Kunstmatige intelligentie opschalen: de dringende noodzaak van een nieuwe economische strategie.

Het heersende beeld van AI in het bedrijfsleven verschuift snel van het enthousiasme van de pilotfase naar de harde realiteit van de productie. Terwijl organisaties zich haasten om generatieve AI in hun workflows te integreren, stuiten ze op een obstakel dat niet zozeer in de mogelijkheden van de technologie zelf ligt, maar eerder in de manier waarop deze modellen moeten worden ingezet.

Bedrijven ontdekken steeds vaker dat het probleem niet zozeer kunstmatige intelligentie zelf is, maar eerder de aanname dat elke taak het krachtigste beschikbare model vereist. Dit heeft geleid tot het wijdverbreide fenomeen van "tokenmaxxing"—de neiging om standaard grotere, duurdere modellen te gebruiken, zelfs wanneer een kleiner, goedkoper model de taak ook zou kunnen uitvoeren.

In plaats van het juiste model aan de juiste taak te koppelen, gaan veel organisaties ervan uit dat elke workflow inferentiële kracht vereist op het niveau van toonaangevende modellen.

Deze overmatige complexiteit van automatisering legt een structurele druk op de winstgevendheid. Wanneer bedrijven elk probleem benaderen alsof het een baanbrekend model vereist, wegen de infrastructuurkosten onvermijdelijk zwaarder dan de waarde van het resultaat.

De markt ondervindt de gevolgen van deze aanpak, met rapporten die aangeven dat grote organisaties hun AI-budgetten binnen enkele maanden volledig hebben uitgeput en interne licenties opzeggen naarmate de kosten stijgen.

Nu organisaties worstelen met de kostenstijging van AI, wordt het duidelijk dat de uitgaven aan AI vaak de concrete waarde die het oplevert overstijgen. Deze uitdaging vraagt ​​om nieuwe strategieën, zoals besproken in een eerder artikel over de afname van AI-uitgaven.

De valkuil van proefprojecten vermijden

Het fundamentele probleem is dat het succes van geïsoleerde, gecontroleerde pilotprojecten vaak als de standaard wordt beschouwd voor huidige AI-initiatieven binnen bedrijven. In een pilotproject zijn de variabelen beperkt en lijken de kosten per bewerking beheersbaar. Maar zodra de deuren worden geopend voor gebruik op bedrijfsniveau, komt de chaotische realiteit van productie, uitzonderlijke situaties, meerdere herhaalpogingen en grote schaalschommelingen aan het licht.

Omdat probabilistische AI ​​voor elke bewerking een andere kostprijs genereert, ontstaan ​​er onvoorziene uitgaven die financiële afdelingen niet kunnen voorspellen. Bij traditionele software komt een vast budget overeen met een voorspelde kostprijs voor elke taak. Bij AI ontbreekt deze stabiliteit. Wanneer dezelfde bewerking de ene dag één dollar kost en de volgende dag honderd dollar, kan deze niet zomaar in het operationele budget worden opgenomen.

Om deze reden geeft 80% van de organisaties toe de kosten van AI met meer dan 25% verkeerd te hebben ingeschat, en haalt meer dan 95% van de pilotprojecten met generatieve AI de productiefase niet. Organisaties werken momenteel niet aan het verbeteren van hun kosten-batenverhouding; in plaats daarvan komen ze hier op de harde manier achter, vaak nadat de financiële schade al is aangericht. Voor veel leiders is de enige resterende mogelijkheid "minder gebruiken"—het gebruik beperken of de toegang blokkeren.

Maar dit antwoord is gebrekkig. De echte schok zit hem niet in de hoogte van de rekening zelf, maar in het besef dat het beperken van het verbruik het enige resterende managementinstrument is. Door de toegang te rantsoeneren, geeft de organisatie in feite toe dat de implementatie van AI te duur is om op te schalen, waardoor een potentieel concurrentievoordeel verandert in een defensieve zwakte.

De economie van automatisering opnieuw bekijken

De meeste organisaties richten zich tegenwoordig op het verbeteren van de modelselectie – dat wil zeggen, het identificeren van het model dat een bepaalde taak moet uitvoeren – maar de grootste kans ligt in het verbeteren van het werk zelf. Omdat de kosten telkens opnieuw worden berekend wanneer een verzoek binnen een groot model helemaal opnieuw begint, wordt de aanname dat elke taak een groot taalmodel (LLM) op het hoogste LLM-niveau vereist al snel een kostbare fout.

