Fagligt ansvarlig: Christopher Beck · Fagligt ansvarlig
AI har ændret projektets omkostningsmodel
Traditionel softwareøkonomi har ofte været relativt enkel at budgettere: licenser, brugere, kapacitet og kontrakter kunne omsættes til forholdsvis stabile poster. Generativ og agentisk AI introducerer en anden logik. Omkostningen påvirkes løbende af modelvalg, antal tokens, kontekstlængde, routing, agentadfærd, antal tool calls, retries og hvor hurtigt brugen breder sig i organisationen.
Det gør AI-forbrug til mere end et teknisk spørgsmål. Når et projekt anvender AI som en del af løsningen eller selve projektarbejdet, bliver forbruget en del af projektlederens økonomiske styringsproblem: Hvad driver efterspørgslen? Hvem ejer forbruget? Hvad er et acceptabelt cost-to-value-forhold? Og hvilke grænser skal være indbygget, før en agent eller et workflow sættes i drift?
93 % overskrider AI-budgettet
McKinseys Enterprise AI FinOps Survey fra maj 2026 viser, at 93 % af respondenterne har overskredet deres AI-budgetter. Undersøgelsen viser samtidig, at AI-spend næsten firedobles, når organisationer bevæger sig fra isolerede use cases til bred enterprise-adoption. McKinsey vurderer desuden, at 20–30 % af AI-spend i mange virksomheder ikke kan henføres ordentligt, fordi forbruget er fragmenteret på tværs af leverandører, værktøjer og forretningsenheder.
Det vigtige projektledelsesmæssige signal er ikke, at tokens i sig selv er dyre. Det er, at efterspørgslen kan vokse hurtigere end de budget- og governance-mekanismer, der normalt opdager problemet.
Tokenmaxxing, AI sprawl og den nye tokenøkonomi
Begreberne er stadig under udvikling. McKinsey bruger i 2026 ordet “tokenmaxxing” om en kultur, hvor høj AI-anvendelse bliver et mål i sig selv, mens “AI sprawl” beskriver den fragmenterede vækst i værktøjer og forbrug. I markedet bruges også “token sprawl” som en uformel betegnelse for ukontrolleret tokenforbrug. Det mere præcise faglige begreb er tokenomics eller token economics: den nye disciplin for at forstå omkostning, forbrug og værdi i AI-systemer.
Hvorfor agentisk AI gør budgettet mere ustabilt
Et klassisk chatbot-kald er forholdsvis enkelt: et input, en model og et output. Et agentisk workflow kan derimod gennemføre mange modelkald, hente data, kalde værktøjer, vurdere resultatet, prøve igen og eskalere til en dyrere model. Hver beslutning kan øge både tokenforbrug og infrastrukturforbrug.
McKinsey peger specifikt på agent loops, workflow-volumen, context windows og premium-modeller som omkostningsdrivere. Derfor er “hvor mange brugere har vi?” ikke længere et tilstrækkeligt budgetspørgsmål. Projektet skal forstå, hvor mange arbejdsforløb der kører, hvor ofte de kører, hvilke modeller de aktiverer, og hvor meget autonomi de har.
Projektlederen skal styre cost per outcome – ikke bare cost per token
Tokenprisen er synlig, men den er ikke projektets egentlige styringsmål. En billig model kan blive dyr, hvis den skaber flere retries, dårligere output eller ekstra menneskelig kontrol. En dyrere model kan være rationel, hvis den løser en kritisk opgave korrekt første gang. Derfor bør projektet flytte fokus fra “hvad koster en million tokens?” til “hvad koster et færdigt og brugbart resultat?”.
McKinsey formulerer dette skarpt: den relevante governance-enhed bør være det færdige forretningsresultat – ikke tokenprisen. For projektlederen betyder det, at AI-budgettet bør forbindes med konkrete leverancer, workflows og værdiskabelse.
