Wydatki Amazon i Google na AI ujawniają ukryty kryzys kosztów CX w przedsiębiorstwach

Amazon podniósł plan wydatków kapitałowych na 2026 rok do 220 mld dolarów, mimo że odnotował najszybszy wzrost AWS od 18 kwartałów. Wyścig infrastrukturalny Amazon i Google ujawnia teraz trudną prawdę dla zespołów zajmujących się doświadczeniem klienta w przedsiębiorstwach. Popyt na AI gwałtownie rośnie, lecz systemy, które go obsługują, wymagają większego kapitału, deficytowego sprzętu i dłuższych zobowiązań.

Nie jest to dowód, że AI w przedsiębiorstwach zawiodła. Działalność chmurowa Amazon wzrosła o 37 procent w drugim kwartale, a segmenty AI i chipów przekroczyły roczne tempo przychodów na poziomie 25 mld dolarów każdy. Mimo to Amazon oczekuje, że jego moce infrastrukturalne nie zaspokoją popytu w 2026 roku.

Google mierzy się z tym samym napięciem, choć w innej skali. Przychody Google Cloud wzrosły o 82 procent, a Alphabet podniósł przewidywane nakłady kapitałowe na 2026 rok do przedziału od 195 mld do 205 mld dolarów. Obie firmy pokazują, że szersze wykorzystanie AI nie przekłada się automatycznie na tańsze i prostsze doświadczenia klientów.

Dla przedsiębiorstw problem wykracza poza rachunek za chmurę. Systemy AI do obsługi doświadczenia klienta potrzebują inferencji modeli, wyszukiwania danych, kontroli bezpieczeństwa, ewaluacji, nadzoru człowieka oraz integracji z istniejącymi platformami. Każda warstwa zwiększa koszty, zanim organizacja będzie mogła udowodnić, że doświadczenie jest lepsze.

Wyniki Amazon za Q2 zmieniły debatę o kosztach AI

Wyniki Amazon pokazują, że silny popyt na AI i poważna presja kosztowa mogą występować jednocześnie.

Amazon opublikował wyniki za drugi kwartał 30 lipca 2026 roku. Sprzedaż AWS wzrosła o 37 procent w okresie od kwietnia do czerwca, przyspieszając z 28 procent w poprzednim kwartale. Firma określiła ten wynik jako najszybszy wzrost AWS od 18 kwartałów.

Amazon poinformował również, że zarówno segment AI, jak i segment chipów przekroczyły roczne tempo przychodów na poziomie 25 mld dolarów. Dane te sugerują, że klienci kupują infrastrukturę, a nie tylko ją testują.

Wydatki potrzebne do obsługi tego wzrostu rosły równie gwałtownie. Prezes Andy Jassy podniósł przewidywane nakłady kapitałowe Amazon na 2026 rok z około 200 mld dolarów do 220 mld dolarów. Łączna kwota obejmuje inwestycje w infrastrukturę AI, półprzewodniki, robotykę i satelity.

Według Jassy’ego wyższe koszty pamięci były głównym powodem dodatkowych wydatków. Pamięć jest niezbędna do trenowania modeli i uruchamiania inferencji, czyli obsługi wytrenowanego modelu dla użytkowników. Rosnące koszty komponentów wpływają więc zarówno na systemy eksperymentalne, jak i na ugruntowane obciążenia produkcyjne.

Materiały Amazon dotyczące wyników za Q2 potwierdzają termin ogłoszenia. Późniejsze doniesienia pokazały, dlaczego wzrost był istotny. Firma wydała około 128 mld dolarów w poprzednim roku, co czyni nowy plan znaczącym krokiem w górę.

Wzrost wydatków nie odzwierciedlał wyłącznie niewykorzystanej budowy. Jassy stwierdził, że Amazon nadal nie będzie mieć wystarczającej przepustowości, aby zaspokoić cały oczekiwany popyt w 2026 roku. Opisał też jako uderzający popyt widoczny już na 2028 rok.

Ten szczegół zmienia interpretację kwartału. Amazon nie buduje infrastruktury dlatego, że popyt na AI pozostaje hipotetyczny. Intensywnie inwestuje, jednocześnie informując inwestorów, że popyt klientów nadal przewyższa dostępną podaż.

