توسعه با هوش مصنوعی باید برای همه ممکن باشد، اما با آگاهی کامل از هزینه‌ها

ابزارهای عمومی هوش مصنوعی وعده حل هر مشکلی را می‌دهند؛ از مدیریت سیستم‌های ارتباط با مشتری (CRM) در سازمان‌های بزرگ گرفته تا تحلیل علت آب نخوردن گربه خانگی در گرمای تابستان. با این حال، وقتی تلاش می‌کنید برای هر کاری از یک ابزار بدون نقش و مأموریت تعریف‌شده استفاده کنید، نتایج ناامیدکننده خواهد بود و اعتماد کاربران به کل این فناوری خدشه‌دار می‌شود.

اگر این الگو در میان صدها کارمند یک مجموعه تکرار شود، پدیده‌ای به نام اتلاف توکن (Tokenmaxxing) شکل می‌گیرد: ارسال پی‌درپی پرامپت‌ها و اصلاح بی‌پایان خروجی هوش مصنوعی تا زمانی که پاسخی قابل استفاده به دست آید.

برخی سازمان‌ها بر اساس غریزه، کارکنان را مقصر این اتلاف توکن می‌دانند یا دوره‌های آموزشی متعددی درباره «استفاده مسئولانه از هوش مصنوعی» برگزار می‌کنند.

اما اتلاف توکن در واقع نشانه‌ای از تلاش افراد توانمند برای خلق راهکار در فضایی است که فاقد ساختار، محدوده مشخص، چارچوب‌های ایمنی و سازوکارهای دقیق برای تحلیل هزینه‌ها و نتایج است.

قفل کردن دسترسی‌ها راهکار نیست

فرایندهای سنتی تدارکات و خرید نرم‌افزار، برای چرخه‌های تجاری قدیمی طراحی شده بودند. در گذشته اگر ساخت یک سامانه سازمانی چند سال طول می‌کشید، مشکلی نبود که ارزیابی و انتخاب تأمین‌کننده مناسب نیز ماه‌ها و سال‌ها به طول بینجامد.

هدایت ابزارهای هوش مصنوعی به بخش تدارکات با هدف ارزیابی تمام گزینه‌ها و قابل پیش‌بینی نگه‌داشتن هزینه‌ها، در ابتدا اقدامی امن و محتاطانه برای سازمان‌ها به نظر می‌رسید. با این حال، فرایند خلق نرم‌افزار امروز در مقایسه با حتی پنج سال گذشته کاملاً دگرگون شده است. فرایندهای تدارکات در فناوری اطلاعات هنوز ماه‌ها زمان می‌برند، در حالی که باز کردن یک چت‌بات عمومی مدل‌های زبانی و درخواست ساخت صفحه فرود (Landing Page) فقط پنج ثانیه طول می‌کشد.

دستورالعمل‌ها و شیوه‌نامه‌های سازمانی معمولاً در گوشه‌ای از پورتال‌های داخلی شرکت‌ها فراموش می‌شوند، مگر آنکه بروز یک حادثه نیازمند بررسی رسمی باشد. در چنین شرایطی، وقتی سیستم‌های تأییدشده کند یا بیش از حد محدودکننده باشند، کارکنان به راه‌های میان‌بر روی می‌آورند. آنها برای انجام کارهای روزمره به سراغ ابزارهای هوش مصنوعی کنترل‌نشده و غیررسمی (Shadow AI) می‌روند و داده‌های محرمانه سازمان را وارد مدل‌های عمومی می‌کنند.

نگاهی به نمونه‌های اولیه‌ای که از این مسیر تولید می‌شوند بیندازید: کدنویسی نامناسب تنها یکی از مشکلات است؛ رابط‌های کاربری با هویت برند همخوانی ندارند، استانداردهای طراحی سازمانی و دستورالعمل‌های دسترس‌پذیری WCAG 2.2 نادیده گرفته می‌شوند و الگوهای پایه‌ای احراز هویت در آنها وجود ندارد.

