Om de AI-kosten per gebruiker te berekenen, deelt u uw totale uitgaven voor AI-infrastructuur en -exploitatie door het aantal actieve gebruikers in dezelfde periode. Om de AI-kosten per transactie te berekenen, deelt u de totale AI-uitgaven door het aantal verwerkte AI-gestuurde transacties. Om een van beide maatstaven te koppelen aan bedrijfsresultaten, moet u deze kosten afzetten tegen de gegenereerde omzet, de vermeden kosten of de productiviteitswinst die elke AI-workload oplevert.
Voor grote ondernemingen die AI op grote schaal inzetten, is geen van deze berekeningen eenvoudig. AI-workloads omvatten een combinatie van rekenkracht, opslag, API-aanroepen, modellicenties en kosten voor menselijk toezicht, op een manier die de traditionele IT-kostenberekening nooit heeft kunnen verwerken. In de onderstaande paragrafen worden de verschillende berekeningsmethoden, de verschillen daartussen en de manier waarop AI-uitgaven kunnen worden gekoppeld aan resultaten die daadwerkelijk van belang zijn voor het bedrijf, nader toegelicht.
Wat bepaalt de werkelijke kosten van het op grote schaal inzetten van AI?
De werkelijke kosten voor het op grote schaal inzetten van AI worden bepaald door vier onderling samenhangende kostenposten: rekenkracht en infrastructuur, modellicenties en API-gebruik, gegevensverwerking en -opslag, en menselijk toezicht. De meeste organisaties onderschatten de totale AI-kosten omdat ze alleen de meest zichtbare kostenpost bijhouden – meestal de kosten voor rekenkracht of API-vergoedingen – terwijl de overige kosten stilletjes op de achtergrond oplopen.
Door deze lagen uit te splitsen, krijg je een duidelijker beeld van waar de AI-uitgaven daadwerkelijk naartoe gaan:
- IT en infrastructuur: Het gebruik van GPU’s of TPU’s, het aantal cloudinstantie-uren en eventuele gereserveerde capaciteit voor het trainen of uitvoeren van inferentie van modellen. Deze kosten kunnen sterk variëren, afhankelijk van of u uw eigen modellen uitvoert of deze als een service gebruikt.
- Modellicenties en API-gebruik: Abonnementsgelden, prijzen per token of kosten per oproep van AI-leveranciers zoals OpenAI, Google of Microsoft. Op grote schaal kunnen de kosten voor API-gebruik sneller stijgen dan het aantal gebruikers.
- Gegevensverwerking en -opslag: De kosten voor het inlezen, opschonen, opslaan en ophalen van de gegevens waarop uw AI-modellen zijn gebaseerd. Hieronder vallen vector-databases, opslag voor embeddings en de infrastructuur voor datapijplijnen.
- Menselijk toezicht en bedrijfsvoering: De tijd die uw ingenieurs, datawetenschappers en IT-medewerkers besteden aan het beheren, monitoren en finetunen van AI-systemen. Dit wordt vaak buiten beschouwing gelaten bij de berekening van de AI-kosten, waardoor een vertekend beeld ontstaat van de werkelijke totale eigendomskosten.
Inzicht in alle vier de lagen vormt het uitgangspunt voor elke zinvolle berekening van de AI-kosten. Zonder deze basis zullen de statistieken per gebruiker en per transactie uw werkelijke AI-uitgaven systematisch te laag weergeven.
Hoe bereken je de AI-kosten per gebruiker?
De AI-kosten per gebruiker worden berekend door uw totale AI-gerelateerde uitgaven over een bepaalde periode te delen door het aantal actieve gebruikers dat in diezelfde periode gebruikmaakt van AI-aangedreven functies of tools. “Actief” is hier het belangrijke criterium: als u alle geregistreerde of gelicentieerde gebruikers meetelt in plaats van alleen degenen die daadwerkelijk AI-workloads genereren, krijgt u een cijfer dat uw werkelijke kosten per eenheid te laag weergeeft.
