Hoe moeten de kosten voor gegevensvoorbereiding worden toegerekend aan AI-initiatieven?

De kosten voor gegevensvoorbereiding moeten worden toegerekend aan AI-initiatieven op basis van de mate waarin die activiteiten rechtstreeks ten dienste staan van het AI-project. Kosten die uitsluitend verband houden met één specifieke AI-toepassing, zoals het labelen van trainingsgegevens of het opzetten van een speciale gegevenspijplijn, behoren volledig tot dat initiatief. Voor gedeelde kosten voor gegevensinfrastructuur zijn toerekeningsmodellen nodig die het daadwerkelijke verbruik of voordeel weerspiegelen. Hieronder geven we een volledig overzicht: wat deze kosten omvatten, waarom toerekening moeilijk is en hoe financiële beheerpraktijken binnen de IT consistentie kunnen brengen in de boekhouding van AI-investeringen.

Uit welke soorten kosten bestaat de gegevensvoorbereiding voor AI?

De kosten voor gegevensvoorbereiding in het kader van AI-initiatieven omvatten alle uitgaven die gepaard gaan met het gereedmaken van ruwe gegevens voor het trainen, valideren en implementeren van modellen. Deze kosten hebben doorgaans betrekking op personeel, tools, opslag, rekenkracht en governance-activiteiten. Inzicht in de volledige omvang hiervan is de eerste stap op weg naar een nauwkeurige Kostenattributie op basis van AI.

De belangrijkste kostencategorieën zijn onder meer:

• Gegevensopname en -integratie: Gegevens uit bronsystemen ophalen, pijplijnen opzetten en formaten omzetten, zodat de gegevens bruikbaar zijn voor AI-workflows
• Gegevensopschoning en -validatie: Het opsporen van dubbele gegevens, het corrigeren van fouten en het handhaven van kwaliteitsnormen: vaak de meest arbeidsintensieve fase
• Gegevenslabeling en -annotatie: Gegevens handmatig of halfautomatisch labelen, zodat modellen voor begeleid leren hiermee kunnen worden getraind
• Opslag en rekenkracht tijdens de voorbereiding: De cloud- of on-premises-bronnen die worden verbruikt bij het uitvoeren van transformatietaken, het uitvoeren van kwaliteitscontroles of het hosten van staging-omgevingen
• Activiteiten op het gebied van gegevensbeheer en naleving: Privacybeoordelingen, toestemmingsbeheer en het traceren van de herkomst van gegevens zijn vereist voordat gegevens op wettige of ethische wijze in een AI-model kunnen worden ingevoerd
• Licenties voor tools en platforms: Data-engineeringplatforms, ETL-tools en orchestration-software die specifiek tijdens de voorbereidingsfasen worden gebruikt

Veel organisaties onderschatten de kosten voor gegevensvoorbereiding, omdat ze deze beschouwen als algemene IT-overhead in plaats van als directe input voor een AI-investering. In de praktijk vormt gegevensvoorbereiding steevast het grootste deel van de totale uitgaven voor AI-projecten, waardoor nauwkeurige registratie van deze kosten van groot belang is om de werkelijke waarde van AI-investeringen te kunnen inschatten.

Waarom is het zo moeilijk om de kosten voor gegevensvoorbereiding toe te rekenen aan AI-projecten?

Het toerekenen van kosten voor gegevensvoorbereiding aan AI-initiatieven is vooral moeilijk omdat gegevensbestanden en infrastructuur door meerdere gebruikers worden gedeeld. Eén enkele gegevenspijplijn kan tegelijkertijd een business intelligence-dashboard, een rapportageproces voor toezichthouders en een AI-model van gegevens voorzien. Wanneer er geen duidelijke scheidslijn tussen deze gebruikers bestaat, vereist het toewijzen van kosten aan een van hen een afweging in plaats van een directe meting.

Verschillende structurele factoren maken deze moeilijkheid nog groter:

• Gedeelde infrastructuur zonder meting: De meeste dataplatforms zijn niet ontworpen om het verbruik per downstream-toepassing bij te houden, waardoor er geen ingebouwde manier is om AI-gerelateerd gebruik te onderscheiden van ander gebruik
• Voorbereidende werkzaamheden die voorafgaan aan het AI-project: Het opschonen van historische gegevens of het werk aan de gegevenspijplijn dat jaren geleden is uitgevoerd, levert nog steeds voordelen op voor het AI-model, maar het toerekenen van die verzonken kosten aan het huidige initiatief verstoort de economische rendabiliteit van het project
• Functieoverschrijdende verantwoordelijkheid: Data-engineering-, IT- en bedrijfsteams zijn elk verantwoordelijk voor bepaalde onderdelen van het voorbereidingsproces, en de kosten worden ondergebracht in verschillende begrotingsposten binnen de verschillende afdelingen
• Iteratieve en niet-lineaire werkprocessen: Bij AI-projecten wordt de gegevensvoorbereiding herhaaldelijk doorlopen naarmate de modellen verbeteren, waardoor het moeilijk is om te bepalen wanneer de voorbereiding eindigt en de modelontwikkeling begint
• Het ontbreken van een vastgesteld toewijzingsbeleid: Zonder een formeel bestuurskader hanteert elk team zijn eigen logica, wat leidt tot inconsistente cijfers waarop de financiële afdeling en het management niet kunnen vertrouwen

