پیش از محاسبه هزینه‌های پنهان هوش مصنوعی، روی صرفه‌جویی آن حساب نکنید

طی دو سال گذشته، بخش عمده‌ای از بحث‌ها پیرامون هوش مصنوعی روی موضوع مشاغل متمرکز بوده است.

چه نقش‌هایی تغییر خواهند کرد؟ کدام وظایف خودکار می‌شوند؟ سازمان‌ها در آینده به چه تعداد نیروی کار نیاز خواهند داشت؟

این‌ها پرسش‌های مهمی هستند؛ اما بر اساس گزارش‌های منتشرشده و به‌گفته مدیران ارشد شرکت‌هایی همچون Flexera، در گفتگو با مشتریان سازمانی، نگرانی متفاوتی در حال پررنگ‌شدن است.

تغییر مسیر گفتگوها

به همه سازمان‌ها توصیه شده بود که از هوش مصنوعی استفاده کنند، ابزارهای مبتنی بر آن را مستقر سازند و راه‌هایی برای سرعت‌بخشیدن به کارها بیابند. هیئت‌مدیره‌ها برای پذیرش این فناوری فشار می‌آوردند، تیم‌های اجرایی طرح‌های جدیدی را آغاز کردند و واحدهای تجاری برای یافتن کاربردهای تازه پیش از رقبا با یکدیگر مسابقه دادند.

اما سپس سروکله صورت‌حساب‌ها پیدا شد.

با پیگیری اخبار فناوری، شاهد نگرانی‌های فزاینده‌ای درباره ازدست‌رفتن کنترل هزینه‌های هوش مصنوعی در سازمان‌ها خواهید بود. فراتر رفتن از بودجه، مصرف بی‌رویه توکن و صورت‌حساب‌های غیرمنتظره به موضوعات رایج بحث میان مدیران فناوری تبدیل شده است. پذیرش هوش مصنوعی در تمام بخش‌های تجاری در حال شتاب‌گرفتن است و بسیاری از سازمان‌ها درمی‌یابند که نظارت بسیار کمتری نسبت به آنچه تصور می‌کردند، بر میزان مصرف خود دارند.

دلیل این امر آن است که هوش مصنوعی تنها نوآوری نمی‌کند، بلکه هزینه می‌تراشد.

هر تصمیم و اقدام سیستم‌های هوشمند یک برچسب قیمت دارد. هوش مصنوعی تنها به پرسش‌ها پاسخ نمی‌دهد؛ بلکه استدلال می‌کند، دوباره تلاش می‌کند، برنامه‌ریزی می‌کند، تماس‌ها را آغاز می‌کند و برای انجام تنها یک کار، از داده‌ها و توان پردازشی بهره می‌برند. اکنون این فناوری در برنامه‌های تجاری روزمره، از Microsoft Copilot و Google Gemini گرفته تا SAP، Workday و LinkedIn ادغام شده است. چه متوجه باشیم و چه نه، کنتور هزینه‌ها در حال کار است.

برای بسیاری از سازمان‌ها، این موضوع چالشی را ایجاد می‌کند که برای آن آماده نبوده‌اند.

مشکلی آشنا در قالبی جدید

یک دهه پیش، شرکت‌ها هنگام پذیرش فناوری ابری با مشکلات مشابهی روبه‌رو شدند. تیم‌ها به‌سرعت سرویس‌هایی را راه‌اندازی می‌کردند که اغلب فاقد حاکمیت، شفافیت یا پاسخگویی بود. هزینه‌ها سریع‌تر از حد انتظار رشد کردند و سازمان‌ها در نهایت مجبور شدند دیسیپلین‌های جدیدی را برای درک اینکه چه چیزی استفاده می‌شود، چه کسی از آن استفاده می‌کند و آیا ارزش ایجادشده هزینه‌ها را توجیه می‌کند، معرفی کنند.

هوش مصنوعی در حال ایجاد چالش مشابهی در مقیاسی حتی بزرگ‌تر است.

