Ostrzeżenie Bain dotyczące kosztów AI w telekomunikacji ujawnia pułapkę opex

Bain wydał ostrzeżenie dotyczące kosztów AI w telekomunikacji, wskazując na wyraźny paradoks: wydatki na automatyzację mogą zwiększać koszty operacyjne nawet po zniknięciu stanowisk i zadań. Firma szacuje, że agenci AI, tokeny i powiązane usługi danych mogą ostatecznie stanowić od 20% do 30% bazy kosztowej operatora.

Ostrzeżenie podważa powszechne założenie stojące za programami AI w telekomunikacji. Tańsze modele i mniejsza liczba zadań wykonywanych ręcznie nie gwarantują niższego budżetu operacyjnego. Jeśli operatorzy zachowają istniejące systemy, umowy, procedury zatwierdzania i ludzkie procesy pracy, AI stanie się kolejnym kosztem nakładanym na starą strukturę.

Ten konflikt ma znaczenie, ponieważ operatorzy już wdrażają AI w obsłudze klienta, operacjach sieciowych, inżynierii oprogramowania i systemach wsparcia biznesowego. AT&T eksperymentuje z kierowaniem zapytań do modeli i modelami otwartymi, podczas gdy Microsoft promuje wyspecjalizowanych agentów sieciowych. Bain twierdzi, że narzędzia te przynoszą oszczędności tylko wtedy, gdy operatorzy przeprojektują wokół nich sposób pracy.

Ostrzeżenie Bain dotyczące kosztów AI w telekomunikacji zmienia równanie oszczędności

Główne przesłanie Bain jest takie, że operatorzy telekomunikacyjni mogą zastąpić część swojej bazy kosztowej AI albo dodać wydatki na AI bez usunięcia kosztów, które miały zostać zastąpione.

Firma opublikowała swoją analizę telekomunikacyjną 10 września 2026 roku. Opisuje ona prawdopodobną zmianę struktur operacyjnych w telekomunikacji w ciągu najbliższych trzech do pięciu lat. Agenci AI będą wykonywać lub wspierać większą część pracy, podczas gdy ludzie zachowają odpowiedzialność za kluczowe decyzje.

Bain przedstawia możliwy model operacyjny, w którym tradycyjne wydatki stanowią od 70% do 80% całkowitych kosztów. Agenci AI, zużycie tokenów i powiązane usługi stanowią pozostałe 20% do 30%.

Ten model nie jest sam w sobie prognozą oszczędności. Opisuje zmianę tego, za co operatorzy płacą i jak zachowują się te wydatki.

W korzystnym scenariuszu koszty AI zastępują porównywalną część starszych wydatków. Operatorzy usuwają zbędną pracę, upraszczają procesy, ograniczają niepotrzebne oprogramowanie i zmieniają wymagania kadrowe. Całkowite koszty mogą pozostać w dużej mierze stabilne, podczas gdy poprawiają się szybkość, przepustowość lub jakość usług.

Niebezpieczny scenariusz rozpoczyna się wtedy, gdy operator dodaje te same wydatki na AI bez istotnego usunięcia istniejącej bazy kosztowej. Pracownicy nadal stosują ustalone procesy. Subskrypcje oprogramowania pozostają aktywne. Umowy outsourcingowe są kontynuowane. Asystenci AI obsługują pojedyncze etapy, lecz nie eliminują przekazań ani zduplikowanych systemów.

Całkowite koszty operacyjne rosną wówczas o wartość nowej warstwy AI. Produktywność, doświadczenie klienta lub przychody muszą poprawić się na tyle, by uzasadnić ten wzrost. W przeciwnym razie operator finansuje bardziej skomplikowaną organizację, a nie bardziej efektywną.

To rozróżnienie jest istotne, ponieważ wydatki operacyjne, powszechnie skracane do opex, powtarzają się w toku działalności firmy. Nieudany projekt kapitałowy może pozostawić widoczny aktyw i określony odpis. Zużycie tokenów, inferencja w chmurze, monitorowanie i nadzór człowieka mogą natomiast generować zmienne miesięczne koszty rozłożone między działami.

