AI-tokenid toovad ettevõtetele ootamatuid arveid

Tehisintellekti kasutamine jõuab ettevõtetes katsetustest igapäevatöösse. Koos sellega on hakanud selgemalt välja paistma üks vähem nähtav, kuid kiiresti kasvav probleem: kasutuspõhine hinnastamine. Kui töötajad kasutavad keelemudeleid, koodiabimehi, dokumendianalüüsi või automaatseid töövooge iga päev, võivad arved kasvada kiiremini, kui algne litsents või pilootprojekt lubas arvata.

Mitme USA ja Kanada meediakajastuse järgi on osa ettevõtteid avastanud, et nende AI-kasutus kulutab token'eid ehk mudelite arvestusühikuid oodatust palju kiiremini. Token ei ole sama mis sõna. See on keelemudeli töötlusühik, mille järgi arvestatakse nii kasutaja saadetud sisendit kui ka mudeli loodud vastust. Mida pikem on vestlus, mida rohkem lisatakse taustadokumente ning mida keerukam on töövoog, seda rohkem token'eid kulub.

Probleem ei seisne ainult tehnilises hinnakirjas. Ettevõtted on sageli ostnud AI-litsentsid või alustanud pilootprojekti, kuid jätnud muutmata töökorralduse, kasutusreeglid ja kulujälgimise. Nii võib tööriist, mis alguses tundub odav ja mugav, muutuda suureks kulureaks.

Uberi juhtum näitab kuluriski

Üks viimaste kuude kõnekamaid näiteid on Uber. Fortune'i ja Yahoo Finance'i vahendatud Bloombergiga seotud kajastuste järgi kulutas Uber oma 2026. aasta AI-kodeerimise eelarve läbi nelja kuuga ning seadis töötajatele seejärel kasutuspiirangud. Uberi president ja operatsioonijuht Andrew Macdonald on öelnud, et ettevõttel on keeruline siduda kasvanud AI-kulusid selgelt tarbijatele nähtavate paremate funktsioonidega.

See on oluline tähelepanek. Ettevõttes võib AI-kasutus statistiliselt kasvada kiiresti: töötajad teevad rohkem päringuid, kasutavad rohkem koodiabivahendeid ja katsetavad võimekamaid mudeleid. Kuid juhtkonna jaoks jääb põhiküsimus samaks: kas sellest sünnib mõõdetav väärtus?

Kui AI kasutamine ei anna kiiremat tarneaega, paremat koodi, vähem vigu, paremat kliendikogemust või väiksemat tööjõukulu, võib tokenikulu muutuda uueks pilvekulu probleemiks. Arve kasvab, kuid väärtuse tekkimist on raske näidata.

Mis on AI-token?

Token on keelemudeli arvestusühik. Mudel ei loe teksti täpselt sõnade kaupa, vaid jagab selle väiksemateks osadeks. Mõnes keeles võib üks sõna vastata ühele token'ile, teises võib üks sõna jaguneda mitmeks osaks. Arvestusse lähevad tavaliselt nii sisend kui ka väljund.

Kui töötaja kirjutab lühikese küsimuse ja saab lühikese vastuse, võib kulu olla väike. Kui aga tööriistale antakse kaasa pikk dokument, varasem vestlus, süsteemijuhised, andmetabel või koodibaas, võib sisend kasvada kiiresti. Kui mudel peab seejärel looma pika vastuse, koodiploki, analüüsi, visualiseeringu või mitmeastmelise töövoo, kasvab ka väljundikulu.

OpenAI ja Anthropicu hinnastuses eristatakse sisendtoken'eid ja väljundtoken'eid. Mitme mudeli puhul on väljundtoken kallim kui sisendtoken, sest vastuse loomine nõuab mudelilt rohkem arvutusressurssi. Anthropicu hinnakirjas on näiteks Claude'i võimsamate mudelite puhul väljundtokenid oluliselt kallimad kui sisendtokenid.

Ettevõtte jaoks tähendab see, et kulu ei sõltu ainult sellest, mitu töötajat AI-d kasutab. Palju olulisem on see, kuidas nad seda kasutavad.

Miks kulud ootamatult kasvavad?

AI-kulud kasvavad kiiresti eelkõige siis, kui tööriistad liiguvad katsetamisest päristöövoogudesse. Pilootprojektis võib kasutus olla piiratud: mõni töötaja koostab kokkuvõtteid, parandab teksti või testib koodiabimeest. Kui sama tööriist avatakse laiemale organisatsioonile, muutub kasutusmuster.