Ograniczenie to komplikuje również częste założenie przedsiębiorstw. Nabywcy często oczekują, że większa skala chmury sprawi, iż każda kolejna generacja automatyzacji będzie tańsza. Skala pomaga, ale nie może w pełni zrównoważyć niedoborów, zapotrzebowania na energię elektryczną, budowy centrów danych i częstej wymiany sprzętu.

Dla zespołu odpowiedzialnego za doświadczenie klienta ma to znaczenie na etapie wdrożenia. Pilotaż może obsłużyć kilka tysięcy rozmów z akceptowalną szybkością i dokładnością. Usługa produkcyjna musi przetrwać sezonowe szczyty, awarie, zmiany modeli i nieprzewidywalne zachowania klientów.

Systemy produkcyjne potrzebują też zapasowej przepustowości. Centrum kontaktowe nie może po prostu przestać odpowiadać, gdy popyt na inferencję wzrasta gdzie indziej. Dostawca musi utrzymywać wystarczającą moc sprzętową i sieciową, aby dotrzymać zobowiązań usługowych w okresach szczytowego obciążenia.

Ta niezawodność ma realny koszt. Pojawia się on w opłatach za użycie, zarezerwowanej przepustowości, opłatach platformowych, pracach wdrożeniowych lub ograniczeniach dotyczących jakości modelu i długości odpowiedzi. Przedsiębiorstwo może uniknąć posiadania serwerów, a mimo to płacić za infrastrukturę stojącą za każdą interakcją.

Kwartał Amazon ujawnił zatem centralny konflikt. Popyt potwierdza szansę związaną z AI, lecz koszt zaspokojenia tego popytu stale rośnie. Nabywcy rozwiązań CX w przedsiębiorstwach znajdują się po stronie odbiorców tego konfliktu.

Wyścig Amazon i Google przenosi koszty na nabywców korporacyjnych

Konkurencja między Amazon i Google zwiększa moce AI, ale jednocześnie wywiera presję na klientów, by podejmowali większe i wcześniejsze zobowiązania.

Google opublikował wyniki za drugi kwartał tydzień przed Amazon. Przychody Google Cloud wzrosły o 82 procent, a zaległy portfel zamówień chmurowych osiągnął 514 mld dolarów. Alphabet poinformował też, że niemal 90 procent firm z Fortune 100 korzystało z Gemini Enterprise.

Wzrost Google stanowi istotne porównanie, ponieważ osłabia najprostszy zarzut wobec wydatków Amazon. Amazon nie działa w pojedynkę ani nie reaguje wyłącznie na nieefektywność specyficzną dla firmy. Wielu dostawców chmury zwiększa inwestycje, jednocześnie raportując silny popyt.

Alphabet oczekuje nakładów kapitałowych na 2026 rok w przedziale od 195 mld do 205 mld dolarów. Poprzednia prognoza zakładała od 180 mld do 190 mld dolarów. Większość tych wydatków wspiera infrastrukturę techniczną, w tym serwery i centra danych wykorzystywane do obciążeń AI.

Wypowiedzi Google dotyczące wyników również podkreślają zarządzanie kosztami i nadzór w ramach Gemini Enterprise. Takie pozycjonowanie dostrzega obawę, która już przenika z działów finansowych do operacyjnych decyzji zakupowych.

Rywalizacja Amazon i Google daje nabywcom korporacyjnym więcej opcji infrastrukturalnych. AWS oferuje Amazon Bedrock, modele Nova, modele Anthropic i własne chipy Trainium. Google łączy modele Gemini, swoją platformę chmurową i autorskie jednostki tensorowe.

Własne chipy mogą zmniejszać zależność od zewnętrznych akceleratorów i poprawiać wydajność w wybranych obciążeniach. Zachęcają jednak także klientów do projektowania systemów wokół architektury danego dostawcy. Późniejsza zmiana może wymagać nowych testów, pracy z danymi i zmian w aplikacjach.

Wybór modelu tworzy podobny kompromis. Firma może kierować proste zapytania do mniejszych modeli, a trudniejsze do większych. Takie podejście może ograniczyć zużycie inferencji, lecz dodaje pracy związanej z orkiestracją, monitorowaniem i ewaluacją.