محدود کردن دسترسی کارکنان به هوش مصنوعی در عمل باعث می‌شود آنها اشتراک ماهانه را شخصاً بپردازند و همچنان به استفاده از آن ادامه دهند. این رویکرد هزینه‌ها را از دید بخش مالی پنهان می‌کند و کشف دیرهنگام آن، چالش‌های جدی حاکمیت داده را نیز به‌همراه دارد.

پیامد دیگر این سیاست را به سختی می‌توان در ترازنامه‌های مالی محاسبه کرد. سازمانی که تنها مهندسان در آن امکان توسعه نرم‌افزار دارند، با سرعتی همگام با صف طولانی کارهای فنی حرکت می‌کند؛ اما ایجاد این فرصت برای گروه‌های گسترده‌تری مانند مدیران محصول، تحلیل‌گران و بازاریابان، شتاب نوآوری را در سازمان افزایش می‌دهد و هم‌زمان شفافیت و نظارت بر پروژه‌ها را ارتقا می‌بخشد.

هزینه‌های توسعه کنترل‌نشده با هوش مصنوعی

فشارها از هم‌اکنون بر دوش مدیران احساس می‌شود. نظرسنجی مؤسسه Teneo با عنوان چشم‌انداز ۲۰۲۶ که از بیش از ۳۵۰ مدیرعامل شرکت‌های سهامی عام و ۴۰۰ سرمایه‌گذار نهادی انجام شده، نشان می‌دهد ۵۳ درصد سرمایه‌گذاران انتظار دارند بازگشت سرمایه (ROI) مثبت پروژه‌های هوش مصنوعی را ظرف شش ماه یا کمتر ببینند؛ در حالی که تنها ۱۶ درصد مدیران شرکت‌های بزرگ دستیابی به این زمان‌بندی را واقع‌بینانه می‌دانند. همین مدیران گزارش می‌دهند که کمتر از نیمی از پروژه‌های فعلی هوش مصنوعی آنها به سودآوری و بازگشت سرمایه رسیده است. در واقع سرمایه‌گذاران خواهان بازدهی در بازه‌ای هستند که مدیران ارشد آن را دست‌نیافتنی می‌دانند.

حجم مصرف توکن‌ها به‌خودی خود مشکل اصلی نیست. بخش تحقیقات Goldman Sachs پیش‌بینی می‌کند مصرف توکن‌ها بین سال‌های ۲۰۲۶ تا ۲۰۳۰ رشدی ۲۴ برابری را تجربه کرده و به ۱۲۰ کوادریلیون توکن در ماه برسد؛ این در حالی است که سازندگان تراشه و نیمه‌رسانا سالانه کاهشی ۶۰ تا ۷۰ درصدی در هزینه هر توکن ایجاد می‌کنند. توکن‌ها به‌مرور بسیار ارزان‌تر می‌شوند و حجم استفاده از آنها به‌شکل چشمگیری افزایش خواهد یافت.

اما نکته مهم این است که هویت مصرف‌کنندگان توکن در حال تغییر است. سازمان‌ها اکنون در حال طراحی و استقرار ایجنت‌های مستقل هوش مصنوعی هستند. این ایجنت‌ها در مقایسه با پرامپت‌نویسی معمولی انسان‌ها، توکن‌های به مراتب بیشتری مصرف می‌کنند؛ زیرا درخواست‌ها به‌صورت زنجیره‌ای تکرار می‌شوند و یک درخواست چت‌بات می‌تواند به ۲۰ یا حتی ۵۰ مرحله پی‌درپی و بدون نیاز به نظارت مستقیم تبدیل شود. اگر یک ایجنت را برای حل مسئله‌ای بدون هدف و محدوده مشخص فعال کنید، تا مدت‌ها پس از زمانی که یک انسان دست از کار می‌کشید و بازدهی آن را ارزیابی می‌کرد، به اجرای عملیات ادامه می‌دهد.

