Welke kostenposten moeten in een businesscase voor AI worden opgenomen?

Een businesscase voor AI moet de kosten in vijf hoofdcategorieën omvatten: data-infrastructuur, modelontwikkeling of licenties, rekenkracht en cloudresources, integratie en verandermanagement, en doorlopende bedrijfsvoering. Deze onderdelen zijn van toepassing, of je nu een model op maat ontwikkelt, een oplossing van een leverancier aanschaft of voor een hybride aanpak kiest. In de onderstaande paragrafen wordt elk kostengebied gedetailleerd uitgesplitst en wordt uitgelegd hoe u deze kunt structureren voor een geloofwaardige businesscase die klaar is voor de raad van bestuur.

Waarin verschilt kostenraming met behulp van AI van traditionele IT-projecten?

Kostenramingen voor AI zijn complexer dan bij traditionele IT-projecten, omdat AI-systemen niet-lineaire, gebruiksafhankelijke kostenstructuren hebben die zich na de implementatie voortdurend verder ontwikkelen. In tegenstelling tot een vaste software-implementatie met een duidelijk afgebakende omvang, gaan AI-projecten gepaard met iteratief experimenteren, een gegevensafhankelijke infrastructuur en voortdurend modelonderhoud, waardoor ramingen vooraf inherent onzeker zijn.

Traditionele IT-projecten volgen relatief voorspelbare kostenpatronen: licenties, implementatie-uren, hardware en ondersteuningscontracten. AI-projecten brengen een aantal structurele verschillen met zich mee die het inschatten van de kosten bemoeilijken:

• Experimentkosten zijn reële kosten. Modelselectie, prompt-engineering, fijnafstemming en evaluatie vergen allemaal rekenkracht en technische inspanningen nog voordat er ook maar één regel productiecode is geschreven.
• Het voorbereiden van gegevens is vaak de grootste verborgen kostenpost. Het opschonen, labelen en structureren van gegevens voor AI-training of -opvraging kan al snel meer kosten dan het model zelf.
• De kosten voor het trekken van conclusies nemen toe naarmate het gebruik toeneemt. Elke API-aanroep, elke zoekopdracht en elke geautomatiseerde uitvoer brengt marginale kosten met zich mee die zich opstapelen naarmate het gebruik toeneemt.
• Modellen verliezen na verloop van tijd hun waarde. In tegenstelling tot traditionele software veranderen de resultaten van AI naarmate de gegevens uit de praktijk veranderen, waardoor er periodieke hertraining en voortdurende monitoring nodig zijn.

Deze dynamiek houdt in dat een statisch projectbudget zelden toereikend is. De investeringskosten voor AI moeten worden gemodelleerd als een bereik met vastgestelde aannames, en niet als een schatting op basis van één enkel cijfer.

Wat zijn de belangrijkste kostenposten van een businesscase voor AI?

De belangrijkste kostenposten van een AI-businesscase zijn data en infrastructuur, modelontwikkeling of -aankoop, rekenkracht, integratie en verandermanagement, en de lopende exploitatie. Een volledige kostenuitsplitsing van een AI-project omvat alle vijf categorieën, zowel tijdens de ontwikkelingsfase als in de levenscyclus na de implementatie.

Gegevens en infrastructuur

Dit omvat het verzamelen, opschonen, labelen en opslaan van gegevens. Organisaties onderschatten vaak hoeveel technische inspanning er nodig is om gegevens bruikbaar te maken voor AI. RAG-architecturen (Retrieval-Augmented Generation) brengen naast de standaardopslagkosten ook kosten voor vector-databases met zich mee.

Modelontwikkeling of licentieverlening

Als u een model op maat bouwt, bestaan de kosten uit de tijd die wordt besteed aan data science en ML-engineering, de rekenkracht voor trainingsruns en de tools voor het bijhouden van experimenten. Als u een licentie neemt op een basismodel of een SaaS-AI-product, verschuiven de kosten naar API-tarieven, gebruikerslicenties en de winstmarge van de leverancier op de onderliggende rekenkracht.

