Hoe wijs je de uitgaven voor AI toe aan de juiste kostenplaatsen?

Om AI-uitgaven aan de juiste kostenplaatsen toe te wijzen, moet u elke AI-gerelateerde hulpbron op het moment van toewijzing labelen, voor elke workload een duidelijke verantwoordelijke aanwijzen en een consistente taxonomie voor kostenallocatie toepassen die de AI-uitgaven koppelt aan de bedrijfsonderdelen of producten die er gebruik van maken. Zonder deze basis worden AI-kosten ondergebracht in algemene IT-categorieën en is het onmogelijk om ze te beheren.

Het is bijzonder moeilijk om de uitgaven voor AI toe te wijzen, omdat deze bestaan uit een combinatie van cloudcomputing, data-infrastructuur, gelicentieerde modellen en menselijke inzet, op een manier die tegelijkertijd meerdere teams raakt. In de onderstaande paragrafen wordt elk aspect van het probleem besproken en wordt uitgelegd hoe dit kan worden opgelost.

Welke kostenplaatscategorieën zijn van toepassing op AI-uitgaven?

AI-uitgaven vallen doorgaans onder vier kostenplaatscategorieën: rekenkracht en infrastructuur, data en opslag, software en licenties, en personeel en bedrijfsvoering. Elke categorie omvat een afzonderlijke laag van AI-kosten en vereist een eigen toewijzingslogica om nauwkeurig te kunnen worden toegewezen aan de bedrijfsunit of het product dat er gebruik van maakt.

• IT en infrastructuur: GPU-instanties, trainingsclusters, inferentie-eindpunten en orkestratiediensten in cloudomgevingen zoals AWS, Azure of GCP.
• Gegevens en opslag: Datameren, vector-databases, feature stores en de pijplijnen waarmee gegevens tussen deze systemen worden uitgewisseld.
• Software en licenties: API-aanroepen voor basismodellen (zoals OpenAI of Azure OpenAI), MLOps-platforms en AI-specifieke SaaS-tools.
• Mensen en bedrijfsvoering: Datawetenschappers, ML-ingenieurs en prompt-ingenieurs wier werktijd rechtstreeks aan specifieke AI-initiatieven kan worden toegerekend.

Veel organisaties beschouwen hun AI-uitgaven aanvankelijk als een onderdeel van hun algemene cloud- of softwarebudget. Die aanpak blijkt al snel onhoudbaar naarmate AI-workloads opschalen, omdat de kostenfactoren zich heel anders gedragen dan bij conventionele applicaties. Eén enkele trainingsrun kan in enkele uren meer rekenkracht verbruiken dan een standaardapplicatie in een maand, waardoor een gedetailleerde indeling in categorieën eerder een praktische noodzaak is dan een boekhoudkundige voorkeur.

Waarom is het moeilijker om uitgaven voor AI toe te wijzen dan traditionele IT-kosten?

AI-uitgaven zijn moeilijker toe te wijzen dan traditionele IT-kosten, omdat AI-workloads van nature gedeeld, variabel en functieoverschrijdend zijn. Eén enkel model kan tegelijkertijd vijf bedrijfsonderdelen bedienen, de trainingskosten worden eenmalig gemaakt maar het voordeel wordt herhaaldelijk gerealiseerd, en de grens tussen infrastructuur en applicatie is vaak vaag.

Verschillende structurele factoren maken de situatie nog moeilijker:

• Gedeelde infrastructuur: GPU-clusters en dataplatforms zijn zelden exclusief voor één team bestemd. Door het delen van middelen is het moeilijk om kosten toe te wijzen zonder een weloverwogen meet- en doorberekeningsmechanisme.
• Onregelmatige consumptiepatronen: Opleidingsopdrachten zorgen voor grote, sporadische kostenpieken. De kosten voor inferentie zijn continu, maar fluctueren naargelang het gebruik. Geen van beide patronen past naadloos in traditionele maandelijkse begrotingscycli.
• Eigendom door meerdere teams: Bij één enkel AI-product kunnen een centraal dataplatformteam, een productteam van een bedrijfsonderdeel en een bedrijfsbreed IT-team betrokken zijn, die elk een legitieme aanspraak op de kosten kunnen maken.
• Ondoorzichtige prijsmodellen: Door de op tokens gebaseerde API-tariefstructuur, kortingen op spot-instances en contracten voor vast gebruik is het moeilijk om de werkelijke kosten van een AI-workload te berekenen zonder speciale tools.

Bij de traditionele toerekening van IT-kosten wordt uitgegaan van relatief stabiele, voorspelbare werklasten die aan specifieke systemen zijn gekoppeld. AI doorbreekt beide aannames, en daarom krijgen organisaties die voor AI dezelfde toerekeningsregels hanteren als voor conventionele software, steevast te maken met vertekende gegevens over de kostenplaatsen.

Hoe verdeel je de kosten voor gedeelde AI-infrastructuur over de verschillende bedrijfsonderdelen?

