U vergelijkt de financiële prestaties van verschillende AI-toepassingen door ze stuk voor stuk te beoordelen aan de hand van een gemeenschappelijke reeks financiële maatstaven: ontwikkelings- en exploitatiekosten, de gemeten bedrijfswaarde die wordt geleverd, de tijd die nodig is om rendement te behalen, en het voor risico gecorrigeerde rendement. Hiervoor is een consistent vergelijkingskader nodig, en niet alleen afzonderlijke businesscases die los van elkaar worden opgesteld. In de onderstaande paragrafen worden de meest voorkomende vragen behandeld waarmee organisaties te maken krijgen bij het opzetten van dat kader.
Welke indicatoren geven daadwerkelijk inzicht in de financiële prestaties van AI-toepassingen?
De indicatoren die de financiële prestaties van een AI-toepassing het beste weergeven, zijn de totale eigendomskosten (TCO), de gerealiseerde nettowaarde, de tijd tot het behalen van rendement en de waarde per geïnvesteerde dollar. Deze vier aspecten geven je een volledig beeld van wat een AI-toepassing kost, wat deze oplevert, hoe snel de investering zich terugverdient en hoe efficiënt de investering wordt omgezet in resultaat.
Laten we dit eens in praktische termen uitleggen:
- Totale eigendomskosten omvat modelontwikkeling, infrastructuur (rekenkracht, opslag, API’s), integratiewerkzaamheden, doorlopend onderhoud en het menselijk toezicht dat nodig is om de use case operationeel te houden.
- Gerealiseerde nettowaarde geeft het meetbare bedrijfsresultaat weer (kortere verwerkingstijd, lagere foutenpercentages, hogere doorvoer of omzetimpact), waar mogelijk uitgedrukt in financiële termen.
- Tijd tot rendement meet de tijd tussen de initiële investering en het moment waarop de use case rendement begint op te leveren. Kortere cycli verminderen het risicokapitaal.
- Rendement per geïnvesteerde dollar normaliseert het rendement voor verschillende gebruiksscenario's van uiteenlopende omvang, waardoor een directe vergelijking zinvol is, zelfs wanneer de absolute investeringsbedragen aanzienlijk verschillen.
Kwalitatieve maatstaven zijn ook belangrijk, maar ze moeten een aanvulling vormen op financiële maatstaven en deze niet vervangen. Factoren zoals de mate van acceptatie door medewerkers, de nauwkeurigheid van het model en de kwaliteit van de gegevens hebben een directe invloed op de vraag of financiële prognoses kloppen; houd ze daarom bij als voorlopende indicatoren van financiële prestaties, en niet als vervanging daarvan.
Hoe creëer je een consistente maatstaf voor het vergelijken van investeringen in AI?
Om een consistente basis te hebben voor het vergelijken van AI-investeringen, zijn een gestandaardiseerde kostentaxonomie, een gezamenlijke definitie van waarde en een gemeenschappelijke tijdshorizon nodig, die uniform worden toegepast op alle te beoordelen gebruiksscenario’s. Zonder deze drie elementen vergelijk je cijfers die op verschillende aannames zijn gebaseerd, waardoor een rangschikking zinloos wordt.
Begin met het indelen van de kosten in categorieën. Elke AI-toepassing moet kosten onder dezelfde categorieën rapporteren: ontwikkelingskosten, infrastructuur, licenties, integratie en lopende exploitatiekosten. Organisaties die elk team toestaan om kosten op een andere manier te definiëren, komen uiteindelijk uit op cijfers die op het eerste gezicht vergelijkbaar lijken, maar dat in werkelijkheid niet zijn. Een taxonomie die is afgestemd op uw bredere IT-financiële beheersstructuur maakt AI-kosten zichtbaar naast andere technologische investeringen, in plaats van dat ze in een aparte, ondoorzichtige categorie terechtkomen.
Stel vervolgens op een consistente manier vast wat onder ‘waarde’ wordt verstaan. Als het ene team vermeden kosten als waarde beschouwt en het andere alleen incrementele inkomsten, is de vergelijking vanaf het begin al vertekend. Spreek af welke soorten waarde meetellen, hoe deze moeten worden gekwantificeerd en welke aannames aanvaardbaar zijn. Dit is met name belangrijk voor AI-toepassingen waarbij de waarde indirect is, zoals een betere kwaliteit van beslissingen of een besparing in de tijd die analisten nodig hebben.
Pas ten slotte voor alle gebruiksscenario’s dezelfde tijdshorizon toe. Een periode van drie jaar is gebruikelijk bij technologische investeringen, maar het belangrijkste is uniformiteit. Een gebruiksscenario dat na 12 maanden zwak lijkt, kan er na 36 maanden juist sterk uitzien, en omgekeerd. Door consistente tijdshorizons te hanteren, wordt voorkomen dat een kortetermijnbias het beeld van de portefeuille vertekent.
