Pengeluaran untuk AI kembali menjadi sorotan dengan hadirnya model Claude Fable 5 dari Anthropic. Sebelum munculnya kekhawatiran mengenai keamanan yang membuat model ini dihentikan, ada juga isu terkait biaya. Anthropic mengungkapkan bahwa biaya Fable mencapai $10 atau sekitar €9 per satu juta token input dan $50 per satu juta token output. Ini dua kali lipat dari harga model termahal mereka sebelumnya, Claude Opus 4.8.
Tak lama setelah peluncuran, banyak postingan di LinkedIn yang menunjukkan betapa cepatnya tim menghabiskan token mereka, yang berimbas pada anggaran. Meski demikian, penting untuk dicatat bahwa Fable 5 adalah model yang sangat canggih dan bagi kebanyakan perusahaan, tidak perlu digunakan secara nonstop atau untuk setiap tugas.
Tetapi, di sinilah masalah utama muncul: penggunaan AI semakin meningkat dan model-modelnya terus berkembang. Namun, kontrol dan visibilitas yang dimiliki perusahaan tentang berapa banyak yang dibelanjakan, oleh siapa, dan untuk apa, masih tertinggal.
Bagaimana Aktivitas AI Menjadi Masalah Keuangan
Ada pergeseran besar di pasar perangkat lunak Inggris ke arah AI, terutama ekosistem Anthropic. Data proprietary dari Pleo yang menunjukkan merchant teknologi teratas berdasarkan jumlah pelanggan peng花eluaran, menunjukkan bahwa Anthropic (Claude) meroket dari peringkat 12 pada Q4 2025 menjadi ranking 7 pada Q1 2026. Sementara itu, rata-rata pengeluaran per pelanggan meningkat sebesar 43%.
Kenaikan yang cepat ini menunjukkan bahwa Anthropic telah mencapai tingkat kematangan di pasar perusahaan Inggris, di mana bisnis mulai bergerak melewati fase eksperimen. Namun, meskipun ini mencerminkan meningkatnya kepercayaan dalam adopsi AI, juga ada beberapa tantangan keuangan yang muncul.
Secara keseluruhan, AI telah mendefinisikan ulang cara kerja di tempat kerja, namun ini bukanlah trial gratis. Biaya token telah meningkat, dan model-model baru yang bisa melakukan hal yang tampaknya tidak mungkin beberapa tahun lalu tentu hadir dengan harga yang selaras. Tantangan baru bagi para pemimpin bisnis adalah memanfaatkan teknologi ini sambil mengendalikan pengeluaran yang tak terkendali.
Itu sebabnya banyak organisasi beralih ke tim keuangan mereka. Tim keuangan memiliki visibilitas untuk menggali detail dan memetakan penggunaan AI di seluruh organisasi, baik itu muncul sebagai pembaruan langganan yang diam-diam atau permintaan anggaran baru. Lebih dari itu, mereka dapat berperan penting dalam memastikan tim melakukan diskusi terbuka, bukan hanya tentang OpenAI.
Kegiatan AI Tidak Selalu Mencerminkan Nilai AI
Hampir setiap organisasi pasti telah mengembangkan cara transformatif dalam menggunakan alat AI. Namun, apakah mereka menyadarinya atau tidak, pasti juga ada penggunaan yang tidak efisien.
Penyebab utama dari penggunaan yang tidak efisien ini termasuk bertanya pada agen AI dengan pertanyaan terbuka, ketidakcocokan model yang membakar token secara tidak perlu, serta adanya alat duplikat akibat shadow AI dan langganan yang tumpang tindih. Ini membuat bisnis tidak dapat melihat gambaran utuh yang kemungkinan besar sangat mahal.
Peningkatan literasi pengguna bisa jadi solusinya. Namun untuk tim keuangan, mereka harus mulai dari area abu-abu terkait konsumsi AI. Dua tim mungkin terlihat sebagai pengguna aktif AI, namun satu tim yang menggunakan LLM untuk memproduksi lebih banyak konten dengan cepat melakukan hal yang sangat berbeda dibanding satu tim yang menggunakan AI untuk tugas-tugas produktivitas pinggiran. Bahkan, hanya 29% UKM di Eropa yang menggunakan Gen AI untuk kegiatan inti bisnis mereka.
Untuk meningkatkan kontrol mereka atas AI, organisasi harus mulai dengan meningkatkan visibilitas dari siapa yang menggunakan AI, hingga siapa yang memanfaatkannya untuk menjadi lebih cepat dan produktif.
Cara Mengendalikan Penggunaan AI Kembali
Pandangan menyeluruh tentang pengeluaran AI sangat penting, terlepas dari apakah biaya meningkat.
Memecah pengeluaran berdasarkan departemen, tim, dan anggaran membantu mengidentifikasi penggunaan yang tidak proporsional dan area di mana adopsi mungkin tertinggal. Hal ini seharusnya dipadukan dengan metrik kinerja seperti waktu hingga draf pertama untuk konten pemasaran, waktu siklus review kode di bidang teknik, waktu penyelesaian tiket dukungan di layanan pelanggan, dan sebagainya.
Kombinasi pengeluaran dan kinerja ini bisa mengungkap apakah investasi pada AI benar-benar berdampak pada peningkatan produktivitas yang terukur, dan bukan hanya peningkatan biaya perangkat lunak.
Visibilitas juga harus mencakup penggunaan tingkat model. Seperti yang sudah disebutkan sebelumnya, perbedaan biaya antara model reasoning mutakhir dan alternatif yang lebih ringan bisa mencapai sepuluh kali lipat. Memantau penggunaan model dan vendor serta konsumsi token membantu organisasi mengalihkan tugas rutin ke opsi yang lebih murah, memaksimalkan ROI, dan mengurangi pengeluaran yang tidak perlu.
Tim keuangan seharusnya memperluas laporan dan kerangka anggaran mereka untuk menyertakan metrik khusus AI. Pertanyaan kunci di akhir bulan adalah apakah tim yang menggunakan AI meningkatkan output dan kapasitas tanpa menambah jumlah karyawan. Ini memberikan gambaran yang jelas tentang dampak AI, dapat membenarkan investasi, serta membedakan antara penggunaan AI yang bernilai tinggi dan rendah.
Akhirnya, kontrol yang efektif atas AI bukan hanya soal biaya. Ini tentang memahami di mana AI menciptakan nilai dan memastikan investasi selaras dengan hasil bisnis.
Kontrol AI Ada di Tangan Anda
Kabar baiknya adalah, tidak ada dari metrik ini yang memerlukan tumpukan analitik AI yang rumit. Tim keuangan seharusnya sudah memiliki alat untuk visibilitas real-time mengenai pengeluaran dan lokasi pengeluaran tersebut. Semua yang dibutuhkan sekarang adalah mengintegrasikan AI ke dalam campuran dan berkolaborasi dengan departemen lain untuk mengukur dan meningkatkan ROI.
Hasilnya, organisasi dapat mengontrol penggunaan AI melalui pengawasan tanpa membatasi pengeluaran, adopsi, atau inovasi melalui proses pengadaan yang panjang. Kebijakan pengeluaran, kontrol kategori, dan ambang persetujuan yang jelas mengatur apa yang dibelanjakan, dan semuanya diukur.
Tapi yang lebih penting, tim tidak melambat akibat hal tersebut. Satu-satunya perbedaan adalah bahwa AI dioptimalkan untuk dampak.
