De nalevings- en ondersteuningskosten voor AI moeten worden verdeeld over de verschillende gebruiksscenario’s op basis van de mate waarin elk gebruiksscenario daadwerkelijk bijdraagt aan die kosten, door een combinatie van directe toerekening voor specifieke middelen en proportionele toewijzing voor gedeelde diensten. De juiste methode hangt af van de vraag of uw AI-infrastructuur gedeeld is of in silo’s is opgebouwd, en hoe ver uw praktijken op het gebied van IT-financieel beheer zijn ontwikkeld. De onderstaande vragen belichten elk aspect van deze uitdaging, van kostensoorten tot toewijzingsmethoden en governancekaders.
Welke soorten nalevingskosten gaan doorgaans gepaard met AI?
De nalevingskosten in verband met AI vallen uiteen in verschillende categorieën: naleving van regelgeving (zoals vereisten op het gebied van gegevensprivacy, verklaarbaarheid van modellen en audittrajecten), beveiligingsmaatregelen, infrastructuur voor gegevensbeheer en voortdurende risicomonitoring. Deze kosten worden vaak onderschat, omdat ze verspreid zijn over meerdere teams en zelden rechtstreeks worden toegeschreven aan individuele AI-toepassingen.
In de praktijk omvatten de nalevingskosten voor AI onder meer:
- Gegevensbescherming en controles op de locatie van gegevens: Ervoor zorgen dat trainingsgegevens en inferentie-uitkomsten voldoen aan regelgeving zoals de AVG of branchespecifieke regels voor gegevensverwerking
- Tooling voor modelbeheer en verklaarbaarheid: Het vastleggen, versiebeheer en controleren van modelgedrag om te voldoen aan interne en externe auditvereisten
- Beveiliging en toegangsbeheer: Identiteitscontroles, versleuteling en netwerksegmentatie specifiek voor AI-workloads
- Risicobeheer met betrekking tot derden: Beoordelingen van leveranciers van AI-API’s, aanbieders van basismodellen en cloudgebaseerde AI-diensten
- Wettelijk verplichte rapportage: Documentatie- en rapportageverplichtingen in verband met het gebruik van AI in gereguleerde sectoren zoals de financiële sector en de gezondheidszorg
Veel van deze nalevingskosten gelden voor meerdere AI-toepassingen en zijn niet specifiek aan één toepassing gebonden, en juist daarom is het zo moeilijk om ze eerlijk te verdelen. Zonder een gestructureerde aanpak van kostentransparantie op het gebied van AI worden de uitgaven voor naleving vaak opgeslokt door de overheadkosten en nooit correct toegerekend.
In hoeverre verschillen de kosten voor AI-ondersteuning van die voor traditionele IT-ondersteuning?
De ondersteuningskosten voor AI-toepassingen verschillen op drie belangrijke punten van traditionele IT-ondersteuning: ze zijn dynamischer, meer functieoverschrijdend en moeilijker te voorspellen. Traditionele IT-ondersteuning is grotendeels reactief en volume-gedreven, terwijl AI-ondersteuning bestaat uit doorlopend modelonderhoud, monitoring van datapijplijnen en prestatieoptimalisatie, die niet volgens een standaard, op incidenten gebaseerd patroon verlopen.
Concreet omvatten de kosten voor AI-ondersteuning doorgaans:
- Monitoring van modelafwijkingen: Voortdurend controleren of de modelresultaten nauwkeurig blijven naarmate de gegevens uit de praktijk veranderen
- Omscholingscycli: Periodieke bijscholing vergt rekenkracht, tijd voor data-engineering en inspanningen op het gebied van validatie
- Onderhoud van de gegevenspijplijn: AI is afhankelijk van hoogwaardige, consistent opgemaakte gegevens, wat betekent dat ondersteuning op het gebied van data-engineering een terugkerende kostenpost is
- Prompt- en configuratiebeheer: Bij toepassingen van generatieve AI zorgt het beheer van prompts, systeeminstructies en API-configuraties voor een extra laag aan operationele inspanningen
- Functieoverschrijdende coördinatie: Bij AI-ondersteuning zijn doorgaans datawetenschappers, technici en belanghebbenden uit het bedrijf betrokken, waardoor dit per incident duurder uitvalt dan traditionele IT-tickets
Aangezien de kosten voor AI-ondersteuning minder voorspelbaar zijn en meer gespecialiseerde vaardigheden vereisen dan bij conventionele IT-ondersteuning, moeten hiervoor aparte begrotingsposten worden gereserveerd in plaats van dat ze worden ondergebracht in de algemene toewijzingen voor IT-ondersteuning.
Welke methoden voor kostenverdeling werken het beste voor gedeelde AI-infrastructuur?