Konkurencja obniża więc część kosztów jednostkowych, jednocześnie zwiększając złożoność systemów. Przedsiębiorstwa zyskują więcej opcji, lecz muszą rozwijać wiedzę potrzebną do odpowiedzialnego korzystania z nich. Niższa stawka za token ma niewielką wartość, gdy błędy routingu zwiększają liczbę eskalacji lub prowadzą do nieprawidłowych odpowiedzi.

Stawka jest szczególnie wysoka w obszarze doświadczenia klienta. Asystent programistyczny może poprosić dewelopera o sprawdzenie wyniku. Agent obsługujący klienta często odpowiada bezpośrednio osobie, która oczekuje poprawnej odpowiedzi, jasnej polityki i natychmiastowego rozwiązania.

Nieprawidłowe wyjaśnienie dotyczące rozliczenia może prowadzić do ponownych kontaktów. Nieuzasadniony zwrot środków może spowodować stratę finansową. Pewne siebie, lecz fałszywe oświadczenie dotyczące konta może wywołać problemy prawne, regulacyjne i reputacyjne.

Ryzyka te zmuszają przedsiębiorstwa do otaczania modeli generatywnych mechanizmami kontroli. Generowanie wspomagane wyszukiwaniem łączy model z zatwierdzonymi informacjami firmowymi, zanim model odpowie. Zabezpieczenia ograniczają wyniki, a systemy ewaluacyjne sprawdzają, czy odpowiedzi spełniają zdefiniowane standardy.

Każdy mechanizm kontroli zużywa czas inżynierów i zasoby obliczeniowe. Systemy wyszukiwania wymagają zindeksowanych danych. Ewaluacje wymagają rozmów testowych, wywołań modeli, recenzentów i powtarzanych pomiarów za każdym razem, gdy zmienia się model lub prompt.

Amazon i Google mogą rozłożyć inwestycje infrastrukturalne na tysiące klientów. Poszczególne przedsiębiorstwa nie mogą równie szeroko rozłożyć kosztów integracji i zarządzania. Ich uzasadnienie biznesowe zależy od węższego zestawu procesów i mierzalnych wyników.

To właśnie tutaj przesuwa się ciężar kosztów. Hiperskalerzy finansują centra danych, ale klienci finansują ostatnią milę między zdolnym modelem a niezawodnym doświadczeniem. Ta ostatnia mila często decyduje o tym, czy program AI tworzy wartość.

Rezultatem nie jest prosta inflacja cen. To problem zobowiązań. Przedsiębiorstwa muszą wybierać dostawców, architektury i modele operacyjne, zanim długoterminowe koszty i jakość staną się w pełni widoczne.

Ekonomia CX w przedsiębiorstwach załamuje się po pilotażu

Ukryty kryzys zaczyna się, gdy kontrolowana demonstracja staje się rozliczalną operacją obsługi klienta.

Pilotaż zwykle sprawdza, czy model potrafi odpowiedzieć na wybrane pytania. Może wykorzystywać uporządkowane dokumenty, współpracujących pracowników i ograniczony zestaw rozmów. Produkcja wprowadza niepełne dane, nietypowe zapytania, emocjonalnych klientów i sprzeczne polityki.

Model jest tylko jedną częścią kosztu produkcyjnego. Kompletny system musi zidentyfikować klienta, pobrać informacje o koncie, egzekwować uprawnienia, rejestrować decyzje i przekazywać trudne sprawy. Musi także chronić wrażliwe dane na każdym etapie.

Opóźnienia tworzą kolejną warstwę kosztów. Klienci oczekują, że systemy konwersacyjne będą szybko odpowiadać, nawet gdy zapytanie wymaga kilku wywołań modelu. Dłuższe rozumowanie może poprawić niektóre odpowiedzi, ale zużywa też więcej zasobów obliczeniowych i opóźnia rozmowę.

Organizacje mogą ograniczać opóźnienia za pomocą mniejszych modeli lub odpowiedzi z pamięci podręcznej. Te wybory mogą obniżać jakość w złożonych przypadkach. Zespoły muszą zdecydować, gdzie szybszy i tańszy wynik pozostaje akceptowalny, a następnie potwierdzić ten wybór testami.

Wolumen kontaktów może się również zmienić po wdrożeniu. Łatwiejszy kanał cyfrowy czasem przyciąga pytania, z których klienci wcześniej rezygnowali. Automatyzacja może ograniczyć obsługę przez agentów, jednocześnie zwiększając całkowitą liczbę interakcji.

