Hoe kunnen inkomsten die door AI worden gegenereerd op betrouwbare wijze worden toegeschreven?

Om omzet op betrouwbare wijze aan AI toe te schrijven, moeten AI-gestuurde acties via een duidelijk omschreven causale keten worden gekoppeld aan meetbare bedrijfsresultaten. De uitdaging is dat AI zelden op zichzelf omzet genereert. Het versnelt besluitvorming, verbetert processen of maakt producten mogelijk, wat betekent dat de financiële impact weliswaar reëel is, maar indirect. De onderstaande vragen gaan in op waarom dit moeilijk is, welke kaders hierbij helpen en hoe je een attributiemodel kunt opzetten dat kritische toetsing doorstaat.

Waarom is het zo moeilijk om inkomsten aan AI toe te schrijven?

Het is moeilijk om omzet aan AI toe te schrijven, omdat AI doorgaans resultaten beïnvloedt in plaats van ze rechtstreeks te veroorzaken. In tegenstelling tot een verkooptransactie of een marketingcampagne met een duidelijke conversie, fungeert AI als een ondersteunende laag. Het verbetert een aanbeveling, versnelt een beslissing of vermindert fouten, en die verbeteringen vertalen zich vervolgens in omzet. Het is echt heel complex om die bijdrage los te koppelen van alle andere variabelen.

Verschillende factoren maken deze moeilijkheid nog groter:

• Multi-touch-causaliteit: Omzet is meestal het resultaat van een reeks gebeurtenissen. Een AI-model signaleert bijvoorbeeld een klant met een hoge waarde, een verkoper onderneemt vervolgens actie naar aanleiding van die melding en enkele weken later wordt de deal gesloten. Welk onderdeel van die reeks krijgt de eer?
• Contrafeitelijke onzekerheid: Je kunt niet altijd weten wat er zonder de AI zou zijn gebeurd. Als de conversiepercentages stijgen na de implementatie van een aanbevelingsengine, kan een deel van die stijging te wijten zijn aan markttrends, seizoensinvloeden of andere gelijktijdige veranderingen.
• Lange feedbacklussen: De voordelen van AI op gebieden als klantenbinding of risicobeperking komen vaak pas na maanden of jaren tot uiting, lang na het nemen van de oorspronkelijke investeringsbeslissing.
• Gedeelde infrastructuur: Veel AI-systemen draaien op gedeelde cloud- en gegevensplatforms, waardoor het moeilijk is om de kosten en de waarde van een specifiek model of een specifieke toepassing afzonderlijk te bepalen.

Dit zijn geen redenen om af te zien van metingen. Het zijn juist redenen om vanaf het begin een beter doordachte attributiemethode te ontwikkelen.

Welke attributiemodellen zijn er voor door AI gegenereerde inkomsten?

Er kunnen verschillende attributiemodellen worden toegepast op door AI gegenereerde omzet, variërend van eenvoudige heuristieken tot rigoureuze experimentele opzetten. Welk model het meest geschikt is, hangt af van het soort AI-toepassing, de beschikbare gegevens en de mate van nauwkeurigheid die het bedrijf vereist.

Toeschrijving op basis van gecontroleerde experimenten

De meest betrouwbare aanpak is een A/B- of holdout-test, waarbij een controlegroep de door AI aangestuurde interventie niet krijgt en een experimentele groep wel. Het verschil in omzet tussen de twee groepen, gecorrigeerd voor statistische significantie, vertegenwoordigt de incrementele bijdrage van de AI. Deze methode wordt op grote schaal toegepast in de e-commerce en de financiële dienstverlening, maar vereist voldoende volume en een stabiele testomgeving.

Beoordeling van bijdragen en gewogen toewijzing

Wanneer gecontroleerde experimenten niet haalbaar zijn, wordt bij de bijdrage-scoring aan elke factor in de besluitvormingsketen – inclusief de AI-component – een gewogen aandeel in de omzet toegekend. Dit is vergelijkbaar met multi-touch-attributie in de marketing. Het is minder nauwkeurig, maar wel praktisch voor complexe bedrijfsomgevingen waar experimenteren moeilijk is. De wegingsfactoren moeten gebaseerd zijn op operationele gegevens, niet op aannames.

Toewijzing van proxy-statistieken

Sommige toepassingen van AI kunnen het best worden gemeten aan de hand van proxy-indicatoren waarvan bekend is dat ze een verband hebben met de omzet. Zo kan aan een AI-systeem dat het klantverloop vermindert, een waarde worden toegekend op basis van de gemiddelde omzet per behouden klant, vermenigvuldigd met het aantal klanten dat het model aantoonbaar heeft behouden. Dit werkt wanneer het verband tussen de proxy-indicator en de omzet duidelijk vaststaat en stabiel is.