بخش بزرگی از این توکن‌ها صرف ساخت نمونه‌های اولیه‌ای می‌شوند که هرگز رنگ واقعیت را نمی‌بینند. ساخت پیش‌نمایش و ارزیابی ایده‌ها بخشی طبیعی از فرایند تکامل نرم‌افزار است، اما توسعه بدون توجه به الزامات استقرار در محیط عملیاتی، منابع سازمان را هدر می‌دهد. بر اساس گزارش مؤسسه تحلیلی Gartner، تا پایان سال ۲۰۲۵ دست‌کم ۵۰ درصد پروژه‌های هوش مصنوعی مولد پس از مرحله اثبات مفهوم (PoC) متوقف شده‌اند؛ دلایلی مانند کیفیت پایین داده‌ها، نبود کنترل مناسب بر ریسک‌ها، افزایش بی‌رویه هزینه‌ها یا ارزش تجاری نامشخص عامل این توقف بوده‌اند. وقتی یک نمونه اولیه صرفاً در محیط آزمایشی کار می‌کند و به‌دلیل نیاز به بازنویسی کامل توسط تیم مهندسی کنار گذاشته می‌شود، با اتلاف کامل منابع مواجه هستیم.

در این شرایط، سازمان‌ها ناچار می‌شوند دو بار هزینه بپردازند؛ یک‌بار برای توکن‌های مصرف‌شده و بار دیگر برای ساعت‌های کاری هدررفته مهندسان. وقتی تیم‌ها از مدل‌های زبانی عمومی و بدون چارچوب‌های مشخص استفاده می‌کنند، مهندسان ارشد باید ساعت‌ها وقت صرف پاک‌سازی و اصلاح کدها کنند. این موضوع شکاف بی‌اعتمادی را در تیم‌های فنی عمیق‌تر می‌کند. بر اساس نظرسنجی سال ۲۰۲۵ وب‌سایت Stack Overflow، حدود ۴۶ درصد از توسعه‌دهندگان به درستی خروجی‌های هوش مصنوعی اعتماد ندارند. پاسخ‌هایی که ظاهراً درست اما در واقع دارای نقص هستند، بزرگ‌ترین عامل کلافگی ۶۶ درصد توسعه‌دهندگان به‌شمار می‌روند؛ در حالی که ۴۵ درصد آنها اعلام کرده‌اند اشکال‌زدایی کدهای تولیدشده توسط هوش مصنوعی زمان بسیار بیشتری می‌برد.

دسترسی همگانی و پاسخگویی مسئولانه

سرعت تولید کد به‌خودی خود مشکل‌ساز نیست. پایین آوردن موانع فنی برای افراد غیرمهندس به خلق نرم‌افزارهای بهتری منجر می‌شود؛ زیرا این نرم‌افزارها توسط کسانی ساخته می‌شوند که نیازهای واقعی کسب‌وکار را لمس کرده‌اند. توسعه نرم‌افزار با هوش مصنوعی یک مزیت رقابتی ارزشمند است و این مزیت زمانی کارایی دارد که همه کارکنان به آن دسترسی داشته باشند.

با این حال، در کنار دموکراتیزه کردن دسترسی به فناوری، باید شیوه‌های تازه‌ای برای پاسخگویی در قبال نحوه استفاده و هزینه‌های مربوط به آن تعریف کرد. فرهنگ سازمانی مدرن گاهی پیچیدگی‌های بی‌موردی در نگاه به کارها پدید می‌آورد. توانایی توضیح ساده و شفاف کارهای انجام‌شده در طول روز، عادتی ارزشمند است و باید همین نگرش را در مدیریت هزینه‌های هوش مصنوعی نیز به کار گرفت.

به بیان ساده: توکن‌ها باید صرف وظایفی شوند که واقعاً نیازی در سازمان برای آنها وجود دارد. در مقابل، کاربران باید بتوانند فراتر از کلمات پرطمطراق و تبلیغاتی، هدف واقعی خود را از صرف این حجم توکن توضیح دهند.

