AI går fra pilotprojekt til drift: Nu handler det om at styre forbrug, værdi og omkostninger

For mange organisationer har de seneste år handlet om at komme i gang med AI. Fokus har været på licenser, pilotprojekter og de første use cases. Hvordan kan AI skabe værdi? Hvilke værktøjer skal vi vælge? Og hvordan får vi medarbejderne med? Men i takt med at AI bliver en integreret del af arbejdsdagen, opstår et nyt spørgsmål. Hvor skal AI egentlig arbejde? 

For når medarbejdere bruger AI til mødeopsummeringer, dokumentanalyse, research eller automatisering af opgaver, opstår der et løbende forbrug af ressourcer. Det betyder, at virksomheder i stigende grad skal forholde sig til, hvor deres AI-workloads bliver afviklet, og hvilke konsekvenser det har for økonomi, performance og governance. 

AI får sit eget forbrugsmønster 

De fleste virksomheder har allerede erfaring med at håndtere cloud-forbrug. Ressourcer kan skaleres op og ned efter behov, men forbruget skal stadig overvåges og styres. 

Noget tilsvarende er begyndt at ske med AI. 

Hver gang en medarbejder stiller et spørgsmål til en sprogmodel, opretter en agent eller automatiserer en proces, bruges der ressourcer. Én forespørgsel gør sjældent den store forskel. Men når AI bliver en fast del af hverdagen på tværs af organisationen, begynder de små kald til modellerne at blive til et samlet forbrugsmønster. 

"Mange virksomheder fokuserer lige nu på, hvordan de får AI i brug. Den næste diskussion kommer til at handle om, hvordan de styrer og optimerer forbruget af AI på tværs af organisationen." 

– Kenneth Bojsen, VP, Digital Workplace, Atea 

Det betyder ikke nødvendigvis, at AI bliver dyrt. Men det betyder, at virksomheder bør begynde at tænke mere strategisk over, hvor forskellige AI-opgaver afvikles. 

Det handler ikke om lokal AI eller cloud 

Debatten om AI bliver ofte fremstillet som et valg mellem lokal behandling på device eller cloudbaserede modeller. I praksis er virkeligheden langt mere nuanceret. 

Nogle AI-opgaver egner sig godt til lokal behandling på medarbejderens device. Det kan eksempelvis være hyppige, afgrænsede eller datasensitive opgaver, hvor hurtig svartid og lokal behandling giver mening. 

Andre opgaver kræver adgang til virksomhedens fælles data, integration til forretningssystemer eller mulighed for at køre virksomhedens egne open weight-modeller. Her kan virksomhedens eget datacenter eller private cloud være det naturlige valg. 

Samtidig vil der stadig være behov for de store cloudbaserede frontier-modeller til de mest avancerede analyser, komplekse forespørgsler og opgaver, hvor skala og modelkapacitet er afgørende. 

"Det interessante spørgsmål er ikke, om AI skal køre lokalt eller i cloud. Det interessante spørgsmål er, hvilke workloads der giver mest mening de forskellige steder." 

– Kenneth Bojsen, VP, Digital Workplace Atea 

Derfor handler fremtidens AI-arkitektur om at skabe den rette arbejdsdeling mellem device, datacenter og cloud, så virksomheder kan balancere performance, governance, datasuverænitet og omkostninger.

Copilot+ PC er mere end et hardware-refresh

Når Copilot+ PC bliver omtalt, handler samtalen ofte om ny hardware. Men set i et større perspektiv repræsenterer de nye enheder noget andet. De introducerer en lokal AI compute-layer direkte på medarbejderens device. 

Det betyder, at udvalgte AI-opgaver kan afvikles lokalt på enheden frem for nødvendigvis at skulle sendes til cloud. Det kan blandt andet bidrage til hurtigere responstider, mindre afhængighed af netværksforbindelser og nye muligheder for at arbejde med data tættere på brugeren. 

Men lokal AI er ikke automatisk hverken billigere, hurtigere eller mere sikker. 

"En NPU skaber ikke værdi i sig selv. Værdien opstår først, når virksomheder har identificeret de konkrete use cases, hvor lokal AI giver mening." - Kenneth Bojsen, VP, Digital Workplace, Atea

Derfor bør Copilot+ PC ikke betragtes som et traditionelt hardwareprojekt, men som en del af virksomhedens samlede AI-strategi. 

Fra AI-strategi til AI-arkitektur 

For mange organisationer bliver den næste fase af AI mindre fokuseret på enkeltstående værktøjer og mere fokuseret på den samlede arkitektur bag dem. Det handler om at forstå, hvilke workloads der findes i organisationen. Hvilke data de arbejder med. Hvor de bør afvikles. Og hvordan de styres ansvarligt. Her ser vi begyndelsen på områder som AI FinOps, workload placement og device readiness, hvor virksomheder arbejder mere systematisk med at balancere værdi, omkostninger og governance. 

Hos Atea hjælper vi organisationer med at omsætte AI-ambitioner til konkrete beslutninger om teknologi, governance og arkitektur. Målet er ikke nødvendigvis at flytte mere AI til devices eller mere AI til cloud. Målet er at sikre, at den enkelte workload bliver afviklet det rigtige sted.