زنگ خطر هزینه‌های هوش مصنوعی در سازمان‌ها؛ ماجرای سقف ۲۹ دلاری اکسنچر برای استفاده از کلود

کمتر از یک سال پس از اعلام همکاری راهبردی بزرگ با آنتروپیک (Anthropic) برای گسترش به‌کارگیری هوش مصنوعی در سطح سازمانی، غول مشاوره مدیریت اکسنچر (Accenture) با سؤالات متعددی درباره نحوه مدیریت هزینه‌های کارکنان خود در استفاده از مدل کلود (Claude) روبه‌رو شده است. گزارش‌های اولیه نشان می‌دادند که این شرکت سقف ماهانه ۲۹ دلار را برای استفاده با بودجه مرکزی تعیین کرده است، اما اکسنچر این ادعا را رد می‌کند و می‌گوید این رقم صرفاً برای توضیح بخشی از سازوکار تأمین مالی شرکت مطرح شده، نه اینکه سقفی سفت‌وسخت برای محدود کردن دسترسی کارکنان به ابزارهای هوش مصنوعی باشد.

بر اساس گزارش وب‌سایت 404 Media در ۱۵ اکتبر، اکسنچر از اول اکتبر سیاستی را به اجرا گذاشته است که طبق آن، بودجه مرکزی شرکت فقط تا سقف ۲۹ دلار در ماه برای استفاده هر کارمند از کلود پرداخت می‌کند. گفته می‌شود برخی از کارکنان پیش از این ماهانه بین ۵۰۰ تا ۱۰۰۰ دلار از خدمات کلود مصرف می‌کردند و حالا با این بخشنامه جدید، برای جلب موافقت مدیران جهت تأیید هزینه‌های مازاد به تکاپو افتاده‌اند.

این تحول ابهامات و پرسش‌های مهمی را در صنایع مشاوره و فناوری پدید آورده است. اکسنچر همواره مشتریان سازمانی خود را به پیاده‌سازی گسترده هوش مصنوعی تشویق می‌کرد، از افزایش چشمگیر بهره‌وری سخن می‌گفت و به سازمان‌ها در استقرار سیستم‌های توانمند هوش مصنوعی یاری می‌رساند. اما اگر شرکتی با ابعاد، منابع عظیم و تخصص فنی اکسنچر کنترل سخت‌گیرانه‌تر مصرف را ضروری می‌داند، این اقدام چه پیامی برای مشتریانش دارد که خود با چالش‌های پیچیده اقتصاد توکن‌ها (توکنومیکس) دست‌وپنجه نرم می‌کنند؟

اگر هوش مصنوعی همان‌طور که وعده داده می‌شود بهره‌وری را متحول می‌کند، آیا سازمان‌ها نباید به‌جای محدودسازی، کارکنان را به استفاده بیشتر از آن تشویق کنند؟

این مسئله به یکی از چالش‌های بنیادین در اقتصاد هوش مصنوعی سازمانی اشاره دارد. با تغییر مدل کسب‌وکار از اشتراک‌های با قیمت ثابت به مدل پرداخت بر اساس میزان مصرف، شرکت‌ها متوجه شده‌اند که فعالیت بیشتر در حوزه هوش مصنوعی، حتی با وجود افت قیمت هر توکن، می‌تواند به‌صورت‌حساب‌های بسیار سنگین‌تر منجر شود؛ پدیده‌ای که در عمل همان «پارادوکس جونز» (Jevons' paradox) است. چالش اصلی دیگر صرفاً متقاعد کردن کارکنان به استفاده از هوش مصنوعی نیست؛ اکنون سازمان‌ها باید مشخص کنند که این استفاده دقیقاً چقدر هزینه دارد، آیا دستاوردهای حاصله چنین مخارجی را توجیه می‌کند و نهایتاً چه کسی باید این صورت‌حساب را پرداخت کند.

همکاری راهبردی اکسنچر و آنتروپیک؛ چرا این سقف بودجه جنجالی شد؟

زمان‌بندی اکسنچر برای مهار هزینه‌های هوش مصنوعی سازمانی، با توجه به جایگاه و مواضع این شرکت در چند ماه گذشته، بسیار جالب‌توجه است.