Een praktische formule ziet er als volgt uit:
- Stap 1: Tel alle AI-gerelateerde kosten voor de betreffende periode bij elkaar op, inclusief rekenkracht, API-kosten, data-infrastructuur, licenties en een evenredig aandeel in de personeelskosten.
- Stap 2: Definieer het begrip “actieve gebruiker” op een consistente manier, bijvoorbeeld als elke gebruiker die in de loop van de maand ten minste één door AI ondersteunde interactie heeft geïnitieerd.
- Stap 3: De totale AI-uitgaven delen door het aantal actieve gebruikers.
- Stap 4: Segmenteer op afdeling, productlijn of gebruiksscenario om vast te stellen waar de AI-kosten per gebruiker hoog zijn in verhouding tot de waarde die die gebruikers genereren.
Het resulterende cijfer krijgt pas betekenis als je het in de loop van de tijd bijhoudt en tussen verschillende teams vergelijkt. Hoge AI-kosten per gebruiker in een verkoopteam dat aanzienlijk meer deals sluit, kunnen volkomen gerechtvaardigd zijn. Hetzelfde cijfer in een ondersteunende afdeling waar geen meetbare productiviteitsverbetering te zien is, duidt op een kans om de kosten te optimaliseren. De kosten per gebruiker zijn een diagnostische maatstaf, geen definitief oordeel.
Hoe bereken je de AI-kosten per transactie?
De AI-kosten per transactie worden berekend door de totale AI-uitgaven over een bepaalde periode te delen door het aantal AI-gestuurde transacties dat in die periode is voltooid. Een “transactie” is in deze context elke afzonderlijke, meetbare eenheid van AI-output: een verwerkt document, een beantwoordde klantvraag, een voltooide fraudecontrole, een gegenereerde aanbeveling of een geaccepteerd codevoorstel.
De uitdaging bestaat erin de transactiegrens nauwkeurig te definiëren voordat je de cijfers berekent. Onduidelijke transactiedefinities leiden tot cijfers die niet tussen verschillende periodes of teams kunnen worden vergeleken. Om de AI-kosten per transactie nauwkeurig te berekenen:
- Bepaal de transactie-eenheid op het niveau van de use case, niet op systeemniveau. Eén enkel AI-systeem kan meerdere transactietypen ondersteunen met zeer uiteenlopende kostenprofielen.
- Verdeel de kosten voor gedeelde infrastructuur evenredig over de verschillende transactietypen, op basis van het rekenvermogen dat wordt verbruikt of het aantal oproepen.
- Neem mislukte of afgewezen transacties alleen mee in je noemer als ze nog steeds AI-bronnen verbruiken, wat doorgaans het geval is.
- Houd de kosten per transactie in de loop van de tijd bij om te bepalen of de efficiëntie toeneemt naarmate het volume groeit.
Goed gestructureerd FinOps-werkwijzen biedt u de infrastructuur voor tagging, toewijzing en rapportage die u nodig hebt om AI-uitgaven per workload te specificeren, wat een voorwaarde is voor elke betrouwbare berekening van de kosten per transactie.
Wat is het verschil tussen de AI-kosten per transactie en de kosten per bedrijfsresultaat?
De AI-kosten per transactie geven aan wat u uitgeeft om een eenheid AI-output te produceren. De AI-kosten per bedrijfsresultaat geven aan wat u uitgeeft om een resultaat te behalen dat voor het bedrijf daadwerkelijk van belang is. Het verschil is aanzienlijk: een transactie is een activiteit, terwijl een bedrijfsresultaat een gevolg is dat financiële of strategische waarde heeft.
Een AI-model kan bijvoorbeeld 10.000 klantenservicetransacties per maand verwerken tegen een kostprijs van twee euro per stuk. Maar als slechts 60% van die transacties leiden tot een opgelost probleem zonder dat er menselijke tussenkomst nodig is, zijn uw kosten per succesvolle oplossing aanzienlijk hoger dan uw kosten per transactie doen vermoeden. En als elk opgelost probleem een meetbare hoeveelheid tijd van de medewerker bespaart, kunt u gaan rekenen op basis van de kosten per eenheid geleverde waarde in plaats van de kosten per eenheid activiteit.