Computer- en cloudbronnen

GPU-rekenkracht voor training en inferentie vormt doorgaans de kostenpost met de grootste variatie. Cloudproviders hanteren verschillende tarieven voor on-demand- en gereserveerde capaciteit, en de kosten voor inferentie zijn sterk afhankelijk van de omvang van het model, het aantal tokens en de vereisten op het gebied van latentie. Dit is waar FinOps-werkwijzen creëer directe meerwaarde door het cloudverbruik te monitoren en te optimaliseren voordat het uit de hand loopt.

Integratie en verandermanagement

Het koppelen van een AI-systeem aan bestaande workflows, API’s en gegevensbronnen vergt een aanzienlijke technische inspanning. Verandermanagement, gebruikerstraining en het herontwerpen van processen zijn eveneens reële kosten die in businesscases vaak volledig buiten beschouwing worden gelaten.

Lopende activiteiten

Monitoring, bijscholing, modelversiebeheer, beveiligingsbeoordelingen en nalevingsaudits zijn terugkerende kosten die in elke eerlijke berekening van de totale eigendomskosten moeten worden meegenomen.

Welke AI-kosten worden het vaakst onderschat?

De AI-kosten die het vaakst worden onderschat, zijn het voorbereiden van gegevens, inferentie op grote schaal, modelonderhoud en verandermanagement. De meeste organisaties richten zich bij hun eerste schattingen vooral op modelontwikkeling en zien de operationele fase na de implementatie over het hoofd.

In de praktijk worden organisaties steevast op het verkeerde been gezet door deze vier kostenposten:

1. Gegevensvoorbereiding en -kwaliteit. Ruwe gegevens zijn vrijwel nooit direct geschikt voor AI. Het toekennen van labels, het verwijderen van dubbele gegevens, het standaardiseren van bestandsformaten en het opzetten van een beheerraamwerk kunnen bij gegevensintensieve toepassingen 40 tot 70 procent van de totale projectinspanning in beslag nemen.
2. Inferentiekosten op productieschaal. Een prototype waarvan de exploitatiekosten bijna nihil zijn, kan duur uitvallen wanneer het voor duizenden gebruikers wordt ingezet of in geautomatiseerde workflows met een hoge frequentie wordt geïntegreerd. Prijsmodellen op basis van tokens lopen snel op.
3. Modelverschuivingen en hertrainingscycli. AI-modellen moeten opnieuw worden getraind of verfijnd naarmate de onderliggende gegevensverdelingen veranderen. Dit zijn terugkerende operationele kosten, geen eenmalige projectkosten.
4. Beheer van organisatieveranderingen. De invoering verloopt niet vanzelf. Het herontwerpen van processen, rolwijzigingen, opleidingsprogramma’s en interne communicatie brengen allemaal reële kosten met zich mee die in de businesscase moeten worden meegenomen.

Door deze posten expliciet mee te nemen, op basis van voorzichtige aannames, wordt de geloofwaardigheid van uw AI-businesscase juist versterkt in plaats van verzwakt. Besturen en financiële teams reageren positiever op een gedetailleerd kostenoverzicht dan op een begroting die hen na de lancering voor verrassingen stelt.

Hoe moeten de lopende operationele kosten van AI in een businesscase worden gestructureerd?

De lopende operationele kosten voor AI moeten worden gestructureerd als een terugkerende jaarlijkse kostenpost die rekenkracht en inferentie, modelonderhoud, monitoring en naleving, en platform- of leverancierskosten omvat. Door eenmalige ontwikkelingskosten te scheiden van terugkerende exploitatiekosten krijgen de financiële afdeling en het management een duidelijk beeld van de totale eigendomskosten van AI over een periode van meerdere jaren.

