چرا ایجنت‌های هوش مصنوعی صورت‌حساب‌های پیش‌بینی‌نشده روی دست کسب‌وکارها می‌گذارند؟

• یافته‌های اسپلانک نشان می‌دهد ۶۰ درصد شرکت‌ها جهش ناگهانی صورت‌حساب هوش مصنوعی را بسیار پرفشارتر از پرداخت هزینه‌ای ثابت اما بالا می‌دانند.
• نزدیک‌تر شدن همکاری تیم‌های مشاهده‌پذیری و امنیت، بزرگ‌ترین دستاورد مثبت نظارت بر این فناوری ارزیابی شده است.
• ۹۱ درصد مدیران ارشد مشاهده‌پذیری سیستم می‌گویند می‌توانند هزینه‌ها را به تفکیک هر مدل یا ایجنت مشخص ردیابی کنند.

---

گزارش وضعیت مشاهده‌پذیری در سال ۲۰۲۶ شرکت اسپلانک (Splunk) نشان می‌دهد هم‌زمان با گرایش ارائه‌دهندگان خدمات به مدل‌های قیمت‌گذاری مبتنی بر مصرف، پیش‌بینی مخارج هوش مصنوعی برای کسب‌وکارها به‌مراتب دشوارتر و غیرقابل‌اعتمادتر از گذشته شده است.

این چالش‌ها در شرایطی رقم می‌خورد که استقبال از هوش مصنوعی ایجنتیک روزبه‌روز بیشتر می‌شود؛ سیستمی که در آن ایجنت‌ها به‌صورت خودکار فعالیت می‌کنند و بسته به نوع وظیفه محول‌شده، پیچیدگی کار و مدل انتخابی، حجم بسیار متفاوتی از توکن‌ها را مصرف می‌کنند.

بر اساس این نظرسنجی، بیش از نیمی از سازمان‌ها (۵۵ درصد) اعلام کرده‌اند قادر به کنترل موثر هزینه‌های هوش مصنوعی خود نیستند و حتی ۵۷ درصد آن‌ها ابراز نگرانی می‌کنند که مخارج جمع‌آوری داده‌های تله‌متری و مانیتورینگ از هزینه کل زیرساختی که تحت پایش دارند، پیشی گرفته است.

هوش مصنوعی ایجنتیک پیش‌بینی هزینه‌ها را دشوارتر کرده است

با وجود چالش‌های آشکار در نظارت مالی، گسترش هوش مصنوعی یک مزیت بزرگ نیز به‌همراه داشته است؛ چهار سازمان از هر پنج مجموعه (۸۱ درصد) می‌گویند پایش بار پردازشی هوش مصنوعی باعث تقویت همکاری بین تیم‌های مشاهده‌پذیری و امنیت سایبری شده است و ۷۳ درصد آن‌ها اکنون می‌توانند ریشه اختلالات فنی را در مخاطرات امنیتی شناسایی کنند (رقمی که سال گذشته ۶۵ درصد بود).

شرکت‌ها همچنین شاهد اشتراک‌گذاری داده‌های بیشتری میان این دو تیم هستند. جیتو پاتل (Jeetu Patel)، مدیر ارشد محصول شرکت سیسکو، در این باره توضیح می‌دهد: «این گزارش به‌خوبی نشان می‌دهد داده‌های پایش سیستم و امنیت در حال همگرایی هستند و تیم‌ها بیش از هر زمان دیگری باید شانه به شانه یکدیگر همکاری کنند.»

این گزارش بر جایگاه حیاتی تیم‌های مشاهده‌پذیری در استراتژی کلان هوش مصنوعی شرکت‌ها نیز تأکید دارد؛ ۹۱ درصد از پیشگامان حوزه مانیتورینگ اعلام کرده‌اند توانایی انتساب دقیق مخارج را به ایجنت‌ها، مدل‌ها و پردازش‌های مشخص دارند (در مقایسه با ۶۹ درصد سایر شرکت‌ها)، مسئله‌ای که نقشی تعیین‌کننده در سنجش دقیق بازگشت سرمایه (ROI) ایفا می‌کند.

با این حال، تغییر مداوم مدل‌های قیمت‌گذاری و نوسان شدید در میزان مصرف توکن توسط ایجنت‌ها، همچنان دردسری بزرگ برای بخش‌های مالی سازمان‌هاست. از هر پنج مدیر مالی، سه نفر (۶۰ درصد) اظهار کرده‌اند افزایش‌های ناگهانی در قبوض هوش مصنوعی بسیار سنگین‌تر از یک هزینه ثابت اما بالا به سیستم فشار وارد می‌کند؛ آماری که نشان می‌دهد کسب‌وکارها مدل‌های پرداختی ماهانه به ازای هر کاربر را به سازوکار نامشخص پرداخت بر مبنای مصرف ترجیح می‌دهند.