Agentic AI i povraćaj investicije (ROI): Skriveni troškovi koji mogu ugroziti očekivane prinose

Prelazak sa eksperimentisanja sa agentnom veštačkom inteligencijom (Agentic AI) na ostvarivanje vrednosti na nivou celog preduzeća zahteva od finansijskih direktora (CFO) da preispitaju način na koji procenjuju investicije, redizajniraju poslovne procese i mere finansijske prinose.

Organizacije sve više pronalaze načine da primene veštačku inteligenciju u poslovnim procesima, od korisničke podrške i naplate potraživanja do marketinga i finansijskih operacija. Agentna veštačka inteligencija donosi dodatni nivo mogućnosti, jer sistemima omogućava da planiraju, donose odluke i izvršavaju višekoračne aktivnosti u cilju ostvarivanja definisanog zadatka. Za finansijske lidere, ove mogućnosti predstavljaju priliku za unapređenje produktivnosti i operativnih performansi.

Ipak, procena ekonomskih efekata može biti složena. AI agent može da obavi za nekoliko minuta zadatak koji je ranije zahtevao sate, ali ograničenja u širem procesu, troškovi infrastrukture i potreba za ljudskom kontrolom mogu umanjiti očekivane finansijske koristi. Bez jasne veze između operativnih unapređenja i finansijskih rezultata, čak i perspektivni pilot-projekti mogu imati poteškoća da dokažu svoju vrednost za celo preduzeće.

CFO imaju priliku da investicionim odlukama o AI-ju pristupe sa većom finansijskom disciplinom. Identifikovanjem odgovarajućih primena, razumevanjem ukupnih troškova i povezivanjem operativnih pokazatelja sa poslovnim rezultatima, finansijski lideri mogu postaviti pouzdanije temelje za procenu povraćaja investicije u agentnu veštačku inteligenciju (Agentic AI ROI).

Kada agentna veštačka inteligencija ima veći ekonomski smisao od tradicionalne automatizacije?

Agentna AI može stvoriti vrednost u poslovnim procesima koji uključuju nestrukturirane informacije, promenljive okolnosti i odluke koje nije moguće unapred u potpunosti definisati. Tradicionalna automatizacija i dalje može biti ekonomičniji izbor za predvidljive procese sa jasno utvrđenim koracima i strukturiranim podacima.

Ova razlika je važna jer veće tehnološke mogućnosti ne znače nužno i veći finansijski povraćaj.

Kada organizacija može da definiše svaki korak procesa, predvidi izuzetke i utvrdi dosledan redosled aktivnosti, klasična automatizacija može pružiti sličan kvalitet uz niže troškove. Uvođenje AI agenta u takvo okruženje može povećati složenost, bez dovoljno dodatne vrednosti.

Agentna AI postaje opravdanija kada procesi zahtevaju fleksibilnost – kada agent mora da tumači informacije, bira između različitih postupaka ili reaguje na promenljive okolnosti kako bi ostvario poslovni cilj.

Za CFO, investiciona odluka počinje razumevanjem prirode samog posla.

Pitanja za izbor odgovarajućeg pristupa automatizaciji

• Predvidljivost procesa: Da li se proces odvija prema unapred definisanim pravilima ili često nailazi na promenljive okolnosti?
• Struktura podataka: Da li se koriste dosledni, strukturirani podaci ili je potrebno tumačiti nestrukturirane informacije?
• Složenost odlučivanja: Da li je moguće unapred propisati svaki korak ili sistem mora fleksibilno da određuje naredne aktivnosti?
• Ekonomska vrednost: Da li dodatne mogućnosti AI agenta opravdavaju trošak u poređenju sa jednostavnijim rešenjem?

Ove razlike pomažu finansijskim i tehnološkim liderima da utvrde gde agentna AI zaista donosi prednost. Efikasna strategija ulaganja u AI počinje od poslovnog problema, a tehnologija se procenjuje u odnosu na konkretne potrebe.

Zašto je redizajn poslovnih procesa važan za ROI agentne AI?

Redizajn poslovnih procesa može biti presudan za pretvaranje produktivnosti ostvarene primenom AI-ja u stvarnu finansijsku vrednost.

Automatizacija pojedinačnog zadatka može skratiti vreme potrebno za njegovo izvršenje, a da pritom ne unapredi performanse celokupnog procesa.

