Verzonken kosten bij een AI-investering moeten buiten beschouwing worden gelaten wanneer ze geen voorspellende waarde meer hebben voor de toekomst. Zodra geld is uitgegeven en niet meer kan worden terugverdiend, is het niet langer relevant voor toekomstgerichte beslissingen. Het gaat erom of het voortzetten van de investering meer waarde oplevert dan het stopzetten ervan, niet om hoeveel er al is uitgegeven. Dit onderscheid geldt voor elke beslissing over een technologie-investering, maar het is van bijzonder belang bij AI-projecten, waar de kosten snel oplopen en de resultaten moeilijk te meten kunnen zijn. In de onderstaande paragrafen worden de meest voorkomende vragen behandeld waarmee IT-leiders worden geconfronteerd wanneer ze moeten beoordelen of ze een AI-initiatief moeten voortzetten, bijsturen of stopzetten.
Wat maakt een investering in AI eigenlijk tot een oninbare kostenpost?
Onder ‘verzonken kosten’ bij een AI-investering wordt verstaan: alle uitgaven die al zijn gedaan en die niet meer kunnen worden terugverdiend, ongeacht welke beslissing je vervolgens neemt. Hieronder vallen reeds betaalde licentiekosten, reeds gefactureerde uren van consultants, reeds ingerichte infrastructuur en tijd die het interne team al heeft besteed aan ontwerp en ontwikkeling. Zodra deze middelen zijn verbruikt, zijn ze voorgoed verdwenen, of het project nu doorgaat of niet.
Dit onderscheid is belangrijk omdat niet alle uitgaven uit het verleden in aanmerking komen. Als je hebt betaald voor een abonnement op een cloudplatform dat volgende maand kan worden opgezegd, zijn de resterende maanden vermijdbare kosten, geen verzonken kosten. Als je een model hebt getraind op basis van eigen gegevens en dat model voor andere doeleinden kan worden ingezet, kunnen de kosten voor het trainen van het model nog steeds waarde hebben voor de toekomst. Het denken in termen van verzonken kosten is specifiek van toepassing op het deel van de investering dat werkelijk oninhaalbaar is en daarom geen enkele rol mag spelen in uw volgende beslissing.
In de praktijk lopen bij veel AI-projecten de oninbare kosten sneller op dan verwacht. De kosten voor rekenkracht bij het trainen van modellen, de integratiewerkzaamheden om AI-output aan bestaande systemen te koppelen en de inspanningen op het gebied van verandermanagement om teams voor te bereiden op de invoering: al deze kosten zijn doorgaans niet terugvorderbaar zodra ze zijn gemaakt. Inzien welke kosten onder deze categorie vallen, is de eerste stap naar een duidelijkere besluitvorming.
Hoe beïnvloedt de ‘sunk cost’-misvatting de besluitvorming bij AI-projecten?
De ‘sunk cost’-misvatting zorgt ervoor dat besluitvormers een AI-investering voortzetten, voornamelijk vanwege wat er al is uitgegeven, in plaats van vanwege wat de investering in de toekomst zal opleveren. Bij AI-projecten komt deze vertekening bijzonder vaak voor, omdat de initiële uitgaven vaak omvangrijk, zichtbaar en politiek gevoelig zijn, waardoor het psychologisch moeilijk is om te erkennen dat de investering niet het gewenste resultaat oplevert.
Deze denkfout komt tot uiting in verschillende herkenbare patronen. Het management kan extra budget goedkeuren om de oorspronkelijke investering te “beschermen”, waarbij voortgezette uitgaven worden gepresenteerd als noodzakelijk om verspilling van eerdere investeringen te voorkomen. Teams kunnen halverwege het project de succescriteria aanpassen om teleurstellende resultaten acceptabel te laten lijken. Belanghebbenden kunnen een besluit tot koerswijziging of annulering uitstellen, in de hoop dat meer tijd de oorspronkelijke toezegging zal rechtvaardigen.
Voor leidinggevenden op het gebied van IT en financiën zijn de organisatorische kosten van deze verstoring aanzienlijk. Middelen die vastzitten in een mislukt AI-initiatief zijn middelen die niet beschikbaar zijn voor initiatieven die wel echt rendement zouden kunnen opleveren. Wanneer Kostenbeheer met behulp van AI Bij gebrek aan een gestructureerd kader vult de ‘sunk cost’-misvatting vaak het vacuüm in de besluitvorming, met als gevolg dat er verder wordt geïnvesteerd in projecten die bij een rationele analyse al zouden zijn stopgezet.