Wat is het verschil tussen de waarde van een AI-toepassing en de ROI van een AI-toepassing?
De waarde van een AI-toepassingsscenario is het totale zakelijke voordeel dat door een toepassingsscenario wordt gegenereerd, uitgedrukt in financiële of strategische termen. De ROI van een AI-toepassingsscenario is de verhouding tussen die nettowaarde en de kosten die nodig zijn om die waarde te realiseren. De waarde geeft aan wat je hebt gewonnen; de ROI geeft aan hoe efficiënt je dat hebt bereikt in verhouding tot wat je hebt uitgegeven.
Dit onderscheid is van belang bij het vergelijken van use cases, omdat een use case met een hoge waarde niet automatisch een use case met een hoog rendement (ROI) is. Een grootschalige AI-implementatie kan in absolute termen aanzienlijke besparingen opleveren, maar vereist mogelijk zoveel investeringen dat het rendement (ROI) bescheiden uitvalt. Een kleinere, gerichte use case levert misschien minder totale waarde op, maar tegen een fractie van de kosten, waardoor het rendement veel hoger uitvalt.
Voor beslissingen over de portfolio heb je beide cijfers nodig. De waarde bepaalt de strategische prioritering: welke use cases zorgen voor een merkbaar verschil in de bedrijfsresultaten die ertoe doen. De ROI bepaalt de prioritering op het gebied van efficiëntie: welke use cases maken het beste gebruik van het beperkte IT-budget. Als u zich op slechts één maatstaf baseert, leidt dit ofwel tot te weinig investeren in initiatieven met een grote impact, ofwel tot te veel investeren in dure initiatieven die een afnemend rendement opleveren.
Een nuttige aanvulling op beide maatstaven is de breakevenpunt, het moment waarop de cumulatieve waarde de cumulatieve kosten overschrijdt. Dit biedt besluitvormers een concreet tijdschema in plaats van een abstract percentage, wat vaak gemakkelijker over te brengen is aan het management en de financiële belanghebbenden.
Hoe houd je rekening met risico’s en onzekerheden bij het rangschikken van toepassingen van AI?
Je houdt rekening met risico’s en onzekerheden bij het rangschikken van AI-toepassingen door gebruik te maken van waarschijnlijkheidsgewogen waardeschattingen, door AI-specifieke risicocategorieën te definiëren en door de verwachte opbrengsten naar beneden bij te stellen voor toepassingen met een grotere onzekerheid over de uitvoering. Dit voorkomt dat te optimistische prognoses ervoor zorgen dat risicovolle toepassingen bovenaan de investeringslijst komen te staan.
AI-projecten brengen verschillende soorten risico’s met zich mee die bij de standaardbeoordeling van IT-projecten vaak onvoldoende worden meegewogen:
- Gegevensrisico: De use case is afhankelijk van gegevens die onvolledig, inconsistent of op grote schaal niet beschikbaar kunnen zijn.
- Modelrisico: Het AI-model presteert goed tijdens het testen, maar presteert minder goed in de productieomgeving als gevolg van verschuivingen in de verdeling of uitzonderingsgevallen.
- Adoptiarisico: Eindgebruikers vertrouwen de AI-uitvoer niet en maken er geen gebruik van, waardoor de verwachte meerwaarde teniet wordt gedaan.
- Regelgevingsrisico: Nalevingsvereisten leggen beperkingen op aan de manier waarop de AI kan worden gebruikt of vereisen kostbare controlemechanismen.
- Integratierisico: Het koppelen van het AI-systeem aan bestaande processen en tools kost meer tijd of geld dan gepland.
Een praktische aanpak is om aan elke use case een betrouwbaarheidsniveau toe te kennen – hoog, gemiddeld of laag – op basis van deze risicocategorieën, en vervolgens een overeenkomstige korting toe te passen op de verwachte waarde. Bij een use case met een hoog gegevensrisico en een laag vertrouwensniveau voor acceptatie kan de verwachte waarde met 40 tot 60 procent worden verlaagd voordat deze in de vergelijking wordt meegenomen. Dit levert een voor risico gecorrigeerde waarde op, waardoor de rangschikking realistischer en beter verdedigbaar is tegenover financiële en leidinggevende belanghebbenden.
Welke tools of frameworks ondersteunen financiële vergelijkingen met AI voor meerdere gebruiksscenario’s?
De kaders die het meest geschikt zijn voor financiële vergelijkingen van AI met meerdere gebruiksscenario’s zijn Technology Business Management (TBM), FinOps en benaderingen voor portefeuillebeheer die zijn aangepast aan AI-workloads. Deze kaders bieden de kostentaxonomie, bestuursstructuren en besluitvormingscyclus die nodig zijn om AI-investeringen op grote schaal te vergelijken in plaats van per geval.