Agenci AI generują wydatki nie tylko poprzez dostęp do modeli. Wywołują narzędzia programowe, pobierają przechowywane informacje, oceniają wyniki, utrzymują kontekst, a czasem powtarzają nieudane kroki. Operatorzy muszą płacić za infrastrukturę i mechanizmy kontroli otaczające te działania.

Bain odrzuca więc koszt tokena jako główną miarę. Tani token nie pokazuje, czy zautomatyzowany proces rozwiązał problem. Użyteczną jednostką jest koszt rozwiązania problemu klienta, obsługi incydentu sieciowego, przygotowania oferty lub ukończenia wydania oprogramowania.

Oryginalne doniesienie uchwyciło najbardziej wyrazistą konsekwencję. Żadna z przedstawionych przez Bain ścieżek nie obniża automatycznie całkowitych kosztów. Jedna zastępuje tradycyjne wydatki wydatkami na AI, podczas gdy druga zwiększa łączny rachunek.

To właśnie się zmieniło. Rozmowa o AI w telekomunikacji nie dotyczy już wyłącznie tego, czy modele mogą automatyzować pracę. Staje się finansowym sprawdzianem tego, czy operatorzy potrafią wycofać procesy, umowy i warstwy organizacyjne, które automatyzacja czyni zbędnymi.

Tańsze modele nadal mogą generować większe rachunki

Spadające ceny modeli mają mniejsze znaczenie, gdy wykorzystanie, złożoność procesów i popyt rosną szybciej niż spada koszt tokena.

Bain twierdzi, że ceny modeli spadały mniej więcej dziesięciokrotnie każdego roku. Brzmi to jak bezpośrednia droga do niższych wydatków na AI. Niższe koszty jednostkowe często jednak zachęcają do szerszego wykorzystania, większych promptów, bardziej złożonego rozumowania i dłużej działających agentów.

Pracownik, który wcześniej używał AI do podsumowania jednego dokumentu, może później poprosić ją o przeanalizowanie całej historii sprawy. Zespół sieciowy może przejść od generowania notatek o incydentach do koordynowania diagnozy, naprawy, walidacji i eskalacji. Każde usprawnienie zwiększa ilość kontekstu, rozumowania i użycia narzędzi.

Agentowa AI wzmacnia ten efekt. Agent AI to oprogramowanie, które może planować i wykonywać sekwencję działań, zamiast odpowiadać na jeden prompt. Może konsultować kilka systemów, ponownie rozważać nieudany wynik i wywoływać kolejny model przed ukończeniem jednego zadania.

Te pętle mogą zużywać tokeny bez osiągnięcia akceptowalnego rezultatu. Powtarzany kontekst może być wysyłany przy każdym wywołaniu modelu. Wiele zabezpieczeń może sprawdzać ten sam wynik. Dwaj agenci mogą wykonywać nakładające się kontrole, ponieważ niezależne zespoły zaprojektowały ich osobno.

Faktura za model obejmuje też tylko część wydatków. Produkcyjny proces może wymagać oprogramowania do orkiestracji, pamięci masowej, obserwowalności, oceny, kontroli cyberbezpieczeństwa i nadzoru człowieka. Operatorzy mogą optymalizować inferencję, przeoczając większy system, który ją otacza.

Popyt tworzy kolejne źródło presji. Gdy pracownicy odkryją użyteczne zastosowania, wdrożenie rozprzestrzenia się między jednostkami biznesowymi. Operacje sieciowe i obsługa klienta są szczególnie narażone, ponieważ obejmują procesy o dużym wolumenie i znaczną ilość kontekstu operacyjnego.

Zespoły mogą także domyślnie wybierać nowsze modele rozumujące do rutynowej pracy. Modele te mogą zapewniać lepszą analizę, ale ich dłuższe łańcuchy rozumowania zużywają więcej tokenów. Płacenie mniej za każdy token nie pomaga, gdy zadanie wykorzystuje ich znacznie więcej.

