En AI-agent kostar på två sätt, och de två beter sig helt olika. Att bygga den är en engångskostnad. Att köra den är en löpande kostnad som följer användningen. Blandas de ihop blir budgeten fel i båda ändar.
Kostnad ett: att bygga den
Det här liknar ett vanligt utvecklingsprojekt, och styrs av tre saker.
Hur många källor den måste läsa
En källa med ett användbart API är hanterbart. Fyra källor, varav två är gamla system utan API och en är ett kalkylark någon underhåller för hand, är något annat. Som i alla integrationsprojekt är det här tiden går.
Hur ostrukturerade källorna är
En agent som läser ett inaktuellt dokumentbibliotek ger inaktuella svar. Uppröjning i källorna är ofta den största enskilda posten, och den måste göras av någon som känner datan, alltså ni.
Hur mycket omdöme uppgiften kräver
«Hämta alla bolag som matchar dessa kriterier» är enkelt. «Bedöm om det här bolaget är värt att kontakta» kräver att ni först kommer överens om vad ett bra svar är. Det samtalet tar längre tid än själva byggandet.
Kostnad två: att köra den
Det här är delen folk inte räknar på, och den är enkel när den väl är mätt. Kostnaden per körning följer hur mycket agenten måste läsa och hur mycket den måste producera. Gånger hur ofta den körs ger det en månadskostnad.
En agent som körs en gång per dygn över ett avgränsat dataset kostar lite. En agent som körs var femtonde minut och läser hela dokumentarkivet varje gång kostar något helt annat, för samma nytta.
Sätt taket innan ni går live
Vi mäter vad en enskild körning faktiskt kostar under en testperiod, och sätter ett tak per körning och per månad innan något sätts i produktion. Det gör den löpande kostnaden förutsägbar, och gör att ett fel i en loop blir en varning i stället för en räkning.
Kalkylen som avgör
Frågan är inte om agenten är billig. Det är om den är billigare än arbetet den ersätter, inräknat att en människa fortfarande granskar resultatet i början.
Frekvensen är därför avgörande. En uppgift som görs varje dag har en helt annan kalkyl än en som görs en gång per kvartal, även om agenten är tekniskt identisk. Görs uppgiften sällan nog lönar den sig aldrig, och då säger vi det.
De dolda posterna
- Godkännandesteget. Där ett beslut får konsekvenser granskar en människa. Det är tid, och det hör hemma i kalkylen.
- Loggning och uppföljning. För att kunna svara på varför agenten gjorde något måste allt loggas per körning. Billigt att bygga in, dyrt att eftermontera.
- Förändringar i källorna. När ett system den läser från ändras måste agenten justeras. Det är drift, inte projekt.
- Modellerna ändras. Det som var rätt val i fjol är inte nödvändigtvis rätt nu. Räkna med en genomgång per år.
Så gör vi
Vi börjar med en uppgift, en källa, och mäter. Först när vi vet vad den faktiskt kostar att köra utökar vi. Allt körs i er egen Microsoft-tenant, på era data, med åtkomst som ärver rättigheterna för användaren agenten agerar för.
En agent vi byggt gör precis det här varje dag hos en maritim kund. Så sattes den upp, eller be om ett estimat för er uppgift.
Vanliga frågor
Vad kostar det att köra en AI-agent per månad?
Det följer hur ofta den körs och hur mycket den läser varje gång. Vi mäter det under en testperiod och sätter ett tak per körning och per månad innan något sätts i produktion, så att den löpande kostnaden är känd i förväg i stället för att upptäckas på fakturan.
Är en AI-agent billigare än att göra jobbet manuellt?
Det beror nästan helt på frekvensen. En uppgift som upprepas varje dag har en helt annan kalkyl än en som görs en gång per kvartal. Är uppgiften sällsynt nog lönar sig agenten inte, och det säger vi.
Vad är den största kostnaden folk glömmer?
Att röja upp i källorna agenten ska läsa. En agent som läser inaktuella data ger inaktuella svar, och den uppröjningen måste göras av någon som känner datan.
Lämnar våra data miljön?
Nej. Agenten körs i er egen Microsoft-tenant, på era data, och datan används inte för att träna modeller. Åtkomst styrs av de roller ni redan har i Entra ID.