Welke signalen geven aan dat het tijd is om een investering in AI stop te zetten?
Je zou moeten overwegen om te bezuinigen op een AI-investering wanneer de toekomstgerichte argumenten voor voortzetting zwakker zijn dan de argumenten om te stoppen of de middelen anders in te zetten. Er zijn verschillende concrete signalen die in die richting wijzen, en geen daarvan hangt af van hoeveel er al is uitgegeven.
- De gebruikssituatie is veranderd: Het bedrijfsprobleem dat de AI moest oplossen, is veranderd, heeft minder prioriteit gekregen of is op een andere manier opgelost. De voortdurende investeringen zijn nu gericht op een probleem dat geen strategisch belang meer heeft.
- De prestaties zijn gestagneerd onder de drempel voor waarde: Het model of systeem vertoont geen noemenswaardige verbetering en het huidige outputniveau voldoet niet aan de minimumnorm voor operationele bruikbaarheid.
- De adoptieprocedure is vastgelopen: De beoogde gebruikers maken geen gebruik van het systeem en er is geen geloofwaardig plan om daar verandering in te brengen. Een AI-tool waar mensen omheen werken, levert geen zakelijke meerwaarde op, hoe geavanceerd deze technisch ook is.
- De kosten-batenverhouding is consequent negatief: De lopende kosten voor rekenkracht, onderhoud en ondersteuning overschrijden de meetbare voordelen die worden gegenereerd, en er is geen realistisch optimalisatietraject waarmee die kloof kan worden gedicht.
- De alternatieve kosten stijgen: De middelen die voor dit initiatief zijn uitgetrokken, zouden aanzienlijk meer waarde kunnen opleveren als ze aan een ander project zouden worden besteed.
De uitdaging is dat deze signalen vaak al zichtbaar zijn voordat organisaties er actie op ondernemen. Door een regelmatig ritme voor het evalueren van beslissingen in te bouwen in uw governanceproces voor AI-investeringen, kunt u deze indicatoren aan het licht brengen voordat de kloof tussen kosten en waarde te groot wordt om nog te negeren.
Wanneer moet eerdere uitgaven aan AI nog steeds van invloed zijn op de beslissing?
Eerdere uitgaven aan AI zouden je beslissing alleen moeten beïnvloeden als ze een activa vormen die de economische afweging tussen doorgaan en stoppen verandert. Dit is iets anders dan je beslissing laten bepalen door verzonken kosten. Het gaat erom te erkennen dat sommige eerdere investeringen een terug te verdienen of herbruikbare waarde opleveren.
Relevante voorbeelden zijn onder meer een getraind model dat kan worden hergebruikt voor een verwante toepassing, een datapijplijn die voor één AI-toepassing is gebouwd en nu meerdere systemen bedient, of integratiewerkzaamheden die de kosten van de implementatie van toekomstige AI-mogelijkheden verlagen. In deze gevallen hebben de eerdere uitgaven iets opgeleverd dat blijvend nut heeft, en dat nut wordt terecht meegenomen in de toekomstgerichte analyse.
De toets is eenvoudig: levert de eerdere investering een specifiek, meetbaar voordeel op dat er niet zou zijn als je vandaag helemaal opnieuw zou beginnen? Zo ja, dan hoort dat voordeel mee in je beslissingsanalyse. Als het enige argument om door te gaan is dat je al veel geld hebt uitgegeven, dan is dat de ‘sunk cost fallacy’ (de misvatting van de verzonken kosten), en moet je dat argument buiten beschouwing laten.
Hoe wordt in kaders voor financieel IT-beheer omgegaan met de analyse van oninbare kosten?
Kaders voor financieel beheer in de IT pakken de analyse van verzonken kosten aan door historische uitgaven te scheiden van toekomstgerichte investeringsbeslissingen en door bestuursstructuren op te zetten die deze scheiding waarborgen. Kaders zoals Technology Business Management (TBM) en FinOps bieden het inzicht in de kosten en de verantwoordingsplicht bij besluitvorming die nodig zijn om AI-investeringen te beoordelen op basis van hun toekomstige waarde in plaats van op basis van hun uitgaven in het verleden.
Binnen een TBM-raamwerk worden IT-kosten gekoppeld aan bedrijfsdiensten en -resultaten. Hierdoor kan een AI-investering niet alleen worden beoordeeld op basis van de kosten, maar ook op basis van de daadwerkelijke bedrijfswaarde die deze oplevert in verhouding tot de lopende exploitatiekosten. Wanneer uit die koppeling een consistente kloof blijkt, ondersteunt het raamwerk een gestructureerd gesprek over de vraag of men moet doorgaan, van koers moet veranderen of moet stoppen, gebaseerd op gegevens in plaats van op organisatorische politiek.