در ۹ دسامبر ۲۰۲۵، اکسنچر و آنتروپیک از یک قرارداد همکاری راهبردی چندساله رونمایی کردند که هدف آن تسریع استقرار هوش مصنوعی در سازمان‌های بزرگ بود.

طبق این توافق، یک گروه تجاری اختصاصی به نام «گروه کسب‌وکار اکسنچر و آنتروپیک» تشکیل شد و برنامه‌ریزی شده بود حدود ۳۰ هزار نفر از متخصصان اکسنچر برای کار با کلود آموزش ببینند. علاوه بر این، اکسنچر قرار بود شریک تجاری ویژه ابزار Claude Code شود تا این دستیار کدنویسی هوشمند را در اختیار ده‌ها هزار توسعه‌دهنده قرار دهد.

این دو شرکت همچنین سرویس مشترکی ارائه دادند که هدف آن کمک به مدیران ارشد فناوری اطلاعات (CIO) برای سنجش ارزش واقعی توسعه نرم‌افزار با هوش مصنوعی و گسترش پروژه‌های موفق در سطح سازمان بود.

داریو آمودی (Dario Amodei)، مدیرعامل آنتروپیک، این پروژه را بزرگ‌ترین قرارداد استقرار تجاری شرکتش تا آن زمان خواند و اکسنچر را مجرایی حیاتی برای گسترش پذیرش مدل کلود در بازار معرفی کرد.

همه این موارد نشان می‌دهد که اکسنچر صرفاً یک مشتری شرکتی بزرگ نیست که اشتراک کلود خریده باشد؛ این شرکت نفع تجاری مستقیمی در ترغیب سایر سازمان‌ها به استفاده از همین فناوری دارد.

همین موضوع باعث می‌شود سیاست جدید محدودسازی هزینه‌های داخلی بیش از پیش عجیب و معماگونه جلوه کند.

اکسنچر در حال حاضر دقیقاً با همان پرسش‌های اقتصادی روبه‌رو شده که مشتریانش با آن مواجه‌اند؛ موضوعی که خدمات مشاوره‌ای خودِ این شرکت تلاش می‌کردند نشان دهند سرمایه‌گذاری روی هوش مصنوعی ممکن است مدت‌ها پیش از دستیابی به هرگونه بازدهی ملموس، نیاز به تزریق مداوم بودجه داشته باشد.

با این حال، اکسنچر اکنون به کارکنانش می‌گوید که از پیش به نتیجه مشخصی درباره سقف مجاز سرمایه‌گذاری یک سازمان در هوش مصنوعی رسیده است. حالا مشتریان خدمات مشاوره‌ای این شرکت کاملاً حق دارند بپرسند که چقدر باید برای هوش مصنوعی هزینه کنند و از چه نقطه‌ای به بعد، مصرف بیشتر دیگر ارزش افزوده و فایده ملموسی تولید نمی‌کند؟ آیا رشد بهره‌وری وعده‌داده‌شده می‌تواند هزینه‌های فزاینده عملیاتی را توجیه کند و شرکت‌ها تا چه اندازه و با چه عمقی باید پیش از تحقق بازدهی مورد انتظار، دست به سرمایه‌گذاری بزنند؟

این سیاست‌گذاری لزوماً نشان‌دهنده بروز مشکل یا محدودیت در شراکت اکسنچر با آنتروپیک نیست؛ بلکه نکته مهم‌تر این است که وقتی یک فناوری پرسرعت، رو به رشد و گران‌قیمت به یک هزینه عملیاتی روزمره تبدیل می‌شود، برقراری انضباط مالی به ضرورتی اجتناب‌ناپذیر بدل خواهد شد.

این رویداد تضاد بنیادین میان دو رویکرد را نمایان می‌سازد: تلاش تهاجمی برای گسترش استفاده از هوش مصنوعی در برابر مهار پیامدهای مالی ناشی از آن.

سقف ۲۹ دلاری اکسنچر دقیقاً شامل چه مواردی می‌شود؟

برخلاف تیترهای پر سر و صدای شبکه‌های اجتماعی، اکسنچر لزوماً مانع از آن نمی‌شود که کارکنانش ماهانه بیش از ۲۹ دلار از خدمات کلود استفاده کنند.