Kõige rohkem kasvatavad kulu pikad kontekstid, agenttööriistad ja korduvad töövood. Kui AI-lahendus loeb iga kord läbi suure hulga dokumente või koodifaile, kulutab see token'eid juba enne vastuse koostamist. Kui tööriist tegutseb samm-sammult ja küsib mudelilt mitu korda järjest nõu, võib üks kasutaja tegevus tähendada kümneid või sadu mudelipäringuid.

Kulukaks võivad osutuda ka pildid, failid, tabelid ja keerukamad kooditööd. Kui süsteem analüüsib ekraanipilte, loob disainivariatsioone, kirjutab teste või muudab suurt koodibaasi, ei ole tegemist enam lühikese vestlusega. Selline kasutus meenutab pigem arvutusmahukat teenust, millel on iga sammu eest hind.

Ekspert: probleem ei ole ainult hinnas, vaid töökorralduses

AI for Canadiansi tegevjuht ja Toronto Metropolitan University DMZ inkubaatori AI-valdkonna juht Patrick Farrar ütles Global Newsile, et ettevõtted teevad sageli sama vea: ostetakse litsents, käivitatakse piloot, kuid organisatsiooni tööviisi ei muudeta. Tema hinnangul ei piisa tööriista andmisest töötajatele, kui samal ajal ei õpetata, millal ja kuidas seda kasutada.

Farrari vaates kasvavad kulud just seal, kus AI lisatakse olemasolevasse töövoogu ilma selge eesmärgita. Kui töötaja teeb sama tööd vanal viisil ja lisab sellele juurde mitu AI-päringut, võib kulu suureneda, kuid tootlikkus ei pruugi paraneda. Väärtus tekib alles siis, kui töövoog ise muutub: milline osa tööst automatiseeritakse, milline jääb inimese kontrollida ja millist tulemust mõõdetakse.

See on tähtis eristus. AI kasutuselevõtt ei ole ainult tarkvaralitsents. See on töökorralduse muutus. Kui seda ei juhita, võib tokenikulu kasvada kiiremini kui kasutegur.

Tokenikulu ei mõõda tootlikkust

Mitmes ettevõttes on kasutatud AI-kasutuse mõõdikuna tokenite arvu. Mõte on lihtne: kui töötajad kasutavad rohkem AI-d, siis järelikult on organisatsioon uuenduslikum. Selline järeldus on eksitav.

Repliti AI-valdkonna juht Michele Catasta on kritiseerinud tokenikasutuse edetabeleid, nimetades neid Business Insideri kajastuse järgi väga probleemseks mõõdikuks. Tema sõnum on sisuliselt see, et suur tokenikulu ei näita mõju. See võib näidata ka raiskamist.

See puudutab eriti tarkvaraarendust. Kui arendaja kasutab koodiabimeest palju, võib ta tõesti kiiremini liikuda. Kuid sama hästi võib mudel tekitada lisatööd, kirjutada kontrollimata koodi, pakkuda liiga pikki lahendusi või suunata arendaja korduvatesse parandustsüklitesse. Tokenikulu kasv ei näita automaatselt, et ettevõte sai rohkem väärtust.

Õigem küsimus on: kas probleem lahendati kiiremini, odavamalt või paremini? Kui vastus on ei, ei ole suurel kasutusmahul iseenesest tähtsust.

Uus kulujuhtimine: AI vajab FinOpsit

Pilveteenuste maailmas on FinOps juba tuttav mõiste. See tähendab tehnoloogia-, finants- ja äripoole koostööd, et pilvekulusid juhtida ja seostada need väärtusega. Sama loogika liigub nüüd AI-kasutusse.

FinOps Foundation kirjeldab tokenimajandust kui AI-ajastu kulukontrolli alust. Kui pilves arvestatakse kulusid protsessorite, mälu, salvestusruumi ja võrguliikluse järgi, siis generatiivse AI puhul tuleb järjest rohkem jälgida arutluse, päringute ja väljundi hinda. See on keerulisem, sest üks ja sama kasutajaülesanne võib sõltuvalt mudelist, kontekstist ja töövoost maksta väga erinevalt.

