Et tokenbudget bør følge det arbejde, AI udfører, den forventede værdi og den risiko virksomheden accepterer, fordi en ens kvote til alle medarbejdere og digitale roller kun viser forbruget og ikke fortæller ledelsen, om modelkapaciteten blev brugt på en vigtig opgave, gav et brugbart resultat eller burde være stoppet tidligere. Microsoft er ifølge Computerworld begyndt at begrænse medarbejdernes brug af tokens på AI-tjenester.
Computerworld henviser til en intern mail, hvor medarbejderne får besked på at administrere tokens med samme disciplin som andre kritiske ressourcer. Jeg har ikke set mailen. Computerworld er derfor kilden til selve Microsoft-oplysningen. Men beslutningen bag den er genkendelig for enhver virksomhed, der lader AI gå fra lejlighedsvis hjælp til en reel del af arbejdet: Hvem må bruge hvor meget modelkapacitet, på hvilke opgaver og med hvilken grund?
En forbrugsgrænse kan holde en regning nede. Den fortæller ikke i sig selv, om virksomheden bruger AI fornuftigt.
En personlig kvote er et groft første værktøj
Hvis alle får det samme antal tokens, bliver budgettet let løsrevet fra arbejdet. En jurist, der undersøger én kontrakt med stor økonomisk betydning, kan have god grund til at bruge mere modelkapacitet end en medarbejder, der skriver tyve interne resuméer. En kodeagent kan bruge mange tokens og stadig være billig, hvis dens arbejde består tests og sparer dage. En anden agent kan bruge få tokens på at producere noget, som ingen har brug for.
Tokenforbrug er derfor ikke et resultatmål. Det er et ressourceforbrug, som først giver mening sammen med opgaven:
- Hvilket arbejde forsøger vi at få udført?
- Hvad er et tilfredsstillende resultat?
- Hvad koster det i menneskelig tid at kontrollere resultatet?
- Hvad sker der, hvis arbejdet mislykkes?
- Hvornår skal systemet stoppe eller bede om mere mandat?
En ens kvote kan være nødvendig, mens virksomheden skaber overblik. Den bør ikke forveksles med den færdige styringsmodel.
Budgettet hører sammen med mandatet
Når en digital kollega ejer tilbagevendende arbejde, er budgettet en del af dens rolle. Det samme mandat, der beskriver hvilke systemer den må bruge, og hvornår et menneske skal tage over, bør også beskrive hvor meget tid og modelkapacitet arbejdet er værd.
Det gør budgettet operationelt. En agent kan for eksempel få lov til at gennemføre en afgrænset undersøgelse inden for en fast ramme. Hvis den ikke kan nå en dokumenteret konklusion, skal den aflevere sine fund og usikkerheder i stedet for bare at fortsætte. Et dyrere næste trin kræver en ny beslutning.
Jeg har selv lavet en routing-skill til mine digitale kolleger, som bruger det princip. Den klassificerer arbejdet efter blandt andet usikkerhed, risiko og hvor objektivt resultatet kan kontrolleres. En afgrænset og gentagelig opgave begynder med den billigste model, der sandsynligvis kan løse den. Hvis opgaven viser sig at kræve bredere forståelse, ikke kan verificeres eller fejler gentagne gange, eskalerer den til stærkere og dyrere kapacitet. Budgettet bliver dermed fordelt efter arbejdet og dets konsekvenser frem for som én fælles standard til alle opgaver.
Skillen er en styringsregel, ikke dokumentation for en bestemt besparelse. Den kræver netop, at man måler godkendte resultater, fejlretninger og samlet forbrug, før man hævder, at én fordeling er billigere end en anden.
For mere åbne opgaver kan rammen være trinvis. Først en billig scanning. Derefter en grundigere behandling af de få sager, der ser vigtige ud. Til sidst menneskelig godkendelse, før agenten bruger mere kapacitet eller foretager en handling med konsekvens.
Det er tættere på almindelig ledelse end på teknisk finjustering. Vi giver heller ikke en medarbejder ubegrænset tid, adgang og indkøbsret alene med beskeden om at “skabe værdi”. Vi beskriver ansvaret, prioriterer arbejdet og aftaler, hvornår personen skal komme tilbage.
Billigere tokens gør ikke budgettet mindre vigtigt
Prisen på modelkald falder mange steder. Samtidig bliver det lettere at lade AI arbejde længere, kalde flere værktøjer og sætte flere agenter til at kontrollere hinanden. Den samlede regning kan derfor stige, selv om hvert enkelt token bliver billigere.
Det vigtigste skifte er dog organisatorisk. Mens en medarbejder selv skriver prompts, fungerer opmærksomhed og arbejdstid som en naturlig bremse. Når et system kan starte automatisk, prøve igen og fortsætte uden en ny menneskelig besked, forsvinder en del af den bremse. Så skal stopreglerne designes.
Det er her Microsoft-historien bliver mere end en indkøbsnyhed. Tokenbudgettet viser, at AI-forbrug er ved at blive en ledelsesressource. Den ansvarlige leder bør ikke kun spørge, hvor mange tokens afdelingen har brugt. Lederen bør kunne se, hvilket arbejde forbruget finansierede, hvad der kom ud af det, og hvorfor næste million tokens er pengene værd.