Om een consistente kostentaxonomie voor AI-uitgaven op te stellen, moet je een gestructureerde reeks kostencategorieën definiëren die de AI-uitgaven koppelen aan de infrastructuur, modellen, diensten en bedrijfsactiviteiten die hieraan ten grondslag liggen. De taxonomie moet binnen alle teams gestandaardiseerd zijn, zodat financiële, IT- en bedrijfsbelanghebbenden allemaal dezelfde taal spreken wanneer ze het over AI-kosten hebben. De onderstaande vragen gaan gedetailleerd in op elke dimensie van die uitdaging.
Waarom is het zo moeilijk om uitgaven voor AI in bestaande IT-taxonomieën in te delen?
Uitgaven voor AI zijn moeilijk in te delen in bestaande IT-taxonomieën, omdat ze tegelijkertijd onder meerdere traditionele kostencategorieën vallen. Eén enkele AI-workload kan tegelijkertijd bestaan uit cloudcomputing, gelicentieerde software, API’s van derden, interne engineeringtijd en gegevensopslag. Bestaande taxonomieën zijn ontwikkeld voor afzonderlijke kostensoorten, niet voor workloads waarin deze dynamisch met elkaar worden gecombineerd.
De meeste traditionele IT-kostenmodellen maken een onderscheid tussen infrastructuur en applicaties, en tussen applicaties en diensten. AI doet die grenzen vervagen. Een inferentiewerkbelasting voor een groot taalmodel is bijvoorbeeld tegelijkertijd een cloudkost (GPU-rekenkracht), een softwarekost (modellicenties of API-gebruik) en een arbeidskost (prompt-engineering en fine-tuning). Geen van de traditionele categorieën geeft op zichzelf een volledig beeld.
Daarnaast is er de kwestie van prijsstelling op basis van verbruik. AI-diensten, met name die welke via API’s of cloud-native platforms worden benaderd, worden gefactureerd per token, per inferentie-aanroep of per trainingsrun. Deze verbruikseenheden laten zich niet eenduidig vertalen naar maandelijkse licentiekosten of vaste infrastructuurtoewijzingen. Zonder een speciaal daarvoor ontwikkelde taxonomie komen de AI-kosten van organisaties verspreid terecht over tientallen kostenposten, waardoor het vrijwel onmogelijk is om inzicht te krijgen in wat er daadwerkelijk aan AI wordt uitgegeven en of die uitgaven waarde opleveren.
Welke categorieën horen thuis in een taxonomie voor AI-kosten?
Een kostentaxonomie voor AI moet minimaal zes categorieën omvatten: rekenkracht en infrastructuur, aanschaf en licenties van modellen, datakosten, AI-platforms en -tools, interne arbeidskrachten en talent, en kosten voor governance en compliance. Samen geven deze categorieën een volledig beeld van de levenscyclus van AI-uitgaven, van modelontwikkeling tot productie.
- IT en infrastructuur: GPU- en CPU-gebruik voor training, fine-tuning en inferentie, zowel op locatie als in de cloud. Dit is vaak de grootste en meest variabele kostenfactor.
- Modelverwerving en licenties: Kosten voor toegang tot eigen modellen, vergoedingen voor het gebruik van API’s (zoals OpenAI of Azure OpenAI) en licenties voor commerciële basismodellen.
- Datakosten: Het verzamelen, opslaan, labelen en opschonen van gegevens, evenals het verkrijgen van gegevens van derden die nodig zijn voor het trainen of kalibreren van AI-modellen.
- AI-platform en -tools: MLOps-platforms, vector-databases, tools voor het bijhouden van experimenten en orchestration-frameworks die de pijplijn voor de ontwikkeling en implementatie van AI ondersteunen.
- Interne arbeidskrachten en talent: De tijd die wordt besteed aan engineering, datawetenschap en productontwikkeling in het kader van AI-initiatieven. Hiermee wordt in discussies over AI-kosten vaak onvoldoende rekening gehouden.
- Bestuur en naleving: Kosten in verband met risicobeheer op het gebied van AI, modelcontrole, instrumenten voor verklaarbaarheid en activiteiten op het gebied van naleving van regelgeving.
Elke categorie moet verder worden voorzien van metadata die toewijzing mogelijk maakt, zoals de businessunit die de functionaliteit gebruikt, de use case of het product dat erdoor wordt ondersteund, en de omgeving (ontwikkeling, staging of productie). Zonder die tagginglaag biedt de taxonomie wel inzicht, maar geen verantwoording.
Waarin verschilt een AI-kostentaxonomie van een cloudkostentaxonomie?