Ten wzorzec przypomina efekt odbicia obserwowany w innych technologiach. Efektywność obniża koszt pojedynczego działania, co zachęca ludzi do wykonywania go częściej. Całkowite zużycie może wzrosnąć, choć każda jednostka staje się tańsza.

Operatorzy telekomunikacyjni stoją przed dodatkowym problemem, ponieważ ich obciążenia są ciągłe. Zapytania klientów, alarmy, zgłoszenia, zmiany konfiguracji i kontrole oszustw trwają przez całą dobę. Niewielki wzrost kosztu każdego zautomatyzowanego zdarzenia może stać się znaczący w skali sieci.

Właściwym porównaniem nie jest więc jeden model z drugim. Operatorzy muszą porównać proces wspierany przez AI z pełnym kosztem i rezultatem procesu, który zastępuje.

Kalkulacja powinna obejmować wskaźniki ukończenia, ponowne próby, eskalacje, błędy, nadzór, infrastrukturę i późniejsze korekty. Powinna też uwzględniać wartość, która nie pojawia się jako natychmiastowe oszczędności pracy, na przykład szybsze przywracanie usług lub mniejszą rotację klientów.

Wynik może przemawiać na korzyść AI nawet wtedy, gdy bezpośrednie wydatki rosną. Agent sieciowy, który skraca dużą awarię, może przynieść istotną wartość biznesową. Chatbot, który wydłuża interakcje bez rozwiązywania większej liczby zapytań, może przynieść odwrotny skutek.

Dlatego analiza Bain dotycząca kosztów AI w telekomunikacji koncentruje się na koszcie ukończonego zadania. Zmusza operatorów do połączenia wydatków z mierzalnym rezultatem, zamiast celebrować niższe stawki tokenów lub większe wdrożenie.

Prawdziwa pułapka opex to podwójny model operacyjny

AI staje się pułapką opex, gdy wykonuje nową pracę na obrzeżach, podczas gdy starsza organizacja nadal działa bez zmian.

Firmy telekomunikacyjne rzadko zaczynają od czystych systemów. Wiele z nich obsługuje sieci wielu dostawców, dostosowane platformy wsparcia biznesowego, długoterminowe umowy outsourcingowe oraz oprogramowanie gromadzone przez lata ekspansji i przejęć.

Dodanie asystenta do takiego środowiska może przyspieszyć jeden krok. Nie usuwa automatycznie pozostałych etapów.

Rozważmy agenta obsługi klienta korzystającego z AI do podsumowania rozmowy. Podsumowanie może oszczędzać czas, lecz pracownik nadal uwierzytelnia klienta, przeszukuje kilka systemów, prosi o zatwierdzenia, aktualizuje rekordy i rozwiązuje problem klienta. Operator nadal płaci za każdą podstawową platformę i każde organizacyjne przekazanie sprawy.

Asystent operacji sieciowych tworzy podobne ryzyko. Może klasyfikować alarm lub rekomendować odpowiedź, podczas gdy inżynierowie nadal korzystają z ustalonego procesu monitorowania, obsługi zgłoszeń i eskalacji. Wynik AI staje się kolejnym artefaktem, który pracownicy muszą sprawdzić.

Bain nazywa to podwójnym modelem operacyjnym. Proces prowadzony przez ludzi pozostaje nienaruszony, podczas gdy AI wykonuje jego fragmenty wokół niego. Licencje, koszty outsourcingu, warstwy zarządzania i ręczne kontrole przetrwają, ponieważ podstawowy proces nigdy się nie zmienia.

Przeprojektowanie od początku do końca daje inny rezultat. Operator zaczyna od wyniku, mapuje każdy krok potrzebny do jego osiągnięcia i decyduje, które kroki powinny zniknąć. AI uczestniczy wtedy w prostszym procesie, zamiast przyłączać się do odziedziczonej złożoności.

Bain przytacza pracę Vivo nad operacjami sieciowymi w zamkniętej pętli jako przykład. Według firmy konsultingowej operator przeprojektował kompletny proces od wykrycia do rozwiązania. AI może wykrywać anomalie, identyfikować prawdopodobne przyczyny, wykonywać działania korygujące, walidować wyniki i eskalować wyjątki.

