Εξοικονόμηση κόστους AI: Περικοπές SaaS έναντι δαπανών σε tokens
Η απόφαση αυτή τη στιγμή δεν είναι αν πρέπει να αγοράσετε AI. Είναι αν η εξοικονόμηση κόστους από την AI προέρχεται από πραγματική αντικατάσταση λογισμικού ή από ένα προσωρινό τυφλό σημείο στον προϋπολογισμό. Έχω δει και τα δύο. Μια ομάδα ακυρώνει πέντε εργαλεία και αποκτά πιο καθαρές ροές εργασίας. Μια άλλη εγκαθιστά copilots παντού, διατηρεί κάθε παλιά συνδρομή και μετά εκπλήσσεται όταν οι δαπάνες σε tokens μετατρέπονται σε οικονομικό πρόβλημα μέχρι το τρίτο τρίμηνο.
Γι' αυτό το πρόσφατο παράδειγμα της 8x8 έχει σημασία. Σύμφωνα με το ρεπορτάζ του WIRED για τη χρήση του Claude στην 8x8, η εταιρεία αναφέρει ότι μείωσε περίπου 5 εκατομμύρια δολάρια σε ετήσιο κόστος λογισμικού και εργαλείων εκπαίδευσης, ενώ ο ετήσιος λογαριασμός της για το Claude παραμένει πολύ χαμηλότερος από αυτό το ποσό. Την ίδια στιγμή, στελέχη σε εταιρείες όπως η Cisco, η Royal Bank of Canada, η Amplitude και η Box μιλούν δημόσια για προϋπολογισμούς tokens, επιλογή μοντέλων και αυξανόμενη χρήση.
Σύγκριση εξοικονόμησης κόστους AI: αντικατάσταση λογισμικού έναντι αύξησης tokens
Αυτή είναι η σύγκριση που θα παρουσίαζα σε μια ομάδα λειτουργιών πριν γιορτάσουν τις πρώτες νίκες.
| Κριτήριο | Περίπτωση αντικατάστασης SaaS | Περίπτωση αύξησης tokens |
|---|---|---|
| Κύρια πηγή αξίας | Κατάργηση επικαλυπτόμενων συνδρομών | Ταχύτερη παραγωγή από υπάρχουσες ομάδες |
| Επίδραση στον προϋπολογισμό (πρώτες 90 ημέρες) | Συχνά φαίνεται πολύ θετική | Συχνά φαίνεται μικρή, μετά αυξάνεται γρήγορα |
| Κατάλληλες ροές εργασίας | Σύνταξη, έρευνα, σύνοψη, διαλογή υποστήριξης, εσωτερικές ερωτήσεις | |
| Τρόπος αποτυχίας | Οι ομάδες κρατούν παλιά εργαλεία, οπότε δεν προκύπτει εξοικονόμηση | Βαριά χρήση premium μοντέλων για εργασίες χαμηλής αξίας |
| Σημαντική μέτρηση | Καθαρό λογισμικό που αφαιρέθηκε ανά ροή εργασίας | Κόστος ανά ροή εργασίας και ανά ομάδα |
| Αντίδραση οικονομικού τμήματος | Ευχαριστημένοι αν όντως καταργηθούν συμβόλαια | Νευρικότητα αν η χρήση αυξάνεται ταχύτερα από τα έσοδα |
| Λειτουργική απαίτηση | Επανασχεδιασμός ροής εργασίας και καθαρισμός αδειών | Δρομολόγηση, παρακολούθηση, όρια χρήσης, επιλογή μοντέλου |
| Καλύτερη εφαρμογή Encorp | AI Business Process Automation | Συνήθως συνδυάζεται με συνεχή πειθαρχία AI ops |
Η αντιστάθμιση είναι απλή: οι ιστορίες μείωσης κόστους μέσω AI είναι καθαρές μόνο όταν κάποιος αφαιρεί τα παλιά έξοδα. Αν όχι, η AI γίνεται απλώς ένα επιπλέον επίπεδο στη στοίβα τεχνολογίας.