Razumevanje toka rada kroz proces

Zamislimo marketinški tim koji uz pomoć AI-ja kreira kampanju za dva sata umesto za dve nedelje. Produktivnost je značajno unapređena. Međutim, ukoliko kampanja i dalje prolazi kroz isti dugotrajan proces interne potvrde i provere usklađenosti, ukupno vreme do njenog pokretanja može ostati gotovo nepromenjeno.

Organizacija je ubrzala jednu aktivnost, ali je glavno usko grlo ostalo prisutno.

Za CFO je ova razlika važna prilikom finansijskog opravdanja investicije. Ušteda vremena u jednom delu procesa ne znači automatski povećanje kapaciteta, smanjenje operativnih troškova ili dodatne prihode.

Organizacije zato treba da analiziraju tok rada između različitih funkcija i identifikuju kašnjenja, nepotrebne aktivnosti i nerešene odluke koje ograničavaju efikasnost.

Praktičan pristup redizajnu procesa

• Mapirati postojeći proces: Dokumentovati tok rada od početka do kraja, uključujući predaju zadataka, odobrenja, izuzetke i ljudske intervencije.
• Identifikovati aktivnosti sa ograničenom vrednošću: Analizirati ponavljajuće korake, izbegljiva kašnjenja i aktivnosti koje ne doprinose značajno željenom rezultatu.
• Definisati budući proces: Utvrditi kako AI može unaprediti celokupan tok rada, a ne samo ubrzati pojedinačne zadatke.
• Uspostaviti pravila odlučivanja i eskalacije: Jasno odrediti kako proces reaguje na izuzetke i u kojim situacijama je potrebna ljudska procena.
• Meriti performanse celokupnog procesa: Pratiti ukupno vreme izvršenja, utrošene resurse, kvalitet rezultata i poslovne efekte.

Zaposleni koji neposredno obavljaju posao mogu pružiti dragocene uvide u ove odluke. Oni često najbolje poznaju praktične izuzetke, neformalne načine predaje zadataka i ponavljajuće prepreke koje formalna dokumentacija procesa ne obuhvata.

Ova perspektiva je posebno važna pri dizajniranju AI agenata koji mogu samostalno da donose odluke ili preduzimaju aktivnosti u okviru poslovnog procesa. Jasno definisane operativne politike i kriterijumi za eskalaciju omogućavaju organizacijama da preciznije odrede koje odluke agent može da donese samostalno, a gde je neophodno uključivanje ljudi.

Koje finansijske rezultate treba uključiti u poslovni slučaj za ulaganje u agentnu AI?

Pouzdan poslovni slučaj za ulaganje u agentnu AI počinje merljivom ekonomskom pretpostavkom. Pre odobravanja investicije, CFO treba da razume koji poslovni pokazatelj se očekuje da bude unapređen, kolika je predviđena finansijska korist i u kom roku bi rezultat trebalo da bude ostvaren.

Takva pretpostavka omogućava poređenje AI inicijativa sa drugim potencijalnim načinima ulaganja kapitala.

Na primer, organizacija koja razmatra primenu AI-ja u korisničkoj podršci može očekivati smanjenje troškova obrade zahteva ili povećanje broja rešenih slučajeva. Ovi pokazatelji predstavljaju koristan početak, ali ne moraju u potpunosti odražavati ekonomski rezultat.

Ako agent brže rešava zahteve korisnika, ali pritom ostavlja korisnike nezadovoljnim, prividno unapređenje produktivnosti može prikriti problem u kvalitetu usluge. Slično tome, unapređenje aktivnosti naplate potraživanja ima veći značaj kada se odrazi na merljive finansijske rezultate.

Zato poslovni slučaj mora da obuhvati i operativnu efikasnost i kvalitet ostvarenog rezultata.