Firma może więc raportować wysoki wskaźnik obsługi bez udziału człowieka, nie poprawiając ogólnej ekonomiki. Wskaźnik ten mierzy, jak często rozmowa kończy się bez udziału agenta. Nie pokazuje, czy klient otrzymał poprawne i trwałe rozwiązanie.

Ponowne kontakty mają większe znaczenie. Jeśli system AI udzieli niepełnej odpowiedzi, klient może wrócić przez czat, telefon i e-mail. Pierwsza interakcja wygląda na zautomatyzowaną, podczas gdy cała ścieżka staje się droższa.

Przedsiębiorstwa potrzebują miar wyników, które łączą zachowanie AI z rezultatami biznesowymi. Obejmują one wskaźniki ponownych kontaktów, skuteczne ukończenie zadania, częstotliwość korekt, jakość eskalacji i wysiłek klienta. Sam średni czas obsługi nie oddaje tych efektów.

Przygotowanie danych tworzy kolejny istotny wydatek. Polityki dotyczące klientów są często rozproszone między stronami internetowymi, platformami wsparcia, dokumentami wewnętrznymi i wiadomościami pracowników. Niektóre źródła są aktualne, inne zawierają przestarzałe lub sprzeczne instrukcje.

Model nie potrafi samodzielnie i niezawodnie rozstrzygać tych konfliktów. Zespoły potrzebują zasad własności, kontroli wersji, uprawnień i procesów przeglądu. Przeszukiwalna baza wiedzy AI może wspierać wyszukiwanie, lecz zarządzanie treścią pozostaje obowiązkiem człowieka.

Agenci AI powiększają ten problem. Agent może wybierać narzędzia i wykonywać kroki prowadzące do celu, zamiast jedynie generować tekst. Ta zdolność pomaga przy zmianach zamówień, planowaniu, rozwiązywaniu problemów i aktualizacjach kont.

Działanie podnosi również koszt porażki. Słaba odpowiedź może zirytować klienta, natomiast nieprawidłowe działanie może zmienić konto lub stworzyć zobowiązanie finansowe. Przedsiębiorstwa muszą dodać zasady autoryzacji, ścieżki audytu i procedury odwracania zmian.

Nadzór człowieka nie znika w tym modelu. Zmienia jedynie miejsce. Pracownicy przechodzą od obsługi każdego zgłoszenia do analizowania wyjątków, utrzymywania wiedzy, badania błędów i ulepszania systemu.

Tę pracę trudno oszacować na etapie zakupów. Dostawcy mogą zademonstrować wydajność modelu, ale nie potrafią w pełni przewidzieć stanu danych przedsiębiorstwa. Nie są też w stanie określić, jak duże ryzyko zaakceptuje organizacja.

Wyścig infrastrukturalny Amazon i Google nasila to wyzwanie, przyspieszając premiery modeli i platform. Szybsze wydania tworzą nowe możliwości, lecz każda zmiana może wpłynąć na jakość wyników, opóźnienia i koszty. Zespoły produkcyjne muszą zdecydować, kiedy ponowne testowanie jest warte zakłóceń.

Platforma obsługi klienta może także zależeć od kilku dostawców. Jeden dostarcza centrum kontaktowe, drugi hostuje dane, a trzeci zapewnia model. Obserwowalność i odpowiedzialność zostają podzielone między umowy.

Gdy odpowiedź zwalnia lub zawodzi, przedsiębiorstwo musi ustalić, która warstwa spowodowała problem. Takie dochodzenie wymaga czasu i wyspecjalizowanego personelu. Klienci doświadczają całego połączonego systemu, a nie granic między jego dostawcami.

Pytanie ekonomiczne jest więc szersze niż to, czy AI kosztuje mniej niż minuta pracy agenta. Liderzy muszą porównywać całe ścieżki obsługi, w tym nieudaną automatyzację, ponowne kontakty, nadzór, integracje i wykorzystanie infrastruktury.

Udane wdrożenie nadal może przynieść istotne oszczędności. Rutynowe zgłoszenia z jasnymi zasadami pozostają dobrymi kandydatami. Ryzyko pojawia się wtedy, gdy sukces w jednym wąskim procesie uznaje się za dowód ekonomicznej opłacalności każdej interakcji z klientem.