Ettevõte peab seetõttu teadma vähemalt nelja asja. Esiteks, kes kasutab AI-d. Teiseks, millise töö jaoks seda kasutatakse. Kolmandaks, kui palju see maksab. Neljandaks, millist tulemust see annab.

Kui kulud on nähtavad ainult üldise kuuarvena, ei saa juhtkond aru, milline tiim või kasutusjuht väärtust loob ja milline põletab eelarvet. Ilma sellise nähtavuseta muutub AI-kulu samasuguseks probleemiks nagu halvasti juhitud pilvekulu: väikesed otsused kogunevad suureks arveks.

Gartner: ebakindel kulu võib piirata AI väärtust

Gartner on 2026. aasta analüüsides rõhutanud, et AI-st väärtuse saamiseks on vaja siduda tehnoloogia selgete äritulemustega. Uuringufirma on eraldi hoiatanud, et generatiivse AI kulud võivad teatud kasutusjuhtudes kasvada kiiremini, kui ettevõtted eeldavad. Klienditeeninduse puhul prognoosib Gartner, et 2030. aastaks võib generatiivse AI kulu ühe lahendatud pöördumise kohta ületada kolme dollarit, mis võib olla kallim kui mõnes riigis tegutsev offshore-inimagent.

See ei tähenda, et AI oleks klienditeeninduses või teistes valdkondades kasutu. See tähendab, et automaatika ei ole alati odavam lihtsalt seetõttu, et tööd teeb mudel, mitte inimene. Kui lahendus vajab palju päringuid, kallist mudelit, kontrolli, järeltöötlust ja eskaleerimist inimesele, võib kogukulu olla oodatust suurem.

Ettevõtete jaoks on seega oluline mitte võrrelda AI-d abstraktselt inimese tööga, vaid mõõta konkreetset ühikukulu: ühe kliendipöördumise lahendamine, ühe dokumendi töötlemine, ühe koodimuudatuse valmimine või ühe müügivihje kvalifitseerimine.

Odavam mudel võib olla parem valik

Üks selgemaid trende on mudelite suunamine ehk model routing. See tähendab, et iga ülesannet ei saadeta kõige kallimale ja võimekamale mudelile. Lihtsam küsimus, keeleparandus või klassifitseerimine võib minna odavamale mudelile, keerukam analüüs või agenttöö aga kallimale mudelile.

Coinbase'i juht Brian Armstrong on Business Insideri vahendusel kirjeldanud lähenemist, kus ettevõte püüab hoida AI-kulusid kontrolli all, suunates ülesandeid odavamatele mudelitele, kui tippmudelit pole vaja. Selline mõtteviis muutub tõenäoliselt tavaliseks. Kõige võimsamat mudelit ei kasutata vaikimisi, vaid ainult seal, kus selle lisakulu on põhjendatud.

See on sarnane tavapärase IT-arhitektuuri otsusega. Keegi ei kasuta kõige kallimat serverit iga väikese ülesande jaoks. Sama loogika hakkab kehtima AI puhul: odavam mudel, vahemälu, lühem kontekst, partiiarvestus ja selgemad kasutuspiirangud võivad olla sama tähtsad kui mudeli kvaliteet.

Kanada tahab AI kasutust kasvatada, kuid kulud vajavad juhtimist

Kanada uus riiklik AI-strateegia "AI for All" seab eesmärgiks kasvatada tehisintellekti kasutust ettevõtetes ja suurendada majanduslikku mõju. Kanada valitsuse teatel soovitakse kasvatada AI kasutuselevõttu ettevõtetes 2034. aastaks märgatavalt ning luua uusi töö- ja praktikavõimalusi.

Sellised strateegiad näitavad, et riigid ei käsitle AI-d enam ainult tehnoloogiasektori teemana. AI kasutuselevõttu nähakse tootlikkuse, konkurentsivõime ja tööjõu oskuste küsimusena. Kuid ettevõtete tegelik kogemus viitab, et kasutuselevõttu ei saa kiirendada ainult tööriistade kättesaadavaks tegemisega.

Kui töötajad ja juhid ei mõista hinnastamist, töövooge ega kulumõõdikuid, võib AI kasutus muutuda kalliks ja juhitamatuks. Seetõttu peaks AI-pädevus hõlmama ka kulupädevust: kuidas hinnata päringu hinda, millal kasutada kallimat mudelit, kuidas vähendada korduvat konteksti ja kuidas mõõta tulemust.