بر اساس گزارش 404 Media، این شرکت صرفاً هزینه استفاده را تا سقف ۲۹ دلار از محل بودجه مرکزی تقبل می‌کند. کارکنانی که مصرف ماهانه‌شان از این میزان فراتر برود، باید هزینه اضافی را از طریق ساختار شکست کار داخلی (WBS) به حساب بودجه یک پروژه تأییدشده یا تیم مشخص منظور کنند.

بنابراین، کارمندی که ماهانه ۵۰۰ دلار از خدمات کلود استفاده می‌کند، از نظر تئوری می‌تواند به همین روند ادامه دهد؛ مشروط بر اینکه مجوزهای لازم را داشته باشد و بودجه داخلی پروژه، مابه‌التفاوت ۴۷۱ دلاری را پوشش دهد.

در نتیجه، این تصمیم نه یک ممنوعیت کامل استفاده، بلکه تغییری اساسی در شیوه پاسخگویی مالی است. اکسنچر به‌جای اینکه به واحد فناوری اطلاعات مرکزی اجازه دهد آزمون‌وخطاهای هوش مصنوعی کارکنان را بدون محدودیت مشخص تأمین مالی کند، واحدهای تجاری و پروژه‌ها را موظف کرده است که مسئولیت مالی مصرف مازاد خود را شخصاً بپذیرند.

برای یک شرکت مشاوره‌ای، این تفکیک اهمیت ویژه‌ای دارد؛ چراکه هزینه‌های هوش مصنوعی مرتبط با پروژه‌های مشتریان می‌تواند بخشی از هزینه‌های تحویل پروژه محسوب شود و حاشیه سود، سودآوری داخلی و حتی نحوه قیمت‌گذاری خدمات آینده را تحت تأثیر قرار دهد.

اما طبق معمول، اصل ماجرا در جزئیات نهفته است و ظرافت‌های متعددی در این سیاست جدید وجود دارد که هنوز مبهم و بدون پاسخ مانده‌اند.

آیا سقف ۲۹ دلاری صرفاً هزینه توکن‌های مصرفی مازاد است یا بخشی از هزینه لایسنس سازمانی پایه را هم در بر می‌گیرد؟ آیا این رقم بر اساس شرایط تجاری توافق‌شده میان اکسنچر و آنتروپیک تعیین شده است؟ آیا این قانون برای تمام کارکنان با وظایف شغلی متفاوت به یک شکل اعمال می‌شود؟ و اگر پروژه‌ای نتواند این هزینه را توجیه کند، تکلیف کارمندی که معتقد است هوش مصنوعی بهره‌وری کارش را افزایش می‌دهد چه خواهد شد؟

نه گزارش‌های رسانه‌ای منتشرشده و نه اطلاعات رسمی تعرفه‌های آنتروپیک، جزئیات کامل توافق تجاری میان این دو شرکت را مشخص نمی‌کنند.

نکته ابهام‌برانگیز دیگر این است که رقم ۲۹ دلار در مقایسه با تعرفه‌های اشتراکی اعلام‌شده در صفحه قیمت‌گذاری کلود در وب‌سایت آنتروپیک نیز همخوانی ندارد و گیج‌کننده است.

اشتراک Claude Pro در صورت پرداخت ماهانه ۲۰ دلار قیمت دارد (که با پرداخت سالانه مشمول تخفیف می‌شود). پلن Claude Max از ۱۰۰ دلار در ماه آغاز می‌شود. در پلن تیمی (Team)، هزینه هر حساب استاندارد ۲۵ دلار در ماه (یا ۲۰ دلار با پرداخت سالانه) است و حساب‌های پرمیوم با محدودیت‌های مصرف بالاتر، ۱۲۵ دلار در ماه (یا ۱۰۰ دلار با پرداخت سالانه) هزینه دارند.

