De kosten van mislukte AI-experimenten moeten worden toegerekend op basis van wie het initiatief heeft genomen, wie van de opgedane kennis heeft geprofiteerd en welke kostencategorie het beste aansluit bij de aard van het werk. De meeste organisaties behandelen de kosten van AI-experimenten als operationele uitgaven en verdelen deze over de bedrijfsonderdelen of technologische afdelingen die het initiatief hebben gesponsord. In de onderstaande paragrafen worden de belangrijkste vragen besproken die bepalend zijn voor een gedegen toewijzingsstrategie, van boekhoudkundige classificatie tot het ontwerp van het bestuurskader.
Waarom is het zo moeilijk om de kosten van AI-experimenten toe te wijzen?
De kosten van AI-experimenten zijn moeilijk toe te wijzen, omdat het werk niet duidelijk in traditionele kostencategorieën past. In tegenstelling tot een softwarelicentie of een serverrack levert een AI-experiment onzekere resultaten op, strekt het zich uit over meerdere teams en levert het vaak waarde op die indirect of pas op een later tijdstip zichtbaar wordt. Wanneer het experiment mislukt, is er geen actief om te activeren, geen product om af te schrijven en geen duidelijke verantwoordelijke aan wie de kosten kunnen worden doorberekend.
Verschillende structurele factoren verergeren het probleem. Ten eerste maken AI-projecten doorgaans gebruik van gedeelde infrastructuur, zoals cloudcomputing, dataplatforms en tools die tegelijkertijd meerdere initiatieven ondersteunen. Om die kosten nauwkeurig te kunnen toewijzen, zijn er methoden voor tagging en toewijzing nodig die veel organisaties nog niet hebben opgezet. Ten tweede vallen de betrokken teams – data-engineers, datawetenschappers, bedrijfsanalisten en IT-architecten – onder verschillende begrotingscentra, waardoor de personeelskosten standaard verspreid raken over de hele organisatie.
Ten derde, en misschien wel het belangrijkste, is de verantwoordelijkheid voor AI-experimenten vaak vanaf het begin al onduidelijk. Een bedrijfsonderdeel kan de use case voorstellen, IT kan de infrastructuur beheren en een centraal AI-team kan de expertise op het gebied van modellering leveren. Wanneer het experiment mislukt, heeft elke partij er belang bij te beweren dat de kosten ergens anders thuishoren. Zonder een vooraf overeengekomen toewijzingsmodel wordt de discussie reactief en politiek in plaats van rationeel.
Moeten mislukte AI-experimenten worden aangemerkt als CapEx of als OpEx?
Mislukte AI-experimenten worden vrijwel altijd behandeld als bedrijfskosten in plaats van als investeringsuitgaven. Om kosten te activeren, moet een organisatie kunnen aantonen dat het actief toekomstige economische voordelen zal opleveren. Een mislukt experiment levert per definitie geen inzetbaar actief op, waardoor de boekhoudkundige grond voor activering niet opgaat. De kosten worden in de winst-en-verliesrekening opgenomen in de periode waarin ze worden gemaakt.
Er is een nuance die het vermelden waard is. Sommige organisaties voeren AI-experimenten in fasen uit, waarbij de vroege verkenningsfase als OpEx wordt behandeld en de latere productiefase als CapEx, volgens boekhoudregels voor ontwikkeling zoals IAS 38 of ASC 350. Als een experiment tijdens de verkenningsfase wordt stopgezet, doet de vraag of het om CapEx of OpEx gaat zich nooit voor. Als het halverwege de implementatiefase wordt stopgezet, moeten alle eerder geactiveerde ontwikkelingskosten worden afgeschreven, wat een materiële boekhoudkundige gebeurtenis kan veroorzaken.
De praktische consequentie voor financiële managers op IT-gebied is dat zij duidelijke fasecriteria moeten inbouwen in het beheer van AI-projecten. Door vast te leggen wanneer een project de overstap maakt van verkenning naar ontwikkeling, en die beslissing te documenteren, wordt de organisatie beschermd tegen onduidelijke afschrijvingen en krijgen financiële teams de informatie die ze nodig hebben om de kosten vanaf het begin correct te verantwoorden.
Welke kostenverdelingsmodellen werken het beste bij experimenten met AI?
De meest effectieve modellen voor kostenverdeling bij AI-experimenten zijn die waarbij de kosten worden toegewezen aan de bedrijfsunit die verantwoordelijk is voor de use case, terwijl de kosten voor gedeelde infrastructuur evenredig worden verdeeld op basis van het daadwerkelijke verbruik. Een model met directe doorberekening werkt goed wanneer bedrijfsunits duidelijk verantwoordelijk zijn voor individuele experimenten. Een showback-model, waarbij kosten wel worden gerapporteerd maar niet formeel in rekening worden gebracht, werkt beter in organisaties die nog bezig zijn met het opbouwen van AI-kennis en die niet willen dat financiële drempels experimenteren ontmoedigen.
