AI-budgetar skjuter i höjden, men ROI fortfarande svårmätt

Företagens investeringar i generativ AI har ökat kraftigt under det senaste året, men för många it-chefer börjar de svåraste diskussionerna först nu. Styrelser och ekonomichefer frågar inte längre om organisationen investerar i AI. De frågar vad den får tillbaka – i mätbara ekonomiska termer. Enligt analytiker på Forrester Research har budgetarna för generativ AI ökat avsevärt från år till år, men ändå har en majoritet av organisationerna fortfarande svårt att visa på en hållbar avkastning på investeringen. Tidiga pilotprojekt ser ofta lovande ut, men värdet blir svårare att förklara när systemen skalas upp, kostnaderna fluktuerar och förväntningarna på styrning ökar. Intervjuer med analytiker, cio:er samt ledare inom AI-plattformar och styrning pekar på ett konsekvent mönster. Problemet är inte att AI misslyckas tekniskt. Det är att företagen tillämpar traditionella modeller för budgetering, drift och ansvarsskyldighet på en teknik vars ekonomi fungerar på ett helt annat sätt. Som ett resultat urholkas avkastningen inte för att AI slutar fungera, utan för att organisationerna förlorar förmågan att förklara, försvara och prioritera den. Analytikerns perspektiv Ur ett analytikerperspektiv förstås debatten om AI-avkastningen bäst som en del av en bredare konvergens mellan it och ekonomi. Greg Zorella, huvudanalytiker på Forrester med ansvar för it-ekonomistyrning, hävdar att högpresterande it-organisationer inte längre behandlar ekonomiavdelningen som en grindvakt med fokus på kostnadsbegränsning. Istället blir it-ekonomi en förmåga att leverera strategiskt värde – som kopplar teknikinvesteringar direkt till affärstillväxt och konkurrensfördelar. – It-ekonomi finns inte där för att it spenderar mycket pengar, säger Zorella. – Den finns där för att it-utgifter verkligen kan driva strategiska resultat för företaget. Denna distinktion är viktig för AI. Traditionella it-investeringar – ERP-system, infrastrukturuppdateringar, SaaS-licenser – passar relativt väl in i etablerade finansiella modeller. Generativ AI gör det inte. Kostnaderna är konsumtionsbaserade, användningsmönstren är oförutsägbara och fördelarna är ofta indirekta eller riskjusterade snarare än transaktionsbaserade. Zorella konstaterar att många företag intellektuellt inser denna förändring men underskattar den organisatoriska insats som krävs för att agera på den. En mogen kostnadstransparens bygger på gemensamma tillskrivningsmodeller, tillförlitliga data och enighet mellan it, produkt, försäljning och marknadsföring om hur värde definieras. – Att försöka göra allt på en gång är helt enkelt för mycket” säger han. De organisationer som gör framsteg tenderar att börja med avgränsade bevis som visar hur bättre ekonomisk insyn förbättrar beslutsfattandet. Viktigt är att Zorella ifrågasätter uppfattningen att det är negativt i sig att överskrida it-budgetar. Överskridanden kan vara rationella – om de speglar medvetna investeringar i initiativ med högre värde. Det verkliga misslyckandet, menar han, är att spendera för mycket utan en prioriteringsmekanism som gör det möjligt för ledare att nedprioritera arbete med mindre genomslagskraft när nya möjligheter dyker upp. Verkligheten för cio:er Den analytiska ramen möter en betydligt mer begränsad verklighet inom företaget. Sumit Johar, cio på Black Line, som tillverkar programvara för finansiell automatisering och hantering, beskriver hur AI-investeringar går igenom en välbekant cykel. Under de senaste åren har den initiala skepsisen gett vika för grupptryck när styrelser och ledning krävt synliga AI-initiativ. I dag är den fasen på väg att ta slut. Finanschefer ställer tuffare frågor, och AI behandlas inte längre som en särskild kategori som är undantagen från granskning. – Om jag säger till min cfo att 95 procent av de anställda använder AI, betyder det ingenting, säger Johar. – Det är som att säga att 100 procent av de anställda använder e-post. Ekonomifunktionen bryr sig om påverkan på lönsamhet, intäkter eller risk – allt annat faller platt. Johar gör en tydlig åtskillnad mellan två typer av AI-investeringar. Den första är breda produktivitetsplattformar – vad han kallar ”vardags-AI” – som hjälper anställda att skriva, söka, sammanfatta eller analysera information. Dessa verktyg kan vara kulturellt transformativa, men de är notoriskt svåra att kvantifiera. Engagemangsmätningar och självrapporterade produktivitetsvinster klarar sällan den finansiella granskningen. Den andra kategorin består av resultatdrivna AI-initiativ som är uttryckligen kopplade till affärsprioriteringar: att påskynda kundintroduktionen, minska implementeringstiden, sänka driftskostnaderna eller öka intäktsströmmen. Dessa initiativ konkurrerar direkt med andra företagsinvesteringar och utvärderas därefter. Det som har förändrats mest, säger Johar, är att AI-utgifterna inte längre är additiva. Ccio:er får inte stegvisa budgetökningar ”bara för att det är AI”. Alla ytterligare investeringar måste finansieras genom omfördelning av befintliga budgetar. – Ingen slänger längre pengar på AI i blindo. Om vi vill spendera mer måste vi flytta runt saker.” Hos Black Line återspeglar AI-styrningen