پایان عصر دستمزد ساعتی؛ هوش مصنوعی چگونه معادله قیمت‌گذاری خدمات فناوری را تغییر می‌دهد؟

برای درک تحولاتی که در نظام سنتی قیمت‌گذاری خدمات فناوری در جریان است، نیازی به شناخت سازوکار پیچیده ابزارهای هوش مصنوعی ندارید. هوش مصنوعی پیوند دیرینه‌ای را که دهه‌ها میان «میزان تلاش»، «هزینه» و «ارزش حاصله» برقرار بود، از میان برده است.

دو شرکت ارائه‌دهنده خدمات مدیریت‌شده (MSP) را تصور کنید که با مشکلی یکسان در سیستم عملیاتی روبه‌رو شده‌اند. شرکت نخست مهندسی را مأمور بررسی می‌کند که پنج ساعت از وقت خود را صرف ردگیری لاگ‌ها، بررسی وابستگی‌ها و یافتن ریشه اصلی نقص فنی می‌نماید.

در نقطه مقابل، شرکت دوم با بهره‌گیری از ابزارهای رصدپذیری مجهز به هوش مصنوعی، مشکل را ظرف چند دقیقه شناسایی می‌کند، دستور اصلاح خودکار را صادر می‌نماید و پیش از آنکه کاربران اصلاً متوجه اختلالی شوند، سرویس را به حالت عادی بازمی‌گرداند. شرکت دوم ساعت کاری بسیار کمتری صرف کرده اما ارزش به‌مراتب بالاتری آفریده است؛ آیا باید دستمزد کمتری دریافت کند؟

این پرسش همان معمای بزرگی است که به باور تحلیلگران ارشد حوزه مهندسی فناوری، اکنون در مقیاسی کلان گریبان‌گیر شرکت‌های بزرگ و ارائه‌دهندگان خدمات سازمانی شده است.

مدل سنتی قیمت‌گذاری، ساعات کاری بیشتر را با هزینه بالاتر و در تئوری با ارزش بیشتر برابر می‌دانست. اما امروزه هوش مصنوعی سازمان‌ها را قادر ساخته است تا از پشتیبانی واکنشی، به سمت عملیات خودترمیم‌شونده حرکت کنند. بررسی‌های میدانی در پروژه‌های پیاده‌سازی هوش مصنوعی نشان می‌دهد که حجم تیکت‌های پشتیبانی خودکار تا ۷۰ درصد کاهش یافته، حدود یک رخداد از هر پنج رخداد عملیاتی به‌طور کاملاً خودکار برطرف شده و در سازمان‌هایی که مدل‌های پیش‌بینی مستقر شده‌اند، تا ۴۵ درصد از قطعی‌های بزرگ سیستمی جلوگیری به عمل آمده است.

چنین دستاوردی روی کاغذ باید به کاهش سرراست و شفاف هزینه‌ها ختم شود، اما واقعیتی که مدیران ارشد فناوری (CIO) و مدیران ارشد مالی (CFO) با آن دست‌وپنجه نرم می‌کنند به‌مراتب پیچیده‌تر است. هوش مصنوعی می‌تواند با تلاشی بسیار کمتر، ارزشی یکسان یا حتی بیشتر خلق کند؛ اتفاقی که مفروضات بنیادین کارفرمایان درباره علت پرداخت پول را زیر سؤال می‌برد. شرکت‌های ارائه‌دهنده خدمات نیز با وجه دیگر همین چالش مواجه‌اند: وقتی پیوند سنتی میان تلاش، هزینه و ارزش دیگر برقرار نیست، چگونه باید برای خدمات خود قیمت تعیین کرد؟

در این میان، چالش پیش‌بینی‌پذیری هزینه‌ها بیش از هر زمان دیگری جای خود را به سنجش صرفِ توانمندی‌های فنی داده و به دغدغه اصلی مدیران تبدیل شده است.

دیدگاه مدیران ارشد درباره تحول هوش مصنوعی

چالش یافتن موارد کاربرد (Use Cases) واقعی و درست برای هوش مصنوعی، پای ثابت گفت‌وگوهای میان مدیران ارشد اجرایی و حتی رهبران کسب‌وکار خارج از حوزه فناوری اطلاعات است. مدیران بخش‌های گوناگون به‌خوبی دریافته‌اند که یک برنامه موفق هوش مصنوعی همواره از یک مسئله عملیاتی ملموس آغاز می‌شود و میزان پیچیدگی راهکار هوش مصنوعی باید دقیقاً هم‌اندازه با مقیاس همان مسئله باشد.