De kosten per bedrijfsresultaat zijn moeilijker te berekenen, omdat je daarvoor moet definiëren wat onder “resultaat” wordt verstaan, moet meten of de AI dit daadwerkelijk heeft opgeleverd en er een waarde aan moet toekennen. Maar het is juist deze maatstaf die ervoor zorgt dat investeringsbeslissingen op het gebied van AI verdedigbaar zijn tegenover de raad van bestuur en de financiële afdeling. De kosten per transactie geven aan of je AI efficiënt werkt. De kosten per bedrijfsresultaat laten zien of het überhaupt de moeite waard is om de AI te gebruiken.
Hoe koppel je uitgaven voor AI aan meetbare bedrijfsresultaten?
Je koppelt AI-uitgaven aan meetbare bedrijfsresultaten door een verantwoordingsketen op te zetten die loopt van individuele AI-workloads via de bedrijfsprocessen die deze ondersteunen, tot aan de financiële of operationele resultaten die deze processen opleveren. Hiervoor zijn drie zaken nodig: een consistente kostentoewijzing, duidelijk omschreven resultaatindicatoren en een bestuursstructuur die beide aspecten gezamenlijk beoordeelt.
In de praktijk betekent dit:
- AI-uitgaven op workloadniveau labelen: Elke AI-workload moet voorzien zijn van metagegevens die aangeven welk bedrijfsproces deze ondersteunt, welk team ervoor verantwoordelijk is en aan welk product of welke dienst deze bijdraagt. Zonder deze consequente tagging kun je de uitgaven op geen enkel detailniveau koppelen aan de resultaten.
- Stel prestatie-indicatoren vast vóór de implementatie: Voor elk AI-initiatief moet vooraf een reeks resultaatindicatoren worden vastgesteld, zoals een verkorting van de verwerkingstijd, een stijging van het conversiepercentage of een daling van het foutenpercentage, die als maatstaf dienen voor de beoordeling van de kosten.
- Zorg voor een vast evaluatieritme: Gegevens over kosten en resultaten moeten regelmatig gezamenlijk worden geëvalueerd, en niet alleen tijdens begrotingscycli. Hier komen FinOps en praktijken op het gebied van IT-financieel beheer samen: dezelfde principes die zorgen voor goed beheer van clouduitgaven, zijn rechtstreeks van toepassing op het beheer van AI-uitgaven.
- Koppel AI-kostengegevens aan bedrijfsprestatiegegevens: De AI-kosten per resultaat worden pas zichtbaar wanneer uw financiële rapportage wordt gekoppeld aan operationele gegevens. Hiervoor zijn doorgaans gezamenlijke tools of een doelgerichte gegevensintegratie tussen de financiële, IT- en bedrijfsteams nodig.
Het Technology Business Management (TBM)-raamwerk biedt hier een nuttige structuur. Het brengt technologiekosten in kaart in relatie tot de diensten en producten die hierdoor mogelijk worden gemaakt, en van daaruit naar de bedrijfscapaciteiten en resultaten die hierdoor worden ondersteund. Door diezelfde logica toe te passen op AI-workloads krijg je een consistente methode om AI-uitgaven te vertalen naar de taal van bedrijfswaarde.
Welke tools en frameworks ondersteunen het bijhouden van AI-kosten?
De meest bruikbare tools en frameworks voor het bijhouden van AI-kosten combineren mogelijkheden voor cloudkostenbeheer met financiële bestuursstructuren die het op verbruik gebaseerde, variabele kostenprofiel van AI aankunnen. Er is geen enkele tool die het probleem volledig oplost, maar een goed gekozen combinatie van FinOps-tools, platforms voor IT-financieel beheer en tools voor AI-observability vult de belangrijkste lacunes op.
