Непрерывное развитие, внедрение и использование ИИ в совокупности приводят к значительным, а иногда и неожиданно высоким корпоративным расходам. Команды используют OpenAI, Anthropic, модели с открытым исходным кодом, инструменты для написания кода на базе ИИ, облачные модели и растущую экосистему специализированных ИИ-приложений для ускорения всех видов бизнес-операций.

Компания Fivetran ощутила эту эволюцию на собственном опыте. Наше собственное использование ИИ расширилось от инженерных задач до масштабов всей компании, а перечень инструментов и моделей постоянно пополняется. По мере роста внедрения росли и вопросы от нашего руководства: сколько мы тратим на ИИ? Как он используется в бизнесе? И действительно ли эти инвестиции повышают продуктивность?

Как команда, ответственная за поиск ответов на эти вопросы, мы быстро поняли, что проблема заключается не просто в понимании того, сколько мы тратим на ИИ. Нам нужна была прозрачность, чтобы управлять ИИ как растущей бизнес-инвестицией. Наши существующие ручные процессы не поспевали за растущим внедрением ИИ, поэтому нам нужен был лучший способ объединить данные и превратить их в ответы, на основе которых бизнес мог бы действовать. К счастью, мы отлично умеем извлекать данные из разрозненных систем и собирать их в одном месте.

[CTA_MODULE]

Ручная интеграция данных не подходит для аналитики ИИ

Крупные ИИ-провайдеры предоставляют данные об использовании и расходах, но не обязательно организуют их так, как компания планирует свой бюджет. Например, ИИ-провайдеры часто предоставляют информацию на уровне пользователей, в то время как финансовому отделу необходимо распределять расходы по центрам затрат для составления бюджета.

В Fivetran нашему финансовому отделу требовалось, чтобы расходы на ИИ были отнесены к центрам затрат, чтобы можно было сравнивать фактические показатели с бюджетными. Наши аналитики тратили значительное время на ручное приведение данных об использовании и расходах в пригодный для использования формат, полагаясь на разнородные инструменты провайдеров, многочисленные выгрузки в CSV и другие временные решения.

Данные были в наличии. Проблема заключалась в том, чтобы объединить их с бизнес-контекстом, необходимым для того, чтобы сделать их полезными.

Использование коннекторов Fivetran для ИИ для создания централизованного представления

Мы заменили ручной ввод данных, создав централизованное представление об использовании ИИ с помощью наших стандартизированных коннекторов для OpenAI (в настоящее время в общем доступе) и Anthropic (в настоящее время в бета-версии). Обогащая данные об использовании ИИ данными из HR-систем и данными о сотрудниках (Fivetran поддерживает Workday, Oracle Fusion HCM, ADP Workforce Now и другие) по бизнес-подразделениям, мы создали единую модель затрат на ИИ, которая обеспечивает работу централизованной панели мониторинга.

Ранее нашему финансовому отделу требовался как минимум полный рабочий день, чтобы вручную выгрузить отчеты из разрозненных систем, отсортировать данные по типу использования и объединить их с другими корпоративными данными. Автоматическая централизация и обогащение данных не только экономят этот день, но и позволяют нам наблюдать за использованием ИИ почти в режиме реального времени, а не ретроспективно. Это также позволит нам расширять и масштабировать наш набор ИИ-вендоров в будущем.

Мы не единственная компания, столкнувшаяся с этими проблемами. По мере того как организации переходят от изолированных экспериментов с ИИ к внедрению в масштабах всей компании и использованию ИИ-агентов в производстве, данные о потреблении ИИ становятся еще одним критически важным источником корпоративных данных. Коннекторы Fivetran для ИИ-провайдеров упрощают централизацию этих данных наряду с финансовыми, организационными, инженерными и операционными данными, необходимыми для придания им контекста.

Этот стек потребовал дополнительной инженерной обработки данных для превращения «сырых» данных в пригодные для использования модели. Чтобы сократить путь от необработанных данных к инсайтам, мы выпустили готовые модели Quickstart для наших коннекторов Anthropic и OpenAI, а также пакет AI Reporting, который объединяет данные обоих вендоров в одном месте. Модели охватывают затраты и использование, активность на уровне пользователей, продуктивность написания кода и сводки по пользователям, поэтому команды могут быстрее переходить от необработанных данных ИИ-провайдеров к метрикам, готовым для анализа.