denna verklighet. Föreslagna initiativ granskas gemensamt av it-, ekonomi- och affärsledare, med tydliga förväntningar på resultat och ansvar. Målet är inte att bromsa experimenterandet, utan att säkerställa att ansvaret för värdeskapandet inte enbart vilar på cio:n. – Detta är ett problem med affärstransformation, inte ett teknikproblem. Om ägarskapet enbart ligger hos it-avdelningen kommer du aldrig att få det värde du förväntar dig. Operativa felmodeller Även när AI-initiativ klarar budgethindren misslyckas många med att leverera hållbar ROI när de går vidare från pilotfasen. Enligt Jim Olsen, cto på Model Op, tillverkare av plattformar för AI-livscykelhantering och styrning, orsakas misslyckandet sällan av en enda brist. Det är strukturellt. Tidiga AI-projekt utvecklas vanligtvis i kontrollerade miljöer med begränsad data och förutsägbar användning. Kostnaderna verkar hanterbara och prestandan ser stark ut. Produktionsmiljöer beter sig helt annorlunda. – Man utvecklar något lokalt och det ser väldigt genomförbart ut, säger Olsen. – Men så fort det går i produktion förändras användningsmönstren, sammanhangen exploderar och plötsligt dyker den verkliga kostnaden upp. Generativ AI förstärker detta problem. Fri användarinteraktion ökar tokenförbrukningen på oförutsägbara sätt. Modeller är inbäddade i arbetsflöden och återanvänds av flera team, vilket gör det svårt att hänföra kostnad eller värde till specifika resultat. Utan tydlig inventering och livscykeluppföljning hamnar företagen i att hantera AI-utgifterna i aggregerad form – medan värde skapas eller går förlorat i marginalerna. Olsen säger att många organisationer saknar till och med en grundläggande förståelse för vilka AI-system de har i produktion. – Om du inte vet vad som finns där ute kan du inte mäta det, styra det eller koppla det till avkastningen. Resultatet är ett välbekant mönster: lovande pilotprojekt följt av kostnadsöverskridanden, följt av skepsis. I vissa fall gör uppmärksammade misstag organisationer riskovilliga, vilket bromsar framtida införande även där AI skulle kunna ge verkliga fördelar. Lösningen, menar Olsen, är att behandla AI som industriell infrastruktur snarare än som experimentella verktyg. Livscykelhantering – som omfattar utveckling, driftsättning, övervakning och avveckling – är inte byråkratisk overhead. Det är det enda sättet att upprätthålla ansvarsskyldigheten när modellerna utvecklas och användningen ökar. Styrning och försvarbarhet Operativ disciplin räcker dock inte på egen hand. Eftersom AI-investeringar granskas av tillsynsmyndigheter och styrelser avgör styrningen i allt högre grad om ROI överhuvudtaget kan försvaras. Anthony Habayeb, vd och medgrundare av Monitaur, en leverantör av programvara för AI-styrning, hävdar att många AI-initiativ misslyckas vid granskning, inte för att de presterar dåligt, utan för att framgång aldrig definierades tydligt. – Vi springer runt med en hammare och letar efter en spik, säger han. – Om man inte vet hur framgång ser ut från början kan man inte försvara avkastningen senare. Brister i styrningen upptäcks ofta först efter implementeringen, när organisationer försöker rättfärdiga utgifterna i efterhand. Vid den tidpunkten blir luckor i dokumentation, övervakning och ansvarsskyldighet en belastning. Projekt som saknar tydligt formulerade mål eller resultat blir lätta mål när budgetarna dras åt. Habayeb ifrågasätter uppfattningen att styrning främst handlar om efterlevnad. I praktiken, säger han, förbättrar styrning avkastningen genom att avslöja okända risker och optimeringsmöjligheter. När organisationer inför strukturerad validering och övervakning identifierar de ofta sätt att förbättra noggrannhet, robusthet och effektivitet – vilket direkt förbättrar affärseffekten. Regulatoriskt tryck påskyndar den här förändringen. Ramverk som EU:s AI-lag driver på organisationer att formalisera tillsynen, men Habayeb säger att de smartaste företagen använder regleringen som en drivkraft för att bygga upp bredare styrningskapacitet. – Styrning bör inte vara en separat post för regelefterlevnad. Det bör vara en del av hur man får AI att fungera för verksamheten. Från entusiasm till uthållighet Sammantaget pekar dessa perspektiv på en mognadsfas i företagens införande av AI. Frågan är inte längre om AI kan leverera värde, utan om organisationer kan bevisa att det gör det – konsekvent, transparent och under granskning. De företag som gör framsteg har flera gemensamma drag. De anpassar AI-investeringar till affärsstrategin istället för att behandla dem som en fristående kategori. De bygger finansiella modeller som rymmer konsumtionsbaserade kostnader och indirekt värde. De upprätthåller operativ disciplin genom hela AI-livscykeln. Och de integrerar styrning tidigt – inte som en broms på innovation, utan som en grund för förtroende och hållbarhet. För cio:er som planerar budgetar för 2026 är budskapet allvarsamt men konstruktivt. AI kommer inte att rättfärdiga sig själv. Värdet måste utformas, mätas och försvaras med hjälp av verktyg och metoder som många organisationer först nu börjar utveckla. AI:s era som experiment är på väg att ta slut. AI:s era som en ansvarsfull företagstillgång har börjat.