Een praktische opbouw voor het onderdeel ‘operationele kosten’ van een businesscase voor AI ziet er als volgt uit:

• Reken- en inferentiekosten: Geschatte maandelijkse uitgaven voor clouddiensten op basis van het verwachte gebruiksvolume, waarbij de groeiverwachting is gekoppeld aan prognoses voor de acceptatiegraad.
• Onderhoud van het model: Technische uren voor geplande bijscholing, fijnafstemming en versiebeheer, uitgedrukt als een toewijzing in FTE per kwartaal of per jaar.
• Monitoring en observeerbaarheid: Kosten voor apparatuur en ontwikkelingstijd voor het bewaken van de uitvoerkwaliteit, het opsporen van afwijkingen en het bijhouden van prestaties.
• Beveiliging en naleving: Auditcycli, beoordelingen van gegevensbescherming en controles op naleving van regelgeving, die met name van belang zijn voor AI-toepassingen in de financiële sector, de gezondheidszorg of de publieke sector.
• Kosten voor verkopers en platforms: API-abonnementen, SaaS-licenties en ondersteuningscontracten die onafhankelijk van het gebruiksvolume worden verlengd.

Door deze cijfers te presenteren als prognoses voor jaar één, jaar twee en jaar drie, kunnen besluitvormers de investering gemakkelijker afwegen tegen de verwachte voordelen op de lange termijn, in plaats van AI te beschouwen als een eenmalige kapitaaluitgave.

Hoe kun je de voordelen kwantificeren om de investeringskosten voor AI te rechtvaardigen?

Je kwantificeert de voordelen van AI door operationele verbeteringen om te zetten in financiële termen: tijdwinst vermenigvuldigd met de arbeidskosten, foutvermindering vermenigvuldigd met de kosten per fout, en omzetstijging gekoppeld aan specifieke, door AI gerealiseerde resultaten. De berekening van de voordelen moet gebaseerd zijn op referentiemetingen, niet op ambitieuze schattingen.

Een betrouwbare berekening van het rendement op investering (ROI) van AI omvat doorgaans drie categorieën van voordelen:

Efficiëntie en kostenbesparing

Breng processen in kaart waarbij AI de handmatige inspanning vermindert. Bereken hoeveel uur per week hiermee wordt bespaard, vermenigvuldig dit met de totale kosten van de betrokken functies en reken het bedrag om naar een jaarcijfer. Hanteer een conservatieve benadering en houd rekening met een opstartperiode voordat de volledige productiviteitswinst wordt gerealiseerd.

Kwaliteit en risicobeperking

Wanneer AI het aantal fouten, nalevingsproblemen of herwerkingscycli vermindert, maak dan een schatting van de kosten van die problemen in de huidige situatie en modelleer de vermindering. Dit is met name relevant voor toepassingen op het gebied van documentverwerking, fraudedetectie of kwaliteitscontrole.

Omzet en groeibevordering

Als AI zorgt voor een snellere levering van producten, een betere klantervaring of nieuwe dienstverleningsmogelijkheden, koppel het voordeel dan aan een specifieke omzetveronderstelling. Deze categorie vereist de meeste aandacht en moet worden gepresenteerd met expliciete veronderstellingen en gevoeligheidsbereiken, in plaats van als één enkel cijfer.

Door de voordelen in bandbreedtes weer te geven in plaats van als exacte schattingen, en door de aannames achter elk cijfer duidelijk te vermelden, wordt de businesscase beter verdedigbaar wanneer deze door de financiële afdeling of de raad van bestuur ter discussie wordt gesteld.

Welke kostenverschillen zijn er tussen de benaderingen ‘zelf bouwen’, ‘kopen’ en ‘hybride AI’?

Bij ‘build’-benaderingen zijn de ontwikkelingskosten in het begin hoger, maar bieden ze op de lange termijn meer flexibiliteit. Bij ‘buy’-benaderingen verschuiven de kosten naar licentiekosten en afhankelijkheid van leveranciers. Bij hybride benaderingen worden de kosten over beide aspecten verdeeld, maar neemt de complexiteit van de integratie toe. De juiste keuze hangt af van het unieke karakter van uw gebruikssituatie, uw interne AI-capaciteiten en uw bereidheid om u aan een leverancier te binden.