Afhankelijk van de mate van organisatievolwassenheid zijn er drie toewijzingsmethoden die het overwegen waard zijn:
- Directe terugboeking: De verantwoordelijke bedrijfsunit draagt de volledige kosten van haar AI-experiment, inclusief rekenkracht, toegang tot gegevens en toegewezen personeel. Dit bevordert de verantwoordingsplicht, maar kan het nemen van risico’s ontmoedigen als bedrijfsunits vrezen te worden gestraft voor mislukte experimenten.
- Gezamenlijke toewijzing: De kosten voor experimenten worden gebundeld in een centraal innovatiebudget en verdeeld over de bedrijfsonderdelen volgens een overeengekomen verdeelsleutel, zoals een aandeel in de omzet of het aantal medewerkers. Dit spreidt het risico en geeft aan dat experimenteren een gezamenlijke investering van de organisatie is.
- Hybride model: De kosten voor gedeelde infrastructuur worden evenredig verdeeld op basis van verbruiksgegevens, terwijl projectspecifieke kosten, zoals vergoedingen aan leveranciers of ingezette personeelsleden, rechtstreeks aan de verantwoordelijke afdeling worden doorberekend. Zo wordt een evenwicht gevonden tussen rechtvaardigheid en eenvoud.
Welk model je ook kiest, de basis is een betrouwbare kostentoewijzing. Zonder een consistente toewijzing van cloudresources, arbeidstijd en uitgaven aan derden op projectniveau levert elk toewijzingsmodel cijfers op waarover teams het oneens zullen zijn. FinOps-werkwijzen zorgen voor de nodige structuur in het taggen en inzicht in het verbruik, waardoor de toewijzing van kosten op basis van AI haalbaar wordt in plaats van louter theoretisch.
Wie moet de kosten van een mislukt AI-project dragen?
De bedrijfsunit die het AI-project heeft gesponsord, moet de hoofdkosten dragen als het project mislukt. Sponsoring houdt in dat men verantwoordelijk is voor de businesscase, het verwachte resultaat en het daarmee samenhangende financiële risico. Door de kosten bij de sponsor te leggen, ontstaat de juiste prikkel: bedrijfsunits die willen experimenteren, moeten zorgvuldig nadenken over de reikwijdte, de haalbaarheid en de uitstapcriteria voordat ze middelen inzetten.
Dat gezegd hebbende, wordt het antwoord genuanceerder wanneer het mislukken te wijten is aan factoren waarop de sponsor geen invloed heeft. Als een AI-experiment mislukt omdat de onderliggende data-infrastructuur ontoereikend was, is het redelijk om een deel van de kosten te delen met de IT-afdeling die verantwoordelijk is voor de datakwaliteit. Als het mislukt omdat een leverancier onbruikbare tools heeft geleverd, verschuift de discussie over de kosten naar contractuele oplossingen.
Een bestuursprincipe dat in de praktijk goed werkt, is om al vóór aanvang van het experiment afspraken te maken over de kostenverantwoording, en niet pas nadat het is afgerond. Leg in de beginfase van het project vast welke afdeling het project sponsort, wat de rol van de IT-afdeling is, welke gedeelde afhankelijkheden er zijn en wat de financiële gevolgen zijn als het project mislukt. Dit neemt de onduidelijkheid weg die ervoor zorgt dat de toewijzing van kosten na een mislukking zo omstreden is.
Hoe kunnen IT-kaders voor financieel beheer de kostenrisico’s van AI verminderen?
Kaders voor IT-financieel beheer verminderen het kostenrisico van AI door transparantie, verantwoordingsplicht en discipline bij de besluitvorming te waarborgen voordat er geld wordt uitgegeven. Wanneer de kosten van AI-experimenten worden bijgehouden binnen een gestructureerd ITFM-kader, kunnen organisaties in realtime zien wat ze uitgeven, wie het geld uitgeeft en of de investering op schema ligt om de verwachte waarde op te leveren. Die zichtbaarheid maakt vroegtijdige interventie mogelijk in plaats van analyse achteraf.
Technology Business Management, het TBM-raamwerk, is in dit verband bijzonder relevant. TBM biedt een standaardtaxonomie voor het classificeren van IT-uitgaven, waaronder investeringen in AI en innovatie, en koppelt die kosten aan de bedrijfsdiensten en resultaten die ze ondersteunen. Wanneer een AI-experiment wordt geregistreerd binnen de TBM-taxonomie, kunnen financiële en IT-leiders de kosten ervan vergelijken met die van vergelijkbare initiatieven, beoordelen of het uitgavenniveau in overeenstemming is met de verwachte waarde, en een weloverwogen beslissing nemen om door te gaan, bij te sturen of te stoppen.