Een AI-kostentaxonomie verschilt qua reikwijdte en gedetailleerdheid van een cloudkostentaxonomie. Een cloudkostentaxonomie ordent de uitgaven op basis van cloudprovider, servicetype en resource-tag. Een AI-kostentaxonomie moet verder gaan en kosten op modelniveau, toewijzing aan use-cases en de volledige waardeketen vastleggen, van gegevensvoorbereiding tot inferentie, inclusief kosten die volledig buiten de cloudfactuur vallen.
Taxonomieën voor cloudkosten, zoals gebruikt in FinOps-werkwijzen, zijn opgezet rond factureringsconcepten van providers: accounts, abonnementen, resourcegroepen en tags. Ze lenen zich goed voor het indelen van rekenkracht, opslag en netwerken. Maar uitgaven voor AI brengen kosten met zich mee die helemaal niet op een cloudfactuur verschijnen, zoals het salaris van een datawetenschapper die een model verfijnt, de commerciële licentie voor een eigen dataset of de tool van een derde partij die wordt gebruikt om modelafwijkingen te monitoren.
Een cloudtaxonomie is doorgaans ook gericht op middelen en stelt de vraag: “Wat hebben we uitgevoerd?” Een AI-kostentaxonomie moet resultaatgericht zijn en de vraag stellen: “Welke capaciteit hebben we opgebouwd en welke bedrijfsactiviteit ondersteunt deze?” Deze verschuiving in invalshoek maakt de classificatie van AI-kosten daadwerkelijk complexer. Je hebt beide dimensies nodig: het resourceperspectief voor operationele controle en het resultaatperspectief voor strategische besluitvorming.
Hoe breng je de kosten van AI in verband met bedrijfsresultaten en toegevoegde waarde?
Je brengt AI-kosten in kaart ten opzichte van bedrijfsresultaten door elke kostencategorie te koppelen aan een specifiek gebruiksscenario en dat gebruiksscenario vervolgens te koppelen aan een meetbare bedrijfsdoelstelling. Hiervoor is een gezamenlijke taxonomie nodig die zowel door financiële als door bedrijfsteams kan worden geïnterpreteerd, in combinatie met een consistente methodiek voor het toekennen van tags en het toewijzen van kosten aan de producten of diensten die door de AI-functionaliteit worden ondersteund.
Het praktische uitgangspunt is de toewijzing per use case. Elk AI-initiatief – of het nu gaat om een chatbot voor klantenservice, een model voor fraudedetectie of een engine voor vraagprognoses – moet worden behandeld als een afzonderlijk kostenobject. Alle kosten voor rekenkracht, data, tools en personeel die verband houden met dat initiatief, worden daaraan toegerekend. Vervolgens kunt u de totale kosten van de use case vergelijken met de gemeten zakelijke impact ervan, of het nu gaat om beïnvloede omzet, vermeden kosten of bespaarde tijd.
Technology Business Management (TBM) biedt hier een nuttig structureel kader. TBM-taxonomieën zijn ontworpen om technologiekosten te vertalen naar bedrijfsdiensten en -resultaten. Door de TBM-taxonomie uit te breiden met AI-specifieke kostenlagen, zoals modeltraining en inferentie als afzonderlijke IT-torens, kunt u AI-uitgaven rapporteren in termen die bedrijfsleiders en financiële teams al begrijpen. Deze afstemming tussen AI-kostengegevens en de taal van bedrijfswaarde zorgt ervoor dat een kostentaxonomie niet langer louter een rapportage-oefening is, maar een besluitvormingsinstrument wordt.
Wat zijn de meest voorkomende fouten bij het ontwerpen van een kostentaxonomie voor AI?
De meest voorkomende fouten bij het ontwerpen van een kostentaxonomie voor AI zijn: te snel te veel categorieën aanmaken, nalaten om voor elke categorie een duidelijke verantwoordelijke aan te wijzen, en de taxonomie behandelen als een eenmalige ontwerpopdracht in plaats van als een levend geheel dat mee evolueert met uw AI-portfolio.
- Over-engineering in het begin: Organisaties proberen vaak een uitputtende taxonomie op te zetten voordat ze voldoende aan AI hebben uitgegeven om de complexiteit daarvan te rechtvaardigen. Begin met vijf tot zeven categorieën op hoog niveau en voeg meer detail toe naarmate je AI-voetafdruk groeit.
- Geen eigendom per categorie: Een taxonomie zonder aangewezen verantwoordelijken leidt tot gegevens zonder verantwoording. Voor elke kostencategorie is een team of functie nodig dat/die verantwoordelijk is voor het bijhouden, valideren en verwerken van de gegevens binnen die categorie.