Fem nye styringsgreb i AI-projekter
AI-økonomi kræver ikke, at projektlederen bliver FinOps-specialist. Men projektet bør have en eksplicit styringsmodel for forbruget.
- 01
Synliggør forbruget pr. projekt, workflow og use case. Et samlet leverandørbeløb er ikke nok til at forstå, hvor værdien eller spildet opstår.
- 02
Fastlæg budgets og tærskler før autonomi. Agents og workflows bør have klare grænser for retries, tool calls, kontekst, premium-modeller og samlet spend.
- 03
Brug model routing. Simple opgaver bør ikke automatisk lande på den dyreste frontier-model. Modelvalg bør afveje kvalitet, risiko, latency og omkostning.
- 04
Mål cost per outcome. Følg omkostningen pr. færdig sag, kode-review, analyse, kundedialog eller anden relevant forretningsenhed – ikke kun tokens.
- 05
Definér stopkriterier og ansvar. Et AI-workflow skal have en ejer, et budget, en forventet værdi og en mekanisme til at stoppe eller nedskalere, når økonomien ikke længere hænger sammen.
Et AI control plane bliver den nye økonomiske kontrolflade
McKinsey beskriver et AI control plane som et fælles styringslag mellem brugere, applikationer, agents og modeller. Det kan samle telemetry om blandt andet tokens, API-kald, latency og cost og koble forbruget til use case, ejer og cost center. Samme lag kan håndhæve token budgets, spend thresholds, modeladgang og context-window-grænser i realtid.
For projektledelse er pointen større end teknologien: budgetkontrol flytter tættere på selve arkitekturen. En månedlig budgetopfølgning kan ikke beskytte et projekt mod et workflow, der kan multiplicere sin egen efterspørgsel. Governance skal derfor designes ind i løsningen.
Projektøkonomi bliver også et ledelses- og adfærdsspørgsmål
Tokenøkonomi er ikke kun et spørgsmål om API gateways og model routing. Mennesker træffer beslutninger om, hvornår AI skal bruges, hvor meget autonomi der gives, hvornår et output er godt nok, og hvornår et dyrere modelvalg faktisk er berettiget. Derfor mødes Business Acumen og Power Skills her.
Projektlederen skal kunne udfordre teknisk begejstring uden at bremse innovation, skabe klare beslutningskriterier, få økonomi og teknik til at tale samme sprog og sikre, at teamet optimerer efter forretningsværdi frem for synligt AI-forbrug. Dømmekraft, kommunikation, stakeholder engagement og evnen til at lede uden formel autoritet bliver dermed en del af den økonomiske styring.
En praktisk governance-model for projektet
Før et AI-workflow går i produktion, bør projektet som minimum kunne svare på seks spørgsmål:
- Hvilket forretningsresultat skaber workflowet – og hvordan måler vi værdien?
- Hvilken enhed følger vi økonomien på: opgave, sag, bruger, transaktion eller andet?
- Hvem ejer forbruget og har mandat til at ændre model, grænser eller workflow?
- Hvilke grænser findes for tokens, retries, tool calls, context windows og premium-modeller?
- Hvornår skal systemet route til en billigere model, kræve menneskelig godkendelse eller stoppe?
- Hvilket cost-to-value-niveau udløser redesign eller lukning?
Når projektlederen bliver nødt til at begrænse AI
Den mest interessante konsekvens af AI-tokenøkonomien er ikke regnskabsmæssig. Projektlederen kan blive nødt til at begrænse adgangen til værktøjer, som projektdeltagerne oplever gør dem hurtigere, dygtigere og mere effektive. Det kan være den stærkeste model, større context windows, flere agent-runs, dyrere coding assistants eller mere autonomi til et workflow. Dermed rammer økonomistyringen direkte ind i den enkeltes daglige arbejdsform.
Det adskiller sig markant fra klassiske besparelser på rejser, licenser eller eksterne indkøb. En specialist kan opleve modelbegrænsningen som et indgreb i faglig autonomi. En udvikler kan opleve den som tab af produktivitet. Et innovativt team kan opleve governance som en bremse. Projektlederens opgave bliver derfor ikke blot at håndhæve et budget, men at skabe forståelse, accept og fortsat motivation, mens den digitale handlekraft bliver rationeret.