آنتروپیک در تعرفه‌های عمومی خود، اشتراک سازمانی (Enterprise) را به ازای هر کاربر ۲۰ دلار در ماه (با صورت‌حساب سالانه) قیمت‌گذاری کرده است و هزینه مصرف بر اساس نرخ توکن‌های API به‌صورت جداگانه محاسبه می‌شود. این هزینه ثابت صرفاً دسترسی اولیه به سرویس را فراهم می‌کند و شامل پاسخ‌دهی و استنتاج نامحدود نمی‌شود. در مدل مصرف‌محور هوش مصنوعی سازمانی، هزینه‌ای که یک سازمان برای ایجاد دسترسی کارکنان می‌پردازد، ممکن است بسیار کمتر از مبلغی باشد که در عمل برای استفاده واقعی آن‌ها از این فناوری پرداخت خواهد کرد.

پیچیدگی دیگری هم در این میان وجود دارد؛ آنتروپیک پیش از این حساب‌های سازمانی را در قالب دو سطح استاندارد و پرمیوم با سهمیه‌های مصرف متفاوت عرضه می‌کرد. بر اساس مستندات پلن سازمانی آنتروپیک، آن قراردادهای قدیمی تا زمان انتقال قرارداد مشتریان فعلی به مدل جدید مصرف‌محور، همچنان برای آن‌ها در دسترس باقی مانده‌اند.

همین موضوع توضیح می‌دهد که چرا بر اساس گزارش‌ها، در بخشنامه داخلی اکسنچر به کاربران پرمیوم و سهمیه هفتگی ۲۵۰ دلاری توکن اشاره شده است. با این حال، هنوز دقیقاً مشخص نیست که اکسنچر به چه ساختار مجوزی یا توافقی با آنتروپیک دست یافته است.

هنوز مشخص نیست که رقم ۲۹ دلار دقیقاً از کجا آمده است؛ زیرا این مبلغ با هیچ‌کدام از سطوح استاندارد اشتراک سازمانی کلود مطابقت ندارد و سطح پرمیوم یادشده نیز با هیچ‌یک از ساختارهای قیمت‌گذاری عمومی همخوان نیست. بنابراین، این سقف بیشتر شبیه یک قانون داخلی برای سهمیه رفاهی کارکنان در اکسنچر است تا انعکاسی از تعرفه‌های عمومی بازار.

تعرفه‌های رسمی API آنتروپیک به وضوح نشان می‌دهد که بسته به مدل انتخابی کارکنان، هزینه‌ها چقدر می‌توانند اختلاف فاحش داشته باشند.

در میان گزینه‌های فعلی، مدل Haiku 5.5 برای پرامپت‌های کوتاه واجد شرایط، تنها ۰٫۱۰ دلار به ازای هر میلیون توکن ورودی و ۰٫۵۰ دلار به ازای هر میلیون توکن خروجی هزینه دارد. در مقابل، هزینه مدل Sonnet 5.5 به ۲ دلار در میلیون توکن ورودی و ۱۰ دلار در میلیون توکن خروجی می‌رسد. مدل Opus 5.5 به ترتیب ۴ دلار و ۲۰ دلار هزینه دارد و مدل بسیار گران‌تر Fable 5.1 به ازای هر میلیون توکن ورودی ۱۰ دلار و برای هر میلیون توکن خروجی ۵۰ دلار قیمت‌گذاری شده است.

برای نمونه، حجم کاری ماهانه‌ای را در نظر بگیرید که شامل ۱۰ میلیون توکن ورودی و ۲ میلیون توکن خروجی باشد. بر اساس نرخ‌های رسمی اعلام‌شده، این حجم کار با مدل Haiku 5.5 (در پرامپت‌های کوتاه واجد شرایط) تقریباً ۲ دلار تمام می‌شود؛ در حالی که اجرای همین حجم با مدل Sonnet 5.5 معادل ۴۰ دلار، با مدل Opus 5.5 حدود ۸۰ دلار و با مدل Fable 5.1 نزدیک به ۲۰۰ دلار هزینه خواهد داشت.

بنابراین، یک چرخه کاری سبک با هوش مصنوعی می‌تواند به‌راحتی زیر سقف سهمیه ۲۹ دلاری مدیریت شود؛ اما فرآیندهای پیچیده کدنویسی یا پژوهش‌های سنگین که به مدل‌های توانمندتر متکی هستند، می‌توانند این سهمیه را در چشم‌به‌هم‌زدنی تمام کنند.

