Hoe los je geschillen over de toerekening van AI-kosten op?

Je lost geschillen over de toewijzing van AI-kosten op door, nog voordat er conflicten ontstaan, duidelijke kaders voor verantwoordelijkheid vast te stellen, binnen alle teams overeenstemming te bereiken over toewijzingsmethoden en een gezamenlijk bestuursproces op te zetten dat AI-uitgaven koppelt aan bedrijfsresultaten. Wanneer er toch geschillen ontstaan, zorgt een gestructureerd escalatieproces, waarbij neutrale gegevens als basis voor de oplossing dienen, ervoor dat teams sneller tot overeenstemming komen dan wanneer ze alleen maar discussiëren.

Geschillen over AI-kosten komen steeds vaker voor, omdat AI-workloads de grenzen van de organisatie overschrijden: engineering, data science, productontwikkeling en bedrijfsonderdelen maken allemaal gebruik van een gedeelde infrastructuur, waardoor het echt moeilijk is om vast te stellen wie wat verschuldigd is. In de onderstaande paragrafen worden de meest voorkomende knelpunten besproken en wordt uitgelegd hoe je deze kunt aanpakken.

Waarom is het zo moeilijk om overeenstemming te bereiken over de toerekening van AI-kosten?

Het is moeilijk om overeenstemming te bereiken over de toewijzing van AI-kosten, omdat AI-workloads worden gedeeld, variabel zijn en vaak onzichtbaar zijn voor de teams die de kosten veroorzaken. In tegenstelling tot traditionele software met voorspelbare licentiekosten, fluctueren de kosten voor AI-infrastructuur op basis van gebruikspatronen, de complexiteit van modellen en experimentele cycli, die geen van alle eenduidig aan één specifieke verantwoordelijke kunnen worden toegewezen.

Er zijn verschillende structurele factoren die het bereiken van overeenstemming bemoeilijken:

• Gedeelde infrastructuur: GPU-clusters, eindpunten voor het aanbieden van modellen en datapijplijnen worden vaak tegelijkertijd door meerdere teams gebruikt, waardoor directe toeschrijving technisch gezien onduidelijk is.
• Kosten van experimenten: Bij de ontwikkeling van AI komt veel vallen en opstaan kijken. Mislukte experimenten kosten daadwerkelijk middelen, maar leveren geen directe bedrijfsresultaten op, waardoor teams terughoudend zijn om die kosten te accepteren.
• Uitgestelde waardeverwezenlijking: Investeringen in AI leveren vaak pas maanden na de uitgave waarde op, waardoor er een kloof ontstaat tussen kosten en baten die standaardmodellen voor kostenverrekening in de weg staan.
• Gebrek aan discipline bij het taggen: Zonder dat middelen vanaf het begin consequent worden gelabeld, stapelen de kosten zich op in niet-toegewezen pools waar niemand aanspraak op wil maken.

Het diepere probleem is van organisatorische aard: de financiële, IT- en technische teams streven elk vanuit hun eigen perspectief naar optimalisatie. De financiële afdeling wil voorspelbaarheid, de technische afdeling wil de vrijheid om te experimenteren en de IT-afdeling wil governance. Zonder een gemeenschappelijk kader interpreteert elke afdeling dezelfde kostengegevens op een andere manier, wat onvermijdelijk tot geschillen leidt.

Wat zijn de meest gangbare methoden voor de toerekening van AI-kosten?

De meest gangbare methoden voor de toerekening van AI-kosten zijn directe toerekening, proportionele toerekening, showback-rapportage en chargeback-modellen. Elke aanpak biedt een andere balans tussen transparantie, eenvoud en gedragsstimulansen, en de meeste organisaties maken gebruik van een combinatie daarvan, afhankelijk van het soort AI-workload waar het om gaat.