Szybszy wzrost chmury nie dowodzi lepszych doświadczeń klientów

Amazon i Google udowodnili popyt na infrastrukturę AI, ale nie udowodnili, że każde wdrożenie przedsiębiorstwa zapewnia lepsze CX.

Wzrost AWS Amazona i przyspieszenie Google Cloud świadczą o wydatkach klientów. Nie ujawniają jednak, jaka część tych wydatków wspiera eksperymenty, szkolenie, migrację lub rentowne systemy produkcyjne.

Przychody z chmury mierzą również rezultat dostawcy, a nie zwrot kupującego. Dostawca korzysta, gdy klient zużywa więcej mocy obliczeniowej. Klient korzysta tylko wtedy, gdy to zużycie obniża koszty, zwiększa przychody, redukuje ryzyko lub poprawia doświadczenie.

Ta różnica tworzy lukę w bodźcach. Dostawcy chcą rozszerzać obciążenia. Liderzy przedsiębiorstw muszą zdecydować, które obciążenia zasługują na rozwój, a które powinny pozostać deterministyczne, prowadzone przez ludzi lub niewspierane.

Wyniki Alphabetu pokazują obie strony. Wzrost chmury osiągnął 82 procent, jednak firma podniosła również prognozę nakładów inwestycyjnych. Relacje dotyczące kwartału wskazywały, że inwestorzy pytali, czy rosnące inwestycje infrastrukturalne wywrą presję na generowanie gotówki.

Szybka ekspansja Google nie podważa jego strategii. Silny popyt na chmurę i duży backlog wskazują, że klienci cenią jego możliwości. Niepewność dotyczy momentu i trwałości zwrotów.

Amazon stoi przed tym samym testem. Według relacji o wynikach, roczny wolny przepływ pieniężny stał się ujemny, gdy wydatki przyspieszyły. Firma twierdzi, że obecna rozbudowa wspiera przyszły zakontraktowany popyt.

To wyjaśnienie jest wiarygodne, ponieważ centra danych wymagają lat planowania i budowy. Serwery pojawiają się bliżej momentu uruchomienia, podczas gdy budynki mogą obsługiwać kilka generacji sprzętu. Amazon może dostosować część zamówień sprzętowych, jeśli popyt osłabnie.

Nie każdy koszt pozostaje jednak elastyczny. Grunty, umowy dotyczące energii, przepustowość sieci i budowa stanowią długoterminowe zobowiązania. Niedobory pamięci i akceleratorów mogą również podnieść koszty po rozpoczęciu realizacji planów zwiększania mocy.

Przedsiębiorstwa mierzą się z mniejszą wersją tej rozbieżności czasowej. Płacą za integrację i nadzór, zanim wdrożenie stanie się przewidywalne. Korzyści pojawiają się dopiero wtedy, gdy klienci skutecznie korzystają z systemu, a zespoły operacyjne przeprojektują swoją pracę.

To sprawia, że kalkulacje zwrotu są wrażliwe na założenia. Niewielka zmiana wskaźników eskalacji może zmienić potrzeby kadrowe. Niewielki spadek jakości może wygenerować więcej ponownych kontaktów, niż automatyzacja eliminuje.

Benchmarki dostawców rzadko rozstrzygają tę kwestię. Standardowe testy mierzą możliwości modeli w określonych warunkach. CX przedsiębiorstwa zależy od prywatnych danych, lokalnych zasad, zachowań klientów i jakości połączonych systemów.

Sceptyczne spojrzenie podważa również określenie „kryzys kosztów AI”. Same wydatki na infrastrukturę nie dowodzą, że CX w przedsiębiorstwach staje się nieosiągalne cenowo. Wzrost chmury sugeruje, że wielu klientów dostrzega wystarczającą wartość, by nadal kupować.

Wydajność może szybko rosnąć wraz z dojrzewaniem modeli, chipów i oprogramowania. Mniejsze modele już obsługują zadania, które kiedyś wymagały większych systemów. Niestandardowy krzem od Amazona i Google może obniżyć koszty obciążeń dobrze dopasowanych do tych chipów.

Właściwy wniosek jest węższy. Przedsiębiorstwa nie mogą traktować spadających kosztów modeli jako gwarancji spadku kosztów całkowitych. Ulepszenia na warstwie modelu mogą zostać zrównoważone przez większe wykorzystanie, szerszy zakres, silniejsze mechanizmy kontroli i większą złożoność integracji.

