима вештачке интелигенције мора се управљати као пуноправним центром трошкова – са свим алатима које компаније користе за особље, набавку или капитална улагања. Ово звучи очигледно, али није. Многе компаније су до сада књижиле трошкове вештачке интелигенције у нејасним буџетима за иновације који нису били предмет ригорозног праћења поврата инвестиције.

Треденс описује ниво зрелости структуре управљања вештачком интелигенцијом користећи специфичне кључне индикаторе учинка (KPI): трење у одлучивању (смањење утаје буџета и хитних трошкова), фокус на инвестиције (удео буџета вештачке интелигенције за скалиране примене у поређењу са чисто експерименталним трошковима) и поверење у управљање (јасна структура власништва за сваку иницијативу вештачке интелигенције). Компаније које мере ове метрике могу јасније да комуницирају, путем директног поређења, да ли су њихови трошкови вештачке интелигенције стратешки исправни – и тиме брже добијају одобрења буџета од финансијских руководилаца.

У студији заснованој на интервјуима са око 40 компанија, Голдман Сакс је анализирао структурну промену у одређивању цена вештачке интелигенције: добављачи прелазе са наплате засноване на корисницима на наплату засновану на учинку – више не продају кориснички приступ, већ јединице рада. Ово ствара нове могућности за компаније да директно повежу трошкове вештачке интелигенције са пословним резултатима – али такође чини прорачун сложенијим. Они који купују вештачку интелигенцију као „јединицу рада“ морају да знају вредност јединице рада. Већина компанија још увек нема ово знање.

Нова аритметика рада: Човек против машине – али другачије него што се очекивало

Популарно поређење између трошкова вештачке интелигенције и трошкова за особље је често превише поједностављено: замена човека вештачком интелигенцијом штеди 90 процената. Овај прорачун важи под веома специфичним условима – а не успева под другима. За понављајуће, јасно дефинисане задатке као што су унос података, стандардна корисничка служба или једноставно генерисање кода, пракса показује да системи вештачке интелигенције заправо коштају између 3.000 и 25.000 долара годишње, док се потпуно урачунати трошкови за позицију са пуним радним временом (укључујући бенефиције, канцеларијски простор и флуктуацију запослених) крећу од 75.000 до 95.000 долара. Током пет година, укупна инвестиција у позицију са пуним радним временом износи од 375.000 до 475.000 долара, у поређењу са 15.000 до 100.000 долара за еквивалентан систем вештачке интелигенције.

Међутим, ова предност се смањује како задаци постају сложенији, контекстуално осетљиви или креативнији. Системи вештачке интелигенције који се ослањају на скупе премиум моделе за висок квалитет резултата, а истовремено захтевају интензиван људски надзор, могу брзо постати скупљи од људи које би требало да замене. Феномен који је описао менаџер компаније Нвидија, Катанцаро, настаје управо када вештачка интелигенција подржава високодимензионалне задатке – истраживање дубоког учења, одлуке о архитектонском дизајну, стратешко резоновање – али захтевају толико рачунарске снаге да трошкови премашују трошкове запослених.

Кључна променљива је структура задатка: што је задатак стандардизованији и обимнији, то је јаснија трошковна предност вештачке интелигенције. Што је задатак креативнији, стратешкији и контекстуално интензивнији, то прорачун постаје дифузнији. Компаније које буџетирају вештачку интелигенцију као замену запослених на свим нивоима, без разликовања по типу задатка, упадају у класичну замку трошкова.

Парадокс цене: Јефтинији токени, али виши укупни трошкови

Једна од најизненађујућих динамика проблема трошкова вештачке интелигенције је парадокс цена, који је Делојт у анализи описао као „Пад цена, раст потрошње“. Јединична цена токена заиста пада: добављачи модела попут OpenAI и Anthropic су више пута смањивали цене токена у последње две године, у неким случајевима за 80 до 90 процената у поређењу са њиховим ценама лансирања. Истовремено, укупна потрошња на вештачку интелигенцију нагло расте.

Разлог лежи у обрасцу потрошње: Како цене падају, интензитет коришћења се несразмерно повећава. Развијају се нови случајеви употребе који не би били економски исплативи по вишим ценама. Број агената, корисника, позива модела и дужине контекста расте брже него што цене падају. Ово је класичан ефекат одскока из енергетске економије: јефтинија енергија не доводи до мање потрошње, већ до веће. Апсолутна база трошкова расте, чак и ако гранична јединица постане јефтинија.