In hoeverre verschilt de toerekening van inkomsten aan AI van de traditionele IT-ROI?

De toewijzing van inkomsten aan AI verschilt van de traditionele IT-ROI, omdat bij de traditionele IT-ROI doorgaans kostenbesparingen en efficiëntiewinst worden afgewogen tegen een vastgestelde investering, terwijl bij AI-toewijzing het traject moet worden gevolgd van de modeluitkomsten naar de bedrijfsresultaten. Traditionele IT-projecten leveren voorspelbare, afgebakende voordelen op. AI-systemen genereren probabilistische, vaak spontaan ontstane waarde die verandert naarmate het model leert.

Traditionele IT-ROI-berekeningen volgen een relatief lineaire logica: je investeert in een systeem, dat zorgt voor een vermindering van het aantal handmatige werkuren of licentiekosten, en vervolgens bereken je het rendement. AI doorbreekt deze logica op drie manieren:

• Dynamische prestaties: De nauwkeurigheid van AI-modellen en de impact op het bedrijf veranderen in de loop van de tijd, waardoor ROI-berekeningen op een bepaald moment misleidend kunnen zijn.
• Omzetstijging versus kostenbesparing: Bij de traditionele IT-ROI staat kostenbesparing vaak centraal. Bij de ROI van AI speelt het genereren van inkomsten een steeds grotere rol, wat moeilijker eenduidig toe te schrijven is.
• Modelafhankelijkheid: De waarde van een AI-systeem hangt af van de kwaliteit van de gegevens, de mate van integratie en de mate waarin gebruikers het systeem omarmen, op een manier die bij de implementatie van conventionele software niet het geval is.

Dit betekent dat het meten van de financiële impact van AI een voortdurende monitoring vereist, en niet slechts een eenmalige evaluatie na de implementatie.

Welke gegevens zijn nodig om AI-inkomsten betrouwbaar toe te wijzen?

Voor een betrouwbare toewijzing van omzet aan AI zijn vier categorieën gegevens nodig: AI-uitvoergegevens (wat het model heeft voorspeld of aanbevolen), beslissingsgegevens (of en hoe mensen op die uitvoer hebben gereageerd), uitkomstgegevens (het bedrijfsresultaat dat daaruit voortvloeide) en referentiegegevens (wat er zonder de AI zou zijn gebeurd). Zonder deze vier categorieën is elk attributiecijfer onvolledig.

In de praktijk betekent dit dat je het volgende nodig hebt:

• Geregistreerde modelresultaten met tijdstempels en betrouwbaarheidsscores
• Registraties van maatregelen die zijn genomen naar aanleiding van modelresultaten, bij voorkeur op transactie- of klantniveau
• Omzet- of resultaatgegevens die op hetzelfde detailniveau aan die acties kunnen worden gekoppeld
• Een betrouwbare referentiewaarde, afkomstig van een holdout-groep, een periode vóór de implementatie of een statistische controlegroep
• Metagegevens over verstorende variabelen, zoals prijswijzigingen, marktomstandigheden of campagneactiviteiten tijdens de meetperiode

De kwaliteit van de gegevens is de beperkende factor. Veel organisaties beschikken wel over de tools om attributieanalyses uit te voeren, maar missen de gegevensinfrastructuur om de resultaten van AI te koppelen aan de daaruit voortvloeiende bedrijfsresultaten. Het opzetten van die infrastructuur is een eerste vereiste, geen bijzaak.

Hoe kunnen IT-kaders voor financieel beheer de toeschrijving van AI ondersteunen?

Kaders voor financieel beheer op IT-gebied ondersteunen de toewijzing van inkomsten aan AI door de nodige transparantie te bieden op het gebied van kosten en waarde, zodat AI-investeringen kunnen worden gekoppeld aan bedrijfsresultaten. Zonder een gestructureerde aanpak om bij te houden waar AI-uitgaven naartoe gaan en wat ze opleveren, blijft de toewijzing louter anekdotisch. Kaders zoals Technology Business Management (TBM) en FinOps-werkwijzen de taxonomieën en bestuursstructuren bieden die deze traceerbaarheid mogelijk maken.

ITFM-raamwerken bieden met name op drie manieren ondersteuning:

• Kostenverdeling: Ze brengen de kosten van de AI-infrastructuur – waaronder de kosten voor rekenkracht, opslag en dataplatforms – in kaart per specifiek gebruiksscenario of per bedrijfsonderdeel. Dit levert de noemer op voor elke ROI-berekening.
• Waarde-etikettering: Door AI-workloads te koppelen aan bedrijfsdiensten of -producten in een TBM-taxonomie, creëer je een structureel verband tussen de technologie-uitgaven en de inkomstenstromen die hierdoor worden ondersteund.
• Frequentie van het bestuur: Door regelmatige evaluatiecycli die in het ITFM-beheer zijn ingebouwd, wordt gewaarborgd dat investeringen in AI voortdurend worden getoetst aan de behaalde resultaten, en niet alleen bij de afronding van een project.

