Gartner procjenjuje da će potrošnja na AI platforme u 2026. dosegnuti 64 milijarde dolara

Globalna potrošnja krajnjih korisnika na modele i platforme umjetne inteligencije trebala bi u 2026. godini dosegnuti 64 milijarde dolara, što je rast od 63,4 posto u odnosu na 39 milijardi dolara u 2025. godini, procjenjuje Gartner. Istodobno, potrošnja na generativne AI modele trebala bi porasti za 117 posto, a izdvajanja za AI platforme u 2026. godini za 36,9 posto.

Arunasri Čeparti, viša glavna istraživačka analitičarka u Gartneru, rekla je da se budžeti kompanija za umjetnu inteligenciju nalaze pod sve većim nadzorom, uz snažniji fokus na efikasnost korištenja, kontrolu troškova i mjerljive rezultate. Navela je i da se potrošnja preusmjerava prema pružaocima usluga koji mogu pokazati jasnu vrijednost kroz troškove, latenciju, performanse i pouzdanost.

Prema njezinu objašnjenju, prednost imaju pružaoci koji u radne procese korisnika ugrađuju evaluaciju, transparentnost troškova i praćenje korištenja, jer to olakšava upravljanje i optimizaciju primjene umjetne inteligencije. Dodala je i da, kako se potrošnja sve više temelji na stvarnoj upotrebi, pružaoci su pod sve većim pritiskom da dokažu stvarno usvajanje, kontinuiranu primjenu i održive marže.

Takva dinamika ubrzava rast jezičkih modela prilagođenih pojedinim oblastima i specijaliziranih modela, za koje se u 2026. očekuje rast od 210 posto. Istodobno, Gartner upozorava da rast tržišta ne znači da će svaki AI projekt automatski donijeti poslovnu vrijednost, nego da kompanije sve češće razlikuju troškove eksperimentiranja od troškova produkcijske primjene modela u velikom obimu.

U tom okviru navodi se i NIST-ov okvir za upravljanje rizicima umjetne inteligencije, koji preporučuje kontinuirano upravljanje rizicima kroz funkcije upravljanja, mapiranja, mjerenja i kontrole. Taj pristup uključuje provjeru kvaliteta rezultata, sigurnosti podataka, robusnosti sistema i mogućih štetnih posljedica.

Cijene zasnovane na tokenima i računarskom vremenu mogu otežati predviđanje ukupnih troškova kada broj korisnika i AI agenata brzo raste, pa se uz klasični FinOps sve češće razvija i AI FinOps. Takav pristup prati potrošnju po modelu, timu, aplikaciji i poslovnom rezultatu, a specijalizirani modeli mogu biti jeftiniji i precizniji od univerzalnih kada su obučeni ili prilagođeni za usku oblast primjene. Ujedno, kompanije moraju izbjeći preveliku ovisnost o jednom dobavljaču, modelu ili cloud infrastrukturi.

Platforme koje omogućavaju poređenje više modela, provođenje sigurnosnih pravila i centralizirano evidentiranje aktivnosti postaju važan dio AI arhitekture. Dugoročna konkurentska prednost, kako se navodi, neće proizlaziti samo iz pristupa najboljim modelima, nego iz sposobnosti organizacije da ih pouzdano integriše u podatke, poslovne procese i sistem odgovornosti za donošenje poslovnih odluka.