Mida ettevõtted peaksid tegema?

Ettevõtted peaksid alustama AI-kulude nähtavusest. Iga suurem tööriist või API-lahendus peaks näitama kasutust tiimi, projekti ja kasutusjuhtumi kaupa. Üldisest kuuarvest ei piisa. Juhtkond peab nägema, milline tegevus kulu tekitab ja milline väärtus selle vastu saadakse.

Teiseks tuleb kehtestada kasutusreeglid. Kõige kallim mudel ei tohiks olla vaikevalik kõigile ülesannetele. Töötajatele tuleb anda juhised, millal kasutada lihtsamat mudelit, millal lisada dokumente, millal alustada uut vestlust ja millal vältida tarbetult pikka konteksti.

Kolmandaks tuleb muuta töövooge. Kui AI lisatakse vana protsessi peale, tekib sageli lisakulu. Kui töövoog kujundatakse ümber nii, et AI teeb sobiva osa tööst ja inimene kontrollib kriitilist tulemust, on suurem võimalus, et kulu muutub põhjendatuks.

Neljandaks tuleb koolitada töötajaid. AI-kasutus ei ole ainult oskus kirjutada parem päring. Töötaja peab mõistma, et pikk sisend, korduv failide lisamine, suur väljund ja agenttööriistad mõjutavad kulu. Väike käitumismuutus võib suure kasutajaskonna puhul anda märgatava säästu.

Kokkuvõte

AI-tokenite ootamatu kulu näitab, et ettevõtete tehisintellekti kasutuselevõtt on jõudnud küpsemasse etappi. Küsimus ei ole enam ainult selles, milline tööriist kõige paremini vastab või koodi kirjutab. Küsimus on selles, kas organisatsioon suudab AI kasutust juhtida, mõõta ja siduda selle tegeliku äriväärtusega.

Uberi juhtum, tokenikasutuse üle tekkinud vaidlused ja ekspertide hoiatused viitavad samale probleemile: ilma töövoogude muutmise, kulujälgimise ja töötajate koolituseta võib AI muutuda eelarveriskiks. Tokenid on väikesed ühikud, kuid suure organisatsiooni igapäevakasutuses võivad neist kiiresti saada suured arved.

Ettevõtted, kes soovivad AI-st kasu saada, peavad liikuma katsetamisest juhtimisse. See tähendab selgeid kasutusreegleid, sobiva mudeli valikut, mõõdetavat ärilist tulemust ja kulude nähtavust. Vastasel juhul võib AI-piloot lõppeda mitte tootlikkuse kasvu, vaid ootamatu arvega.

Korduma kippuvad küsimused

Mis on AI-token?

AI-token on keelemudeli arvestusühik, mille järgi hinnastatakse mudeli sisendit ja väljundit. Token võib olla sõna, sõnaosa, kirjavahemärk või muu tekstiosa, sõltuvalt mudeli tööviisist.

Miks AI-tokenid ettevõtetele ootamatuid kulusid tekitavad?

Kulud kasvavad siis, kui töötajad kasutavad AI-d palju, lisavad päringutesse pikki dokumente või kasutavad tööriistu, mis teevad taustal mitu mudelipäringut. Eriti kulukad võivad olla pikad vestlused, kooditööriistad, failianalüüs ja agenttöövood.

Kas rohkem token'eid tähendab suuremat tootlikkust?

Ei pruugi. Suur tokenikulu näitab kasutusmahtu, mitte tingimata väärtust. Ettevõte peab mõõtma tulemusi, näiteks aega, kvaliteeti, vigade vähenemist või konkreetse töö ühikukulu.

Kuidas ettevõte saab AI-kulusid vähendada?

Ettevõte saab kasutada odavamaid mudeleid lihtsamateks ülesanneteks, piirata liiga pikki kontekste, luua kasutusreeglid, jälgida kulusid tiimi ja projekti kaupa ning koolitada töötajaid mõistma, kuidas nende päringud hinda mõjutavad.

Miks AI-kulude juhtimine sarnaneb pilvekulude juhtimisega?

Nagu pilveteenuste puhul, sõltub ka AI kulu tarbimisest. Kui kasutus on hajutatud üle organisatsiooni ja keegi ei mõõda kulusid töövoo või tulemuse kaupa, võib arve kasvada kiiresti ja märkamatult.