Ta struktura obejmuje cały incydent, a nie jeden krok analityczny. Uwaga ludzi przesuwa się ku sprawom wymagającym oceny lub interwencji. Proces może generować wartość nawet wtedy, gdy wydatki na AI pozostają znaczne, ponieważ mniejsza liczba ręcznych przekazań opóźnia rozwiązanie.

Operatorzy muszą jednak traktować umowy z dostawcami jako część przeprojektowania. Jeśli agenci przejmują pracę wcześniej wykonywaną za pomocą licencji oprogramowania, przez zewnętrznych usługodawców lub zespoły outsourcingowe, te zobowiązania powinny zostać ponownie rozważone. W przeciwnym razie automatyzacja tworzy oszczędności techniczne bez oszczędności finansowych.

Planowanie zatrudnienia wymaga równie dużej ostrożności. Usunięcie doświadczonych pracowników, zanim nowy proces zacznie działać, może osłabić jakość usług i wiedzę instytucjonalną. Utrzymywanie każdej roli bez zmian po dojrzeniu automatyzacji może zachować zduplikowane koszty.

Gartner dodał szersze ostrzeżenie 9 września. Jego prognoza przyszłości pracy przewiduje, że do 2029 roku 30% pracowników zwolnionych z powodu zastąpienia przez AI będzie trzeba zatrudnić ponownie. Firma oczekuje, że wiele powracających rekrutacji będzie kosztować więcej, ponieważ osłabną kanały pozyskiwania talentów i wiedza instytucjonalna.

Prognoza ta obejmuje branże wykraczające poza telekomunikację, lecz bezpośrednio wzmacnia test presji Bain. Pochopna redukcja może sprawić, że początkowy biznesplan będzie wyglądał atrakcyjnie, a później wygenerować koszty rekrutacji, szkoleń, obsługi i naprawy błędów.

Celem nie jest ochrona każdej istniejącej aktywności. Chodzi o to, by nie traktować redukcji zatrudnienia jako dowodu, że przeprojektowany system działa.

Operatorzy powinni najpierw ustalić, czy AI może ukończyć docelowy proces przy akceptowalnej jakości i ryzyku. Następnie mogą zmieniać role, umowy, zatwierdzenia i systemy w oparciu o zweryfikowane wyniki. Taka kolejność łączy zmianę organizacyjną z dowodami operacyjnymi.

Pułapka opex nie polega więc po prostu na kosztownym wnioskowaniu. Chodzi o przetrwanie wczorajszej bazy kosztowej pod jutrzejszą warstwą automatyzacji.

AT&T pokazuje, jak tokenomics wygląda w praktyce

Odpowiedź AT&T ilustruje alternatywę: dopasowanie możliwości modelu do każdego zadania oraz zaprojektowanie orkiestracji wokół całkowitego kosztu przepływu pracy.

Bain twierdzi, że AT&T analizowało, jak efektywniej przetwarzać miliardy tokenów każdego dnia. Operator przeprojektował orkiestrację tak, aby duże agenty koordynujące mogły delegować pracę mniejszym, wyspecjalizowanym modelom.

Według relacji AT&T przytoczonej przez Bain, takie podejście obniżyło koszty nawet o 90%, jednocześnie trzykrotnie zwiększając przepustowość. Liczby te są deklaracją firmy, a nie niezależnie audytowanym branżowym punktem odniesienia. Mimo to pokazują, co próbuje optymalizować poważna strategia kontroli kosztów.

AT&T nazywa swoje podejście tokenomics. W tym kontekście tokenomics oznacza zarządzanie wykorzystaniem modeli jako zasobem operacyjnym, przy podejmowaniu decyzji na podstawie złożoności zadania, wydajności i kosztu.

Operator badał modele otwarte, ponieważ zapewniają większą kontrolę nad wdrożeniem i optymalizacją. Jego strategia tokenomics nie polega na kierowaniu każdego zapytania do największego dostępnego modelu.