Hieronder ziet u hoe het kostenprofiel verschilt tussen de drie benaderingen:

• Ontwikkeling (ontwikkeling van maatwerkmodellen): Hoge initiële investering in data science-talent, rekenkracht en tools. Lagere marginale kosten per inferentie als je zelf de infrastructuur bezit. Volledige controle over het model, maar ook volledige verantwoordelijkheid voor onderhoud, hertraining en naleving van regelgeving.
• Kopen (van een leverancier of een SaaS-AI-product): Lagere initiële kosten en een snellere terugverdientijd. De kosten zijn in de beginfase beter voorspelbaar, maar kunnen onvoorspelbaar stijgen naarmate het gebruik toeneemt. Wijzigingen in de prijzen van leveranciers, contractvoorwaarden en overwegingen op het gebied van gegevensbescherming brengen financiële risico’s op de lange termijn met zich mee.
• Hybride (basismodel plus aangepaste verfijning of RAG): Combineert API- of licentiekosten met interne investeringen in ontwikkeling. Biedt een middenweg tussen snelheid en maatwerk, maar brengt integratiekosten en afhankelijkheid van zowel externe als interne componenten met zich mee.

Voor de meeste grote organisaties komt de hybride aanpak steeds vaker voor, omdat teams hierdoor gebruik kunnen maken van krachtige basismodellen zonder helemaal vanaf nul te hoeven beginnen, terwijl ze de resultaten toch kunnen afstemmen op hun eigen gegevens en workflows. Bij de kostenopbouw van een AI-project met een hybride aanpak moet tegelijkertijd rekening worden gehouden met zowel de kosten van de leverancier als de interne engineering.

Hoe wij u helpen bij het opstellen van een complete businesscase voor AI

Om een geloofwaardige businesscase voor AI op te stellen, is meer nodig dan alleen een spreadsheet. Er is financiële transparantie nodig over de volledige kostenstroom van de technologie, van cloudcomputing tot leverancierscontracten en interne arbeidskosten, en het vermogen om die kosten te koppelen aan meetbare bedrijfsresultaten.

Wij helpen organisaties precies dat te doen via onze diensten op het gebied van IT-financieel beheer en FinOps:

• Wij bieden u volledig inzicht in de uitgaven op het gebied van cloud en AI bij AWS, Azure en GCP, inclusief kosten voor inferentie, opslag en ondersteuning – kosten die in standaardfactureringsrapporten vaak over het hoofd worden gezien.
• Wij helpen u de AI-kosten toe te wijzen aan de juiste bedrijfsonderdelen, producten of initiatieven, zodat de verantwoordelijkheid vanaf dag één duidelijk is.
• Wij ondersteunen de afweging tussen zelf ontwikkelen en inkopen door de totale eigendomskosten van verschillende benaderingen voor het inkopen van AI in kaart te brengen, inclusief de operationele staartkosten die vaak over het hoofd worden gezien.
• We integreren AI-kostengegevens in uw bredere kader voor IT-financieel beheer, zodat AI-investeringen met dezelfde nauwkeurigheid worden beoordeeld als alle andere technologische uitgaven.
• Wij runnen een Beoordeling van de FinOps-rijpheid waarin wordt vastgesteld hoe uw organisatie er momenteel voor staat op het gebied van kostenbeheer voor cloud en AI, en welke stappen de meest directe meerwaarde opleveren.

Als u een businesscase voor AI opstelt en ervoor wilt zorgen dat de kostencomponenten volledig zijn, de aannames over de voordelen onderbouwd zijn en de financiële structuur de toetsing door de raad van bestuur kan doorstaan, neem contact met ons op om te bespreken hoe we u kunnen helpen.