Kako izgraditi merljivu investicionu pretpostavku

Finansijski lideri mogu poslovni slučaj strukturirati kroz sledeća pitanja:

• Koji poslovni pokazatelji će biti unapređeni? Definisati očekivane promene troškova, kapaciteta, brzine, kvaliteta ili finansijskih performansi.
• Koliku ekonomsku vrednost unapređenje može da stvori? Procenu očekivanih koristi zasnovati na relevantnim poslovnim pretpostavkama.
• Kolika investicija je potrebna? Uključiti troškove tehnologije, podataka, implementacije, nadzora i kontinuiranog poslovanja.
• Kada se očekuje povraćaj investicije? Utvrditi očekivani vremenski okvir i ključne kontrolne tačke za procenu rezultata.
• Kako će se rezultati potvrditi? Definisati operativne pokazatelje i finansijske indikatore potrebne za procenu stvarnih performansi.

Ova pitanja pomažu CFO da uporede mogućnosti ulaganja u različitim organizacionim jedinicama.

AI inicijativa koja unapređuje produktivnost jedne funkcije može konkurisati drugoj inicijativi koja neposrednije utiče na prihode, marže ili novčani tok. Dosledan finansijski okvir olakšava procenu takvih kompromisa.

Povezivanje produktivnosti sa ekonomskim rezultatima celog preduzeća postaje posebno važno kako organizacije šire svoja ulaganja u AI.

Koji se troškovi često zanemaruju prilikom procene agentne AI?

Ukupni troškovi agentne AI mogu biti znatno veći od troškova softverskih licenci i korišćenja AI modela.

Prilikom procene investicije, organizacije se često u početku fokusiraju na licence, potrošnju tokena i druge direktne tehnološke troškove. Međutim, oni predstavljaju samo deo ukupne finansijske slike.

Infrastruktura za podatke, kontinuirano održavanje, ljudski nadzor i aktivnosti upravljanja i kontrole mogu značajno uticati na ekonomsku opravdanost AI inicijative.

Za CFO je posebno važno da razume ove troškove na nivou pojedinačnog slučaja primene. Organizacija može dobiti objedinjeni račun za potrošnju AI modela, bez uvida u to koliko su trošku doprineli pojedinačni agenti, procesi ili odeljenja.

Nedostatak takve transparentnosti otežava poređenje inicijativa, razumevanje njihove jedinične ekonomike i predviđanje budućih troškova.

Troškovi koje treba uključiti u model investicije

• Troškovi modela i inferencije: Troškovi pokretanja AI modela, obrade zahteva i kontinuiranog korišćenja.
• Infrastruktura za podatke: Troškovi skladištenja, upravljanja podacima i prateće infrastrukture.
• Implementacija i integracija: Resursi potrebni za povezivanje AI mogućnosti sa postojećim procesima i tehnologijama.
• Ljudske intervencije: Vreme zaposlenih za proveru rezultata, rešavanje izuzetaka i ispravljanje grešaka.
• Upravljanje, kontrola i usklađenost: Troškovi nadzora, validacije i drugih aktivnosti potrebnih za održavanje odgovarajućih kontrola.
• Kontinuirano upravljanje performansama: Troškovi testiranja, održavanja i prilagođavanja promenama poslovnih zahteva ili ponašanja AI-ja.

Posebnu pažnju treba posvetiti ljudskim intervencijama, jer one mogu promeniti očekivanu ekonomsku računicu.

AI sistem može delovati jeftinije od procesa koji se u potpunosti oslanja na ljudski rad ako se posmatraju samo troškovi automatizovane obrade. Međutim, ako sistem proizvodi neprihvatljive rezultate, a zaposleni moraju da ulože značajno vreme u njihovo ispravljanje, ukupni trošak po uspešno završenom zadatku može porasti.

Isto važi za kontrolu kvaliteta. Organizacije mogu morati da deo vremena ušteđenog automatizacijom ponovo ulože u proveru tačnosti i potpunosti informacija koje generiše AI.

Kvalitetan finansijski model obuhvata ove aktivnosti pre nego što organizacija odobri širu primenu.

Kako se primena AI-ja širi, potrebno je i preciznije pripisivanje troškova. Praćenje potrošnje i infrastrukturnih troškova po agentu ili slučaju primene pomaže CFO da razlikuju visokovredne aplikacije od onih koje troše resurse bez odgovarajućeg finansijskog povraćaja.

Kako CFO treba da upravljaju AI agentima u produkcionom okruženju?

Uvođenje AI agenta u produkciono okruženje donosi kontinuirane obaveze u vezi sa testiranjem, nadzorom, praćenjem performansi i finansijskom kontrolom.