Het gevolg is dat beslissingen over de toewijzing van AI-kosten vaak informeel worden genomen, pas in een laat stadium van de projectcyclus en met beperkt inzicht in de volledige kostenbasis. Dit is precies het soort probleem dat FinOps-werkwijzen zijn bedoeld om dit aan te pakken door vanaf het begin gestructureerde verantwoordingsplicht in het kostenbeheer in te bouwen.

Welke toerekeningsmodellen worden gebruikt voor de kosten van de gedeelde data-infrastructuur?

Organisaties maken gebruik van verschillende toerekeningsmodellen om de kosten van de gedeelde data-infrastructuur toe te wijzen aan AI-initiatieven. Welk model het meest geschikt is, hangt af van de kwaliteit van de beschikbare verbruiksgegevens, de mate van ontwikkeling van het financieel beheer van de IT en de mate waarin het management inzicht moet hebben in de kosten van AI-investeringen.

Toewijzing op basis van direct verbruik

Wanneer platforms het bijhouden van verbruik ondersteunen, worden de kosten toegerekend op basis van het werkelijke aantal rekenuren, de verbruikte opslagruimte of de door het AI-project geactiveerde pijplijnruns. Dit is het meest nauwkeurige model en het model dat FinOps-specialisten standaard aanbevelen, omdat het de uitgaven rechtstreeks koppelt aan de beslissingen van het AI-team. Hiervoor is het nodig om infrastructuurmiddelen op werkbelastingsniveau te taggen of te labelen.

Proportionele of activiteitsgebaseerde toewijzing

Wanneer er geen meetgegevens beschikbaar zijn, schatten organisaties het aandeel van de gedeelde infrastructuur dat door het AI-initiatief wordt verbruikt ten opzichte van alle gebruikers. Als een AI-project bijvoorbeeld goed is voor ongeveer 40% aan datapijplijnruns, neemt het 40% van de exploitatiekosten van de pijplijn voor zijn rekening. Bij activiteitsgebaseerde kostenberekening wordt een vergelijkbare logica toegepast, maar in plaats van eenvoudige percentages wordt gebruikgemaakt van kostendrijvers zoals het aantal verwerkte gegevensrecords of het aantal uitgevoerde transformatietaken.

Vaste toewijzing of verdeling over kostenpools

Sommige organisaties bundelen de kosten van een gedeeld gegevensplatform en verdelen deze gelijkmatig over alle projecten of bedrijfsonderdelen die hiervan gebruikmaken. Deze aanpak is administratief eenvoudig, maar het minst nauwkeurig. Het dient als uitgangspunt wanneer er geen verbruiksgegevens beschikbaar zijn, maar het kan de analyse van AI-investeringen vertekenen doordat individuele initiatieven, afhankelijk van hun daadwerkelijke gebruikspatronen, te veel of te weinig in rekening worden gebracht.

Welk model u ook kiest, het is van belang om het te documenteren, het consequent toe te passen en het opnieuw te bekijken naarmate de AI-workloads toenemen. Inconsistente toewijzing tussen projecten maakt het onmogelijk om de prestaties van AI-investeringen in de loop van de tijd te vergelijken.

Hoe gaat ITFM om met transparantie op het gebied van AI-kosten?

IT Financial Management (ITFM) zorgt voor kostentransparantie op het gebied van AI door een gestructureerd raamwerk te creëren waarin elk kostenelement, inclusief gegevensvoorbereiding, wordt gekoppeld aan het AI-initiatief dat het ondersteunt. In plaats van AI-kosten verspreid te laten over de begrotingen van de afzonderlijke afdelingen, brengt de ITFM-praktijk deze samen in een samenhangend overzicht waarop de financiële afdeling, het IT-management en de bedrijfssponsors kunnen vertrouwen en waarop zij kunnen handelen.