این واقعیت نشان می‌دهد که سازمان‌ها باید آماده باشند تا ساختار عملیاتی خود را حول قابلیت‌های جدید هوش مصنوعی بازطراحی کنند؛ زیرا تنها پس از این بازطراحی است که کارفرمایان و ارائه‌دهندگان خدمات می‌توانند گفت‌وگویی سازنده درباره ارزش ایجادشده و شیوه قیمت‌گذاری آن داشته باشند. برای نمونه، تیم مالی یک شرکت بزرگ بین‌المللی سال‌ها برای دسترسی به نمایی واحد و دقیق از وضعیت نقدینگی خود در ده‌ها بازار و ارز مختلف دچار سردرگمی بود.

شعبه‌های منطقه‌ای این شرکت در طول سالیان، تراکنش‌های یکسان را به روش‌های متفاوتی ثبت می‌کردند و مدیریت ارشد بیش از پنج سال بدون دستیابی به نتیجه تلاش کرده بود تا این فرآیند را یکپارچه کند. پیش از اصلاح این وضعیت، هیچ خط مبنای قابل‌اتکایی برای سنجش میزان پیشرفت وجود نداشت و همین امر توافق بر سر ارزش مورد انتظار از هوش مصنوعی را عملاً غیرممکن می‌ساخت.

فرآیندهای کسب‌وکار یک سازمان اغلب به اندازه فناوری‌هایی که به اجرای آن کمک می‌کنند دستخوش تلاطم است؛ این در حالی است که قراردادهای حاکم بر این روابط، برای دنیایی در گذشته تدوین شده بودند؛ دنیایی که در آن تأمین نیروی انسانی پیش‌بینی‌پذیرتر، دامنه پروژه‌ها ثابت و حجم تقاضا پایدار بود.

هیچ مدل قیمت‌گذاری واحدی نجات‌بخش نیست

واکنش طبیعی به این عدم‌قطعیت، تلاش برای یافتن یک مدل قیمت‌گذاری نوین جهت جایگزینی با روش‌های سنتی است؛ اما هیچ رویکرد واحدی به‌تنهایی حلال این معما نخواهد بود. مدل‌های قیمت‌گذاری مبتنی‌بر نتیجه (Outcome-based)، مبتنی‌بر مصرف (Consumption-based) و ساختارهای اختصاصی هوش مصنوعی، هرکدام در شرایط مناسب مزایای ویژه خود را دارند، اما مصالحه‌ها و چالش‌های تازه‌ای نیز به وجود می‌آورند. چالش بنیادین در طراحی انعطاف‌پذیری لازم برای پیشبرد کار در شرایطی نهفته است که تلاش، هزینه و تقاضا دیگر مسیری قابل‌پیش‌بینی را دنبال نمی‌کنند.

قیمت‌گذاری مبتنی‌بر نتیجه زمانی به‌خوبی کار می‌کند که بتوان دستاورد را به‌طور مشخص تعریف کرد و به عاملی معین نسبت داد. اما زمانی که چرخه‌های کاری مجهز به هوش مصنوعی آغاز به تغذیه متقابل از یکدیگر می‌کنند، کار بسیار دشوار می‌شود؛ چراکه پس از طی چندین مرحله خودکار، ردیابی دقیق اینکه کدام سیستم یا کدام اقدام در رسیدن به نتیجه نهایی تجاری نقش داشته، عملاً امکان‌پذیر نیست.

قیمت‌گذاری مبتنی‌بر مصرف، صورت‌حساب را مستقیماً به میزان استفاده پیوند می‌زند؛ ایده‌ای که در ظاهر کاملاً منصفانه به نظر می‌رسد تا زمانی که با «پارادوکس توکن» روبه‌رو شوید. با اینکه هزینه هر کوئری و هر توکن هوش مصنوعی روندی کاهشی دارد، مجموع هزینه‌های سازمان همچنان سر به فلک می‌کشد؛ زیرا مصرف دیگر به تایپ یک پرامپت ساده توسط یک کارمند محدود نمی‌شود، بلکه پای زنجیره‌ای از ایجنت‌های هوش مصنوعی در میان است که پیوسته در پس‌زمینه فعالیت می‌کنند و هر گام آن‌ها گام بعدی را کلید زده و ردیف هزینه جداگانه‌ای در فاکتور ثبت می‌کند.

یک نمونه آموزنده را می‌توان در پروژه نوسازی سیستمی یکی از مشتریان بانکی با حضور ۲۰ توسعه‌دهنده مشاهده کرد. هزینه توکن به ازای هر برنامه‌نویس در این تیم به حدود ۱٬۰۰۰ دلار در ماه رسیده بود. این تیم توانست با هدایت وظایف ساده به سمت مدل‌های ارزان‌تر، شناسایی الگوهای مصرفی که در آن‌ها مصرف توکن چهار برابر میانگین اعضا بود، و به‌کارگیری اتوماسیون قطعی و کلاسیک برای کارهای تکراری که نیازی به هوش مصنوعی نداشتند، این هزینه ماهانه را تا ۲۰۰ دلار کاهش دهد.