Η 8x8 δείχνει πότε ο αυτοματισμός επιχειρήσεων AI αποδίδει πραγματικά
Η περίπτωση της 8x8 είναι πειστική γιατί δεν είναι αφηρημένη. Οι υπάλληλοι χρησιμοποιούν το Claude για σύνταξη email, ανάλυση σχολίων πελατών και εργασία κώδικα. Αυτές είναι ακριβώς οι κατηγορίες όπου συνήθως βλέπω τον αυτοματισμό επιχειρήσεων AI να δημιουργεί γρήγορη απόσβεση, επειδή βασίζονται σε εργαλεία που οι εταιρείες είχαν ήδη αγοράσει υπερβολικά.
Η βασική λεπτομέρεια δεν είναι ότι το Claude είναι φθηνότερο από τους ανθρώπους. Η βασική λεπτομέρεια είναι ότι το Claude φαίνεται να είναι φθηνότερο από ένα μπερδεμένο σύνολο μεμονωμένων λύσεων. Αυτή είναι μια καλύτερη σύγκριση. Τα οικονομικά τμήματα δεν ενδιαφέρονται αν ένα μοντέλο φαίνεται έξυπνο· ενδιαφέρονται αν η μηνιαία στοίβα μειώθηκε.
Το έχω δει σε ζωντανές εφαρμογές: μόλις μια ομάδα μπορεί να χρησιμοποιήσει ένα επίπεδο AI για βοήθεια στη γραφή, σημειώσεις συναντήσεων, ελαφρά ανάλυση και εσωτερική αναζήτηση, αρκετά εργαλεία χαμηλής συχνότητας γίνονται δύσκολο να δικαιολογηθούν κατά την ανανέωση. Αλλά αυτό λειτουργεί μόνο αν κάποιος κατέχει τη λίστα καθαρισμού. Αν οι προμήθειες, το IT και οι επικεφαλής τμημάτων δεν αφαιρούν ποτέ άδειες, η εξοικονόμηση παραμένει φανταστική.
Γιατί τα tokenomics γίνονται διαφορετικό πρόβλημα σε κλίμακα
Η άλλη πλευρά του τραπεζιού είναι αυτό που πολλές μεγαλύτερες εταιρείες περιγράφουν τώρα δημόσια. Στοιχεία από μεταγραφές της AlphaStreet, όπως αναφέρονται από το TechCrunch, έδειξαν περίπου 300 εταιρείες να συζητούν για tokens AI τον Απρίλιο ή τον Μάιο, από 93 την ίδια περίοδο ένα χρόνο πριν. Η RBC ανέφερε ότι η χρήση tokens αυξήθηκε κατά 500 τοις εκατό μέσα σε έξι μήνες. Ο διευθύνων σύμβουλος της Cisco είπε ότι η χρήση εσωτερικών chatbot γινόταν αρκετά τρελή. Ο Aaron Levie της Box είπε ότι ο προϋπολογισμός tokens είχε γίνει ένα από τα πιο θερμά θέματα.
Αυτό το μοτίβο συμβαδίζει με αυτό που θα περίμενα σε έργα αυτοματισμού ροής εργασιών AI. Μόλις μια εταιρεία ξεπεράσει το περιστασιακό prompting και περάσει σε ενσωματωμένες ροές εργασίας, συμβαίνουν τρία πράγματα γρήγορα:
- Οι όγκοι των prompts αυξάνονται επειδή η χρήση μετατοπίζεται από λίγους ενθουσιώδεις σε ολόκληρες ομάδες.
- Τα παράθυρα πλαισίου (context windows) επεκτείνονται επειδή οι πραγματικές ροές εργασίας χρειάζονται περισσότερα δεδομένα.
- Τα premium μοντέλα εισχωρούν σε εργασίες ρουτίνας επειδή κανείς δεν έθεσε κανόνες δρομολόγησης.