FinOps-werkwijzen bieden extra realtime inzicht in de kosten, wat met name van belang is voor AI-workloads die op cloudinfrastructuur draaien. Door de kosten voor rekenkracht, opslag en API's tot in detail bij te houden, maakt FinOps het eenvoudiger om onderscheid te maken tussen terug te verdienen en niet-terug te verdienen uitgaven, en om de toekomstige kosten van het voortzetten van een AI-initiatief af te zetten tegen de kosten van alternatieven. Dit is precies het soort inzicht dat klaar is voor besluitvorming en dat voorkomt dat ‘sunk cost’-redeneringen de leemte opvullen die ontstaat door gebrekkig financieel inzicht.
Waarop zou een investeringsbeslissing op het gebied van AI dan wel gebaseerd moeten zijn?
Een investeringsbeslissing op het gebied van AI moet worden gebaseerd op de verwachte toekomstige waarde van voortzetting, afgezet tegen het beste alternatieve gebruik van die middelen. Dit betekent dat de verwachte resultaten moeten worden beoordeeld, en niet de uitgaven uit het verleden. De relevante uitgangspunten zijn toekomstgericht: wat zal deze investering opleveren, tegen welke doorlopende kosten, met welke kans op succes, in vergelijking met wat je anders zou kunnen doen met hetzelfde budget en dezelfde teamcapaciteit.
Bij een gestructureerde evaluatie wordt doorgaans rekening gehouden met vier factoren:
- Toekomstig voordeel: Welk meetbaar bedrijfsresultaat levert voortdurende investering realistisch gezien op, en binnen welk tijdsbestek?
- Resterende kosten: Wat gaat het kosten om dat resultaat te bereiken, inclusief rekenkracht, personeel, integratie en verandermanagement?
- Risicogecorrigeerde waarschijnlijkheid: Hoe waarschijnlijk is het dat het project dat resultaat zal opleveren, gezien de huidige prestaties, de capaciteiten van het team en de marktomstandigheden?
- Alternatieve kosten: Wat is de op één na beste bestemming voor die middelen, en hoe scoort die op dezelfde drie aspecten?
Dit kader is van toepassing, of je nu een nieuw AI-initiatief evalueert of beslist of je een reeds lopend initiatief voortzet. Het bedrag dat al is uitgegeven, speelt bij geen van deze vier factoren een rol, en dat is nu juist het punt.
Hoe wij u helpen betere beslissingen te nemen over investeringen in AI
Bij It’s Value helpen we organisaties bij het opzetten van financiële transparantie en bestuursstructuren die rationele investeringsbeslissingen op het gebied van AI mogelijk maken. Wanneer IT-kosten ondoorzichtig zijn en de verantwoordelijkheid voor beslissingen onduidelijk is, overheerst vaak de ‘sunk cost’-redenering, omdat er geen gestructureerd alternatief is. Wij brengen daar verandering in door kostengegevens te koppelen aan bedrijfsresultaten en door besluitvormingskaders op te zetten die toekomstgerichte analyses ondersteunen.
Concreet ondersteunen we investeringsbeslissingen op het gebied van AI door middel van:
- Implementatie van FinOps: Realtime inzicht in de kosten van AI-workloads in verschillende cloudomgevingen, zodat u altijd weet wat u uitgeeft en wat dit oplevert
- Integratie van TBM en FinOps: Cloudkostengegevens koppelen aan kaders voor bedrijfswaarde, zodat investeringsbeslissingen worden gebaseerd op een analyse van de resultaten in plaats van op historische uitgaven
- Rapportage op basis waarvan direct beslissingen kunnen worden genomen: Bestuursstructuren en rapportagefrequenties die de signalen aan het licht brengen die je nodig hebt om in te grijpen voordat de kloof tussen kosten en waarde onbeheersbaar wordt
- Beoordeling van de FinOps-rijpheid: Een gestructureerd uitgangspunt om inzicht te krijgen in de huidige stand van zaken op het gebied van AI en cloudgebaseerd financieel beheer binnen uw organisatie, en om te bepalen waar de meest waardevolle verbeteringen te realiseren zijn
Als u voor een investeringsbeslissing op het gebied van AI staat en een duidelijker beeld wilt krijgen van waar de waarde daadwerkelijk ligt, neem contact met ons op om te bespreken hoe we u kunnen helpen.