Rutynowe zadanie klasyfikacyjne może wymagać małego modelu. Złożona diagnostyka sieci może uzasadniać użycie bardziej zaawansowanego systemu rozumowania. Agent koordynujący może kierować pracę między nimi, zamiast używać jednego kosztownego modelu na każdym etapie.

Ta strategia ma znaczenie, ponieważ wybór modeli często odbywa się niewidocznie. Pracownicy wybierają znane narzędzie, a deweloperzy ustawiają jeden domyślny model dla aplikacji. Różnica kosztów wydaje się niewielka podczas pilotażu, lecz rośnie wraz z osiągnięciem wolumenu produkcyjnego.

Routing tworzy własne koszty i ryzyka. Operator musi ocenić, który model potrafi niezawodnie obsłużyć dane zadanie. Potrzebuje zasad awaryjnych, monitorowania wydajności, kontroli bezpieczeństwa oraz jasnych granic ludzkiego przeglądu.

Mimo to mechanizmy te wspierają lepsze pytanie finansowe. Operator może zapytać, jakie połączenie modeli, narzędzi i ludzi rozwiązuje zadanie przy wymaganym poziomie usług.

Doświadczenie Microsoftu stanowi użyteczne porównanie. Dyrektor technologiczny firmy ds. branży telekomunikacyjnej stwierdził, że duże modele wykrywania anomalii zwiększały złożoność, zapewniając jedynie ograniczoną poprawę w porównaniu z tradycyjnymi metodami statystycznymi. Firma przeniosła uwagę z przewidywania każdej awarii sieci na szybkie reagowanie, gdy awaria już wystąpi.

To przyznanie jest wartościowe, ponieważ oddziela technicznie interesujący przypadek użycia od finansowo użytecznego. Bardziej zaawansowany model nie tworzy wartości, gdy prostsze metody działają niemal równie dobrze.

Microsoft nadal dostrzega potencjał w operacjach sieciowych i systemach wsparcia biznesowego. Jego framework Network Operations Agent wykorzystuje wyspecjalizowane agenty do funkcji takich jak telemetria, obsługa zgłoszeń, rozwiązywanie problemów i koordynacja prac terenowych.

Far EasTone Telecom wykorzystał ten framework w swoim centrum operacji sieciowych. Według relacji Microsoftu z wdrożenia, niemal 60% działań w centrum operacji sieciowych operatora jest wspomaganych przez AI.

Wspomaganie nie oznacza autonomii. Microsoft utrzymuje nadzór człowieka nad zmianami we własnej sieci, nawet tam, gdzie agenty wspierają zaawansowane przepływy operacyjne. To rozróżnienie ogranicza ryzyko operacyjne, ale zachowuje też część kosztu pracy ludzkiej.

To kluczowy kompromis w zarządzaniu kosztami AI w telekomunikacji według Bain. Operatorzy chcą większej automatyzacji, lecz wymogi niezawodności wymagają oceny, zatwierdzeń i odpowiedzialności. Zbyt wczesne usunięcie nadzoru może spowodować awarie lub błędne działania. Utrzymanie nadmiernego nadzoru może zniwelować korzyści ekonomiczne.

Podejście AT&T nie eliminuje tego napięcia. Czyni je mierzalnym. Routing modeli, wydzielone budżety i rozliczanie według zadań pozwalają liderom zobaczyć, gdzie większa autonomia poprawia wynik, a gdzie jedynie zwiększa zużycie.

Praktyczna lekcja nie polega na tym, że każda firma telekomunikacyjna powinna kopiować jedną architekturę. Chodzi o to, że wydatki na AI wymagają zaprojektowanego systemu kontroli, zanim adopcja osiągnie miliardy tokenów dziennie.

Czego narracja o oszczędnościach kosztowych nadal nie dowodzi

Bain oferuje użyteczny model operacyjny, ale jego procenty są scenariuszami, a nie zweryfikowanymi oszczędnościami lub stratami w całym sektorze telekomunikacyjnym.

