Agen periklanan bergulat dengan biaya AI karena pengeluaran melebihi nilai

“Saya tidak tahu seperti apa rancangan undang-undang itu,” katanya tentang tahap awal tersebut, dan menganggapnya sebagai tahap percobaan. Itu tidak bertahan lama. Dalam beberapa minggu, Higgins telah membangun sendiri sistem triase yang kasar: alat yang lebih murah seperti Gemini untuk tugas-tugas sederhana, model yang lebih berat disediakan untuk pekerjaan yang benar-benar membutuhkannya. Peralihan dari eksplorasi tanpa batas ke disiplin token – atau mencari tahu, dalam kata-katanya, bagaimana agar tidak “membakar token saya” – memakan waktu sekitar satu bulan.

Ini adalah perhitungan versi kecil dan pribadi yang kini diterapkan di seluruh industri periklanan.

Semakin dalam AI tertanam – melampaui masa pilot dan memasuki mekanisme bisnis sehari-hari – semakin besar daya komputasi yang dibutuhkan untuk terus berjalan, dan semakin banyak pula yang muncul dalam tagihan. Higgins mencapai tembok itu dalam satu bulan dan mengubah arah. Industri lainnya sedang mencari cara untuk melakukan hal yang sama dalam skala besar.

Mengukur mesin

Sebulan yang lalu, PMG meluncurkan Alli For You ke seluruh perusahaan. Ini mengumpulkan akses staf ke setiap model utama — ChatGPT, Claude, dan lainnya — dengan batas token $50 per hari per pengguna. Batasan tersebut mengikuti pengujian alfa dan beta selama berbulan-bulan yang dimulai pada bulan Januari, ketika penguji menjalankan apa yang disebut oleh salah satu eksekutif PMG sebagai “rentang token gratis.” Periode percontohan tersebut adalah bagaimana lembaga tersebut menentukan seperti apa tunjangan harian yang berkelanjutan. Sebelum ada, staf melakukan ping ke LLM secara langsung, tanpa diawasi, dan biayanya bertambah.

Saat ini PMG mengatakan bahwa hal itu jarang mencapai batas atas $50. Tapi bukan itu intinya. Batasannya ada ketika hal itu terjadi.

“Karena kami mulai bertanya-tanya, apakah ini Black Friday dan Anda meluncurkan iklan, Anda melakukan pelaporan, Anda memanfaatkan agen, kami ingin memastikan kami memiliki cukup token untuk menangani semua itu. Apakah kami perlu menambahkan lebih banyak token?” kata Kaitlin McGrew, kepala SEM di PMG. “Syukurlah jika diperlukan, kita bisa melakukannya. Namun hal ini sepenuhnya tergantung pada tata kelola, memastikan bahwa kita memanfaatkannya dengan cara yang benar.”

Momen pemeriksaan realitas seperti ini setara dengan perubahan teknologi yang berarti. Ambil terprogram. Ini melalui versinya sendiri. Pembelanjaan yang tidak kritis selama bertahun-tahun sebelum industri ini duduk dan benar-benar mengaudit ke mana dana tersebut disalurkan.

Tokenomics adalah jenis perhitungan yang berbeda. Penggunaan tidak melambat. Namun apakah penggunaan tersebut benar-benar membuahkan hasil, masih belum pasti dibandingkan dengan angka adopsi yang ditunjukkan. Dari semua hal yang dapat ditunjukkan oleh lembaga-lembaga peningkatan efisiensi, ada pihak lain yang mempertanyakan apakah hal ini dapat bertahan. Hal ini menjadi lebih sulit karena apa yang klien harapkan akan dilakukan oleh AI. Asumsi yang mendasari sebagian besar negosiasi adalah bahwa AI berarti jumlah pegawai yang lebih sedikit dan biaya yang lebih rendah, titik akhir, bukan pekerjaan yang lebih baik yang layak dibayar lebih. Jadi, agensi-agensi terjebak dalam argumen nilai kepada klien yang telah memutuskan bahwa satu-satunya hasil yang dapat diterima adalah tagihan yang lebih kecil – sebelum ada yang sepakat tentang bagaimana mengukur pekerjaan itu sendiri.

