Potrošnja na AI platforme raste 63 posto

Globalna potrošnja krajnjih korisnika na modele i platforme umjetne inteligencije trebala bi u 2026. dosegnuti 64 milijarde dolara, što je 63,4 posto više u odnosu na 39 milijardi dolara u 2025. godini, procjenjuje Gartner. Potrošnja na generativne AI modele trebala bi porasti 117 posto, dok će izdvajanja za AI platforme u 2026. porasti 36,9 posto.

„Proračuni poduzeća za umjetnu inteligenciju nalaze se pod sve većim nadzorom, uz snažniji fokus na učinkovitost uporabe, kontrolu troškova i mjerljive rezultate“, izjavila je Arunasree Cheparthi, viša glavna istraživačka analitičarka u Gartneru. „Potrošnja se preusmjerava prema pružateljima koji mogu pokazati jasnu vrijednost kroz troškove, latenciju, performanse i pouzdanost.“

„To daje prednost pružateljima koji u radne procese korisnika ugrađuju evaluaciju, transparentnost troškova i praćenje uporabe, čime olakšavaju upravljanje i optimizaciju korištenja umjetne inteligencije. Međutim, kako se potrošnja sve više temelji na stvarnoj uporabi, pružatelji su pod sve većim pritiskom da dokažu stvarno prihvaćanje, kontinuiranu primjenu i održive marže.“ Takva dinamika ubrzava rast jezičnih modela prilagođenih pojedinim domenama i specijaliziranih modela, za koje se u 2026. očekuje rast od 210 posto.

„Dugoročno će najveći dobitnici biti dobavljači koji poduzećima pomažu upravljati time gdje se i kako umjetna inteligencija koristi u poslovanju“, rekla je Cheparthi. „Kako na tržište dolazi sve više modela, a cijene temeljene na uporabi postaju sve teže predvidive, kupci će se okretati platformama koje im pomažu odabrati odgovarajuće alate, pratiti performanse, provoditi pravila i držati troškove pod nadzorom.“

Rast tržišta ne znači da će svaki AI projekt automatski donijeti poslovnu vrijednost. Poduzeća sve češće razlikuju trošak eksperimentiranja od troška proizvodne uporabe modela u velikom opsegu. NIST-ov okvir za upravljanje rizicima umjetne inteligencije preporučuje da se rizici kontinuirano upravljaju kroz funkcije upravljanja, mapiranja, mjerenja i kontrole. Takav pristup uključuje provjeru kvalitete izlaza, sigurnosti podataka, robusnosti i mogućih štetnih posljedica.

Cijene temeljene na tokenima i računalnom vremenu mogu otežati predviđanje ukupnog troška kada broj korisnika i agenata brzo raste. Zato se uz klasični FinOps sve češće razvija AI FinOps, koji prati potrošnju po modelu, timu, aplikaciji i poslovnom rezultatu. Specijalizirani modeli mogu biti jeftiniji i precizniji od univerzalnih modela kada su trenirani ili prilagođeni za usko područje. Istodobno, poduzeća moraju izbjeći preveliku ovisnost o jednom dobavljaču, modelu ili oblaku.

Platforme koje omogućuju usporedbu više modela, provedbu sigurnosnih pravila i centralizirano bilježenje aktivnosti postaju važan dio AI arhitekture. Dugoročna konkurentska prednost neće proizlaziti samo iz pristupa najboljim modelima, nego iz sposobnosti organizacije da ih pouzdano uklopi u podatke, procese i odgovornost za poslovne odluke.