هزینه سرسام‌آور پایش ایجنت‌های هوش مصنوعی؛ چالشی که بودجه شرکت‌ها را می‌بلعد

تجربه چندین دهه فعالیت در فناوری‌های سازمانی، مدیریت مراکز داده در نهادهای بزرگ مالی، توسعه نرم‌افزارهای سازمانی و کار روی زیرساخت‌های ابری و سامانه‌های رصدپذیری (Observability)، درس بزرگی به‌همراه دارد: امواجی از فناوری که سازمان‌ها را بهت‌زده و زمین‌گیر می‌کنند، هیچ‌گاه آن‌هایی نیستند که هیچ‌کس انتظارشان را نداشت؛ بلکه تحولاتی هستند که همگی وقوع آن‌ها را پیش‌بینی می‌کردند، اما آمادگی لازم را برای مواجهه با آن‌ها کسب نکرده بودند.

هوش مصنوعی مبتنی بر ایجنت (Agentic AI) اکنون دقیقاً در حال پیمودن چنین مسیری است.

در حال حاضر تمام گفت‌وگوها در بخش فناوری اطلاعات شرکت‌ها پیرامون انتخاب مدل‌ها، نحوه نظارت بر خروجی آن‌ها و اطمینان از بازگشت سرمایه در گردش است. با این حال، آنچه توجه چندانی به آن نمی‌شود، سرنوشت زیرساخت‌های فناوری اطلاعات و به‌ویژه داده‌های دورسنجی یا تلمتری (Telemetry) در زمان آغاز به کار این ایجنت‌ها است.

یافته‌های پژوهش اخیر مؤسسه تحقیقاتی Omdia با نظرسنجی از بیش از ۳۰۰ مدیر ارشد فناوری اطلاعات در آمریکای شمالی و اروپای غربی، هشدارهای تکان‌دهنده‌ای برای مدیران ارشد فناوری به‌همراه دارد.

انفجار داده‌ها آغاز شده و سازمان‌ها جا مانده‌اند

بررسی وضعیت کنونی، حتی پیش از اوج‌گیری کامل ایجنت‌های هوش مصنوعی، ابعاد ماجرا را به‌خوبی نمایان می‌کند. بیش از نیمی از شرکت‌های شرکت‌کننده در این پژوهش گزارش داده‌اند که حجم داده‌های تلمتری آن‌ها در ۱۲ ماه گذشته بیش از سه برابر شده و رشد میانگین ۳٫۷ برابری را تجربه کرده است. پردازش‌های هوش مصنوعی و یاد‌گیری ماشین هم‌اکنون حدود ۴۳ درصد از این رشد را تشکیل می‌دهند. این ارقام یک پیش‌بینی دوردست نیست؛ بلکه واقعیت ملموسی است که اکثر سازمان‌ها همین امروز با آن دست‌وپنجه نرم می‌کنند.

آمارهای مربوط به آینده اما بسیار نگران‌کننده‌تر است. شرکت‌ها انتظار دارند حجم داده‌های تلمتری ناشی از ایجنت‌های هوش مصنوعی طی دو سال آینده به‌طور میانگین ۹٫۵ برابر شود. این عدد تنها یک میانگین است؛ چراکه نزدیک به نیمی از مدیران مورد بررسی، رشدی بین ۶ تا ۱۰۰ برابر را پیش‌بینی کرده‌اند. کر واکر، تحلیلگر ارشد بازار در مؤسسه Omdia، وضعیت را چنین شرح می‌دهد: «ما در ابتدای منحنی رشد قرار داریم و تازه در نقطه جهش تند نمودار هستیم.»

بیان اینکه بیشتر سازمان‌ها برای چنین جهشی آماده نیستند، مبالغه نیست. حدود دوسوم از سازمان‌ها سطح آمادگی خود را برای مواجهه با این حجم از داده‌های ایجنت‌های هوش مصنوعی «تا حدی آماده» یا حتی ضعیف‌تر ارزیابی کرده‌اند. ۲۲ درصد از آن‌ها هنوز حتی بررسی پیامدهای این جهش داده‌ای را آغاز نکرده‌اند. در همین حال، ۳۵ درصد از شرکت‌ها از استقرار گسترده ایجنت‌های هوش مصنوعی در ساختار خود خبر می‌دهند. شکاف میان اشتیاق به پیاده‌سازی این فناوری و آمادگی زیرساخت‌ها برای پشتیبانی از آن، فاصله‌ای عمیق و پرمخاطره است.