Directe bronvermelding

Bij directe toerekening worden de kosten toegewezen aan het team of het product dat een resource exclusief gebruikt. Dit werkt goed voor specifieke modeltrainingtaken of productspecifieke inferentie-eindpunten waarbij het gebruik duidelijk afgebakend is. Het is de meest nauwkeurige methode, maar vereist vanaf het begin een strikte manier van het labelen van resources en een cultuur waarin iedereen verantwoordelijkheid neemt.

Proportionele toewijzing

Bij proportionele toewijzing worden de kosten voor gedeelde infrastructuur verdeeld op basis van een gebruiksindicator: rekenuren, API-aanroepen, verwerkte tokens of gegevensvolume. Dit is praktisch voor gedeelde GPU-clusters of API’s voor basismodellen die door meerdere teams worden gebruikt. De uitdaging is om overeenstemming te bereiken over welke indicator het werkelijke verbruik het beste weergeeft, aangezien verschillende indicatoren tot verschillende kostenverdelingen leiden.

Showback en chargeback

Showback biedt teams inzicht in wat ze verbruiken, zonder dat de kosten daadwerkelijk worden doorberekend. Chargeback gaat een stap verder door de financiële aansprakelijkheid over te dragen. Showback is een nuttig uitgangspunt om kostenbewustzijn te creëren zonder politieke weerstand op te roepen. Chargeback zorgt voor een grotere verantwoordingsplicht, maar vereist geavanceerde tools en een goed bestuurskader om te voorkomen dat het een bron van voortdurende geschillen wordt in plaats van een mechanisme om deze op te lossen.

Hoe zorg je ervoor dat iedereen zijn verantwoordelijkheid neemt voordat er geschillen ontstaan?

Je zorgt ervoor dat er verantwoording wordt afgelegd over AI-kosten nog voordat er geschillen ontstaan, door de verantwoordelijkheden vast te leggen, afspraken te maken over toewijzingsregels en kostentransparantie in te bouwen bij de teams die de uitgaven genereren, nog voordat er een omvangrijke AI-workload live gaat. Verantwoording die achteraf wordt ingesteld, is altijd moeilijker af te dwingen dan verantwoording die vanaf het begin in het bedrijfsmodel is ingebouwd.

Praktische stappen om proactief verantwoordingsplicht te bevorderen zijn onder meer:

1. Wijs aan elk AI-initiatief een kostenverantwoordelijke toe: Dit hoeft niet per se de hoogste functionaris binnen het project te zijn: het is de persoon die verantwoordelijk is voor het toezicht op en de verantwoording van de uitgaven. Maak dit expliciet in de projectcharter.
2. Spreek de toewijzingsregels af vóór de implementatie: Leg vast hoe de gedeelde kosten zullen worden verdeeld voordat de taak wordt uitgevoerd, en niet pas nadat de factuur is ontvangen. Zorg ervoor dat de afdelingen Financiën, IT en de betrokken bedrijfsunit hiermee akkoord gaan.
3. Implementeer taggingstandaarden op infrastructuurniveau: Elke AI-resource moet worden voorzien van tags voor team, product, omgeving en kostenplaats. Stel dit verplicht als een vereiste voor implementatie, en niet als een optionele best practice.
4. Zorg voor een vast ritme voor kostenbeoordelingen: Door de AI-uitgaven per team maandelijks of tweewekelijks te evalueren, wordt voorkomen dat verrassingen zich opstapelen en tot geschillen leiden. Inzicht zonder een vast besluitvormingsritme leidt niet tot gedragsverandering.

Dit is de redenering achter FinOps als vakgebied: het brengt bestuur, verantwoording en instrumenten met elkaar in verband, zodat duidelijk is wie de kosten draagt voordat er conflicten ontstaan, en niet pas wanneer die zich voordoen.

Hoe los je een lopend geschil tussen teams over AI-kosten op?

