En AI-agent koster på to måter, og de to oppfører seg helt ulikt. Å bygge den er en engangskostnad. Å kjøre den er en løpende kostnad som følger bruken. Blandes de sammen, blir budsjettet feil i begge ender.
Kostnad 1: å bygge den
Dette ligner et vanlig utviklingsprosjekt, og styres av tre ting.
Hvor mange kilder den må lese
Én kilde med et brukbart API er overkommelig. Fire kilder, der to er gamle systemer uten API og én er et regneark noen vedlikeholder for hånd, er noe annet. Som i alle integrasjonsprosjekter er det her tiden går.
Hvor rotete kildene er
En agent som leser fra et utdatert dokumentbibliotek gir utdaterte svar. Opprydding i kildene er ofte den største enkeltposten, og den må gjøres av noen som kjenner dataene, altså dere.
Hvor mye dømmekraft oppgaven krever
«Hent alle selskaper som matcher disse kriteriene» er enkelt. «Vurder om dette selskapet er verdt å kontakte» krever at dere først blir enige om hva et godt svar er. Den samtalen tar lengre tid enn selve byggingen.
Kostnad 2: å kjøre den
Dette er den delen folk ikke regner på, og den er enkel når man først måler den. Kostnaden per kjøring følger hvor mye agenten må lese og hvor mye den må produsere. Ganget med hvor ofte den kjører gir det en månedlig kostnad.
En agent som kjører én gang i døgnet og leser et avgrenset sett med data koster lite. En agent som kjører hvert kvarter og leser hele dokumentarkivet hver gang koster noe helt annet, for samme nytte.
Sett taket før dere går live
Vi måler hva én kjøring faktisk koster i en testperiode, og setter et tak per kjøring og per måned før noe settes i produksjon. Det gjør den løpende kostnaden forutsigbar, og det gjør at en feil i en løkke blir en varsling i stedet for en regning.
Regnestykket som avgjør
Spørsmålet er ikke om agenten er billig. Det er om den er billigere enn arbeidet den erstatter, medregnet at et menneske fortsatt ser over resultatet i starten.
Derfor er frekvens avgjørende. En oppgave som gjøres hver dag har et helt annet regnestykke enn en som gjøres én gang i kvartalet, selv om agenten er teknisk identisk. Gjøres oppgaven sjelden nok, lønner den seg aldri, og da sier vi det.
De skjulte postene
- Godkjenningssteget. Der en beslutning har konsekvenser skal et menneske se over. Det er tid, og det skal med i regnestykket.
- Logging og oppfølging. Skal dere kunne svare på hvorfor agenten gjorde noe, må alt logges per kjøring. Det er billig å bygge inn og dyrt å ettermontere.
- Endringer i kildene. Når et system den leser fra endrer seg, må agenten justeres. Det er drift, ikke prosjekt.
- Modellene endrer seg. Det som var riktig valg i fjor er ikke nødvendigvis riktig nå. Regn med en gjennomgang i året.
Hvordan vi gjør det
Vi begynner med én oppgave, én kilde, og måler. Først når vi vet hva den faktisk koster å kjøre, utvider vi. Alt kjører i deres egen Microsoft-tenant, på deres data, med tilgang som arver rettighetene til brukeren agenten handler på vegne av.
En agent vi har bygget gjør dette hver dag hos en maritim kunde. Slik ble den satt opp, eller be om et anslag for deres oppgave.
Vanlige spørsmål
Hva koster det å kjøre en AI-agent per måned?
Det følger hvor ofte den kjører og hvor mye den leser hver gang. Vi måler dette i en testperiode og setter et tak per kjøring og per måned før noe settes i produksjon, slik at den løpende kostnaden er kjent på forhånd i stedet for å oppdages på fakturaen.
Er en AI-agent billigere enn å gjøre jobben manuelt?
Det avhenger nesten helt av frekvens. En oppgave som gjentas hver dag har et helt annet regnestykke enn en som gjøres én gang i kvartalet. Er oppgaven sjelden nok, lønner agenten seg ikke, og det sier vi.
Hva er den største kostnaden folk glemmer?
Å rydde i kildene agenten skal lese fra. En agent som leser utdaterte data gir utdaterte svar, og den ryddejobben må gjøres av noen som kjenner dataene.
Forlater dataene våre miljøet?
Nei. Agenten kjører i deres egen Microsoft-tenant, på deres data, og dataene brukes ikke til å trene modeller. Tilgang styres av rollene dere allerede har i Entra ID.