In de praktijk omvat een ITFM-aanpak voor kostentransparantie op het gebied van AI verschillende onderling samenhangende activiteiten:

• Afstemming van de taxonomie: Het vaststellen van een consistente kostentaxonomie waarin gegevensvoorbereiding wordt opgenomen als een erkende kostencategorie binnen AI-initiatieven, in plaats van deze te behandelen als algemene IT-overhead
• Toewijzing van kostenlagen: Het in kaart brengen van kosten, vanaf de onderliggende infrastructuur (rekenkracht, opslag, licenties) via gedeelde diensten tot aan de specifieke AI-producten of gebruiksscenario’s die hierdoor mogelijk worden gemaakt, met behulp van kaders zoals de TBM-taxonomie
• Showback en chargeback: AI-teams bewust maken van de volledige kosten van de gegevensvoorbereiding die zij gebruiken, hetzij via informatieve ‘showback’-rapporten, hetzij via formele ‘chargeback’-mechanismen die zorgen voor daadwerkelijke financiële verantwoording
• Integratie van prognoses en planning: Het opnemen van kostenramingen voor gegevensvoorbereiding in de businesscases van AI-projecten voordat de werkzaamheden van start gaan, zodat het management investeringen goedkeurt met het oog op realistische totale eigendomskosten
• Frequentie van de rapportage: Het instellen van regelmatige rapportagecycli waarmee de werkelijke uitgaven voor gegevensvoorbereiding worden vergeleken met het budget, zodat er tijdig bijgestuurd kan worden wanneer de kosten afwijken van het plan

Technology Business Management (TBM)-raamwerken gaan hier nog een stap verder door de investeringskosten voor AI te koppelen aan de bedrijfsresultaten die deze initiatieven naar verwachting zullen opleveren, waardoor niet alleen kan worden beoordeeld wat AI kost, maar ook wat het oplevert.

Moeten de kosten voor gegevensvoorbereiding worden geactiveerd of als kosten worden geboekt?

Of kosten voor gegevensvoorbereiding moeten worden geactiveerd of als kosten moeten worden verwerkt, hangt af van de vraag of de werkzaamheden een actief met een lange levensduur en toekomstige economische voordelen opleveren, of dat ze de bedrijfsactiviteiten van de huidige periode ondersteunen. Volgens de meeste boekhoudnormen komen kosten die rechtstreeks bijdragen aan de ontwikkeling van een intern ontwikkeld AI-model mogelijk in aanmerking voor activering tijdens de ontwikkelingsfase van de applicatie, terwijl kosten in verband met vooronderzoek of onderhoud na implementatie ten laste van het resultaat worden gebracht.

In de praktijk werkt het onderscheid als volgt:

• Hoofdletters gebruiken kosten voor gegevensvoorbereiding, wanneer deze rechtstreeks verband houden met het ontwikkelen van een specifiek AI-model dat ook na de huidige periode nog zal worden gebruikt, het project de haalbaarheidsbeoordeling heeft doorstaan en de kosten betrouwbaar kunnen worden gemeten. Voorbeelden hiervan zijn het labelen van trainingsdatasets voor een eigen model of het opzetten van een speciale invoerpijplijn die uitsluitend voor dat model bestemd is.
• Uitgaven kosten voor gegevensvoorbereiding wanneer deze verband houden met verkennend of experimenteel werk, wanneer de gegevensinfrastructuur meerdere doeleinden dient die verder gaan dan het AI-project, of wanneer het AI-initiatief niet voldoet aan de drempel voor het aanmerken als een intern activum.

De kosten voor een gedeelde data-infrastructuur die door meerdere gebruikers wordt gebruikt, vormen een grijs gebied. De meeste organisaties boeken het gedeelde deel als kosten en activeren alleen de incrementele kosten die direct en uitsluitend aan het AI-ontwikkelingsproject kunnen worden toegerekend. Uw financiële en boekhoudkundige teams moeten afstemming zoeken over een beleid dat zowel uw boekhoudnormen als de specifieke aard van elk AI-initiatief weerspiegelt, omdat een inconsistente behandeling tussen projecten auditrisico's met zich meebrengt en investeringsvergelijkingen vertekent.

Welke bestuursmaatregelen zorgen ervoor dat de toerekening van AI-kosten in de loop van de tijd consistent blijft?

Voor een consistente toewijzing van AI-kosten in de loop van de tijd is een bestuursstructuur nodig waarin wordt vastgelegd wie verantwoordelijk is voor beslissingen over de toewijzing, hoe die beslissingen worden genomen en hoe ze worden geëvalueerd naarmate projecten en infrastructuur zich verder ontwikkelen. Zonder een dergelijke bestuursstructuur raken toewijzingsmethoden uit koers naarmate teams veranderen, tools worden vervangen en AI-initiatieven op een manier worden opgeschaald die bij de start van het project niet was voorzien.