Εδώ είναι που οι υπηρεσίες υλοποίησης AI αρχίζουν να έχουν μεγαλύτερη σημασία από τον γενικό ενθουσιασμό για την AI. Οι ακριβές αποτυχίες σπάνια προκαλούνται από έναν τεράστιο λογαριασμό μοντέλου. Προέρχονται από εκατοντάδες μικρές, επαναλαμβανόμενες κλήσεις που συνδέονται με ροές εργασίας που κανείς δεν τιμολόγησε σωστά.
Ένας κανόνας που χρησιμοποιώ: αν μια ροή εργασίας εκτελείται περισσότερες από 500 φορές την ημέρα, θα πρέπει να γνωρίζετε το μέσο κόστος σε tokens, το εφεδρικό μοντέλο, το ποσοστό αποτυχίας και αν αντικατέστησε ένα παλαιότερο εργαλείο ή απλώς πρόσθεσε μια άλλη εξάρτηση.
Μικρές ομάδες και επιχειρήσεις δεν χτυπούν στον ίδιο τοίχο
Θα σύγκρινα το μέγεθος της εταιρείας με αυτόν τον τρόπο.
Μικρές και μεσαίες ομάδες
Οι μικρότερες ομάδες συχνά βλέπουν πρώτα βελτιώσεις παραγωγικότητας από την AI. Κινούνται πιο γρήγορα, έχουν λιγότερα επίπεδα προμηθειών και μπορούν να αποσύρουν λογισμικό γρήγορα. Ένα brand λιανικής όπως το Baseball Lifestyle 101 μπορεί να δικαιολογήσει επιθετικές δαπάνες AI αν μια ταχύτερη ροή εργασίας βοηθήσει στην εξασφάλιση μιας παραγγελίας 1 εκατομμυρίου δολαρίων, όπως ανέφερε το TechCrunch. Σε αυτή την περίπτωση, ο λογαριασμός των tokens μπορεί να αυξηθεί, αλλά τα έσοδα μπορούν να τον ξεπεράσουν.
Η αδυναμία είναι η πειθαρχία στη διαδικασία. Οι μικρότερες εταιρείες συχνά χρησιμοποιούν ένα μοντέλο για τα πάντα, παραλείπουν την επισήμανση χρήσης και αφήνουν τις δαπάνες να κρύβονται μέσα σε μια εταιρική κάρτα για πολύ καιρό.
Μεγάλες επιχειρήσεις
Οι μεγαλύτερες εταιρείες συνήθως έχουν καλύτερους ελέγχους, αλλά χειρότερη διασπορά. Η Meta, η Uber και η Salesforce έχουν αναφέρει δημόσια ανησυχίες σχετικά με την πίεση κόστους της παραγωγικής AI με διαφορετικούς τρόπους, επειδή οι μεγάλες υποδομές δημιουργούν διπλότυπα εργαλεία, επικαλυπτόμενα πιλοτικά προγράμματα και αργό καθαρισμό συμβολαίων. Η χρήση AI στις επιχειρήσεις εξαπλώνεται επίσης άνισα. Μια ομάδα παίρνει αξία· μια άλλη γίνεται το σημείο συμφόρησης.
Στην πράξη, το πρόβλημα της μεγάλης επιχείρησης δεν είναι η πρόσβαση σε μοντέλα. Είναι η διατήρηση των υπηρεσιών ενσωμάτωσης AI ευθυγραμμισμένων με τα οικονομικά, το IT και τις λειτουργίες, ώστε η εταιρεία να μην πληρώνει δύο φορές για το ίδιο αποτέλεσμα.
Οι λειτουργικές αντιστάθμισες που οι περισσότεροι αγοραστές χάνουν
Εδώ είναι οι αντιστάθμισες που βλέπω συνεχώς στο πεδίο.
Όταν η AI αντικαθιστά τις δαπάνες λογισμικού
Η εξοικονόμηση διατηρείται όταν το επίπεδο AI απορροφά εργασία που παλαιότερα βρισκόταν σε ξεχωριστές συνδρομές: βοηθοί γραφής, περιληπτές συναντήσεων, εσωτερική αναζήτηση γνώσης, βασικοί βοηθοί ανάλυσης και ορισμένα εργαλεία υποστήριξης. Αυτός είναι ο καθαρότερος δρόμος για εξοικονόμηση κόστους από την AI.
