Miljardkrisen med AI-avkastning: Företag spenderar enorma summor – men kan inte bevisa att det fungerar

Det genomsnittliga företaget lägger nu 186 miljoner dollar årligen på artificiell intelligens. Ändå är det bara 5–8 procent som kan redovisa mätbara, skalbara finansiella vinster . Detta är i första hand inte ett teknikproblem – det är ett mätproblem. De flesta organisationer saknar helt enkelt de ramverk, baslinjer och standardiserade mått som krävs för att koppla AI:s tokenkostnader till affärsresultat .

Ett växande antal branschinitiativ – från OpenAI och Anthropic till Linux Foundations nylanserade Tokenomics Foundation – kappas nu för att täppa till den luckan. Den framväxande konsensusen: gå bort från råa tokenantal och mot utfallsbaserad enhetsekonomi, som kostnad per slutförd uppgift, kostnad per löst ärende eller 'bioniskt huvudantal' .

Varför det är så svårt att mäta AI-avkastning

Utmaningarna spänner över fyra huvudområden:

Inga förbestämda baslinjer. De flesta AI-införanden börjar mäta först efter lansering, vilket gör det omöjligt att härleda värde . En ModelOp-undersökning från 2026 visade att mer än två tredjedelar av företagen fortfarande förlitar sig på uppskattningar snarare än uppmätta finansiella resultat .

Fåfängamått dominerar. Många företag mäter aktiva användare, sessioner eller frågor per dag – mått som inte säger något om AI faktiskt skapar affärsvärde . Måttet för 2025 var 'användare'. Måttet för 2026 måste vara 'granskningsbara utfall' .

Klyftan mellan produktion och ROI. Gartners CIO-rapport för 2026, som omfattade 11 000 CIO:er, visade att 59 procent av AI-initiativen aldrig når produktion och att 71 procent av CIO:erna har svårt att prioritera användningsområden som ger mätbara resultat .

Kostnadsexplosion utan insyn. AI-kostnader är utspridda över flera leverantörer, modeller och avdelningar utan ett enhetligt redovisningsramverk . Forrester fann att företag skjuter upp 25 procent av planerade AI-utgifter till 2027 när den finansiella granskningen ökar .

Hur OpenAI, Anthropic och branschen svarar

OpenAI – 'Användbar intelligens per dollar'

OpenAI:s finanschef Sarah Friar introducerade ett poängkort med fyra frågor: Fungerar AI:n? Är den kostnadseffektiv? Växer värdet den skapar snabbare än kostnaden? Detta ramverk flyttar samtalet från rå tokenförbrukning till utfallsjusterad enhetsekonomi .

Anthropic – 'Ekonomiska primitiver'

Anthropic släppte ett ramverk baserat på 'ekonomiska primitiver' som mäter uppgiftskomplexitet, autonomi och tidsbesparing mot kostnad per uppgift – snarare än generisk användning . Deras interna vägledning betonar framgångsmått knutna till prestandatrösklar, noggrannhet, hastighetsförbättringar och kostnadseffektivitet .

Linux Foundations Tokenomics Foundation

Lanserad den 4 augusti 2026 med cirka 30 grundande medlemmar, däribland JPMorgan Chase, Accenture, IBM, SAP, BNY och Booking.com, syftar denna leverantörsneutrala standardiseringsorganisation till att göra för AI-tokenkostnader vad FinOps Foundation gjorde för molnkostnader . Dess första utkast, 'Big-T Notation', föreslår att standardisera kostnad per API-anrop (inte kostnad per token) så att måttet direkt motsvarar en utförd arbetsenhet . Stiftelsen definierar också kostnad-att-servera-mått som för närvarande inte finns i någon standardiserad form .

Elisity – 'Bioniskt huvudantal'

Cybersäkerhetsföretaget skapade ett mått som delar totala AI-utgifter med genomsnittlig personalkostnad och sedan jämför den kombinerade produktionen från mänskliga och AI-arbetare mot intäkter. Detta ger ekonomichefer en direkt analogi till arbetsproduktivitet för AI-investeringar .

Branschövergripande insatser

FinOps Foundation har publicerat AI-specifika ramverk med rekommenderade enhetskostnadsmått – kostnad per fråga, kostnad per användare, kostnad per arbetsflöde – för att göra token-utgifter begripliga för affärsintressenter . Oracle, Jellyfish och andra erbjuder nu token-ekonomi-dashboards som kartlägger förbrukning mot affärsresultat på arbetsflödesnivå . BCG föreslår en formell 'Return on AI' (RoAI)-kvot: Ekonomisk avkastning / (Kostnad för mänsklig intelligens + Kostnad för tokens) .

Vad fungerar: Den framväxande konsensusen om utfallsbaserade mått

Över alla dessa ramverk framträder ett tydligt mönster. De mest effektiva metoderna delar en gemensam struktur:

1. Definiera 'klart' före driftsättning. Börja med ett arbetsflöde och definiera vad ett lyckat utfall innebär, i stället för att spåra generisk användning .
2. Mät kostnad per utfall, inte kostnad per token. Exempel inkluderar kostnad per löst supportärende, kostnad per accepterad pull request, kostnad per lanserad funktion eller kostnad per levererad marknadsföringstillgång .
3. Tillskriv kostnader till ägare. Varje väsentligt arbetsflöde bör märkas med en ägare, funktion, produkt kontra intern användning, resultaträkningsrad, modell och avsett utfall .

Slutsatsen

Ingen enskild standard har ännu vunnit bred användning. Men riktningen är tydlig: en växande konsensus formas kring utfallsbaserad enhetsekonomi – kostnad per slutförd uppgift, kostnad per löst ärende, bioniskt huvudantal – snarare än råa tokenantal. För ekonomichefer och CIO:er som letar efter en startpunkt är rådet från OpenAIs Sarah Friar det mest praktiska: 'Det bästa stället att börja är med ett arbetsflöde. Definiera vad 'klart' betyder och mät det utfallet i systemet där arbetet sker' .