بحران هزینه‌ای که از تصور فراتر رفته است

آمارها نشان می‌دهند که در ۶۹ درصد از سازمان‌هایی که پروژه‌های ایجنت هوش مصنوعی را به کار گرفته‌اند، هزینه‌های پایش و رصدپذیری (Observability) از هزینه‌های توان پردازشی و کل زیرساخت بیشتر شده است. فناوری‌هایی که در اصل برای پشتیبانی از هوش مصنوعی وارد میدان شده بودند، اکنون به بزرگ‌ترین قلم هزینه در بودجه هوش مصنوعی سازمان‌ها تبدیل شده‌اند.

میانگین هزینه سالانه شرکت‌ها برای پایش سیستم‌ها به ۳٫۱۷ میلیون دلار رسیده و سالانه ۲۸ درصد رشد می‌کند. علاوه بر این، ۳۵ درصد از شرکت‌ها رشد سالانه بیش از ۵۲ درصدی را در بودجه رصدپذیری خود تجربه می‌کنند. از هر پنج سازمان، یک مورد در حال حاضر سالانه بیش از ۵ میلیون دلار صرفاً برای پایش سامانه‌ها می‌پردازد و ۸۱ درصد از شرکت‌ها به شکلی فعالانه به دنبال راه‌هایی برای مهار و کاهش این هزینه‌ها هستند.

عواقب ناتوانی در مدیریت این هزینه‌ها صرفاً مالی نیست؛ ۵۹ درصد از سازمان‌ها استقرار دست‌کم یکی از پروژه‌های ایجنت هوش مصنوعی خود را به‌دلیل سرسام‌آور بودن هزینه‌های نظارت متوقف کرده یا به تعویق انداخته‌اند. این‌ها پروژه‌های آزمایشی و حاشیه‌ای نیستند؛ هنگامی که هزینه‌های رصد سامانه‌ها سر به فلک می‌کشد، سازمان‌ها ایجنت‌هایی را خاموش می‌کنند که وظیفه پایش امنیت سایبری، تطبیق با مقررات و شناسایی رفتارهای متقلبانه را بر عهده دارند. به ترتیب ۲۷ و ۲۶ درصد از پاسخ‌دهندگان به صراحت اعلام کرده‌اند که توقف پروژه‌ها مستقیماً امنیت سازمان در این زمینه‌های حساس را با مخاطره روبه‌رو کرده است.

تأمل در ابعاد این واقعیت گویای همه چیز است: شرکتی به این نتیجه می‌رسد که از پس هزینه‌های نظارت بر ایجنت هوش مصنوعی کشف تقلب برنمی‌آید و در نتیجه آن را خاموش می‌کند. چنین رخدادی دیگر یک چالش فنی ساده نیست، بلکه یک شکست بزرگ در مدیریت ریسک به‌شمار می‌رود.

فرضیه‌هایی در زیرساخت که دیگر معتبر نیستند

زیرساخت‌های پایش و رصدپذیری که امروزه اکثر سازمان‌ها بر آن‌ها تکیه می‌کنند، برای دورانی متفاوت طراحی شده بودند؛ دورانی با حجم داده‌های قابل پیش‌بینی، هزینه‌های مدیریت‌پذیر و پلتفرم‌های متمرکز. ایجنت‌های هوش مصنوعی هر سه این فرضیات بنیادین را به‌طور هم‌زمان فرو ریخته‌اند.

ریشه اصلی این مشکل، معماری سنتی سیستم‌ها است. بیشتر سامانه‌های رصدپذیری طوری طراحی شده‌اند که تمام داده‌ها را به‌شکل خام بلعیده و سپس اقدام به تحلیل و مرتب‌سازی کنند. این رویکرد زمانی کارآمد است که جریان داده‌ها ثبات نسبی داشته باشد، اما در برابر هجوم ۹٫۵ برابری داده‌های تلمتری تولیدشده از سوی سیستم‌های خودمختار هوش مصنوعی که پیوسته در حال استدلال، عمل و مخابره سیگنال هستند، کاملاً فرو می‌پاشد. در این سناریو نمی‌توان صرفاً با افزودن فضای ذخیره‌سازی یا ارتقای سرورهای پشتیبان بر بحران غلبه کرد؛ چراکه محاسبات ریاضی این حجم از داده‌ها با منطق بودجه سازمان‌ها همخوانی ندارد.