Je lost een lopend geschil over AI-kosten op door het gesprek te baseren op gedeelde gegevens in plaats van op tegenstrijdige interpretaties, door het specifieke punt van onenigheid in kaart te brengen en door het geschil via een vastgesteld governanceproces te escaleren als teams zelfstandig geen overeenstemming kunnen bereiken. Geschillen worden zelden opgelost door middel van discussie: ze worden opgelost wanneer alle partijen naar dezelfde cijfers kijken en het eens zijn over wat die cijfers betekenen.

Een gestructureerd afhandelingsproces verloopt doorgaans volgens de volgende stappen:

1. Haal de ruwe gebruiksgegevens op: Vraag vóór elke onderhandeling de daadwerkelijke verbruiksgegevens op bij je cloudprovider of via je FinOps-tools. Beide partijen moeten uitgaan van dezelfde betrouwbare bron.
2. Geef aan waar het meningsverschil precies over gaat: Gaat het geschil over de vraag welk team eigenaar is van een hulpbron, hoe een gedeelde kost wordt verdeeld, of dat een kost überhaupt gerechtvaardigd is? Door de precieze vraag te benoemen, wordt de weg naar een oplossing duidelijker.
3. Pas de vooraf overeengekomen toewijzingsregel toe: Als er een toewijzingsbeleid bestaat, pas dat dan consequent toe. Als uit het geschil blijkt dat er een lacune in het beleid zit, is dat een bestuursprobleem dat moet worden opgelost, en geen reden om met terugwerkende kracht opnieuw te onderhandelen over de huidige vergoeding.
4. Doorverwijzen naar een neutraal bestuursorgaan: Wanneer teams het niet eens kunnen worden, moet een functieoverschrijdende werkgroep (die doorgaans bestaat uit vertegenwoordigers van de financiële afdeling, IT en de bedrijfsvoering) de uiteindelijke beslissing nemen op basis van gegevens, en niet op basis van interne politieke spelletjes.
5. Leg het resultaat vast en werk het beleid bij: Elk opgelost geschil biedt de kans om een lacune in uw toewijzingskader weg te werken. Als hetzelfde geschil zich opnieuw voordoet, moet het bestuursmodel worden versterkt.

Welke tools helpen bij het nauwkeurig bijhouden en toewijzen van AI-kosten?

Tot de tools waarmee AI-kosten nauwkeurig kunnen worden bijgehouden en toegeschreven, behoren kostenbeheerplatforms van cloudproviders, gespecialiseerde FinOps-platforms en geïntegreerde oplossingen voor financieel IT-beheer. De juiste combinatie hangt af van de complexiteit van uw AI-omgeving en van de mate waarin u de AI-uitgaven moet koppelen aan bedrijfsresultaten.

Tools die specifiek voor cloudproviders zijn ontwikkeld (AWS Cost Explorer, Azure Cost Management en Google Cloud Billing) bieden een basisoverzicht van de uitgaven op resourcenniveau. Ze werken goed voor teams met eenvoudige omgevingen, maar hebben moeite met multi-cloudopstellingen of de gedetailleerde toewijzing die nodig is voor gedeelde AI-infrastructuur.

Gespecialiseerde FinOps-platforms zoals Apptio Cloudability gaan nog een stap verder door volledige kostentoewijzing mogelijk te maken over containers, gedeelde diensten en ondersteuningskosten heen. Ze ondersteunen aanbevelingen voor het optimaliseren van de omvang, commitmentbeheer en het soort doorlopende optimalisatiecyclus dat voorkomt dat AI-kosten uit de hand lopen. Wanneer AI-uitgaven moeten worden gekoppeld aan IT-financieel beheer en rapportage over bedrijfswaarde, biedt de integratie van FinOps-tools met een TBM-raamwerk het management niet alleen inzicht in de kosten, maar ook informatie waarop beslissingen kunnen worden gebaseerd.