“Industri ini dimulai dari penghematan waktu,” kata Caroline Giegerich, wakil presiden AI dan inovasi pemasaran di IAB. “Sekarang kita beralih ke dampak bisnis aktual yang kita miliki.”

Namun untuk sebuah bisnis yang dibangun selama beberapa dekade berdasarkan penagihan per jam, jumlah tersebut sulit untuk dilakukan dan, seperti yang dikatakan Giegerich, masih belum ada cara untuk mengetahui apakah sebuah agensi yang menggunakan token memberikan hasil atau sekadar “agensi yang paling tidak efisien yang diketahui manusia”.

Karena melacak pembelanjaan token itu mudah. Mengetahui apa yang disampaikannya tidak. Sebut saja masalah kantor terbuka: sebuah langkah pemotongan biaya yang menyebar ke seluruh perusahaan real estat meskipun tidak ada bukti nyata bahwa hal ini membuat siapa pun menjadi lebih efektif, karena penghematannya mudah diketahui dan tidak ada kerugian yang ditimbulkan. Batas token memiliki titik buta yang sama. Mereka memberi tahu CEO berapa banyak yang telah digunakan, bukan apakah itu layak digunakan.

Titik buta inilah yang menyebabkan lembaga-lembaga tersebut tidak bisa sepakat mengenai cara menentukan harga. Departemen tidak akan membebankan biaya token kepada klien sama sekali, dengan alasan bahwa memerincinya akan menurunkan nilai orang yang menggunakan alat tersebut, menjadikan metrik sebagai token yang dikeluarkan daripada pekerjaan yang dihasilkan. Biksu S4 Capital telah mengambil jalan sebaliknya, membangun token langsung ke dalam harga teknologi dan langganannya. Perusahaan lain, khususnya perusahaan induk besar, berusaha menghindari pertanyaan ini dengan memasukkan biaya AI ke dalam struktur komersial yang lebih besar seperti kesepakatan media utama.

Tiga jawaban berbeda untuk masalah sama yang belum terselesaikan, dan ketiganya berdiri atau gagal pada satu hal. Semua itu tidak berarti apa-apa tanpa adanya cara untuk mendefinisikan dan mengukur apa yang sebenarnya dihasilkan oleh AI. Setiap perbaikan yang ditawarkan, penetapan harga bergaya asuransi, langganan, dan bundling media utama, benar-benar merupakan solusi untuk mengatasi kekurangan tersebut. Tanpanya, pelacakan biaya tidak dapat membedakan efisiensi dari pemborosan.

“Kami menggerakkan semua agensi kami ke arah penetapan harga berbasis keluaran versus waktu dan material, semua bisnis baru berbasis keluaran dan 50% klien yang ada telah dialihkan ke keluaran,” kata Joe Maglio, CEO Cheil Agency Network.

Maglio tidak melakukan perubahan itu karena dia telah memecahkan masalah pengukuran. Dia melakukan hal ini karena berdiam diri bukanlah suatu pilihan di pasar di mana kecerdasan AI telah menjadi nilai jual tersendiri. Kebanyakan agensi juga berada pada posisi yang sama, terpaksa mempertimbangkan hasil yang tidak dapat mereka pertanggungjawabkan sepenuhnya, hanya karena alternatifnya adalah kehilangan bisnis karena pesaing yang mau mencoba. Merek tidak merasakan urgensi tersebut. Di luar segelintir orang yang memiliki skala untuk membangun operasi AI secara internal, sebagian besar dari mereka tidak perlu menerapkan hal ini secara disiplin, sehingga lembaga-lembaga tersebut harus menanggung risiko masalah yang belum terselesaikan sendirian.

