Dlaczego przedsiębiorstwa mają trudności z obliczeniem zwrotu z inwestycji w AI

Pierwsza fala „tokenmaxxing” – kiedy to dyrektorzy generalni zachęcali do agresywnego, niekontrolowanego wykorzystywania AI – zderza się z brutalną rzeczywistością w obliczu rygorystycznej kontroli budżetów korporacyjnych. W miarę jak firmy wychodzą z fazy eksperymentów, główne wyzwanie przesunęło się z samej adopcji na udowodnienie wymiernego zwrotu z inwestycji (ROI).

Od tokenmaxxing do odpowiedzialności budżetowej

Na początku tego roku Dolina Krzemowa została ogarnięta trendem „tokenmaxxing”, polegającym na tym, że organizacje przesuwały granice wykorzystania AI do absolutnego maksimum, aby zmaksymalizować jej możliwości. Jednak finansowe skutki tego niepohamowanego entuzjazmu zaczynają wychodzić na jaw. Raporty wskazują, że duzi gracze, tacy jak Uber, rzekomo wyczerpali swoje roczne budżety na AI w zaledwie kilka miesięcy.

Ten gwałtowny wzrost konsumpcji doprowadził do fazy korekty w krajobrazie przedsiębiorstw. Obserwujemy ograniczanie skali przez organizacje, np. firmy redukujące licencje Claude dla konkretnych działów, a nawet doniesienia o tym, że Meta wycofała swój wewnętrzny ranking AI. Ruchy te sygnalizują zmianę podejścia z „wzrostu za wszelką cenę” na rygorystyczną dyscyplinę fiskalną i zarządzanie zasobami.

Poszukiwanie „magicznych momentów” i agentów osobistych

Mimo zaostrzania dyscypliny budżetowej, Tiffany Luck, partnerka w NEA, pozostaje optymistycznie nastawiona do transformacyjnego potencjału AI, szczególnie w sektorze konsumenckim. Luck podkreśla znaczenie identyfikacji „magicznych momentów” – tych konkretnych sytuacji, w których AI dostarcza użytkownikowi końcowemu niezaprzeczalną, wysokowartościową użyteczność.

Branża wykracza poza proste chatboty w stronę rozwoju zaawansowanych agentów osobistych. Agenci ci stanowią kolejną granicę rozwoju AI, przechodząc od narzędzi reaktywnych do proaktywnych asystentów zdolnych do radzenia sobie ze złożonymi zadaniami. Dla inwestorów venture capital i założycieli celem jest wyjście poza generyczne implementacje LLM i budowanie wyspecjalizowanych agentów, którzy rozwiązują problemy o wysokim stopniu trudności w sposób uzasadniający ich znaczne koszty operacyjne.

Rozkwit zarządzania wydatkami na AI

W miarze jak luka między szumem wokół AI a rzeczywistą produktywnością się zmniejsza, pojawia się nowy podsektor startupów, który ma za zadanie wypełnić tę przepaść. Przedsiębiorstwa zmagają się obecnie z monitorowaniem szczegółowych kosztów wywołań API modeli, mocy obliczeniowej oraz licencji użytkowników w zestawieniu z faktycznie generowaną wartością.

To stworzyło ogromną szansę dla startupów koncentrujących się na obserwowalności AI i zarządzaniu wydatkami. Firmy poszukują narzędzi zapewniających przejrzystość ich stosu technologicznego AI, które pozwalają dokładnie zobaczyć, gdzie zużywane są tokeny i czy przekładają się one na przychody, czy jedynie zwiększają koszty operacyjne. Umiejętność powiązania wydatków na AI z konkretnymi wynikami biznesowymi będzie decydującym czynnikiem dla przedsiębiorstw, które z sukcesem zintegrują AI ze swoimi podstawowymi procesami pracy.

Kluczowe wnioski