TBM biedt u een gestructureerde manier om AI-kosten te koppelen aan de bedrijfsdiensten en -resultaten die ze ondersteunen, waardoor u kunt zien welke use cases waarde opleveren in verhouding tot de diensten die ze ondersteunen. Dit is met name nuttig wanneer AI is geïntegreerd in bestaande IT-diensten in plaats van als een op zichzelf staand initiatief te worden uitgevoerd.
FinOps richt zich op de cloudkostenaspecten van AI, die vaak de grootste en meest variabele kostenpost vormen. Workloads voor het trainen en uitvoeren van AI-modellen kunnen aanzienlijke cloudresources verbruiken, en zonder de juiste FinOps-werkwijzen, deze kosten zijn moeilijk nauwkeurig toe te wijzen aan afzonderlijke gebruikssituaties. Een nauwkeurige kostentoewijzing is een voorwaarde voor een zinvolle financiële vergelijking.
Strategisch portefeuillebeheer biedt de bestuurslaag: de processen en beslissingsbevoegdheden die bepalen hoe use cases worden beoordeeld, gerangschikt, gefinancierd en doorlopend geëvalueerd. Zonder deze laag wordt financiële vergelijking een eenmalige exercitie in plaats van een herhaalbare managementfunctie.
Wanneer moet je stoppen met investeren in een AI-toepassing die ondermaats presteert?
Je moet stoppen met investeren in een slecht presterende AI-toepassing wanneer deze gedurende twee of meer evaluatiecycli de waardedoelstellingen niet heeft gehaald, de onderliggende oorzaak van de slechte prestaties niet binnen het bestaande budget kan worden aangepakt en de alternatieve kosten van voortzetting hoger zijn dan de verzonken kosten van stopzetting. Het blijven financieren van een mislukte toepassing vanwege eerdere investeringen is een van de meest voorkomende en kostbare fouten bij het beheer van een AI-portfolio.
Er zijn drie situaties die er doorgaans op wijzen dat stoppen de juiste beslissing is:
- De waardekloof is structureel van aard, niet operationeel. Als de use case ondermaats presteert omdat het onderliggende bedrijfsprobleem niet zo duidelijk is omschreven als aangenomen, of omdat de benodigde gegevens niet van voldoende kwaliteit zijn, is het onwaarschijnlijk dat extra investeringen deze kloof kunnen dichten.
- Er zijn betere alternatieven. Als andere projecten in de portefeuille een hoger rendement opleveren tegen vergelijkbare of lagere kosten, is het rationeel om middelen te herverdelen in plaats van een project met slechte prestaties in stand te houden.
- De kosten van voortzetting zijn hoger dan de verwachte toekomstige waarde. Als een realistische herbeoordeling van de verwachte rendementen – gecorrigeerd voor risico en verdisconteerd in de tijd – een negatieve netto contante waarde oplevert over de resterende beleggingsperiode, dan is de financiële reden om te stoppen duidelijk.
Stoppen betekent niet altijd dat het concept volledig wordt opgegeven. In sommige gevallen kan een use case worden gepauzeerd, in omvang worden beperkt of worden geherstructureerd in plaats van te worden beëindigd. Het is van groot belang dat die beslissing wordt genomen op basis van actuele financiële gegevens, en niet op basis van oorspronkelijke prognoses of het momentum binnen de organisatie.
Hoe wij u helpen de financiële prestaties van AI-toepassingen te vergelijken
Om AI-investeringen binnen een portfolio te kunnen vergelijken, zijn financiële transparantie, een consistente kostentoewijzing en een bestuursstructuur nodig die doorlopende besluitvorming ondersteunt. Wij helpen organisaties precies die capaciteit op te bouwen door IT-financieel beheer, TBM en FinOps te combineren tot een samenhangende aanpak voor AI-portfoliomanagement. Concreet ondersteunen wij u met:
- Het ontwikkelen van een taxonomie voor gedeelde kosten die de kosten van AI-toepassingen zichtbaar en vergelijkbaar maakt met andere IT-investeringen
- Het invoeren van methoden voor de toerekening van cloudkosten, waarmee de kosten van AI-infrastructuur nauwkeurig aan individuele gebruiksscenario’s worden toegerekend
- Het opzetten van een cyclus voor portfoliobeoordeling met de juiste maatstaven, drempelwaarden en beslissingsbevoegdheden om use cases in de loop van de tijd op een consistente manier te evalueren
- Het koppelen van AI-gegevens over financiële prestaties aan bredere rapportages over de omzetting van technologie in bedrijfswaarde, ten behoeve van de communicatie op directie- en bestuursniveau
- Het beoordelen van de huidige stand van zaken op het gebied van financieel IT-beheer om vast te stellen waar tekortkomingen in de gegevenskwaliteit of het beheer uw vermogen beperken om investeringen objectief te vergelijken
Als je de overstap wilt maken van ad-hoc AI-toepassingen naar een herhaalbaar raamwerk voor financiële vergelijkingen, neem contact met ons op en wij helpen je ermee.