Voor gedeelde AI-infrastructuur combineren de meest effectieve methoden voor kostenverdeling directe toewijzing voor meetbaar verbruik met proportionele toewijzing voor overheadkosten die niet eenduidig kunnen worden getraceerd. Een gelaagde aanpak werkt het beste: wijs toe wat je direct kunt toewijzen, en verdeel vervolgens het resterende deel aan de hand van een eerlijke en overeengekomen verdeelsleutel.
Tot de meest gebruikte methoden behoren:
- Toewijzing op basis van verbruik: Wijs kosten toe op basis van het daadwerkelijke gebruik van middelen, zoals GPU-uren, het aantal API-aanroepen of de opgeslagen gegevens per gebruiksscenario. Dit is de meest nauwkeurige methode wanneer het gebruik meetbaar is.
- Toewijzing op basis van activiteiten: Verdeel gedeelde kosten, zoals licenties voor het platform of compliance-tools, op basis van het relatieve activiteitsniveau van elk gebruiksscenario, bijvoorbeeld het aantal inferentieverzoeken of het aantal actieve gebruikers.
- Toewijzing met vast aandeel: Verdeel de kosten voor gedeelde infrastructuur gelijkmatig of volgens overeengekomen percentages over alle AI-toepassingen. Dit is eenvoudiger maar minder nauwkeurig, en werkt het beste wanneer de toepassingen qua omvang vergelijkbaar zijn.
- Gelaagde kostenpools: Deel de AI-kosten in in pools voor specifieke doeleinden, gedeelde kosten en overheadkosten, en pas vervolgens voor elke pool verschillende toerekeningsregels toe. Zo wordt een evenwicht gevonden tussen nauwkeurigheid en administratieve haalbaarheid.
De keuze van de methode moet aansluiten bij de mate van ontwikkeling van uw FinOps en kostenbeheer in de cloud werkwijzen. Organisaties die nog aan het begin staan van hun traject op het gebied van kostenbeheer, beginnen vaak met toewijzingen op basis van een vast percentage en stappen vervolgens over op verbruiksgebaseerde methoden naarmate het labelen, meten en de beschikbare tools verbeteren.
Moeten de nalevingskosten worden verdeeld over alle AI-toepassingen of per toepassing afzonderlijk in rekening worden gebracht?
Nalevingskosten moeten in het algemeen worden verdeeld over alle AI-toepassingen wanneer ze het platform als geheel beschermen, en afzonderlijk in rekening worden gebracht wanneer ze rechtstreeks worden veroorzaakt door een specifieke toepassing. Dit onderscheid is van belang omdat het volledig toerekenen van gedeelde nalevingskosten aan individuele toepassingen hun werkelijke kostenprofiel vertekent en ervoor kan zorgen dat hoogwaardige toepassingen onrendabel lijken.
Een praktische vuistregel: als een nalevingsmaatregel ook zou moeten bestaan als er slechts één gebruiksscenario zou worden geschrapt, dan gaat het om gedeelde kosten. Als een maatregel specifiek vanwege één gebruiksscenario bestaat, zoals een gereguleerde AI-toepassing in de financiële dienstverlening waarvoor specifieke auditlogging vereist is, dan vallen die kosten onder dat gebruiksscenario.
Een veelgebruikte aanpak is het opzetten van een gezamenlijke kostenpool voor naleving, die over de verschillende gebruiksscenario’s wordt verdeeld aan de hand van een gewogen verdeelsleutel, zoals het gevoeligheidsniveau van de gegevens, het risiconiveau volgens de regelgeving of de omvang van de verwerkte persoonsgegevens. Hierdoor blijft de verantwoordingsplicht duidelijk, terwijl verstoringen in de economische aspecten van individuele gebruiksscenario’s worden voorkomen.
Het belangrijkste is dat de toewijzingslogica transparant is en dat er overeenstemming over bestaat tussen de financiële afdeling, IT en de bedrijfsteams die de afzonderlijke use cases ondersteunen. Een ondoorzichtige verdeling van compliancekosten is een van de meest voorkomende bronnen van wrijving bij het beheer van AI-kosten.
Hoe kunnen organisaties een kostentaxonomie opstellen voor AI-toepassingen?
Een kostentaxonomie voor AI-toepassingen is een gestructureerd classificatiesysteem dat AI-gerelateerde uitgaven indeelt in consistente, vergelijkbare categorieën, zodat de kosten binnen de hele organisatie kunnen worden bijgehouden, toegerekend en gerapporteerd. Het opzetten hiervan begint met het in kaart brengen van alle kostensoorten, waarna deze worden gekoppeld aan de toepassingen en gedeelde diensten die aan de basis liggen van deze kosten.