Agent koji se dobro pokazao u pilot-projektu može se suočiti sa znatno širim spektrom podataka, transakcija i odluka kada se primeni u poslovanju. Organizacijama su zato potrebni procesi upravljanja koji mogu da odgovore na takve izazove tokom celokupnog životnog ciklusa agenta.

Uspostavljene prakse razvoja softvera predstavljaju dobru polaznu osnovu.

Iako AI alati mogu ubrzati razvoj i omogućiti većem broju zaposlenih da kreiraju automatizovana rešenja, brža implementacija može doneti izazove ukoliko testiranje i validacija ne prate isti tempo.

Rizik je posebno izražen kada zaposleni izvan tradicionalnih inženjerskih funkcija razvijaju agente za finansije, računovodstvo ili druge operativne aktivnosti.

Koji pokazatelji povezuju unapređenje produktivnosti AI-ja sa finansijskim rezultatima?

CFO mogu steći jasniji uvid u ROI AI-ja povezivanjem operativnih unapređenja sa finansijskim rezultatima kroz dosledan okvir merenja performansi.

Mnoge tehnološke investicije započinju poslovnim slučajem koji predviđa značajne uštede ili rast produktivnosti. Međutim, nakon prelaska u produkciju, organizacije često imaju poteškoća da utvrde da li su se te projekcije zaista ostvarile.

Kod agentne AI, kontinuirana procena je posebno važna jer se potrošnja i operativni troškovi mogu menjati sa rastom obima primene.

Koristan okvir merenja obuhvata:

• Vodeće pokazatelje (leading indicators): Rane signale koji ukazuju na performanse.
• Ključne pokazatelje performansi (KPI): Pokazatelje koji prate poslovne aktivnosti.
• Finansijske pokazatelje: Mere koje odražavaju širi ekonomski uticaj inicijative.

Primer: prodajni proces unapređen primenom AI-ja

AI agent može povećati broj prodajnih aktivnosti koje tim obavlja. To predstavlja rani signal povećanog kapaciteta, ali veći obim aktivnosti sam po sebi ne potvrđuje finansijsku vrednost.

Finansijski lideri mogu pratiti povezanost između povećanog broja aktivnosti, prodajnih prilika, stope konverzije i ponavljajućih prihoda kako bi utvrdili da li investicija doprinosi očekivanim poslovnim rezultatima.

Povezivanje operativnih rezultata sa finansijskim efektima

• Pratiti vodeće pokazatelje: Meriti rane signale kao što su obim aktivnosti, kapacitet obrade, vreme odgovora i izvršenje zadataka.
• Proceniti operativne performanse: Utvrditi da li unapređenja utiču na poslovne KPI, uključujući prodajne prilike, stope konverzije, kvalitet korisničke podrške i efikasnost naplate.
• Izmeriti povezane troškove: Uporediti ostvarena unapređenja sa ukupnim troškovima rada, nadzora i održavanja AI rešenja.
• Povezati rezultate sa finansijskim izveštajima: Utvrditi doprinos investicije prihodima, bruto marži, operativnoj marži ili neto dobiti.
• Preispitati prvobitni poslovni slučaj: Uporediti stvarne performanse sa projektovanim rezultatima i prilagođavati investicione odluke na osnovu novih saznanja.

Donošenje investicionih odluka o AI-ju na osnovu merljivih rezultata

Agentna AI otvara nove mogućnosti za unapređenje produktivnosti, redizajn poslovnih procesa i povećanje operativnih kapaciteta. Ostvarivanje tih mogućnosti zavisi od disciplinovanog donošenja investicionih odluka i jasnog razumevanja uticaja operativnih promena na poslovanje.

Za CFO to znači procenu oblasti u kojima agentna AI donosi ekonomsku prednost, uključivanje svih troškova implementacije i poslovanja, kao i uspostavljanje sistema upravljanja koji podržava održive performanse.

Kako AI inicijative prelaze iz faze eksperimentisanja u produkcionu primenu, finansijsko merenje postaje kontinuirana upravljačka odgovornost.

Povezivanje početnih pokazatelja produktivnosti sa poslovnim KPI i finansijskim rezultatima omogućava organizacijama da usmeravaju resurse ka rešenjima koja ostvaruju pouzdan i merljiv povraćaj investicije.

Izvor: BakerTilly