Banktopp varsler dyrere AI-agenter

AI-regningen blir mindre forutsigbar

AI-kostnaden i store virksomheter er i ferd med å skifte karakter. Det er budskapet fra Matt Comyn, toppsjef i Commonwealth Bank of Australia, i et intervju omtalt av Reuters 2. juni.

Comyn leder Australias største bank. Banken er også en av landets største børsnoterte selskaper og sitter på en fjerdedel av boliglånsmarkedet. Når han advarer om AI-kostnader, er det ikke en teoretisk kommentar fra sidelinjen. Det kommer fra en bank som allerede er tungt inne i AI, nylig holdt et eget AI-toppmøte med OpenAI-sjef Sam Altman og har ansatt det banken omtaler som landets første chief AI scientist i banksektoren.

Kjernen i advarselen er enkel: Den første AI-regningen var relativt lett å forstå. Mange bedrifter testet chat, oppsummering, dokumentutkast og enkle søk. Det ga tokenkostnader som var mulige å forklare i budsjettene. Den neste fasen blir annerledes. Når modellene får mer reasoning, bruker flere verktøy og må lese større mengder kontekst, vokser kostnaden på en mindre lineær måte.

Comyn formulerer det rett ut: Tokenkostnadene skalerer ikke lineært når AI-systemene får mer reasoning, verktøytilgang og kontekst. For en CIO og CFO betyr det at AI ikke bare kan styres som et vanlig SaaS-abonnement. Det må styres som forbruk av infrastruktur, kapasitet og arbeidsflyt på samme tid.

Fra Copilot-lisens til løpende forbruk

Mange ledergrupper har hittil behandlet AI som en lisenslinje. Det er ryddig på papiret. Kjøp Copilot, ChatGPT Enterprise, Gemini eller Claude. Sett en pris per bruker. Rull ut til prioriterte grupper. Mål adopsjon.

Agentfasen river i den modellen. En agent som undersøker en kundesak, skriver utkast, leser policy, henter data fra CRM, kaller et analyseverktøy og lager en oppsummering, bruker ikke bare én prompt. Den bruker en kjede av kall. Hvert steg kan ha egen kontekst, egne verktøykall og egen modellkostnad. Jo mer autonomi, jo mer usynlig forbruk hvis styringen er svak.

Det er grunnen til at Comyn peker på 2026 som året der bedrifter vil stramme inn kontrollen med AI-utgiftene. Ikke fordi interessen faller. Tvert imot. Bruken øker. Men presset for å vise faktisk avkastning øker raskere.

Dette er også en styringssak, ikke bare en økonomisak. Hvis en avdeling bygger femti små agenter med god intensjon, men uten felles logg, kostnadsmodell og måling av nytte, får virksomheten en ny variant av skygge-IT. Forskjellen er at denne varianten kan lese dokumenter, skrive svar, påvirke kundedialog og trekke på betalt modellkapasitet i hvert eneste steg.

«Work slop» blir et kostnadssignal

Reuters trekker også frem Comyns kritikk av lavverdi-produksjon, det han kaller «work slop». Poenget er brutalt og nyttig: Det er ikke mangel på analyser, dokumenter, PowerPoint-utkast eller tekst som stopper virksomheter. AI gjør det tvert imot lett å produsere langt mer av alt dette.

For norske ledere er dette kanskje den viktigste delen av saken. AI kan gi produktivitet, men den kan også blåse opp mengden intern støy. Flere rapporter er ikke det samme som bedre beslutninger. Flere automatiserte utkast er ikke det samme som raskere saksbehandling. Flere agenter er ikke det samme som bedre kontroll.

Når kostnaden per agentløp samtidig blir mer variabel, får «work slop» en konkret pris. Det handler ikke bare om at ansatte drukner i halvnyttig innhold. Det handler om at virksomheten betaler for modellkall, kontekstvinduer, verktøykjøringer og datainfrastruktur som ikke nødvendigvis skaper verdi.

Dermed bør AI-governance få et tydeligere FinOps-spor. Ikke bare policy for hva ansatte får lov til å gjøre. Også måling av hvor mange steg agentene tar, hvilke modeller de bruker, hvor mye kontekst de drar inn, hvilke verktøy de kaller, og hva som faktisk skjer etterpå.

Dette bør på CIO- og CFO-agendaen

Den praktiske konsekvensen er at AI-budsjettet må flyttes nærmere driften. Det holder ikke å rapportere antall brukere eller antall lisenser. Ledergruppen bør be om tall på kostnad per prosess, kostnad per agentløp og kostnad per faktisk beslutning eller kundeutfall.

Tre spørsmål bør stilles nå:

• Hvilke AI-brukstilfeller har forbrukskostnader som kan øke når kvaliteten og autonomien øker?
• Hvilke agenter får tilgang til verktøy, interne datakilder og lang kontekst uten at kostnaden spores per arbeidsflyt?
• Hvem kan stoppe eller justere en agent som produserer mye aktivitet, men lite målbar verdi?

Dette er ikke et argument mot AI-agenter. Det er et argument for å behandle dem som produksjonssystemer. De trenger eierskap, budsjett, logging, terskler, risikomodell og revisjonsspor.

Banker er ofte tidlig ute med slike kontrollmekanismer fordi margin, regulatorisk risiko og operasjonell risiko møtes i samme rom. Resten av markedet bør følge med. Når AI går fra assistent til arbeidsflyt, blir kostnadskontroll en del av sikkerhets- og styringsmodellen.

Det neste året blir derfor mindre glamorøst enn demoscenene fra leverandørene. Spørsmålet blir ikke bare hvilken modell som er smartest. Det blir hvilken arbeidsflyt som faktisk tåler å få autonomi, hva den koster i full drift, og hvem som tar regningen når den løper.

Kilder og medier

Primærkilde/top-tier: Reuters, «Australia's CBA flags surging AI costs as tasks grow complex, slams 'work slop'», publisert 2. juni 2026: https://www.reuters.com/business/finance/australias-cba-flags-surging-ai-costs-tasks-grow-complex-slams-work-slop-2026-06-02/

Kildekreditering: Reuters / Byron Kaye.

Thumbnail: OpenAI Image 2 / hogby.ai.