برای اینکه این رویکرد مؤثر واقع شود و به منبع جدیدی از چالش‌های اداری تبدیل نگردد، پاسخگویی باید بخشی از ذات پلتفرم نرم‌افزاری باشد. نقطه شروع، کنار گذاشتن پنجره‌های گفتگوی همه‌کاره به‌عنوان انتخاب پیش‌فرض است. سازمان‌ها باید به‌جای آن، جریان‌های کاری مبتنی بر ایجنت‌های تخصصی و متناسب با نقش هر فرد طراحی کنند و محدودیت‌های اجرایی را درون بستر نرم‌افزاری قرار دهند.

به این ترتیب، اصول برند، فونت‌ها، ضوابط امنیتی و کامپوننت‌های لازم از پیش در محیط کاری کدنویسی می‌شوند؛ در نتیجه برنامه‌های ساخته‌شده توسط کارکنان غیرفنی، به‌طور پیش‌فرض استاندارد و آماده استفاده واقعی هستند. آنها نیازی به ثبت درخواست‌های مجزا ندارند؛ چراکه ساختار محیط کار از ابتدا چارچوب‌های لازم برای امنیت و هزینه‌ها را پوشش داده است.

نمونه‌ای موفق از کارایی این رویکرد

جریان‌های کاری هدفمند دستاوردهای کاملاً ملموس و قابل سنجشی دارند. در تجربه‌ای تازه در یک شرکت متوسط، یک تیم تحلیل داده سه‌نفره ایجنتی توسعه دادند که داده‌ها را در تمام سامانه‌های شرکت تحلیل می‌کرد؛ این ابزار هر هفته ۱۲ تا ۱۳ ساعت از کارهای دستی هر یک از اعضای تیم کاست.

این سه تحلیل‌گر اکنون بازدهی معادل تیمی ده برابر بزرگ‌تر از خود دارند و ماهیت شغل آنها نیز بسیار جذاب‌تر شده است؛ زیرا به‌جای گردآوری دستی داده‌ها، وقت خود را صرف تدوین راهکارهای باارزش تجاری می‌کنند.

این ایجنت مأموریتی شفاف دارد و کار خود را بر اساس پارامترهای از پیش تعیین‌شده انجام می‌دهد؛ ابزاری که هیچ شباهتی به یک چت‌بات عمومی با کارت اعتباری نامحدود ندارد.

پیوند وفور امکانات با حسابداری دقیق

هزینه‌های مهارنشده هوش مصنوعی و افت اعتماد به این فناوری یک راهکار مشترک دارند و این راهکار، سهمیه‌بندی توکن‌ها نیست. توکن‌ها روزبه‌روز ارزان‌تر می‌شوند و فراوانی آنها ویژگی اصلی این فناوری است.

پاسخ اصلی در شناخت دقیق و مرزبندی وظایف هوش مصنوعی نهفته است. این ابزارها باید در اختیار همه قرار گیرند، اما لازم است از ابتدا متناسب با اهداف مشخص تنظیم شوند، نه اینکه به‌صورت چت‌بات‌های عمومی برای همه کارها به کار گرفته شوند.

تقریباً هر شرکتی می‌تواند رقم دقیق هزینه‌های هوش مصنوعی خود در فصل گذشته را اعلام کند، اما وقتی درباره دستاوردهای مورد انتظار سؤال می‌شود، پاسخ‌ها بسیار مبهم و گنگ است.

نبود شناخت کافی از مأموریت واقعی هوش مصنوعی در سازمان ریشه اصلی مشکل است و صورت‌حساب‌های غافلگیرکننده تنها نشانه‌ای از این ماجرا هستند. نخستین گام برای سازمان‌ها این است که پیش از آغاز مصرف توکن‌ها، با ساده‌ترین و روشن‌ترین کلمات مشخص کنند که این ابزارها دقیقاً قرار است چه مشکلی را حل کنند.