CFO-er må velge mellom AI-tokens og folk

AI-kostnaden er i ferd med å flytte seg fra teknologibudsjettet til ledergruppens bemanningsplan. CNBC beskriver hvordan store amerikanske virksomheter nå må vurdere et uvanlig valg: skal neste budsjettkrone gå til flere ansatte eller til flere AI-tokens?

Saken bygger på intervjuer med Arvind Jain, toppsjef i enterprise-AI-selskapet Glean, og Matan Grinberg, toppsjef i Factory AI. Begge arbeider tett på store selskaper som har gått fra AI-piloter til bredere utrulling. Bildet de tegner er nøkternt og ubehagelig: teknologien virker, men forbruket løper raskere enn styringen.

Jain sier til CNBC at overopphetede AI-budsjetter nå er det viktigste temaet for enterprise-kunder. Han beskriver selskaper som bruker opp årsbudsjetter på én eller to måneder. Ifølge ham har kostnaden ikke falt slik mange kjøpere forventet. Nye frontier-modeller kan bli dyrere per token, samtidig som virksomhetene bruker dem på stadig flere oppgaver.

Det er en viktig korreksjon til den enkle AI-fortellingen. Mange styrer har behandlet AI som en produktivitetsinvestering der gevinsten kommer raskt og kostnaden skalerer ned. I praksis ser flere virksomheter det motsatte i tidlig produksjon: mer bruk gir mer modellforbruk, flere integrasjoner, mer sikkerhetsarbeid, mer logging, mer kontroll og mer behov for å skille mellom oppgaver som trenger toppmodell og oppgaver som ikke gjør det.

Grinberg beskriver utviklingen som tre faser. Først krevde styrene at ledelsen gjorde noe med AI. Så kom en fase der selskaper brukte AI mest mulig, nesten uansett kostnad. Nå er flere i gang med tredje fase: en mer brutal vurdering av hvilken modellkvalitet som faktisk trengs for hver oppgave. Spørsmålet er ikke lenger bare om AI kan brukes. Spørsmålet er hvor dyr intelligens oppgaven fortjener.

Det mest konkrete tallet i CNBC-saken er at rundt 95 prosent av enterprise-AI-bruken fortsatt går på de dyreste frontier-modellene, også når enklere oppgaver kunne vært håndtert av billigere modeller. Jain peker på modellruting som lavthengende frukt og sier riktig ruting kan gi opptil 10 ganger lavere kostnad på deler av forbruket.

For norske CIO-er og CFO-er er dette mer enn en amerikansk børsfortelling. Det treffer rett inn i 2026-budsjettene. Når AI-agenter kobles inn i kundeservice, utvikling, analyse, innkjøp, sikkerhet og intern saksbehandling, blir forbruket dynamisk. En ansatt kan starte en arbeidsflyt som kaller modeller hundrevis av ganger. En agent kan teste, søke, skrive, rette og validere uten at kostnaden er synlig for brukeren. Det er effektivt når oppgaven er viktig. Det er dyrt når oppgaven er lavverdi.

Derfor må AI-styring få samme økonomiske disiplin som skyen fikk etter de første store regningene. Bedrifter trenger budsjettgrenser per team, modellruting, kostnad per arbeidsflyt, varsler ved avvik og tydelige regler for hvilke oppgaver som kan bruke de dyreste modellene. Det holder ikke å kjøpe enterprise-lisenser og håpe at leverandøren optimaliserer resten.

Saken har også en bemanningsside. Når teknologikostnaden for første gang kan sammenlignes direkte med mennesker i enkelte arbeidsprosesser, endres samtalen i ledergruppen. Da blir AI ikke bare et verktøy for ansatte, men en alternativ kapasitetslinje i budsjettet. Det betyr ikke at selskaper skal kutte folk hver gang AI-regningen øker. Men det betyr at HR, økonomi og IT må planlegge sammen. Hvis ikke vil AI-forbruket vokse som skyggebemanning uten stillingsbeskrivelser, ansvarslinjer eller gevinstmåling.

CISO bør også følge saken tett. Modellruting er ikke bare et kostnadsgrep. Det er et sikkerhetsgrep. Billigere modeller kan være gode nok for tekstutkast, sortering og enkle klassifiseringer, men ikke for oppgaver med sensitive data, komplekse beslutninger eller regulatorisk risiko. En god rutingstrategi må derfor ta hensyn til kostnad, kvalitet, dataklasse, sporbarhet og risiko samtidig.

Det praktiske rådet er enkelt: lag en AI-kostnadsmodell før bruken blir stor nok til å gjøre vondt. Start med de største bruksområdene. Mål hvor mange modellkall de utløser, hvilke modeller som brukes, hvilke data som behandles og hvilken forretningsverdi som faktisk kommer ut. Deretter kan ledelsen sette terskler: hvilke oppgaver får toppmodell, hvilke får mellommodell, hvilke skal batch-kjøres, og hvilke bør ikke automatiseres i det hele tatt.

CNBC-saken viser at enterprise-AI er på vei inn i en mer moden fase. Den handler mindre om demoer og mer om allokering av kapital. For ledere er spørsmålet nå om AI-forbruket er styrt som en investering, eller om det bare er en ny regning som kommer raskere enn gevinstene.

Kilder og medier

Kilde: CNBC, «Tokens or humans? The new corporate trade-off», oppdatert 30. mai 2026. Source URL: https://www.cnbc.com/2026/05/29/-tokens-or-humans-the-new-corporate-trade-off.html

Kildekreditering: CNBC. Thumbnail: OpenAI Image 2 / hogby.ai.