Struktura 70 do 30 jest szacunkiem tego, jak koszty mogą ewoluować. Bain zaznacza, że jego ilustracja nie uwzględnia bezwzględnych zmian wydatków. Nie należy interpretować jej jako prognozy, że każdy operator będzie przeznaczał taki sam udział na AI.

Operatorzy mają różne zasięgi sieci, struktury zatrudnienia, rozwiązania outsourcingowe, regulacje i strategie chmurowe. Model pasujący do jednej firmy może być niewłaściwy dla innej.

Koszt ukończonego zadania zależy również od wybranego wyniku. Interakcję z klientem można mierzyć czasem obsługi, rozwiązaniem sprawy, satysfakcją, retencją lub przychodem. Program automatyzacji może wyglądać na udany według jednej miary, a słaby według innej.

Incydenty sieciowe tworzą podobny problem. Szybsza diagnoza pomaga, ale wynik ma znaczenie tylko wtedy, gdy rekomendacja jest trafna, a naprawa skuteczna. Agent generujący szybkie, lecz niewiarygodne odpowiedzi może zwiększać nakład pracy związany z przeglądem i korektami.

Argument Bain zakłada również, że operatorzy potrafią zidentyfikować i usunąć starsze koszty. Często jest to wyzwanie kontraktowe i organizacyjne, a nie techniczne. Umowa dotycząca oprogramowania może obowiązywać przez lata. Regulowana kontrola może pozostać obowiązkowa. Funkcja outsourcowana może obejmować działania, które AI obsługuje tylko częściowo.

Niepewność popytu dodatkowo komplikuje prognozę. Zużycie tokenów może przyspieszać, gdy pracownicy odkrywają kolejne zastosowania. Może też się stabilizować, gdy poprawia się nadzór, dojrzewają mniejsze modele lub konwencjonalna automatyzacja zastępuje niepotrzebne wywołania AI.

Korzyści mogą pojawić się poza pozycją kosztów operacyjnych. Lepsza niezawodność sieci może ograniczyć odpływ klientów. Szybsze przygotowywanie ofert może zwiększyć zdolność sprzedażową. Zautomatyzowane kioski na obszarach wiejskich mogą obsługiwać rynki, które nie uzasadniałyby utrzymywania sklepu z personelem.

Bain wskazuje na pilotaż Telia obejmujący kioski samoobsługowe wspierane przez AI w społecznościach wiejskich. Przykład ten zmienia pytanie ekonomiczne z redukowania istniejącej pracy na obsługę popytu, który wcześniej był nieopłacalny.

To przypadek wzrostowy, a nie prosty przypadek cięcia kosztów. Może uzasadniać nowe wydatki na AI, jeśli usługa generuje wystarczające przychody lub wartość dla klienta. Traktowanie każdego projektu jako programu redukcji opex przeoczyłoby tę różnicę.

Istnieje też ryzyko, że firmy wykorzystają to ostrzeżenie do spowalniania wartościowych wdrożeń. Wydatki na AI są realne, ale realne są również opóźnienia, awarie, powtarzalna praca i frustracja klientów. Unikanie każdego kosztu zmiennego utrwaliłoby nieefektywności, które operatorzy chcą rozwiązać.

Lepszą odpowiedzią są zdyscyplinowane eksperymenty powiązane z wynikami biznesowymi. Pilotaż powinien określać jakość, koszt ukończenia, adopcję i ryzyko operacyjne. Powinien również dokładnie wskazywać, który dotychczasowy wydatek może zniknąć po skalowaniu pilotażu.

W tym miejscu dowody słuszności koncepcji często zawodzą. Demonstracja może pokazać, że model wykonuje zadanie. Rzadko dowodzi, że organizacja potrafi usunąć przepływ pracy, renegocjować umowę lub zmienić odpowiedzialność wokół tej funkcji.

Sceptyczne odczytanie ostrzeżenia Bain jest zatem wyważone. Jego analiza nie dowodzi, że AI zwiększy całkowite koszty każdego operatora. Pokazuje, dlaczego niższe ceny modeli i imponujące pilotaże są niewystarczającym dowodem oszczędności.