Hal ini tidak membantu jika tim pengadaan cenderung melihat AI sebagai alasan untuk membayar lebih sedikit, bukan lebih banyak. Harapan yang tertanam sejak awal adalah bahwa otomatisasi akan menurunkan biaya. Biaya berbasis hasil yang dikaitkan dengan pendapatan AI membantu menghasilkan pembacaan, bagi banyak tim pengadaan, sebagai kebalikan dari apa yang dijanjikan, bahkan ketika angka tersebut mencerminkan pertumbuhan nyata dan bukan jam kerja yang padat.

“Pasti ada penyeimbangan kembali antara biaya sumber daya manusia dan biaya teknologi, dan kami telah mengatakannya sebelumnya, namun kami memperkirakan hal tersebut akan stabil saat ini,” kata CFO Publicis Loris Nold pada laporan pendapatan perusahaan minggu lalu. “Apa yang kami amati, jika ada, adalah bahwa manfaat produktivitas yang dihasilkan alat-alat tersebut benar-benar mengimbangi biaya, dan hal ini jelas terlihat dalam peningkatan margin kami.”

Nold menjawab pertanyaan langsung tentang kenaikan biaya operasional lainnya sebesar 7%, yang sebagian didorong oleh AI. Dia tidak membantah bahwa item barisnya bertambah. Alasannya mengapa hal ini dapat dikelola disebabkan oleh tiga hal: pembelanjaan itu sendiri hanyalah lisensi dan penggunaan, yang dilacak setiap hari hingga ke tingkat pengguna dengan batasan dan peringatan: ada penyeimbangan kembali biaya manusia-biaya-teknologi, ia menandai: ditambah lagi, ada rencana untuk mengurangi volume tugas-tugas manual tertentu rata-rata sebesar 25%, kemudian memperluasnya ke seluruh bisnis — target yang menurutnya “berjalan dengan baik,” belum ada yang tercapai.

Peningkatan margin yang ia sebutkan mencapai 17 basis poin pada paruh pertama tahun ini, setelah penghematan lebih dari 30 basis poin langsung digunakan untuk alat AI dan pelatihan staf. Sederhananya, offset dibelanjakan sebelum mencapai garis bawah.

Yang lain, bisa dikatakan, masih menunggu hasil tersebut, jika obrolan mabuk dan tidak direkam di Cannes bisa dianggap enteng.

“Kami melakukan tiga percakapan dalam dua minggu terakhir di mana mereka mengatakan bahwa menyewa insinyur lepas pantai lebih murah daripada bergantung pada banyak kode,” kata salah satu pembicara tersebut.

Disampaikan kepada eksekutif perusahaan induk, ketidaknyamanan yang sama menjadi lebih parah. “Sangat sedikit orang yang benar-benar berbicara tentang fakta bahwa infrastruktur mempunyai dampak yang nyata,” kata mereka. “Token mempunyai biaya, komputasi juga mempunyai biaya — jika Anda menjadi liar, biaya mesin akan dengan cepat melebihi biaya manusia.”

Seorang analis industri melangkah lebih jauh dengan berpendapat bahwa niat baik yang telah membawa AI sejauh ini telah habis. “Bulan madu seputar AI dan agensi pada dasarnya telah berakhir,” kata mereka. “CMO dijual karena efisiensi biaya dan kecepatan pemasaran, dan sekarang, ketika mereka meninjau dan memperbarui cakupan pekerjaan, mereka masih belum melihat adanya penghematan biaya dalam hal biaya.”

Hal ini sangat berbeda dengan apa yang dikatakan oleh para eksekutif periklanan pada tahun lalu ketika AI masih tampak seperti sumber daya yang tidak terbatas. Iklan Natal Coca Cola, misalnya, menggunakan 70.000 permintaan individual. Pada saat itu, itu adalah statistik yang bisa dibanggakan. Coba bayangkan angka tersebut tidak perlu dipertanyakan lagi sekarang, ketika volume cepat, biaya komputasi, dan batas token ada di meja CEO dan CFO.

Sumber daya yang tidak terbatas ternyata membuat pertemuan berjalan selama ini.