Belangrijke categorieën om rekening mee te houden:
- FinOps-platforms: Tools zoals Apptio Cloudability bieden mogelijkheden voor kostenallocatie, aanbevelingen voor het optimaliseren van de capaciteit en het beheer van verbintenissen bij verschillende cloudproviders. Deze platforms kunnen worden uitgebreid om AI-specifieke workloads te volgen, mits het tagging- en allocatiebeleid correct is ingesteld. A Beoordeling van de FinOps-rijpheid is een nuttig uitgangspunt om te begrijpen waar er hiaten zitten in uw huidige werkwijzen.
- AI-observatietools: Platforms die speciaal zijn ontworpen voor het monitoren van LLM- en AI-workloads, zoals LangSmith of soortgelijke tools, houden het tokengebruik, de latentie en de modelprestaties bij op het niveau van de afzonderlijke aanroepen. Deze leveren de gedetailleerde gegevens die worden gebruikt voor de berekening van de kosten per transactie.
- IT-platforms voor financieel beheer: Platforms die zijn afgestemd op TBM brengen de technologiekosten in kaart in relatie tot bedrijfsdiensten en resultaten. Door AI-kostengegevens te integreren in een TBM-taxonomie krijgt het management een consistent overzicht van de AI-uitgaven in combinatie met de rest van de IT-portfolio.
- Aangepaste dashboards en datapijplijnen: Veel organisaties ontwikkelen interne tools om AI-gebruiksgegevens van leveranciers te koppelen aan financiële gegevens uit hun ERP- of financiële systemen. Dit is vaak nodig omdat kant-en-klare tools de toewijzing van AI-kosten nog niet volledig standaard ondersteunen.
De kaderdimensie is net zo belangrijk als de tools. FinOps biedt het bedrijfsmodel voor kostenbeheer op het gebied van cloud en AI: de rollen, beslissingsbevoegdheden, frequentie en verantwoordingsstructuren die gegevens omzetten in beslissingen. Zonder die beheerslaag leveren zelfs de beste tools rapporten op waar niemand iets mee doet. Je kunt ontdekken hoe Implementatie van FinOps-tools in de praktijk laat zien hoe een goed beheerde AI-oplossing voor kostenregistratie er van begin tot eind uitziet.
Hoe wij u helpen bij het beheren en berekenen van AI-kosten
We werken samen met grote organisaties om financiële bestuursstructuren en hulpmiddelen op te zetten waarmee AI-kostenberekeningen niet alleen inzichtelijk worden, maar ook bruikbaar. Onze aanpak koppelt AI-uitgaven rechtstreeks aan bedrijfsresultaten door een combinatie van FinOps-werkwijzen, TBM-raamwerken en praktische implementatieondersteuning. Concreet helpen we u met:
- Ontwerp en implementeer een taxonomie voor kostenallocatie die AI-workloads op het juiste detailniveau in kaart brengt, waarbij rekening wordt gehouden met rekenkracht, API-gebruik, data-infrastructuur en operationele overhead.
- Stel referentiewaarden vast voor de kosten per gebruiker en per transactie, zodat u de economische prestaties van AI-eenheden in de loop van de tijd kunt volgen en deze kunt vergelijken tussen teams en gebruiksscenario’s.
- Integreer de kostengegevens van AI in uw bredere financiële rapportage op IT-gebied, zodat het management de AI-uitgaven in de context van de volledige technologieportefeuille kan zien.
- Zorg voor een gestructureerd bestuursproces en besluitvormingsstructuren waarmee de inzichtelijkheid in AI-kosten wordt omgezet in daadwerkelijke optimalisatie en investeringsbeslissingen.
- Koppel AI-uitgaven aan vastgestelde prestatie-indicatoren voor bedrijfsresultaten, zodat de financiële afdeling en de raad van bestuur een duidelijk beeld krijgen van het verband tussen technologie-investeringen en meetbare bedrijfswaarde.
Als u de kosten van AI niet langer in spreadsheets wilt bijhouden, maar deze net zo nauwgezet wilt beheren als de rest van uw IT-portfolio, neem contact met ons op en we laten je zien waar je moet beginnen.