De integratie van FinOps en TBM is met name nuttig voor AI-workloads die in de cloud worden uitgevoerd, waar de kosten op basis van verbruik aanzienlijk kunnen fluctueren en waar voor een juiste toerekening zowel financiële discipline als technisch inzicht vereist is.

Wat zijn de meest voorkomende fouten bij het meten van de bedrijfswaarde van AI?

De meest voorkomende fout bij het meten van de bedrijfswaarde van AI is het toeschrijven van resultaten zonder dat er een oorzakelijk verband is aangetoond. Organisaties wijzen vaak op een omzetstijging die plaatsvond na de implementatie van AI en beschouwen het tijdstip daarvan als bewijs van de impact. Hierdoor wordt correlatie verward met bijdrage, wat leidt tot cijfers die de toets der kritiek van de financiële afdeling of de raad van bestuur niet kunnen doorstaan.

Andere veelvoorkomende fouten zijn onder meer:

• Alleen efficiëntiewinst meten: Veel initiatieven op het gebied van AI-metingen richten zich uitsluitend op kostenbesparingen en tijdwinst, waardoor de aspecten van omzetgeneratie en risicobeperking volledig buiten beschouwing worden gelaten.
• Het gebruik van ‘vanity metrics’: Modelnauwkeurigheid, voorspellingsvolume of het aantal API-aanroepen zijn technische indicatoren, geen indicatoren voor bedrijfswaarde. Ze moeten worden vertaald naar resultaten die de financiële afdeling en het management herkennen.
• Eenmalige meting: Als je de ROI van AI beschouwt als een berekening die pas aan het einde van een project wordt gemaakt, in plaats van als een continu monitoringproces, mis je hoe de waarde zich ontwikkelt naarmate het model volwassener wordt en het gebruik ervan toeneemt.
• Afgezien van de kostenkant: Inkomsten toerekening zonder volledig inzicht in de kosten leidt tot te hoge ROI-cijfers. Er moet rekening worden gehouden met de kosten voor cloudcomputing, data-engineering, modelonderhoud en het opnieuw trainen van modellen.
• Er is vooraf geen overeengekomen methodologie: Wanneer financiële, IT- en bedrijfsteams het vóór de implementatie niet eens zijn over de toerekeningsmethode, raken ze achteraf in discussie over de cijfers in plaats van ernaar te handelen.

Hoe wij u helpen de zakelijke waarde van AI te meten en toe te schrijven

Wij helpen organisaties bij het opzetten van de financiële en bestuurlijke infrastructuur die ervoor zorgt dat de toewijzing van inkomsten aan AI geloofwaardig en herhaalbaar is. In plaats van AI-metingen te beschouwen als een eenmalige exercitie, koppelen wij deze aan het bredere domein van IT-financieel beheer, zodat AI-investeringen met dezelfde nauwkeurigheid worden bijgehouden als alle andere technologische uitgaven.

Zo ziet dat er in de praktijk uit:

• We brengen uw AI-workloads in kaart aan de hand van bedrijfsdiensten en kostenplaatsen met behulp van TBM- en FinOps-raamwerken, waardoor u een duidelijk beeld krijgt van wat elk initiatief kost en wat het oplevert
• Wij helpen u om vooraf attributiemethoden vast te stellen, zodat belanghebbenden uit de financiële afdeling, IT en de bedrijfsvoering het eens zijn over de manier waarop de waarde wordt gemeten voordat de implementatie van start gaat
• We zetten governance-processen op die ervoor zorgen dat de waarde van AI op de lange termijn actief wordt bijgehouden, en niet alleen bij de afronding van het project
• We integreren gegevens over de cloudkosten van uw AI-infrastructuur in uw bredere FinOps-bedrijfsmodel, waarbij ervoor wordt gezorgd dat de kosten voor rekenkracht en het platform nauwkeurig worden toegerekend aan de gebruiksscenario’s die deze kosten veroorzaken
• Wij vertalen technische AI-uitkomsten naar financiële en zakelijke taal die standhoudt in gesprekken op bestuursniveau

Als je de stap wilt zetten van anekdotische beweringen over de waarde van AI naar een attributiemodel dat het vertrouwen geniet van de financiële afdeling en het management, neem contact met ons op om te bespreken waar we moeten beginnen.