Ответы на вопросы, которые задавал наш бизнес

Централизация данных об использовании и расходах на ИИ позволяет нам отслеживать наши расходы на ИИ, уверенно предоставлять сотрудникам более широкий доступ к ИИ и понимать, как ИИ влияет на наши бизнес-операции.

Сколько мы тратим на ИИ и как нам планировать эти расходы?

Централизованная панель мониторинга затрат на ИИ позволяет нам понять, сколько мы тратим на ИИ сегодня и что это говорит о будущих потребностях. В финансовом, инженерном, аналитическом и других отделах заинтересованные стороны могут получить общее представление о том, куда уходят расходы на ИИ и как они меняются. Вместо проверки порталов отдельных провайдеров мы можем анализировать расходы по таким параметрам, как вендор, команда, пользователь, модель и тип использования.

Потребление ИИ продолжает развиваться, поэтому исторические данные не делают будущие расходы полностью предсказуемыми. Но они дают нам гораздо более прочную основу для понимания того, где растут потребление и потребности, а также для планирования распределения бюджетов.

В Fivetran наши коннекторы для ИИ были особенно полезны после слияния Fivetran и dbt Labs, позволив нам масштабировать интеграцию данных для понимания совокупного потребления ИИ без дополнительной ручной работы.

Как мы можем дать сотрудникам больше гибкости в использовании ИИ?

Централизованная прозрачность устраняет догадки при доступе к инструментам и их использовании, позволяя нам понимать потребности сотрудников, предоставляя командам четкие бюджеты и ясные ожидания по использованию. Отслеживая использование и расходы, мы также можем вести переговоры с ИИ-вендорами, адаптируя контракты к конкретным моделям потребления.

Внутренний «ИИ-кошелек» Fivetran предоставляет сотрудникам индивидуальный бюджет на ИИ, который они могут распределять между различными инструментами в зависимости от своих потребностей и предпочтений. Сотрудники могут видеть свои расходы и оставшийся бюджет, в то время как администраторы сохраняют централизованную видимость использования и расходов по всей организации. Это дает сотрудникам большую свободу выбора без ущерба для финансового контроля.

Транслируется ли наше использование ИИ в бизнес-результаты?

Использование ИИ измерить относительно легко. Ценность ИИ — сложнее. Объединение данных о потреблении ИИ с операционными данными из таких систем, как GitHub, Jira, CRM и платформы поддержки, дает нам основу для понимания того, действительно ли внедрение и использование ИИ улучшают бизнес-результаты.

В Fivetran мы объединяем данные об использовании ИИ с данными об инженерной активности, чтобы выявлять «узкие места» в продуктивности и определять возможности для ускорения инженерных процессов. Наша команда по внедрению ИИ (AI Enablement) обеспечила операционный доступ к ИИ и коннекторам по всей компании, разработав модели ROI, которые связывают использование ИИ с результатами, важными для каждого конкретного случая использования.

Управляйте ИИ так же, как любой бизнес-инвестицией

Внедрение ИИ в экономике не замедляется. Инструменты, которые мы используем, будут продолжать меняться, новые агенты будут внедрять новые модели потребления, а вопросы, которые мы задаем данным, будут развиваться вместе с ними.

Наш опыт в Fivetran показывает, что для эффективного управления ИИ недостаточно просто оплачивать счета от провайдера. Финансовому отделу необходимо понимать, к каким статьям расходов относятся затраты, инженерам — как потребляются ресурсы, а руководителям ИИ-направлений — каков уровень внедрения технологий. В конечном счете, каждой команде нужно понимать, создает ли ИИ достаточную ценность, чтобы оправдать инвестиции. Централизация данных о потреблении ИИ вместе с остальными бизнес-данными дает нам общую основу для ответов на эти вопросы.

Мы создали ИИ-коннекторы Fivetran, чтобы сделать эти данные доступными. Используя их самостоятельно, мы обеспечиваем прозрачность, необходимую для ответов на запросы бизнеса и управления ИИ как инвестицией, а не просто очередной строкой в бюджете.

[CTA_MODULE]