AI-experten: ”Så undviker du misstagen när AI-budgeten ska sättas”

Techtidningen ställde några frågor till Joel Sunnehall för att ta reda på varför CIO:er och andra it-beslutsfattare behöver tänka om när de budgeterar för AI.

Vad är det vanligaste misstaget du ser att svenska företag gör när de budgeterar för AI?

– Att allt tvingas genom samma kalkyl. AI-investeringar är tre olika saker samtidigt: effektivisering som bedöms med klassisk ROI, infrastruktur och kompetens som bedöms som optionsvärde eftersom de gör nästa fem projekt billigare, och innovation som bedöms som en portfölj där varje satsning hålls liten nog att misslyckas billigt.

– Att pressa alla tre genom samma ROI-beräkning ser ut som finansiell disciplin, men underskattar systematiskt de investeringar som betyder mest på sikt. Ett närbesläktat misstag är att budgeten byggs på dagens prisläge, trots att priset för en given AI-förmåga faller ungefär tio gånger per år.

Har svenska CIO:er koll på vad AI-användningen egentligen kostar i förhållande till det resultat man får?

– Inte tillräckligt många, och det beror mindre på slarv än på att frågan är svårare än den låter. ”Vad kostar AI” har nämligen inte ett svar utan fem, beroende på vilken nämnare man väljer: per token, per förmåga, per toppmodell, per organisation eller per färdigt resultat. De flesta följer tokenpriset, den kvot som säger minst om verksamheten, medan den som till slut avgör är kostnaden per färdigt, verifierat resultat, med granskning och omarbete inräknade. Siffrorna pekar också på ett glapp: svenska bolag investerar i nivå med det globala snittet eller strax över, men ligger tydligt under när det gäller implementering och avkastning.

Du menar att priset på intelligens faller dramatiskt. Hur bör en CIO tänka när man ska välja AI-modell?

– Mindre som ett leverantörsval och mer som ett arkitekturval. Modellagret är på väg att bli en råvara, så bygg så att modellen går att byta när priser och topplistor skiftar, vilket i somras hände flera gånger på några veckor. Sortera sedan flödena: vilka behöver verkligen den bästa tillgängliga modellen, och vilka betalar frontier-premium av gammal vana? Räkna till sist på kostnad per färdigt resultat i stället för per token, för en dyrare modell som gör rätt oftare och kräver mindre rättning kan mycket väl vara det billigare valet.

Det pågår ett priskrig mellan OpenAI, Anthropic och andra aktörer. Tror du att den utvecklingen kommer att fortsätta?

– Ja, för det som ser ut som ett priskrig är snarare ett strukturellt mönster. För en given intelligensnivå faller priset ungefär tio gånger per år, det investerare kallar LLMflation, och det har pågått sedan 2021. Sommarens utspel, som när OpenAI sänkte priset på en av sina modeller med 80 procent över en natt, är därför mindre dramatiska än de verkar, och öppna modeller som i flera mätningar når nästan samma nivå till en bråkdel av kostnaden pressar underifrån. Labben kan sannolikt hålla premiumpriser för det mest krävande arbetet, men kring rutinarbetet som skapar volym fortsätter priset nedåt. Det som främst kan bromsa utvecklingen är bristen på beräkningskraft snarare än någon ovilja att sänka priser.

Du tror att den totala AI-notan sannolikt kommer att öka trots att modellerna blir billigare. Vad kommer det att innebära för företagens AI-budgetar de närmaste två till tre åren?

– Jag tror att tokenkostnaden inom ett par år går om personalkostnaden i delar av kunskapssektorn, och i enskilda team har det redan hänt: på Nvidia säger chefen för applied deep learning rakt ut att compute för hans team kostar långt mer än de anställda. Mekanismen känns igen från elektriciteten: styckpriset föll, användningen exploderade och totalnotan växte. AI följer samma kurva, Gartner räknar med att inferensen blir omkring 90 procent billigare till 2030 samtidigt som Goldman Sachs räknar med att förbrukningen växer 24 gånger, och det är totalen som landar i resultaträkningen.

– För budgetarna betyder det en förskjutning från projektpengar till löpande driftskostnad, och när agenter utför riktigt arbete blir beräkningskraften produktionskapacitet snarare än en it-post. Då behöver någon i organisationen äga den ekonomin, vad ett avslutat ärende kostar, vilken modell som används för vilken uppgift och var tokens förbrukas utan att skapa värde, och jag har föreslagit att rollen behöver ett namn, kanske Head of Agent Economics, även om mandatet är viktigare än titeln.

Vilka arbetsmoment tycker du idag faktiskt ger en tydlig ekonomisk avkastning med hjälp av AI?

– Tydligast är mjukvaruutvecklingen, där små team som orkestrerar agenter numera kan mäta sig med betydligt större organisationer. Därefter volymarbete med tydligt facit: första linjens kundärenden, offertberedning, research, sammanställningar och första utkast av analyser och underlag. Gemensamt är stor volym och resultat som går att verifiera. Räkna dock med granskningskostnaden, för på pappret löser AI en expertuppgift i storleksordningen hundra gånger billigare, men med kontroll och omarbete inräknat krymper försprånget enligt OpenAI:s egen studie till runt 1,5 gånger, fortfarande en vinst men en annan kalkyl. Avkastningen uppstår när arbetet byggs om runt tekniken, och sällan när licenser bara delas ut ovanpå oförändrade arbetssätt.

Om du satt i ledningsgruppen på ett svenskt företag och skulle lägga AI-budgeten för 2027: vilka principer skulle styra dina investeringar?

– Fyra principer. Dela kalkylen i tre och kräv inte att allt räknas hem på samma sätt: klassisk ROI för effektivisering, optionsvärde för infrastruktur och kompetens, portföljlogik för innovation. Styr mot kostnad per färdigt resultat hellre än mot styckpriser, och bygg budgeten på 2027 års kostnadsläge i stället för dagens, med omprövning varje kvartal. Lägg mer på människor än det känns bekvämt, för de bolag som lyckas bäst lägger enligt BCG runt 60 procent av AI-budgeten på kompetensutveckling, mot runt en fjärdedel hos övriga. Och behåll ägarskapet i ledningsgruppen, eftersom avkastningen allt oftare ligger i ett förändrat arbetssätt snarare än i enskilda piloter, och den förändringen går inte att delegera fram.

Om AI blir så billigt och kraftfullt som du beskriver: vad är det egentligen som kommer att begränsa företagen?

– Inte tekniken utan organisationen. De flesta företag har redan tillgång till mer AI-kapacitet än de klarar att omsätta i verksamheten. Flaskhalsen blir förmågan att rita om arbetsflöden, flytta ansvar, fatta prioriteringsbeslut och få människor att börja arbeta på nya sätt. Därför tror jag att nästa stora konkurrensfråga inte är vem som har bäst AI-modell, utan vilken organisation som lär sig snabbast.