Standaard routeringstools werken op aanvraagniveau: ze bekijken de binnenkomende taak en routeren deze naar het model dat het meest geschikt lijkt, maar dat model voert de volledige taak nog steeds uit als één enkele, ondoorzichtige generatie. Het enige dat geoptimaliseerd wordt, is het model dat het antwoord levert; niets van wat daaruit voortvloeit, maakt de volgende run goedkoper. Echte schaalbaarheid vereist een stap verder.

Deze verschuiving vereist een structuur die het bedrijfsproces beheert in plaats van uitsluitend te vertrouwen op het onderliggende model. In plaats van simpelweg werk naar een eindpunt te sturen, beheert deze architectuurbenadering het proces zelf. Het overstijgt individuele modellen en splitst de workflow op in afzonderlijke, codegestuurde stappen om in elke fase een auditspoor te genereren.

Deze ene architectonische keuze onderscheidt structurele optimalisatie van oppervlakkig kostenbeheer en biedt een efficiëntie die traditionele hulpmiddelen niet kunnen evenaren. Deze verschuiving leidt tot een efficiëntere kostenstructuur. In plaats van voor elke taak op één model te vertrouwen, worden berekeningen verdeeld over gespecialiseerde, codegestuurde stappen, waardoor de benutting van resources verbetert en de workflow efficiënter wordt.

In de workflow voor de verwerking van grote leningvolumes verbetert deze aanpak bijvoorbeeld de algehele economische efficiëntie door de afhankelijkheid van kostbare modelberekeningen te verminderen waar deze niet nodig zijn. De overstap naar deze gestandaardiseerde, procesgerichte architectuur biedt een duurzame manier om de kosten van grootschalige transacties te beheersen.

Omdat het proces losgekoppeld is van een specifieke leverancier, behouden organisaties volledige flexibiliteit. Ze kunnen vrijelijk optimalisatiestrategieën implementeren en schakelen tussen toonaangevende LLM-modellen, open-source gewichten en kleinere, gespecialiseerde modellen naarmate hun prestatie- en kostenbehoeften veranderen, zonder hun onderliggende infrastructuur opnieuw te hoeven opbouwen. Lees ons artikel over dalende AI-uitgaven voor meer informatie over het beheersen van AI-kosten.

Omdat elk uitvoeringsproces een specifiek en verifieerbaar pad van denkstappen, toolaanroepen en resultaten oplevert, worden deze gegevens waardevolle data-activa die gespecialiseerde alternatieven verbeteren die al weten hoe ze verwachte taken moeten afhandelen zonder hun toevlucht te nemen tot algemene aanroepen.

Het versterken van menselijke capaciteiten door middel van precisie.

Het doel van deze nieuwe aanpak is om kunstmatige intelligentie te transformeren van een beperkt experiment naar een gestandaardiseerde methode voor het uitvoeren van werkzaamheden. Wanneer geautomatiseerde digitale arbeid repetitieve cognitieve taken overneemt , zoals gegevensverificatie of bevestiging van openbaarmakingen, verandert de rol van de mens volledig. Analisten hoeven hun dag niet langer te besteden aan het handmatig openen van bestanden en het invoeren van gegevens; hun focus verschuift naar uitzonderingen die een hoog niveau van oordeelsvermogen, complexe strategieën en creatieve probleemoplossing vereisen.

Dit is de belofte van duurzame AI-implementatie. Door onvoorziene kosten om te zetten in een bekende kostenbasis en te focussen op het herontwerpen van workflows in plaats van simpelweg over te stappen op andere modellen, kunnen bedrijven eindelijk hun volledige potentieel benutten. Dit biedt organisaties een pad naar een duurzaam en meetbaar rendement op investering naarmate de implementatie toeneemt, waardoor hun medewerkers zich kunnen richten op waardevol, evaluerend werk dat technologie niet kan repliceren.

De toekomst van AI in bedrijven zal niet alleen worden bepaald door de mogelijkheden van het model zelf, maar door het vermogen om geïntegreerde AI-systemen in te zetten die de technologie op grote schaal economisch haalbaar maken. Het is tijd om de onhoudbare experimenten achter ons te laten en een gedisciplineerde, architectonische aanpak voor de implementatie van AI te hanteren. Voor organisaties die klaar zijn om de experimentele fase te verlaten, is de uitdaging niet langer om te bewijzen dat AI werkt, maar om het economisch haalbaar genoeg te maken voor schaalvergroting.