Ongeacht de gebruikte tools hangt een nauwkeurige toewijzing af van de kwaliteit van de tagging. Geen enkel platform kan kosten toewijzen die niet bij de bron zijn getagd. Investeren in tools zonder een strikte tagging-aanpak leidt alleen maar tot meer geavanceerde rapporten over dezelfde niet-toegewezen kosten.

Wanneer moet de toewijzing van AI-kosten worden herzien of opnieuw worden onderhandeld?

De toewijzing van AI-kosten moet worden herzien telkens wanneer de onderliggende gebruikspatronen, teamstructuren of zakelijke prioriteiten aanzienlijk veranderen. Een statisch toewijzingsmodel dat wordt toegepast op een dynamische AI-omgeving zal al snel niet meer aansluiten bij de werkelijkheid, waardoor periodieke herziening een vereiste is vanuit het oogpunt van governance en geen optionele exercitie.

Concrete aanleiding voor een herziening zijn onder meer:

• Nieuwe AI-initiatieven worden gelanceerd: Elk nieuw model, elke nieuwe pijplijn of elk nieuw AI-product leidt tot een nieuw gebruik van de gedeelde infrastructuur, dat mogelijk niet onder de bestaande toewijzingsregels valt.
• Aanzienlijke kostenstijgingen of afwijkingen: Een plotselinge stijging van de uitgaven voor AI wijst erop dat ofwel het gebruik is veranderd, ofwel het toewijzingsmodel het verbruik niet nauwkeurig weergeeft.
• Organisatorische herstructurering: Wanneer teams fuseren, worden opgesplitst of de eigendom van producten verandert, moet het kostenverantwoordingsmodel hieraan worden aangepast.
• Jaarlijkse begrotingscycli: Gebruik het budgetplanningsproces als een formeel controlepunt om na te gaan of de toewijzingsregels nog steeds een getrouwe weergave zijn van de manier waarop AI-middelen daadwerkelijk worden gebruikt.
• Terugkerende geschillen: Als dezelfde toewijzingskwestie steeds weer tot conflicten leidt, moet het model zelf worden aangepast in plaats van steeds weer naar een hoger niveau te escaleren.

In 2026, wanneer AI-workloads steeds complexer en duurder worden, zullen organisaties die toewijzing beschouwen als een dynamisch bestuursproces in plaats van een eenmalige instelling, aanzienlijk minder tijd besteden aan het oplossen van geschillen en meer tijd aan het gebruiken van gegevens over AI-uitgaven om betere investeringsbeslissingen te nemen.

Hoe wij u helpen bij het beheren van de toewijzing van AI-kosten

We werken samen met organisaties om de bestuursstructuur, processen en tools op te zetten die nodig zijn om de overstap te maken van reactieve kostenconflicten rond AI naar proactief kostenbeheer. Onze aanpak koppelt FinOps-praktijken rechtstreeks aan het financiële beheer van de IT, zodat AI-uitgaven vanaf het begin zichtbaar en toewijsbaar zijn en aansluiten bij de bedrijfswaarde.

Concreet helpen wij u met het volgende:

• Ontwerp en implementeer een raamwerk voor kostenverdeling dat AI- en cloud-workloads omvat, inclusief gedeelde infrastructuur en toewijzing op containerniveau
• Leg de verantwoordelijkheden, taggingnormen en beslissingsbevoegdheden vast voordat er geschillen ontstaan
• Zorg voor een vast ritme van governance, zodat de toewijzingsregels up-to-date blijven naarmate uw AI-omgeving zich verder ontwikkelt
• Integreer AI-kostengegevens in de bredere financiële rapportage op IT-gebied, zodat het management het volledige beeld krijgt en niet alleen de cloudfactuur ziet
• Voer een Beoordeling van de FinOps-rijpheid om vast te stellen waar je huidige model tekortschiet en wat je als eerste moet aanpakken

Als geschillen over AI-kosten de besluitvorming vertragen of voor wrijving tussen teams zorgen, neem contact op en wij helpen je graag bij het ontwikkelen van een model dat werkt.