ITFM-kaders zorgen ook voor een betere budgettering van AI-experimenten. In plaats van AI-kosten te beschouwen als een onvoorspelbare restpost, kunnen organisaties een specifiek budget voor AI-experimenten instellen, met vastgelegde bestuursregels voor de toewijzing van middelen, de evaluatie van de voortgang en de terugvordering van ongebruikt budget. Hierdoor wordt het risico van AI-kosten niet langer een verrassing, maar een beheersbare variabele.
Welke bestuursstructuren voorkomen dat de kosten van AI-experimenten de pan uit rijzen?
Bestuursstructuren die voorkomen dat de kosten van AI-experimenten de pan uit rijzen, zijn structuren waarin duidelijke verantwoordelijkheid, financiering met een vast tijdsbestek en regelmatige evaluaties worden gecombineerd. De meest voorkomende oorzaak van mislukking is een AI-experiment dat begint met een bescheiden budget, vervolgens op technische complexiteit stuit en waarvan de reikwijdte stapsgewijs wordt uitgebreid zonder dat iemand de extra uitgaven formeel goedkeurt. Om dat patroon te voorkomen, is een weloverwogen ontwerp nodig.
Effectief beheer van experimenten met AI omvat doorgaans de volgende elementen:
- Vastgestelde experimentrichtlijnen: Voor elk AI-initiatief worden, voordat met de werkzaamheden wordt begonnen, een schriftelijke omschrijving van de reikwijdte, een budgetplafond, een tijdschema en duidelijke criteria voor succes en mislukking vastgesteld.
- Stage-gate-beoordelingen: De financiering wordt in tranches vrijgegeven, gekoppeld aan tussentijdse beoordelingen, en niet in één keer bij aanvang. Als uit een beoordeling blijkt dat het experiment geen vooruitgang boekt, wordt de volgende tranche ingehouden.
- Genoemde financiële eigenaren: Een specifieke persoon, en niet een team of een commissie, is verantwoordelijk voor het budget van het experiment. Die persoon keurt alle wijzigingen in de omvang goed die van invloed zijn op de kosten.
- Gecentraliseerd inzicht in de kosten: Alle uitgaven voor AI-experimenten, inclusief cloudgebruik, kosten van leveranciers en interne arbeidskosten, worden weergegeven in één dashboard dat toegankelijk is voor de financiële afdeling, IT en de verantwoordelijke bedrijfsunit.
- Regels voor zonsondergang: Experimenten die hun budgetplafond overschrijden of hun mijlpaaldata niet halen, worden automatisch doorgestuurd voor een besluit over stopzetting of voortzetting, in plaats van standaard door te gaan.
Door deze bestuurspraktijken te koppelen aan een bredere strategisch portefeuillebeheer Deze aanpak zorgt ervoor dat experimenten met AI samen met andere technologische investeringen worden beoordeeld, in plaats van afzonderlijk. Wanneer alle initiatieven op basis van consistente beoordelingscriteria strijden om hetzelfde kapitaal, kan de organisatie betere afwegingen maken en voorkomen dat er geld wordt gestoken in experimenten die een gestructureerde beoordeling niet zouden doorstaan.
Hoe wij u helpen de kosten van AI-experimenten te beheersen
We werken samen met organisaties om financiële transparantie en bestuursstructuren op te zetten die ervoor zorgen dat experimenteren met AI beheersbaar wordt in plaats van onvoorspelbaar. Onze aanpak verbindt ITFM-, TBM- en FinOps-praktijken tot een samenhangend raamwerk dat u controle geeft over de AI-kosten, vanaf de eerste regel code tot aan de uiteindelijke beslissing om door te gaan of te stoppen.
Concreet helpen wij u met:
- Het ontwerpen van AI-modellen voor kostenverdeling die aansluiten bij uw organisatiestructuur en ontwikkelingsfase
- Het invoeren van kostentoewijzing en inzicht in cloudverbruik, zodat de uitgaven voor AI-experimenten in realtime traceerbaar zijn
- Het opzetten van ‘stage-gate’-bestuurskaders die scope creep en budgetoverschrijdingen voorkomen
- De bijhouding van AI-investeringen integreren in uw TBM-taxonomie, zodat de kosten zichtbaar zijn naast de rest van uw IT-portfolio
- Voer FinOps-rijpheidsbeoordelingen uit om vast te stellen op welke punten uw huidige werkwijzen voor cloudkostenbeheer de uitgaven voor AI buiten beschouwing laten
Als u structuur en transparantie wilt aanbrengen in de manier waarop uw organisatie experimenten met AI financiert en hierover verantwoording aflegt, neem contact met ons op en we laten je zien waar je moet beginnen.