Een praktische taxonomie voor AI-kosten bestaat doorgaans uit vier lagen:
- IT en infrastructuur: Kosten voor GPU’s en CPU’s, AI-clouddiensten (zoals beheerde model-endpoints), opslag voor trainingsgegevens en modelartefacten, en netwerkkosten
- Gegevens en integratie: Pijplijnen voor gegevensopname, labeling en annotatie, tools voor gegevenskwaliteit en integratie met bronsystemen
- Platform en hulpmiddelen: MLOps-platforms, modelregisters, tools voor het bijhouden van experimenten en software voor AI-observabiliteit
- Naleving, bestuur en ondersteuning: Beveiligingsmaatregelen, audittools, modelmonitoring, rapportage aan toezichthouders en functieoverschrijdende ondersteuning
Zodra de taxonomie is vastgesteld, wijst u elk kostenelement toe aan een specifieke use case (directe kosten) of aan een gedeelde pool (indirecte kosten). Deze structuur maakt het mogelijk om per use case kostenoverzichten te genereren die consistent en vergelijkbaar zijn, wat een voorwaarde is voor zinvolle AI-kostenbeheersing en weloverwogen investeringsbeslissingen.
Door uw AI-kostentaxonomie af te stemmen op uw bredere kader voor financieel IT-beheer, zoals een TBM-taxonomie, zorgt u ervoor dat AI-kosten op bedrijfsniveau zichtbaar zijn en kunnen worden vergeleken met andere technologische investeringen.
Welke rol speelt financieel IT-beheer bij het kostenbeheer van AI?
IT-financieel beheer (ITFM) biedt de bestuursstructuur, de toewijzingslogica en de rapportagediscipline die nodig zijn voor het beheer van AI-kosten. Zonder ITFM raken AI-kosten vaak versnipperd over cloudrekeningen, facturen van leveranciers en teambudgetten, waardoor het onmogelijk wordt om inzicht te krijgen in de werkelijke kosten van een bepaalde use case of om weloverwogen investeringsbeslissingen te nemen.
ITFM biedt een aantal specifieke mogelijkheden op het gebied van AI-kostenbeheer:
- Kostentransparantie: ITFM-raamwerken bundelen de AI-uitgaven op het gebied van infrastructuur, tools en ondersteuning in één samenhangend overzicht
- Toewijzingsdiscipline: ITFM stelt de regels vast en ziet toe op de naleving ervan met betrekking tot de verdeling van gedeelde kosten, waaronder nalevings- en platformkosten, over de verschillende gebruiksscenario’s
- Afstemming op de bedrijfsdoelstellingen: ITFM koppelt de kosten van AI aan de bedrijfsresultaten die elke use case moet opleveren, waardoor gesprekken over het rendement (ROI) met het management mogelijk worden
- Rapportage op basis waarvan direct beslissingen kunnen worden genomen: In plaats van gegevens te genereren omwille van de gegevens zelf, structureert ITFM informatie over AI-kosten om specifieke beslissingen te ondersteunen, zoals de vraag of een use case moet worden opgeschaald, buiten gebruik moet worden gesteld of dat er opnieuw moet worden onderhandeld over contracten met leveranciers
Naarmate de uitgaven voor AI toenemen, zijn de organisaties die hier goed mee omgaan, de organisaties die AI beschouwen als een beheerde financiële discipline in plaats van als een technische kostenpost. ITFM vormt de verbindende schakel tussen cloudgebruik, compliance-kosten en bedrijfswaarde, waardoor het een relevante basis vormt voor elk serieus programma voor AI-kostenbeheer.
Hoe wij u helpen de AI-kosten eerlijk en transparant te verdelen
Het verdelen van de nalevings- en ondersteuningskosten over verschillende AI-toepassingen is niet alleen een technische uitdaging. Hiervoor is een combinatie nodig van het juiste bestuursmodel, een kostentaxonomie en financiële beheerpraktijken. Wij helpen organisaties om precies dat op te zetten.
Als je met ons samenwerkt, krijg je:
- Een gestructureerde taxonomie voor AI-kosten die is afgestemd op uw bestaande kader voor financieel IT-beheer, met inbegrip van TBM- of FinOps-taxonomieën
- Duidelijke toewijzingsregels voor gedeelde nalevings-, platform- en ondersteuningskosten, waarover overeenstemming is bereikt tussen de afdelingen Financiën, IT en de betrokken bedrijfsafdelingen
- Inzicht in de verbruiksgebaseerde kosten van alle AI-diensten in de cloud, inclusief de volledige toerekening van ondersteunings- en overheadkosten
- Rapportages die direct als basis voor besluitvorming kunnen dienen en waarin AI-uitgaven worden gekoppeld aan bedrijfsresultaten, zodat het management use cases kan beoordelen op basis van hun werkelijke waarde
- Een bestuursmodel waarin de verantwoordelijkheid voor AI-kosten wordt toegewezen aan de teams die deze kosten veroorzaken
Of je nu net begint met het in kaart brengen van je AI-kosten of een bestaand systeem verder wilt ontwikkelen, FinOps-aanpak Om AI-workloads te ondersteunen, bieden wij de frameworks, tools en praktische expertise om dit tot een succes te maken. Neem contact op om te bespreken hoe wij u kunnen helpen bij het ontwikkelen van een eerlijke en transparante aanpak voor de verdeling van AI-kosten binnen uw organisatie.