مدل‌های تسهیم سود (Gain-sharing) نیز وسوسه‌انگیز به نظر می‌رسند، زیرا ارائه‌دهنده خدمات در ازای سهم بردن از نتایج پروژه، ریسک بیشتری را تقبل می‌کند. با این حال، مدیریت این ساختارها زمانی که طرفین بر سر اینکه چه میزان از بهبودها حاصل تلاش پیمانکار بوده و هر طرف چه سهمی از این موفقیت دارد به توافق نرسند، می‌تواند بسیار فرسایشی شود.

چرا انعطاف‌پذیری در قیمت‌گذاری حیاتی است؟

هر یک از این الگوهای قیمت‌گذاری فرض می‌کنند که دست‌کم یکی از متغیرهای تلاش، هزینه یا تقاضا آن‌قدر پیش‌بینی‌پذیر باقی می‌ماند که بتواند مبنای محاسبات قرار گیرد؛ فرضی که امروزه بیش‌ازپیش رنگ باخته است.

هرچند بازار هنوز بر سر یک روش یکتا به اجماع نرسیده است، ساختارهای ترکیبی (Hybrid) بیشترین شانس را برای تبدیل شدن به مدل تجاری برتر در خدمات مدیریت‌شده مجهز به هوش مصنوعی دارند. یک مدل ترکیبی موفق شامل کارمزد پایه و پیش‌بینی‌پذیر برای خدمات اصلی، مؤلفه‌ای متغیر متناسب با میزان مصرف واقعی منابع هوش مصنوعی، و پاداش‌های مشوق مبتنی‌بر نتیجه برای بخش‌هایی است که خروجی کار در آن‌ها با دقت قابل‌اندازه‌گیری باشد.

برای مدیران ارشد فناوری، چنین رویکردی پیش‌بینی‌پذیری بهتری در مدیریت بودجه به‌همراه داشته و هم‌زمان سازمان را در برابر شوک‌ها و جهش‌های ناگهانی در مصرف هوش مصنوعی بیمه می‌کند. برای ارائه‌دهندگان خدمات نیز ضمن مهار نوسانات شدید در مصرف پردازشی، انگیزه‌ای دائمی برای ارتقای بهره‌وری، بهبود مستمر و ارزش‌آفرینی واقعی ایجاد می‌نماید.

معماری همکاری‌های تجاری در دوران بلاتکلیفی

هدف هرگز کشف یک فرمول قیمت‌گذاری بی‌نقص برای هوش مصنوعی نبوده است، بلکه هدف اصلی، خلق ساختارهای تجاری چابکی است که با دگرگونی مجدد شرایط بتوانند انعطاف لازم را از خود نشان دهند. این مسیر با ترسیم خطوط مبنا و معیارهای شفاف پیش از آغاز هرگونه مذاکره درباره تسهیم سود یا پرداخت مبتنی‌بر نتیجه شروع می‌شود.

در مرحله بعد، سازمان‌ها باید به‌جای گرفتار شدن در دام قراردادهای سنتی و خشک سه‌ساله، مقاطع زمانی مشخصی را برای بازبینی و بازتنظیم دامنه وظایف و قیمت‌ها در متن توافق‌نامه بگنجانند. شفافیت کامل پیرامون کارایی سیستم‌ها، هزینه‌ها، حکمرانی داده و دستاوردهای عینی هوش مصنوعی نیز باید در اولویت باشد تا هر دو طرف بتوانند با خیالی آسوده به گزارش‌ها و ارقام اعتماد کنند.

صنعت فناوری هنوز در مراحل اولیه درک این تحولات عمیق قرار دارد؛ اما آنچه مسلم است اینکه هوش مصنوعی نقش شریک فناوری را دگرگون ساخته است. این نقش از تأمین صرف نیروی کار و ظرفیت فنی، به همراهی سازمان‌ها در مدیریت عدم‌قطعیت‌ها و شتاب بخشیدن به نتایج واقعی تجاری ارتقا یافته است. شرکت‌ها چاره‌ای جز تزریق انعطاف‌پذیری بالا به مدل‌های قیمت‌گذاری خود ندارند تا بتوانند با تغییرات دائمی فناوری، تقاضا و معادله ارزش هماهنگ شوند.

اگرچه هیچ‌کس نمی‌تواند آینده را بی‌کم‌وکاست قیمت‌گذاری کند، اما می‌توان مدل‌های تجاری را به‌گونه‌ای پی‌ریزی کرد که پا‌به‌پای فناوری و ارزش‌آفرینی آن رشد کرده و به بلوغ برسند.