Microsoft stanowi użyteczne porównanie. Jego kwartalne nakłady inwestycyjne wzrosły o 70 procent do 41 miliardów dolarów, przy czym około dwie trzecie wspierało aktywa o krótszej żywotności, takie jak procesory i układy graficzne. Cykl wymiany aktywów pokazuje, jak szybko infrastruktura może się starzeć.

Ten cykl wpływa na umowy z klientami, nawet gdy dostawcy pokrywają początkowy zakup. Dostawcy muszą ostatecznie odzyskać kapitał poprzez wykorzystanie, ceny lub usługi o wyższej wartości. Konkurencja ogranicza ich swobodę, lecz nie eliminuje podstawowego kosztu.

Liderzy CX powinni testować zarówno optymistyczne, jak i pesymistyczne twierdzenia. Nie powinni zakładać, że każda zautomatyzowana rozmowa przynosi oszczędności. Nie powinni też zakładać, że wysokie wydatki hyperscalerów oznaczają, iż wdrażanie AI nie zapewnia realnego zwrotu.

Rozstrzygające dowody wynikają ze stabilnych rezultatów produkcyjnych. System musi utrzymywać jakość w okresach szczytowego obciążenia, przy aktualizacjach modeli, zmianach zasad i nietypowych zgłoszeniach. Musi też przynosić korzyści po uwzględnieniu całej pracy wspierającej.

Na co powinni zwracać uwagę kupujący AI w przedsiębiorstwach

Trzy sygnały pokażą, czy obecny cykl wydatków obniża koszty CX w przedsiębiorstwach, czy jedynie przenosi je do nowych kategorii.

Pierwszym sygnałem jest zdolność Amazona do przekształcenia mocy w trwały wzrost AWS i dodatnie generowanie gotówki. Jego obecna argumentacja opiera się na tym, że infrastruktura zostaje uruchomiona i obsługuje zakontraktowany popyt. Silny wzrost musi w końcu przewyższyć obciążenie gotówkowe stworzone przez budowę i sprzęt.

Wzrost AWS osiągnął 37 procent w drugim kwartale. Firma zwiększyła również wydatki, ponieważ pamięć stała się droższa. Kolejne kwartały muszą pokazać, czy ta dodatkowa inwestycja wspiera trwałe przychody bez permanentnego osłabienia generowania gotówki.

Powrót do dodatniego wolnego przepływu pieniężnego przy dalszym przyspieszeniu AWS wzmocniłby argumenty Amazona. Wolniejszy wzrost chmury przy kolejnym zwiększeniu wydatków by je osłabił. Kupujący CX powinni obserwować oba wskaźniki, zamiast traktować wzrost przychodów jako wystarczający dowód.

Drugim sygnałem jest zdolność Google Cloud do utrzymania wyjątkowego wzrostu przy zarządzaniu zwiększonym planem kapitałowym. Google zgłosił 82-procentowy wzrost chmury i backlog o wartości 514 miliardów dolarów. Dane te tworzą wymagający punkt odniesienia dla przyszłych kwartałów.

Google twierdzi również, że niemal 90 procent firm z Fortune 100 korzysta z Gemini Enterprise. Kolejne pytanie dotyczy głębokości, a nie liczby logotypów. Kupujący potrzebują dowodów, że przedsiębiorstwa przechodzą od dostępu i pilotaży do powtarzalnych obciążeń produkcyjnych.

Google podkreślił niemal 70 milionów pobrań swojego Agent Development Kit, frameworka do budowania agentów AI dla przedsiębiorstw. Pobrane pliki wskazują na zainteresowanie deweloperów, lecz nie mierzą aktywnych wdrożeń ani rezultatów dla klientów. Wykorzystanie produkcyjne dostarczy silniejszego sygnału wdrożenia.

Jeśli Google utrzyma wzrost chmury, a kapitałochłonność się ustabilizuje, wyścig Amazon i Google może obniżyć koszty jednostkowe dzięki skali i niestandardowemu krzemowi. Jeśli wydatki będą nadal rosnąć szybciej niż monetyzacja, klienci powinni oczekiwać bardziej rygorystycznego zarządzania wykorzystaniem i silniejszej presji na zobowiązania.