تفاوت در این است که سیستم‌های جدید به یک تیم یا دپارتمان محدود نمی‌شوند. این فناوری در تمام بخش‌های سازمان حضور دارد و تیم‌های بازاریابی، فروش، محصول و توسعه‌دهندگان از آن استفاده می‌کنند.

قابلیت‌های هوشمند به‌طور فزاینده‌ای در برنامه‌های تجاری گنجانده می‌شوند، در حالی که سازمان‌ها در حال ساخت ایجنت‌ها و جریان‌های کاری سفارشی خود نیز هستند. در واقع، طبق پیش‌بینی مؤسسه Goldman Sachs، انتظار می‌رود هوش مصنوعی مبتنی بر ایجنت‌ها تا سال ۲۰۳۰ موجب افزایش ۲۴ برابری مصرف توکن شود.

در نتیجه، ردپای هزینه‌های هوش مصنوعی در همه‌جا به چشم می‌خورد.

بسیاری از سازمان‌ها هنوز دقیقاً نمی‌دانند از کدام مدل‌ها استفاده می‌شود، کدام ایجنت‌ها منابع را مصرف می‌کنند، کدام تیم‌ها بیشترین هزینه‌ها را می‌تراشند، یا میزان مصرف توکن چگونه با دستاوردهای تجاری، ارزش‌آفرینی و بازگشت واقعی سرمایه گره خورده است. بدون این شفافیت، هیچ بنیادی برای حاکمیت، کنترل یا پاسخگویی وجود نخواهد داشت.

این فقدان شفافیت به‌ویژه زمانی اهمیت می‌یابد که سازمان‌ها شروع به تصمیم‌گیری درباره نیروی کار بر اساس پیش‌بینی صرفه‌جویی‌های ناشی از هوش مصنوعی می‌کنند. در بیشتر مواقع، این مقایسه صرفاً بین حقوق یک کارمند و هزینه لایسنس نرم‌افزار انجام می‌شود؛ اما مشکل اینجاست که لایسنس تنها بخشی از هزینه‌هاست.

هزینه واقعی شامل مصرف توکن، زیرساخت‌ها، پلتفرم‌های داده، منابع ابری، تلاش‌های ناموفق، پردازش‌های مجدد و نظارت انسانی لازم برای اعتبارسنجی خروجی‌ها و مدیریت استثناها است. این هزینه‌ها اغلب در سیستم‌ها، تیم‌ها و بودجه‌های مختلف پخش می‌شوند که اندازه‌گیری دقیق آن‌ها را دشوار می‌سازد.

حقوق کارمندان نسبتاً قابل‌پیش‌بینی است، اما هزینه‌های هوش مصنوعی خیر.

یک وظیفه مشخص می‌تواند بسته به نوع مدل انتخاب‌شده، میزان زمینه ارائه‌شده، تعداد دفعات تلاش مجدد سیستم برای انجام فرایند و میزان توان پردازشی موردنیاز، هزینه‌های بسیار متفاوتی به همراه داشته باشد. این متغیرها اهمیت دارند زیرا حذف یک نقش از لیست حقوق‌بگیران به‌طور خودکار به معنای صرفه‌جویی نیست؛ بلکه ممکن است هزینه به‌سادگی به جای دیگری منتقل شود.

این هزینه ممکن است به مصرف ابری، سرویس‌های پردازشی، زیرساخت‌ها، یا کارهای اضافی برای کارمندانی که مسئول بررسی خروجی‌ها هستند، انتقال یابد.

بدون داشتن دید شفاف نسبت به این هزینه‌ها، سازمان‌ها هوش مصنوعی را با حقوق کارمندان مقایسه نمی‌کنند، بلکه حقوق را با یک «فرض» می‌سنجند.

شفافیت پیش از بهینه‌سازی

راه‌حل این نیست که روند نوآوری کند شود یا طرح‌های تحول‌آفرین کنار گذاشته شوند. در عوض، مدیران سازمانی باید درک کنند که فناوری‌های هوشمند در کجا ارزش می‌آفرینند، کارکرد آن‌ها در مقیاس وسیع چقدر هزینه دارد و چگونه می‌توان تصمیمات آگاهانه‌ای درباره پذیرش آن‌ها گرفت.