البته این یک مقایسه ساده‌سازی‌شده است و هزینه‌های مربوط به کش کردن اطلاعات (Prompt Caching)، پردازش‌های ویژه، ابزارهای جانبی و تخفیف‌های سازمانی در آن لحاظ نشده است و نشان‌دهنده مصرف یا صورت‌حساب واقعی اکسنچر نیست.

ورود هوش مصنوعی عامل‌محور (ایجنت‌ها) این محاسبات را پیچیده‌تر هم می‌کند. هرچه این سیستم‌ها خودکارتر و عامل‌محورتر شوند، ارتباط مستقیم میان هزینه نهایی و تعداد پرامپت‌هایی که کاربر تایپ کرده کمتر می‌شود. برای مثال، ممکن است یک توسعه‌دهنده از دستیار کدنویسی هوش مصنوعی بخواهد یک مشکل نرم‌افزاری را برطرف کند؛ همین دستور به‌ظاهر ساده می‌تواند ده‌ها تعامل پیاپی با مدل ایجاد کند؛ چراکه سیستم فایل‌ها را بررسی می‌کند، کد می‌نویسد، تست‌ها را اجرا می‌نماید و خطاهای خود را اصلاح می‌کند. بدین ترتیب، یک درخواست کاربر می‌تواند به زنجیره‌ای پرهزینه از تعاملات تبدیل شود.

این تحول نمایانگر تغییر اساسی در اقتصاد نرم‌افزارهای سازمانی است؛ جایی که شرکت‌ها پیش از این بابت نرم‌افزارهای سنتی حق اشتراک ثابت و مشخصی می‌پرداختند و میزان استفاده واقعی کارکنان تأثیری روی مبلغ فاکتور ماهانه نداشت.

آیا این محدودیت فقط مختص آنتروپیک است یا کل سرویس‌های هوش مصنوعی را شامل می‌شود؟

یکی از مهم‌ترین پرسش‌های بی‌پاسخ این است که آیا محدودیت‌های جدید اکسنچر صرفاً به مدل کلود محدود می‌شود یا بخشی از یک برنامه گسترده‌تر برای مهار مصارف کنتوردار هوش مصنوعی است که ارائه‌دهندگان دیگر مانند اوپنای‌آی (OpenAI)، پرپلکسیتی (Perplexity) و سایر سرویس‌های مصرف‌محور را نیز در بر می‌گیرد؟

هنوز معلوم نیست که آیا اکسنچر سقف‌های مشابهی را برای ابزارهایی مانند مدل‌های اوپنای‌آی، گوگل جمنای (Google Gemini)، مایکروسافت کوپایلت (Microsoft Copilot) یا مدل‌های فعال روی پلتفرم‌های ابری و برنامه‌های داخلی خود اعمال کرده است یا خیر.

این مسئله از آن جهت اهمیت دارد که اکسنچر با چندین شرکت مطرح هوش مصنوعی ارتباط تجاری دارد، از جمله یک توافق همکاری راهبردی با اوپنای‌آی. عملیات هوش مصنوعی این شرکت نیز مانند بسیاری از غول‌های سازمانی، بعید است تنها به یک ارائه‌دهنده وابسته باشد.

اگر سهمیه بودجه جدید فقط برای کلود در نظر گرفته شده باشد، ممکن است کارکنان انگیزه پیدا کنند تا به سراغ سایر سیستم‌های تأییدشده بروند. این امر می‌تواند مخارج پرداختی به آنتروپیک را کاهش دهد، اما لزوماً کل هزینه‌های هوش مصنوعی اکسنچر را کمتر نخواهد کرد.

اما اگر محدودیت‌های مشابهی برای تمام سرویس‌های مصرف‌محور وضع شده باشد، این بخشنامه حاکی از تحولی عمیق و همه‌جانبه در نحوه مدیریت هوش مصنوعی در این شرکت خواهد بود.

البته احتمال سومی هم وجود دارد: اکسنچر ممکن است قراردادهای متفاوتی با شرکت‌های مختلف داشته باشد و ترکیبی از اشتراک‌های ثابت، حجم‌های تجمیعی، سهمیه‌های سازمانی و سرویس‌های مصرف‌محور را به کار گرفته باشد. در چنین وضعیتی، مقایسه ساده هزینه‌ها میان ارائه‌دهندگان مختلف بسیار دشوار خواهد بود.