Trzecim sygnałem jest mierzalna wydajność CX wewnątrz przedsiębiorstw. Kupujący powinni prosić dostawców i zespoły wewnętrzne o kompletne metryki ścieżki obsługi, a nie o trafność demonstracyjną. Pomiary te powinny obejmować realizację zadań, ponowne kontakty, eskalacje, korekty i wysiłek klienta.

Koszt jednej zautomatyzowanej interakcji pozostaje użyteczny, lecz tylko w ramach tego szerszego zestawu. Tania odpowiedź, która wywołuje kolejny kontakt, nie jest tania. Droższa odpowiedź, która kończy trudne zadanie, może zapewnić lepszą ekonomikę.

Przedsiębiorstwa powinny także śledzić, jak często systemy wymagają interwencji człowieka po wdrożeniu. Wskaźnik ten obejmuje widoczne eskalacje i niewidoczną pracę utrzymaniową. Aktualizacje wiedzy, zmiany promptów, przeglądy incydentów i kontrole zgodności również wymagają pracy.

Zespoły zakupowe mogą poprawić decyzje, rozdzielając trzy kategorie kosztów. Infrastruktura obejmuje wywołania modeli, pamięć masową, sieć i zarezerwowaną moc. Wdrożenie obejmuje integracje, przygotowanie danych, testowanie i projektowanie procesów.

Operacje obejmują monitorowanie, ocenę, własność treści, przeglądy bezpieczeństwa i obsługę wyjątków. Propozycja dostawcy, która łączy te kategorie, może ukrywać miejsca przyszłych wzrostów kosztów.

Kupujący powinni również wymagać przenośności tam, gdzie daje ona praktyczną wartość. Routing modeli i wspólne interfejsy mogą zmniejszyć zależność od jednego dostawcy. Pełna przenośność pozostaje trudna, ponieważ chmury różnią się pod względem tożsamości, danych, monitorowania i narzędzi dla agentów.

Celem nie powinna być teoretyczna niezależność. Powinna nim być wystarczająca elastyczność, by przenosić wybrane obciążenia, gdy zmieniają się koszty, jakość lub ryzyko. Taka pozycja zapewnia przedsiębiorstwom siłę negocjacyjną bez zmuszania ich do utrzymywania wszędzie identycznych systemów.

Zespoły powinny zaczynać od procesów, w których pożądany wynik jest obserwowalny. Status zamówienia, zmiany terminów wizyt i zatwierdzone ścieżki rozwiązywania problemów mają wyraźniejsze sygnały zakończenia. Otwarte porady i wrażliwe decyzje dotyczące kont wymagają większej ostrożności.

Następnie powinny mierzyć całą ścieżkę obsługi przed rozszerzeniem skali. Udany pilotaż staje się znaczący dopiero wtedy, gdy przetrwa rzeczywisty ruch i zmiany zasad. Rozszerzanie powinno wynikać z dowodów, a nie z dostępności nowszego modelu.

Konkurencja Amazon i Google będzie nadal przynosić szybsze modele i większą moc chmurową. Nie rozwiąże jednak problemów jakości danych, rozliczalności ani projektowania procesów w poszczególnych przedsiębiorstwach. Pozostają one lokalnymi problemami operacyjnymi.

Liderzy doświadczeń klientów stoją teraz przed bezpośrednim wyborem. Mogą traktować AI jako rosnącą pulę taniej inteligencji albo zarządzać nią jak kosztownym systemem produkcyjnym. Drugie podejście rodzi lepsze pytania o jakość, odpowiedzialność i zwrot.

Przed zatwierdzeniem kolejnego rozszerzenia AI należy określić wynik biznesowy, który musi się poprawić, oraz każdy koszt niezbędny do jego osiągnięcia. Następnie trzeba mierzyć wydajność po uwzględnieniu eskalacji, ponownych kontaktów i nadzoru człowieka. Jeśli system nadal tworzy wartość, można skalować go z pewnością. Jeśli uzasadnienie biznesowe zależy od ignorowania tych kosztów, większy model lub zobowiązanie chmurowe go nie naprawi. Wyścig wydatków Amazon i Google udostępnia więcej możliwości, ale to przedsiębiorstwa muszą zdecydować, gdzie te możliwości zasługują na swoje miejsce.