Ciężar przechodzi teraz na operatorów. Muszą oni publikować lub wewnętrznie weryfikować ekonomię na poziomie zadań, a nie jedynie dane o adopcji, wolumenach tokenów czy zapowiedziach kadrowych.

Trzy sygnały pokażą, czy operatorzy telekomunikacyjni unikną pułapki

Kolejnym testem będzie to, czy operatorzy połączą zużycie AI z ukończonymi rezultatami, wycofają zdublowane koszty i rozszerzą sprawdzone przepływy pracy bez osłabiania jakości usług.

Pierwszym sygnałem jest raportowanie na poziomie zadań. Operatorzy powinni śledzić pełny koszt rozwiązanych spraw klientów, incydentów sieciowych, wydań oprogramowania i ofert sprzedażowych. Liczby te muszą obejmować modele, infrastrukturę, ewaluacje, ponowne próby, narzędzia i ludzki przegląd.

Jeśli koszty zadań spadają, a jakość realizacji pozostaje stabilna, korzystna ścieżka Bain zyskuje potwierdzenie. Jeśli stawki za tokeny spadają, lecz całkowity koszt na rezultat rośnie, pułapka opex zaczyna się materializować.

Drugim sygnałem jest widoczne wycofywanie starszych wydatków. Operatorzy powinni pokazać, że udana automatyzacja prowadzi do mniejszej liczby nadmiarowych aplikacji, krótszych łańcuchów procesów, zmienionych umów outsourcingowych lub przeprojektowanych ról.

Same redukcje zatrudnienia nie wystarczą. Prognoza Gartnera dotycząca ponownego zatrudniania uwypukla ryzyko usuwania ludzi, zanim automatyzacja, szkolenia i nadzór będą gotowe. Trwałe oszczędności wymagają zmiany samego procesu.

Dowody na to, że operatorzy ograniczają zdublowane oprogramowanie i ręczne przekazywanie pracy, wzmocniłyby tezę Bain o przeprojektowaniu przepływów pracy. Dalszy wzrost zarówno wydatków na AI, jak i kosztów starszych umów wspierałby jego scenariusz narastania kosztów.

Trzecim sygnałem jest kontrolowane przechodzenie od pilotaży do wysokowartościowych przepływów produkcyjnych. Bain zaleca wybór trzech kosztownych, trudnych procesów do przeprojektowania od początku do końca. Obsługa klienta, operacje sieciowe i dostarczanie oprogramowania są oczywistymi kandydatami.

Udane rozszerzenie powinno przynieść więcej niż demonstrację. Powinno ustanowić własność, dopuszczalne wskaźniki błędów, zasady eskalacji do człowieka oraz odpowiedzialność finansową. Każdy agent powinien mieć wskazanego właściciela i mierzalny rezultat.

Warto obserwować, jak operatorzy omawiają te programy w aktualizacjach finansowych i odprawach operacyjnych. Deklaracje dotyczące liczby agentów lub zużytych tokenów ujawniają aktywność, a nie wartość. Metryki powiązane z rozwiązaniem spraw, przywróceniem usług, retencją, przepustowością i całkowitym kosztem pokazują, czy model operacyjny się zmienił.

Najbliższe kilka miesięcy nie rozstrzygnie długoterminowej ekonomiki AI w telekomunikacji. Mogą jednak ujawnić, czy kadra kierownicza zaakceptowała bezpośrednie wyzwanie rozliczeniowe.

Badanie Bain dotyczące kosztów AI w telekomunikacji pozostawia operatorom konkretny wybór. Mogą nadal dodawać asystentów do starych przepływów pracy albo przebudować wybrane przepływy wokół mierzalnych rezultatów. Nabywcy i pracownicy powinni pytać, które koszty znikają wraz z pojawieniem się każdego nowego agenta. Jeśli liderzy nie potrafią odpowiedzieć na to pytanie, obiecana efektywność pozostaje prognozą wydatków, a nie wynikiem biznesowym.