شرکت‌های بزرگ هزینه‌های هوش مصنوعی را کاهش می‌دهند چون هزینه‌های توکن از افزایش بهره‌وری پیشی می‌گیرد

شرکت‌هایی که سال گذشته را صرف تشویق تهاجمی کارمندان به استفاده از ابزارهای هوش مصنوعی کردند، اکنون در مدیریت هزینه‌ها دچار مشکل شده‌اند.  

مدیران ارشد مالی اکنون خواستار مشاهده بازده قابل اندازه‌گیری در برابر صورت‌حساب‌های رو به رشد API هستند و این موضوع پیش‌بینی‌های رشد OpenAI، Anthropic و سایر ارائه‌دهندگان مدل‌های زبانی بزرگ را به خطر انداخته است.  

چرا شرکت‌ها ناگهان هزینه‌های هوش مصنوعی را کاهش می‌دهند؟ 

شرکت‌ها اکنون هزینه‌های هوش مصنوعی خود را کاهش می‌دهند، چرا که مدیران ارشد مالی خواستار توجیه صورت‌حساب‌های رو به تورم API هستند. این بازگشت، پایان چیزی را نشان می‌دهد که صنعت آن را «tokenmaxxing» نامیده، و اصلاح وضعیت به سرعت در حال وقوع است.

آمازون اخیراً یک تابلوی امتیازدهی داخلی که میزان استفاده کارمندان از هوش مصنوعی را دنبال می‌کرد، منحل کرد؛ پس از آنکه مدیریت به این نتیجه رسید که این سیستم بیشتر کارهای بی‌فایده مبتنی بر هوش مصنوعی تولید می‌کند تا خروجی مفید. یک معاون ارشد آمازون به کارکنان گفت: «لطفاً فقط به خاطر استفاده از هوش مصنوعی، از آن استفاده نکنید.» 

Uber تمام بودجه کدنویسی هوش مصنوعی سال ۲۰۲۶ خود را در چهار ماه مصرف کرد، و Meta یک یادداشت داخلی به حدود ۶٬۰۰۰ کارمند ارسال کرد که در آن از «افزایش تصاعدی» استفاده از هوش مصنوعی خبر داد و هشدار داد که شرکت با میلیاردها دلار هزینه داخلی هوش مصنوعی روبرو است. Uber از آن پس سقف هزینه ماهانه ۱٬۵۰۰ دلاری به ازای هر کارمند برای ابزارهای کدنویسی هوش مصنوعی اعمال کرده است.

غول مشاوره‌ای Accenture پیش از این به کارمندان هشدار داده بود که در صورت عدم پذیرش ابزارهای هوش مصنوعی، «خطر از دست دادن ترفیع» را به جان می‌خرند. حالا، Accenture در تلاش است تا کارکنان را از استفاده از هوش مصنوعی برای کارهای پیش‌پاافتاده باز دارد. 

صدای فاش‌شده از یک جلسه داخلی، یک مدیر اجرایی Accenture را نشان می‌دهد که می‌گوید هزینه‌های هوش مصنوعی «بسیار غیرقابل پیش‌بینی شده است.» همان مدیر گفت که مدیران در «سطح CFO، COO و CIO همچنان این سؤال را مطرح می‌کنند که آیا ارزش لازم را از آنچه خرج می‌کنیم، دریافت می‌کنیم.»

آدام مک‌دنیل و مارکوس آیزله از IBM در یک تحلیل اخیر استدلال کردند که به حداقل رساندن توکن به همان اندازه tokenmaxxing مضر است، زیرا هر دو مصرف توکن را به هدف اصلی تبدیل می‌کنند، نه نتایج کسب‌وکار. 

IBM از چیزی که آن را «valuemaxxing» می‌نامد حمایت می‌کند؛ رویکردی که بر اندازه‌گیری وظایف تکمیل‌شده، زمان صرفه‌جویی‌شده و کار مجدد اجتناب‌شده تمرکز دارد، نه توکن‌های مصرفی.

آیا کاهش هزینه‌های هوش مصنوعی در حال حاضر بر شرکت‌ها تأثیر گذاشته است؟

OpenAI و Anthropic برنامه‌های رشد خود را بر این ایده بنا کردند که شرکت‌های بزرگ به مصرف روزافزون توکن‌ها ادامه خواهند داد. 

OpenAI در ابتدای امسال از مرز ۲۵ میلیارد دلار درآمد سالانه گذشت، در حالی که ارزش‌گذاری خود را ۱ تریلیون دلار اعلام کرد؛ Anthropic نیز با چند میلیارد دلار کمتر ارزش‌گذاری شده است. هر دو شرکت در حال صرف پول نقد برای محاسبات، تحقیقات و استخدام هستند و امیدوارند که پذیرش سازمانی آن‌ها را سودآور کند. 

اما شرکت‌های بزرگ در حال حاضر مدل‌های پرچم‌دار گران‌قیمت را برای کارهای پیچیده نگه می‌دارند و از جایگزین‌های کوچک‌تر و ارزان‌تر برای کارهای روتین استفاده می‌کنند. برخی نیز حجم کاری را به مدل‌های متن‌باز منتقل می‌کنند که روی زیرساخت خودشان اجرا می‌شوند و هزینه‌ای به ازای هر توکن ندارند.

شرکت بین‌المللی داده (IDC) پیش‌بینی می‌کند که تا سال ۲۰۲۸، ۷۰٪ از شرکت‌های پیشرو مبتنی بر هوش مصنوعی به جای تکیه بر یک ارائه‌دهنده واحد، از چندین مدل استفاده خواهند کرد. این امر هوش مصنوعی را به یک کالا تبدیل می‌کند که در آن ارائه‌دهندگان بر اساس قیمت و نه صرفاً قابلیت رقابت می‌کنند. 

البته مسئله هزینه به این زودی‌ها از بین نخواهد رفت. حتی سم آلتمن، مدیرعامل OpenAI، اذعان کرده که هزینه هوش مصنوعی امسال به یک «مشکل بزرگ» برای مشتریان تبدیل شده است.

اگر این را می‌خوانید، از دیگران جلوتر هستید. با خبرنامه ما همینجا بمانید.