- Zonder rekening te houden met personeels- en interne kosten: De kosten voor rekenkracht en API’s zijn eenvoudig te meten, omdat ze op facturen staan vermeld. De tijd die interne engineers en datawetenschappers besteden, is moeilijker bij te houden, maar maakt vaak een aanzienlijk deel uit van de totale AI-kosten. Als je deze kosten buiten beschouwing laat, krijg je een vertekend beeld van de werkelijke AI-investering.
- Statische taxonomie in een dynamische omgeving: De kostenstructuren op het gebied van AI veranderen snel. Er komen voortdurend nieuwe modeltypen, nieuwe prijsmodellen en nieuwe toepassingsgebieden bij. Een taxonomie die niet regelmatig wordt herzien en bijgewerkt, loopt binnen enkele maanden uit de pas met de daadwerkelijke bestedingspatronen.
- Los van de zakelijke context: Een taxonomie die uitsluitend technische kostensoorten weergeeft, zonder koppeling aan producten, diensten of bedrijfsresultaten, biedt de financiële afdeling weliswaar inzicht, maar heeft geen strategische waarde. De taxonomie moet een brug slaan tussen het technische en het zakelijke perspectief.
Welke tools ondersteunen AI-kostentaxonomie en financieel beheer?
De tools die AI-kostentaxonomie en financieel beheer het beste ondersteunen, combineren mogelijkheden voor cloudkostenbeheer met kaders voor IT-financieel beheer. Dit betekent dat het gaat om platforms die kostengegevens uit meerdere bronnen kunnen verwerken, consistente tagging- en toewijzingsregels kunnen toepassen en uitgaven kunnen weergeven per gebruiksscenario en bedrijfsresultaat, en niet alleen per type resource.
Apptio, onderdeel van IBM, is hiervoor uitstekend gepositioneerd. Het TBM-raamwerk van Apptio biedt de taxonomiestructuur om technologiekosten te classificeren op basis van bedrijfsdienst en resultaat, en kan worden uitgebreid om AI-specifieke kostenlagen te ondersteunen. Apptio Cloudability biedt FinOps-niveau inzicht in cloudgebaseerde AI-uitgaven, waaronder GPU-gebruik, API-verbruik en kosten op containerniveau binnen AWS, Azure en GCP.
Naast platformtools vereist effectief AI-kostenbeheer ook een procesinfrastructuur: een regelmatige cyclus van kostenbeoordelingen, duidelijke toewijzingsregels die zijn gedocumenteerd en overeengekomen door de financiële en technische afdelingen, en een taggingbeleid dat wordt gehandhaafd op het moment dat middelen worden toegewezen. Tools versterken het beheer, maar vervangen het niet. De taxonomie moet via mensen en processen in de praktijk worden gebracht voordat de tools consistente, betrouwbare gegevens kunnen leveren.
Voor organisaties die zowel on-premises AI-infrastructuur als cloudgebaseerde AI-diensten beheren, is de integratie tussen FinOps-tools en bredere platforms voor IT-financieel beheer van bijzonder groot belang. Zonder die integratie krijg je afzonderlijke overzichten van de uitgaven voor cloud-AI en on-premises AI, waardoor het onmogelijk wordt om weloverwogen afwegingen te maken over waar AI-workloads moeten worden uitgevoerd.
Hoe wij u helpen bij het opzetten van een consistente taxonomie voor AI-kosten
Wij werken samen met organisaties om AI-kostentaxonomieën te ontwerpen en te implementeren die vanaf dag één uitgavengegevens koppelen aan bedrijfsresultaten. Onze aanpak combineert het TBM-raamwerk voor strategische kostenclassificatie met de FinOps-methodiek voor operationele beheersing van cloudkosten, waardoor u een uniform overzicht krijgt van de AI-uitgaven, ongeacht waar de workloads worden uitgevoerd.
- Stel een praktische, schaalbare taxonomie voor AI-kosten op die aansluit bij uw bestaande structuur voor IT-financieel beheer
- Stel toewijzingsregels en taggingbeleidsregels op waarmee AI-kosten worden toegewezen aan specifieke gebruiksscenario’s en bedrijfsdiensten
- Implementeer de Apptio-tools om het verzamelen, toewijzen en rapporteren van kosten in zowel cloud- als on-premises AI-omgevingen te automatiseren
- Zorg voor een vast ritme in het bestuursproces, zodat de afdelingen Financiën, IT en Engineering op één lijn blijven bij beslissingen over AI-uitgaven
- Breid je bestaande FinOps-aanpak om AI-specifieke kostencategorieën en verbruikspatronen in kaart te brengen
Als u de versnipperde gegevens over AI-kosten wilt omzetten in een consistente, besluitvormingsgerichte taxonomie, neem contact met ons op en we laten je zien hoe je aan de slag kunt gaan.