Όταν η AI γίνεται ένα νέο στοιχείο κόστους
Το κόστος ανεβαίνει όταν οι ομάδες προσθέτουν AI σε ήδη ακριβά συστήματα χωρίς να καταργούν τίποτα. Η συνηθισμένη εκδοχή είναι μια εταιρεία που πληρώνει για CRM, πλατφόρμα υποστήριξης, επίπεδο BI, εργαλείο γνώσης, βοηθό κωδικοποίησης και στη συνέχεια ένα μοντέλο γενικής χρήσης πάνω από όλα αυτά.
Όταν η επιλογή μοντέλου έχει μεγαλύτερη σημασία από την ποιότητα του prompt
Πολλές ομάδες εστιάζουν υπερβολικά στο prompting και υποτιμούν τη δρομολόγηση. Σε μια συνεργασία με πελάτη, η μεγαλύτερη εξοικονόμηση προήλθε από την αποστολή εργασιών ταξινόμησης χαμηλού κινδύνου σε ένα φθηνότερο μοντέλο και τη διατήρηση του premium μοντέλου για ειδικές περιπτώσεις. Ίδιο αποτέλεσμα ροής εργασίας, χαμηλότερο μοναδιαίο κόστος.
Όταν η εξοικονόμηση εργασίας είναι πραγματική αλλά δύσκολο να καταγραφεί
Ο χρόνος που εξοικονομείται δεν μετατρέπεται αυτόματα σε εξοικονόμηση στα αποτελέσματα χρήσης (P&L). Αν οι υπάλληλοι χρησιμοποιούν την AI για να κινηθούν πιο γρήγορα αλλά η εταιρεία δεν αλλάζει τα σχέδια στελέχωσης, τα επίπεδα υπηρεσιών ή τους στόχους απόδοσης, το κέρδος είναι πραγματικό λειτουργικά αλλά αόρατο οικονομικά. Αυτό είναι χρήσιμο, αλλά δεν είναι το ίδιο με το κόστος που αφαιρέθηκε.
Ετυμηγορία: επιλέξτε αντικατάσταση SaaS αν θέλετε καθαρή εξοικονόμηση, επιλέξτε κλίμακα tokens αν η ταχύτητα είναι η προτεραιότητα
Αν έπρεπε να το συνοψίσω σε μια ετυμηγορία για τον χειριστή, θα ήταν αυτή: επιλέξτε τη διαδρομή αντικατάστασης SaaS αν θέλετε την πιο καθαρή και γρήγορη εξοικονόμηση κόστους από την AI. Επιλέξτε τη διαδρομή κλίμακας tokens αν ο στόχος είναι η απόδοση, η ταχύτητα κωδικοποίησης ή η αύξηση εσόδων, και να είστε έτοιμοι να το διαχειριστείτε σαν υποδομή.
Το λάθος είναι η ανάμειξη των ιστοριών. Μην λέτε στο οικονομικό τμήμα ότι αυτό είναι ένα πρόγραμμα εξοικονόμησης αν δεν αφαιρείτε άδειες. Μην λέτε στις λειτουργίες ότι αυτό είναι ένα πρόγραμμα ταχύτητας αν κάθε ροή εργασίας αναγκάζεται να περάσει από το πιο ακριβό μοντέλο.
Οι ομάδες που το κάνουν σωστά αντιμετωπίζουν την AI σαν ένα χαρτοφυλάκιο ροών εργασίας, όχι σαν μια ενιαία συνδρομή. Μετρούν το κόστος ανά ροή εργασίας, το λογισμικό που αποσύρθηκε, το μείγμα μοντέλων και την υιοθέτηση ανά ομάδα. Εκεί είναι που ο αυτοματισμός επιχειρήσεων AI μετατρέπεται από μια ενδιαφέρουσα αξία επίδειξης σε διαρκή λειτουργική αξία.
Σχετικά αναγνώσματα
Martin Kuvandzhiev
CEO and Founder of Encorp.io with expertise in AI and business transformation