За финансијске директоре, то значи да преговори о ценама са добављачима вештачке интелигенције не решавају проблем структурно. Смањење цене токена од 20 процената је више него компензовано повећањем коришћења од 25 процената. Структурно смањење трошкова се постиже само кроз управљање, а не кроз боље откупне цене.

Стратешки поглед: Шта добро вођене компаније сада раде другачије

Компаније које озбиљно схватају трошкове вештачке интелигенције радиће неколико ствари другачије од просека 2026. године. Прво, неће третирати трошкове вештачке интелигенције као ИТ ставку трошкова, већ као стратешку инвестицију са дефинисаним очекивањима поврата инвестиције. Свака иницијатива у вези са вештачком интелигенцијом имаће спонзора у послу, а не у ИТ одељењу, и дефинисан пословни случај са мерљивим критеријумима успеха.

Друго, имплементирали су видљивост токена: контролне табле у реалном времену које анализирају трошкове на нивоу тима, апликације и случаја употребе. FinOps платформе попут Finout-а омогућавају виртуелно означавање на нивоу токена без потребе за променама кода – што омогућава моделе повраћаја средстава где пословне јединице директно рачуноводствено обрачунавају своје трошкове вештачке интелигенције. Ова интерна транспарентност је често ефикаснија од екстерних преговора о ценама.

Треће, водеће компаније усвајају портфолио модел за моделе: Оне не користе један водећи модел за све задатке, већ комбинацију економских модела за стандардне задатке, премиум модела за сложене захтеве и специјализованих модела отвореног кода за случајеве употребе осетљиве на податке. Делоит препоручује коришћење модела отвореног кода тамо где захтеви за квалитетом могу бити испуњени мањим, фино подешеним моделима – што резултира значајним уштедама трошкова и мањим ослањањем на комерцијалне добављаче.

Четврто, ове компаније су имплементирале моделе инкременталног финансирања: Уместо да се годишњи буџети за вештачку интелигенцију додељују ex ante, финансирање се обезбеђује у кварталним корацима, са обавезним ограничењима преиспитивања која дозвољавају наставак имплементације само ако се демонстрирају доприноси мерљиве вредности. Фондација FinOps овај принцип назива „брзо финансирање у случају неуспеха“ – он подстиче рано прекидање лоше учинковитих пројеката вештачке интелигенције, уместо да се баца добар новац за лошим.

Тржиште које тражи своју равнотежу

Укупна слика открива индустрију која је још увек у процесу одређивања праве вредности вештачке интелигенције на индустријском нивоу. Техничке могућности модела су импресивне и брзо расту. Економска контрола резултирајућих трошкова заостаје – не зато што недостају алати, већ зато што је организациона зрелост за доследну имплементацију ових алата још увек неразвијена.

Компаније које скалирају трошкове вештачке интелигенције без управљања ризикују да претворе перципирану конкурентску предност у тихи проблем марже. С друге стране, оне које од самог почетка улажу у управљање токенима, рутирање модела, FinOps процесе и јасно мерење поврата инвестиције стварају инфраструктуру која остаје исплатива чак и када се употреба вештачке интелигенције повећава.

Биланси вештачке интелигенције постаће централна тема у управним салама у наредним кварталима. Не зато што вештачка интелигенција не успева, већ зато што је постала превише успешна – а њени трошкови представљају изазов за контролу. Форестер процењује да ће тржиште доживети праву корекцију до краја 2026. године: Неоклауди – специјализовани добављачи фокусирани на графичке процесоре – све више ће преузимати тржишни удео од великих хиперскалера и нудити приступачнију инфраструктуру за радна оптерећења вештачке интелигенције. Ово ће интензивирати конкуренцију ценама и дати компанијама нову предност.

Кључна вештина за наредне две до три године неће бити употреба вештачке интелигенције. Готово свака компанија то већ ради. Кључна вештина биће употреба вештачке интелигенције на такав начин да однос трошкова и користи остане константно позитиван. Управљана вештачка интелигенција – у свим својим облицима – није нешто што је лепо имати, већ структурни одговор на структурни изазов.

Konrad Wolfenstein

Било би ми драго да вам будем лични саветник.

на wolfenstein∂xpert.digital контактирати

Само ме позовите на +49 7348 4088 965 .

ЛинкедИн