این مسیر با شفافیت آغاز می‌شود.

سازمان‌ها باید ببینند کدام برنامه‌ها، ایجنت‌ها و مدل‌های هوش مصنوعی در سراسر کسب‌وکار استفاده می‌شوند. آن‌ها باید بدانند توکن‌ها در کجا مصرف می‌شوند، هزینه‌ها در کجا انباشته می‌گردند و چگونه استفاده از آن‌ها با واحدهای تجاری، محصولات و دستاوردها مرتبط است.

تنها در این صورت است که می‌توان تصمیمات آگاهانه‌ای برای بهینه‌سازی گرفت. این موضوع ممکن است به معنای انتخاب مدل‌های متفاوت برای کاربردهای مختلف، شناسایی مصرف غیرضروری، یا درک این موضوع باشد که چه زمانی گزینه‌های کم‌هزینه‌تر می‌توانند به همان نتیجه مطلوب برسند. در برخی موارد، ممکن است سازمان صرفاً متوجه شود که درصد نامتناسبی از هزینه‌ها تنها به تعداد کمی از کاربران یا حجم کاری محدود مرتبط است.

این‌ها مشکلاتی قابل‌مدیریت هستند.

خطر بزرگ‌تر، تصمیم‌گیری‌های مالی پیش از درک اقتصاد پنهان این فناوری است.

ظهور اقتصاد توکنی هوش مصنوعی

هوش مصنوعی وارد یک اقتصاد استنتاجی شده است که در آن هزینه‌ها بر اساس میزان استفاده، توکن‌ها و اجرای بلادرنگ تعیین می‌شوند. توکن‌ها در حال تبدیل‌شدن به واحد بنیادین هزینه‌ها، ارزش‌گذاری و قیمت‌گذاری این سیستم‌ها هستند. اگر سازمان‌ها می‌خواهند جریان‌های کاری را به‌صورت مقرون‌به‌صرفه و در مقیاس وسیع اجرا کنند، به روش‌های جدیدی برای حاکمیت، اندازه‌گیری و بهینه‌سازی این مصرف نیاز خواهند داشت. این رشته نوظهور اقتصاد توکنی، با گسترش پذیرش ابزارهای هوشمند در سازمان‌ها، اهمیت روزافزونی پیدا می‌کند.

آنچه امروز دیده می‌شود، آغاز یک مدل اقتصادی جدید است که هنوز بسیاری از شرکت‌ها آمادگی مدیریت آن را ندارند. با ادغام ایجنت‌ها و جریان‌های کاری در برنامه‌ها، درک میزان مصرف منابع به همان اندازه درک پذیرش فناوری اهمیت می‌یابد.

بازگشت سرمایه هوش مصنوعی چقدر است؟

در نهایت، سؤالی که سازمان‌ها باید بپرسند صرفاً این نیست که سیستم‌های نوین چقدر هزینه دارند، بلکه این است که چه چیزی برمی‌گردانند. چه ارزش تجاری ایجاد می‌کنند؟ چه نتایجی را بهبود می‌بخشند؟ و چقدر ارزش دارند؟

سازمان‌هایی که بتوانند با اطمینان به این پرسش‌ها پاسخ دهند، تصمیمات بهتری درباره جایگاه مناسب این ابزارها، مکان‌های اثربخش آن‌ها و همچنین مواردی که کارایی ندارند، خواهند گرفت.

پیش از محاسبه صرفه‌جویی‌های ناشی از حذف مشاغل، باید هزینه کامل کارهای انجام‌شده درک شود. سازمان‌هایی که بیشترین ارزش را از هوش مصنوعی دریافت می‌کنند، آن‌هایی نخواهند بود که سریع‌ترین مفروضات را درباره کارایی می‌سازند؛ بلکه سازمان‌هایی هستند که تصمیماتشان را بر اساس شفافیت، شواهد و درک روشنی از هزینه‌های واقعی این فناوری بنا می‌کنند.