به عبارت دیگر، سهمیه ۲۹ دلاری برای کلود لزوماً معنایی یکسان با ۲۹ دلار مصرف API در سرویسی دیگر یا یک لایسنس نرم‌افزاری ماهانه با قابلیت‌های داخلی هوش مصنوعی ندارد.

مشکل اصلی: سنجش هزینه‌های هوش مصنوعی به‌جای سنجش ارزش خلق‌شده

این چالش تنها مختص اکسنچر نیست. در ماه ژوئیه، رسانه 404 Media گزارش داد که چندین شرکت بزرگ فناوری محدودسازی استفاده کارکنان از هوش مصنوعی را آغاز کرده‌اند و اغلب، توسعه‌دهندگان را به استفاده از مدل‌های ارزان‌تر ترغیب می‌کنند یا سقف پردازش‌های پرهزینه را می‌بندند.

صنعت فناوری سال‌ها صرف تشویق آزمون‌وخطای آزادانه و گسترده هوش مصنوعی کرد، اما حالا نوبت مواجهه شرکت‌ها با صورت‌حساب‌های سنگین فرا رسیده است.

شاید در نگاه اول به نظر برسد سیاست جدید اکسنچر نشان‌دهنده زیاده‌روی کارکنان در مصرف هوش مصنوعی است؛ اما واقعیت این است که مصرف بالا لزوماً به معنای اتلاف منابع نیست و مصرف پایین هم الزاماً کارایی و بهره‌وری را نشان نمی‌دهد.

فرض کنید یک توسعه‌دهنده نرم‌افزار ماهانه ۵۰۰ دلار صرف استفاده از هوش مصنوعی کند و در عوض کاری را به پایان برساند که در حالت عادی ۵۰۰۰ دلار هزینه نیروی کار اضافی برای شرکت در پی داشت. اگر کیفیت خروجی استاندارد باشد و زمان صرفه‌جویی‌شده به سود اقتصادی ملموس تبدیل شود، چنین هزینه‌ای فوق‌العاده جذاب و توجیه‌پذیر است.

حالا کارمند دیگری را در نظر بگیرید که فقط ۲۹ دلار صرف ابزارهای هوش مصنوعی می‌کند، اما خروجی او خلاصه‌هایی ناقص و پر از خطا است که به اصلاحات طولانی نیاز دارد و هیچ زمانی را ذخیره نمی‌کند. بازده سرمایه‌گذاری برای این کارمندِ کم‌هزینه عملاً نامطلوب‌تر است. تعیین یک سقف بودجه به‌تنهایی هرگز نمی‌تواند تفاوت میان این دو وضعیت را مشخص کند.

البته در شرکت‌های مشاوره‌ای که درآمدشان بر مبنای تحویل پروژه‌ها محاسبه می‌شود، روی دیگری هم وجود دارد. اگر هوش مصنوعی زمان تحویل یک پروژه را از ۱۰۰۰ ساعت به ۵۰۰ ساعت کاهش دهد، این یک پیشرفت چشمگیر در بهره‌وری به نظر می‌رسد؛ اما نتیجه مالی نهایی کاملاً به ساختار قرارداد بستگی دارد: اینکه آیا پروژه قیمت ثابت (Fixed-price) دارد، ساعتی محاسبه می‌شود یا مبتنی بر دستاورد نهایی است؟

در قراردادهایی با قیمت ثابت، کاهش ساعات کار می‌تواند حاشیه سود شرکت را افزایش دهد؛ اما در قراردادهای ساعتی، اگر شرکت نتواند نیروهای آزادشده را بلافاصله به پروژه‌های درآمدزای جدید هدایت کند، همین افزایش بهره‌وری می‌تواند مستقیماً به کاهش درآمد کل منجر شود.

اینجاست که اقتصاد توکن‌ها (توکنومیکس) در سازمان‌ها باید فراتر از شمارش صرف تعداد توکن‌ها و قیمت مدل‌ها حرکت کند و به معیارهای دقیق‌تر بازگشت سرمایه (ROI) و ارزش واقعی کسب‌وکار گره بخورد.