De volgende bestuursmaatregelen zorgen voor blijvende consistentie:

1. Stel een toewijzingsbeleid vast: Leg vast welke toewijzingsmodellen uw organisatie hanteert voor de gedeelde gegevensinfrastructuur, onder welke voorwaarden elk model van toepassing is en wie bevoegd is om uitzonderingen goed te keuren. Maak dit beleid toegankelijk voor de financiële afdeling, de IT-afdeling en de AI-projectteams.
2. Wijs duidelijk verantwoordelijkheden toe: Wijs voor elk AI-initiatief een kostenverantwoordelijke aan die verantwoordelijk is voor het bijhouden van de uitgaven voor gegevensvoorbereiding, het valideren van toewijzingen en het rapporteren van de werkelijke cijfers aan de financiële afdeling. Zonder een aangewezen verantwoordelijke worden beslissingen over de toewijzing van kosten standaard toevertrouwd aan degene die toevallig beschikbaar is.
3. Stel een regelmatig evaluatieritme vast: Evalueer de toewijzing van AI-kosten op vaste tijdstippen, doorgaans maandelijks of per kwartaal, om afwijkingen in een vroeg stadium op te sporen. Naarmate AI-workloads toenemen, veranderen de verbruikspatronen, en kunnen toewijzingspercentages die bij de start van het project nog klopten, niet langer de werkelijkheid weerspiegelen.
4. Integreer attributie in het projectbeheer: Stel als voorwaarde dat businesscases voor AI, voordat het project wordt goedgekeurd, een kostenraming voor de gegevensvoorbereiding en een duidelijk omschreven attributiemethode bevatten. Dit vormt een referentiepunt waaraan de werkelijke cijfers kunnen worden afgemeten.
5. Gebruik een consistente werkwijze en consistentie bij het aanbrengen van labels: Zorg ervoor dat de normen voor het labelen van resources in zowel cloud- als on-premises-omgevingen worden nageleefd, zodat taken op het gebied van gegevensvoorbereiding in kostenrapporten herkenbaar zijn zonder dat er handmatige afstemming nodig is.
6. Koppeling met bredere ITFM- en TBM-rapportages: Integreer AI-kostentoewijzing in uw bredere strategisch portefeuillebeheer proces waarbij investeringen in AI samen met andere technologische initiatieven worden beoordeeld aan de hand van hetzelfde financiële kader.

Governance is geen eenmalige aangelegenheid. Naarmate uw AI-portfolio groeit en uw data-infrastructuur complexer wordt, moet uw attributiekader mee evolueren. Organisaties die dit beschouwen als een doorlopend beheerproces, in plaats van als een projectgebonden taak, realiseren consequent een beter financieel inzicht en nemen betrouwbaardere beslissingen over AI-investeringen.

Hoe wij u helpen bij het toewijzen en beheren van AI-kosten

Bij It’s Value helpen we organisaties bij het opbouwen van de financiële managementcapaciteit die nodig is om de kosten van AI-investeringen – inclusief gegevensvoorbereiding – te volgen, toe te wijzen en te optimaliseren, met de precisie die leidinggevenden en financiële teams nodig hebben. Onze aanpak combineert ITFM- en TBM-raamwerken met praktische ondersteuning bij de implementatie, zodat u de overstap kunt maken van versnipperde kostengegevens naar gestructureerde, besluitvormingsklare inzichten.

Concreet ondersteunen wij u met:

• Ontwerp van de kostentaxonomie: Bepalen hoe gegevensvoorbereiding en andere AI-kostencategorieën binnen uw bredere IT-kostenstructuur passen, zodat elke uitgave zichtbaar en traceerbaar is
• Keuze en implementatie van een attributiemodel: Wij helpen u bij het kiezen en toepassen van het juiste toewijzingsmodel voor de kosten van gedeelde infrastructuur, en bij het opzetten van de tooling en taggingstandaarden die dit proces herhaalbaar maken
• FinOps-werkwijzen voor AI-workloads in de cloud: FinOps-principes toepassen op de kosten voor cloudcomputing en -opslag die voortvloeien uit AI- en gegevensvoorbereidingswerkzaamheden, zodat er voortdurend optimalisatiebeslissingen worden genomen in plaats van achteraf
• Opzetten van een bestuurskader: Het vaststellen van de eigendomsstructuren, de frequentie van de evaluaties en de rapportageprocessen die ervoor zorgen dat de toerekening van AI-kosten consistent blijft naarmate uw portfolio groeit
• TBM-integratie: De investeringskosten voor AI koppelen aan bedrijfsresultaten binnen een TBM-raamwerk, zodat u de waarde van AI-uitgaven kunt aantonen aan de raad van bestuur en aan belanghebbenden binnen het bedrijf

Als u structuur en transparantie wilt aanbrengen in uw AI-kostenbeheer, neem contact met ons op en we laten u zien hoe u een attributiemodel kunt ontwikkelen dat voor uw organisatie werkt.