سازمان‌های پیشرو دریافته‌اند که راهکار نجات، استقرار یک لایه هوشمند میان منابع تولید تلمتری و پلتفرم‌های پایش است؛ لایه‌ای که داده‌ها را پیش از ورود به پایگاه‌های داده پرهزینه، مسیریابی، فیلتر و پالایش کند و تحت حاکمیت درآورد. این ایده اگرچه در مهندسی زیرساخت مفهومی نوظهور نیست، اما فوریت پیاده‌سازی آن بسیار بی‌سابقه است. بر اساس پژوهش Omdia، شرکت‌هایی که از خط‌لوله‌های مدیریت تلمتری بهره می‌برند، ۵۰ درصد بیشتر برای مواجهه با رشد ۶ برابری یا فراتر از آن آمادگی دارند و مجموعه‌هایی که استقرار این خط‌لوله‌ها را به تکامل رسانده‌اند، تا ۸۰ درصد بیشتر توانسته‌اند از چالش‌های هزینه‌ای که سازمان‌های سنتی را گرفتار کرده است، بگریزند.

ایجاد خط‌لوله تلمتری یک وصله موقت نیست، بلکه ستون فقرات معماری مدرن است که سرمایه‌گذاری پیوسته در رصدپذیری ایجنت‌های هوش مصنوعی را توجیه‌پذیر می‌کند. تورستن ولک، مدیر ارشد تحلیل در Omdia، در این زمینه تأکید می‌کند: «مقیاس‌پذیری زیربنای همه مسائل است؛ از امنیت و کنترل هزینه‌ها گرفته تا اجرای پروژه‌ها. در حال حاضر هیچ نشانه‌ای از کاهش رشد یا فرود آرام منحنی انفجار داده‌ها مشاهده نمی‌شود.»

فرصتی محدودتر از تصور مدیران

در حال حاضر ۹۷ درصد از سازمان‌ها یا راهکارهای مبتنی بر خط‌لوله تلمتری را پیاده‌سازی کرده‌اند یا به شکلی جدی به فکر به‌کارگیری آن هستند و ۷۰ درصد نیز در مراحل ارزیابی و خرید نهایی قرار دارند. این بازار با شتابی فوق‌العاده در حال دگرگونی است.

یکی از جزئیات کلیدی پژوهش Omdia که کمتر به آن توجه می‌شود، این است که نزدیک به یک‌چهارم پاسخ‌دهندگان اظهار داشته‌اند همکاری‌های فعلی با ارائه‌دهندگان قدیمی نرم‌افزار، عامل تعیین‌کننده‌ای در تصمیم‌گیری خرید آن‌ها به‌شمار نمی‌رود. این واقعیت نشان از رقابتی بسیار پویاتر از حد انتظار دارد. قابلیت‌هایی که خریداران بیش از همه به دنبال آن هستند شامل مسیریابی به چند مقصد، کاهش حجم و نمونه‌برداری از داده‌ها و مسیریابی مبتنی بر محتوا است؛ ویژگی‌هایی که همگی ضرورت معماری مبتنی بر خط‌لوله داده را به‌جای توسعه پلتفرم‌های سنتی پایش تأیید می‌کنند.

این آمارها یک هشدار صرف نیستند، بلکه یک نقطه تصمیم‌گیری سرنوشت‌ساز را نشان می‌دهند. سازمان‌هایی که چالش زیرساخت را پیش از تبدیل شدن به بحران بودجه حل کنند، قادر خواهند بود ایجنت‌های هوش مصنوعی را با استانداردهای خود و با اطمینان توسعه دهند. سایر سازمان‌ها اما در آینده نزدیک خود را در موقعیت دشوار انتخاب میان نظارت بر هوش مصنوعی یا ورشکستگی خواهند دید؛ انتخابی تلخ که هیچ سازمانی مایل به تجربه آن نیست.