شرکت‌ها باید هزینه تمام‌شده دستیابی به یک نتیجه تجاری را به‌طور کامل اندازه بگیرند. این برآورد شامل هزینه مدل هوش مصنوعی، تعداد دفعات آزمون‌وخطا، زمان صرف‌شده توسط نیروی انسانی برای اعتبارسنجی و اصلاح، و ارزش نهایی کار تولیدشده می‌شود. حتی زیرساخت‌های نرم‌افزاری و سخت‌افزاری پشتیبان، انرژی مصرفی و هزینه‌های اداری نیز باید در این معادله محاسبه گردند.

بنیاد تازه تأسیس بنیاد توکنومیکس که زیر نظر بنیاد لینوکس راه‌اندازی شده، دقیقاً روی همین هزینه‌های تمام‌شده تمرکز دارد. این چالش یادآور نبردهای قدیمی پیرامون «هزینه کل مالکیت» (TCO) است که ارائه‌دهندگان پلتفرم‌های لینوکس در دهه‌های ۱۹۹۰ و اوایل ۲۰۰۰ میلادی با آن کاملاً دست‌وپنجه نرم کرده بودند.

مدل‌های ارزان‌تر در عمل همیشه ارزان تمام نمی‌شوند؛ مدلی با قیمت پایین که در انجام یک کار بارها با شکست روبه‌رو می‌شود و نیاز به آزمون مکرر دارد، می‌تواند بسیار گران‌تر از مدل پرچم‌داری تمام شود که کار را در همان تلاش اول بدون نقص انجام می‌دهد.

در عین حال، دلایل کاملاً منطقی برای بهینه‌سازی مصرف وجود دارد. سازمان‌ها می‌توانند کارهای روزمره را به مدل‌های کوچک‌تر بسپارند، از کانتکست‌های کش‌شده بهره ببرند، از حلقه‌های پردازشی بیهوده ایجنت‌ها جلوگیری کنند و مدل‌های استدلالی گران‌قیمت را فقط برای مسائلی نگه دارند که واقعاً هزینه آن‌ها را توجیه می‌کند. ایجاد توازن میان توان پردازشی مدل و سطح پیچیدگی هر کار اهمیت بالایی دارد؛ علاوه بر این، آموزش اصولی می‌تواند کاربران کم‌تجربه را به‌مرور به نیروهایی حرفه‌ای و کارآمد تبدیل کند.

با این وجود، بهینه‌سازی باید روی «هزینه انجام موفقیت‌آمیز کار» تمرکز کند، نه صرفاً پایین آوردن کورکورانه مصرف توکن یا تعیین یک سقف ثابت و یکسان برای پرداخت‌های سازمان.

میزان مصرف هوش مصنوعی می‌تواند به یکی از مهم‌ترین متغیرها در نحوه قیمت‌گذاری و ارائه خدمات مشاوره‌ای تبدیل شود. این دگرگونی وظایف جدیدی را پیش روی مدیران فناوری اطلاعات، تیم‌های مالی و مدیران ارشد قرار می‌دهد. بودجه‌های هوش مصنوعی را دیگر نمی‌توان صرفاً با شمارش لایسنس‌ها یا تمدید دوره‌ای نرم‌افزارها مدیریت کرد؛ بلکه اقتصاد این حوزه باید مصرف منابع را مستقیماً به نتایج ملموس کسب‌وکار متصل کند.

پرسشی که همچنان در فضای رسانه‌ای بی‌پاسخ مانده این است که آیا اکسنچر استفاده از کلود را به دلیل هزینه‌های غیرعادی آن محدود کرده، یا در حال پیاده‌سازی سازوکار نظارتی یکپارچه‌ای در کل بخش‌های هوش مصنوعی خود است، یا صرفاً مدل تأمین مالی پیشین دیگر از نظر اقتصادی برایش توجیهی نداشته است؟

این پرسش‌ها پاسخ‌ها و دلایل کاملاً متفاوتی دارند که هرکدام پیامدهای بسیار متفاوتی برای آنتروپیک و بازار گسترده‌تر هوش مصنوعی به‌همراه خواهد داشت.