AI-begrænsninger bliver et spørgsmål om autonomi og motivation
Når et værktøj er blevet en integreret del af den måde, et menneske løser sit arbejde på, kan begrænset adgang føles mere som at få et arbejdsredskab taget væk end som at få reduceret en omkostningskonto. Derfor skal projektlederen kunne forklare hvorfor begrænsningen er nødvendig, hvilke principper der ligger bag, og hvor teamet fortsat har frihed til selv at vælge løsninger.
Det skaber en ny ledelsesbalance: Organisationen har brug for økonomisk kontrol, men projektet har samtidig brug for faglig autonomi, eksperimentering og engagement. For stramme regler kan drive omgåelser, shadow AI og lavere motivation. For løse regler kan skabe ukontrolleret spend. God governance kræver derfor både tekniske guardrails og menneskelig ledelse.
Her bliver Belbin relevant for AI-governance
Belbin styrer ikke tokenbudgetter, model routing eller FinOps. Metoden bliver relevant omkring de menneskelige beslutninger, der afgør, hvordan begrænsningerne faktisk fungerer i projektet. AI-governance kræver forskellige arbejdsbidrag: nogen skal udforske muligheder, nogen skal udfordre antagelser og ROI, nogen skal omsætte regler til en brugbar arbejdsform, nogen skal fastholde kvaliteten, og nogen skal skabe fælles retning og accept.
Belbin giver projektlederen et konkret sprog for at se, hvilke bidrag der dominerer, og hvilke der mangler. Pointen er ikke, at bestemte Teamroller er gode eller dårlige til AI. Pointen er, at et team med ubalancerede bidrag lettere kan forveksle teknologisk aktivitet med projektværdi eller reagere uhensigtsmæssigt på nye begrænsninger.
- Idé- og mulighedsorienterede bidrag kan hjælpe med at finde billigere eller smartere arbejdsformer, men kan også drive konstant eksperimentering.
- Fremdriftsorienterede bidrag kan sikre handling, men under pres risikere at behandle governance som en unødvendig barriere.
- Analytiske og kvalitetssikrende bidrag kan udfordre ROI, modelvalg og outputkvalitet, men kan også skabe overkontrol eller dyr perfektionisme.
- Koordinerende og relationelle bidrag kan skabe fælles forståelse, retfærdighed og accept af de nye rammer, så begrænsningen ikke reduceres til et top-down forbud.
Ledelse gennem begrænsning bliver en ny projektlederdisciplin
Den stærke projektlederreaktion er derfor ikke: “Fra mandag må ingen bruge model X.” Den stærkere opgave er at gøre den økonomiske nødvendighed til et fælles designproblem: Hvilke opgaver kræver faktisk den dyreste model? Hvor kan vi route anderledes? Hvilke agent-loops skaber reel værdi? Hvor kan vi reducere forbruget uden at reducere kvaliteten tilsvarende? Og hvem i teamet har de bedste bidrag til at løse netop de spørgsmål?
AI ændrer dermed projektlederens ressourceopgave. Projektlederen skal ikke kun allokere knappe menneskelige ressourcer, men også rationere digital kapacitet – samtidig med at mennesker fortsat skal opleve autonomi, mening og mulighed for at levere deres bedste arbejde. Det er her AI FinOps møder Power Skills, og hvor Belbin kan blive et praktisk ledelseslag omkring den tekniske governance.
Kilder og videre læsning
McKinsey: The cost of intelligence – How CIOs can manage AI demand at scale
FinOps Foundation: Tokenomics – Managing AI Value in SaaS Model Token Costs
FinOps Foundation: FinOps X 2026 – Token Economics and the Evolving Role of FinOps
Gartner: Over 40% of Agentic AI Projects Will Be Canceled by End of 2027