U verdeelt de kosten voor gedeelde AI-infrastructuur over de verschillende bedrijfsonderdelen door een van de volgende drie modellen toe te passen: directe toewijzing op basis van gemeten verbruik, proportionele toewijzing op basis van overeengekomen verhoudingen, of een ‘show-back’-model waarmee de kosten zichtbaar worden gemaakt zonder dat deze worden doorberekend. Welk model het meest geschikt is, hangt af van hoe ver uw mogelijkheden op het gebied van tagging en meting zijn ontwikkeld.

Toewijzing op basis van direct verbruik

Dit is de meest nauwkeurige methode. U meet het daadwerkelijke resourcegebruik per workload, koppelt elke workload aan een bedrijfsonderdeel en wijst de kosten dienovereenkomstig toe. Dit vereist consistente tagging op resourcelevel en tools waarmee gebruiksgegevens per tag over factureringsperiodes kunnen worden samengevoegd. Voor GPU-rekenkracht betekent dit dat u statistieken op taakniveau bijhoudt, zoals het aantal verbruikte GPU-uren per trainingsrun, en deze toewijst aan het team dat de taak heeft ingediend.

Proportionele en onderhandelde toewijzing

Wanneer directe meting nog niet haalbaar is, kunt u met de belanghebbenden van de businessunit toewijzingsverhoudingen afspreken op basis van het verwachte gebruik, het aantal medewerkers of de omzetbijdrage. Deze aanpak is minder nauwkeurig, maar veel praktischer als uitgangspunt. De verhoudingen moeten elk kwartaal worden herzien naarmate er daadwerkelijke gebruiksgegevens beschikbaar komen en het toewijzingsmodel zich verder ontwikkelt in de richting van directe toerekening.

Welk model u ook kiest, de toewijzingslogica moet worden gedocumenteerd, aan de leidinggevenden van de bedrijfsonderdelen worden meegedeeld en op regelmatige basis worden geëvalueerd. Ondoorzichtige of statische toewijzingsregels leiden er snel toe dat belanghebbenden hun vertrouwen verliezen, met als gevolg dat bedrijfsonderdelen zich niet meer met de kostengegevens bezighouden.

Welke gegevens heb je nodig om de kosten van AI nauwkeurig in kaart te brengen?

Om de kosten van AI nauwkeurig in kaart te brengen, hebt u vier soorten gegevens nodig: factuurgegevens op resource-niveau van uw cloudproviders, metagegevens van workloads, waaronder tags en project-ID’s, gebruiksstatistieken op taak- of verzoekniveau, en een organisatorische koppeling die teams en producten aan kostenplaatsen koppelt.

Zonder deze vier elementen vertoont je toewijzing hiaten. Uit factuurgegevens blijkt wat er is uitgegeven. Tags geven aan wie de resource heeft toegewezen. Gebruiksstatistieken laten zien hoeveel elke gebruiker daadwerkelijk heeft verbruikt. Organisatorische koppeling vertaalt teamnamen naar de financiële hiërarchie die je kostenplaatsen volgen.

Veelvoorkomende problemen met de gegevenskwaliteit die de kostenanalyse met behulp van AI ondermijnen, zijn onder meer:

• Bronnen zonder tags of met inconsistente tags, waardoor kosten in een verzamelcategorie “niet-toegewezen” terechtkomen
• Factuurgegevens die met vertraging binnenkomen, waardoor realtime toewijzing onmogelijk is
• Gebruiksstatistieken die weliswaar in technische systemen voorkomen, maar nooit aan financiële gegevens worden gekoppeld
• Organisatorische hiërarchieën in financiële systemen die geen recht doen aan de manier waarop AI-teams daadwerkelijk zijn opgezet

Door normen voor gegevenskwaliteit vast te stellen voordat je toewijzingsmodellen opstelt, voorkom je een aanzienlijke hoeveelheid extra werk. A Beoordeling van de FinOps-rijpheid is een handige manier om precies vast te stellen waar uw gegevenslacunes zitten, voordat u investeert in tools of procesveranderingen.

Hoe verandert FinOps de aanpak van de toerekening van AI-kosten?

FinOps verandert de toewijzing van AI-kosten door de focus te verleggen van passieve rapportage naar actieve besluitvorming. In plaats van achteraf verantwoording af te leggen over AI-uitgaven, zorgt een FinOps-aanpak ervoor dat kostenbewustzijn wordt ingebed bij de teams die beslissingen nemen over de AI-infrastructuur, waardoor een continue cyclus van inzicht, verantwoordelijkheid en optimalisatie ontstaat.

Het praktische verschil is aanzienlijk. Alleen al het beheer van cloudkosten maakt de uitgaven voor AI zichtbaar. FinOps gaat nog een stap verder door vast te stellen wie verantwoordelijk is voor elke kostenpost, welke beslissingen op basis van die kosten moeten worden genomen en hoe snel die beslissingen moeten worden genomen. Voor AI-workloads betekent dit:

• Technische teams krijgen vrijwel in realtime feedback over de kosten van testruns en implementaties voor inferentie
• De verantwoordelijken van de bedrijfsonderdelen zien duidelijk welke kosten aan AI worden toegerekend en kunnen deze betwisten of bevestigen
• Financiën en IT stemmen hun prognoses op elkaar af voordat er budgetten worden vastgelegd, niet pas nadat de rekeningen zijn binnengekomen
• Beslissingen over optimalisatie, zoals de overstap van on-demand naar gereserveerde GPU-capaciteit, worden genomen met volledige inachtneming van de kosten en prestaties

FinOps biedt ook de governance-laag die bij AI-kostenallocatie in de meeste organisaties ontbreekt. Zonder vastgelegde beslissingsbevoegdheden en een regelmatig evaluatieritme blijven zelfs nauwkeurige kostengegevens onbenut. FinOps zorgt voor het operationele ritme dat gegevens omzet in actie.

Welke tools ondersteunen het in kaart brengen van AI-uitgaven per kostenplaats?

Hulpmiddelen die het in kaart brengen van AI-uitgaven per kostenplaats ondersteunen, vallen uiteen in drie categorieën: native tools van cloudproviders, gespecialiseerde FinOps-platforms en platforms voor IT-financieel beheer. Elk daarvan werkt op een ander detailniveau en richt zich op een andere doelgroep binnen de organisatie.

• In de cloudprovider ingebouwde tools (AWS Cost Explorer, Azure Cost Management, GCP Billing) bieden ruwe factuurgegevens en eenvoudige filtering op basis van tags. Ze vormen een goed uitgangspunt, maar bieden geen aggregatie over verschillende cloudplatforms heen en missen zakelijke context.
• FinOps-platforms zoals Apptio Cloudability, verzamelen factuurgegevens uit meerdere cloudomgevingen, passen toewijzingsregels toe en presenteren kostengegevens in voor het bedrijf relevante overzichten. Ze ondersteunen showback- en chargeback-modellen en kunnen worden geïntegreerd met taggingbeleidsregels om de gegevenskwaliteit te waarborgen.
• ITFM- en TBM-platforms zoals Apptio, dat AI-uitgaven in de cloud koppelt aan de bredere IT-kostentaxonomie, waarbij uitgaven worden in kaart gebracht vanaf het niveau van de resources tot en met de bedrijfsdiensten en -resultaten. Hier sluit de AI-toewijzing aan kostenplaatsen aan op het strategische niveau van het financiële IT-beheer.

De juiste combinatie hangt af van uw omgeving. Organisaties die AI-workloads bij meerdere cloudproviders uitvoeren, hebben doorgaans een FinOps-platform nodig om gegevens te consolideren voordat deze worden ingevoerd in een ITFM-tool voor toewijzing op bedrijfsniveau. Organisaties met slechts één cloudprovider kunnen beginnen met native tools en later overstappen op een speciaal platform naarmate de AI-uitgaven in omvang en complexiteit toenemen.

Hoe wij u helpen om AI-uitgaven toe te wijzen aan kostenplaatsen

Wij helpen organisaties om de overstap te maken van een gefragmenteerd inzicht in AI-kosten naar een nauwkeurige, goed beheerde toewijzing aan kostenplaatsen. Onze aanpak combineert het ontwerpen van FinOps-werkwijzen met de technische en organisatorische maatregelen die nodig zijn om deze toewijzing duurzaam te maken. Concreet ondersteunen wij u bij:

• Taggingstrategie en gegevenskwaliteit: Wij stellen de taggingnormen vast en zien toe op de naleving ervan, waardoor toewijzing op bronnenniveau tussen verschillende cloudproviders mogelijk wordt.
• Ontwerp van het toewijzingsmodel: Wij stellen de regels op die AI-workloads koppelen aan bedrijfsonderdelen, waarbij we – afhankelijk van de mate van datarijpheid binnen uw organisatie – kiezen voor een directe, proportionele of hybride aanpak.
• FinOps-bedrijfsmodel: We stellen het bestuurskader, de rollen en de frequentie van de evaluaties vast waarmee kostengegevens worden omgezet in beslissingen, inclusief de verantwoordingsplicht voor AI-uitgaven op het niveau van de bedrijfsonderdelen.
• Integratie van TBM en FinOps: Met behulp van Apptio koppelen we uw AI-clouduitgaven aan uw bredere financiële IT-beheersstructuur, zodat AI-uitgaven samen met on-premises- en hybride kosten zichtbaar zijn in één overzicht dat is afgestemd op de bedrijfsdoelstellingen.

Of u nu helemaal vanaf nul begint of een bestaande toewijzingsaanpak wilt verbeteren: wij werken nauw samen met uw financiële, IT- en technische teams om een oplossing te ontwikkelen die meegroeit met uw AI-ambities. Neem contact op om te bespreken hoe uw organisatie ervoor staat en wat een concrete volgende stap zou kunnen zijn.