جوگیر مدل‌های ارزان نشوید؛ فرمول واقعی برای مهار هزینه‌های سرسام‌آور هوش مصنوعی

تب سوزاندن توکن را به یاد دارید؟ همین چند ماه پیش بود که خبرهای مربوط به مسابقه شرکت‌های فناوری برای ثبت رکورد مصرف توکن به عنوان معیاری از «کاربران حرفه‌ای» هوش مصنوعی، توجه کل دنیا را به خود جلب کرد. اما از آن زمان تا امروز، ورق ۱۸۰ درجه برگشته است. حرکت تدریجی از فاز آزمون و خطا به سمت استقرار ایجنت‌های هوش مصنوعی در مقیاس وسیع، با فاکتورهای سنگینی همراه شده؛ تا جایی که اوبر (Uber) ناله سر داده بود که کل بودجه هوش مصنوعی سال ۲۰۲۶ خود را ظرف تنها چهار ماه به باد داده است!

به گفته مدیر ارشد محصول در شرکت نرم‌افزاری Alteryx، این واقعیت تلخ زنگ خطری جدی برای مدیران فناوری است.

همین ماجرا باعث شده خیلی‌ها مدام از ایده‌هایی مثل مسیریابی هوشمند میان مدل‌ها (Model Routing) و به‌کارگیری مدل‌های متن‌باز برای مهار هزینه‌های هوش مصنوعی دم بزنند. ذوق‌زدگی پیرامون مدل‌های جدید چینی مثل Kimi K3 هم که دسترسی به قابلیت‌هایی نزدیک به مدل‌های پرچمدار را با قیمت‌های بسیار ارزان ممکن کرده‌اند، به این هیجان دامن زده است.

البته انتخاب هدفمند مدل‌ها بر اساس نوع کار، روشی کاملاً منطقی برای بهینه‌سازی هزینه‌هاست؛ اما اگر تنها به همین یک راهکار دل ببندیم، نگاهمان بسیار محدود خواهد بود. سازمان‌هایی که انضباط کافی ندارند تا مشخص کنند چه زمانی باید از یک مدل زبانی (LLM) استفاده شود و پردازش داده‌ها در چه بخش‌هایی منطقاً باید بیرون از مدل انجام گیرد، قطعاً توکن‌های بی‌شماری را تلف کرده و هزینه‌های گزافی به بار خواهند آورد.

درک این موضوع یک فرصت عالی است تا متوجه شویم برای مهار هزینه‌های هوش مصنوعی، نباید نگاهمان را فقط به ارزان خریدن توکن‌ها محدود کنیم.

اشتباه بزرگ: استفاده از مدل‌های زبانی به عنوان موتور تحلیل داده

مدل‌های زبانی بزرگ بدون شک تحول‌آفرین هستند و همه کار کردن با آن‌ها را دوست دارند؛ اما ارزشش را دارد که با ذره‌بین بررسی کنیم دقیقاً کجاها داریم از آن‌ها کار می‌کشیم. تطبیق فایل‌ها، اعمال قوانین تجاری، چک‌های انطباق قانونی و تفسیر اسناد مبدأ، کار‌هایی هستند که شاید LLMها بتوانند انجامشان دهند، اما اصلاً صرفه اقتصادی ندارند.

دلیلش این است که مدل‌های زبانی برای پاسخ دادن به چنین مسائلی، ناچارند مدام زمینه و کانتکست را از اول بازسازی کنند. یک مدل زبانی به تنهایی به دانش نهفته در سازمان دسترسی ندارد تا بدون دود کردن حجم عظیمی از توکن‌ها مستقیماً سراغ اصل مطلب برود؛ در نتیجه مدل باید تمام مراحل استدلال را قدم‌به‌قدم با کلمات طی کند تا شاید به پاسخی برسد که با تعاریف، مقررات و ساختار کسب‌وکار شما همخوانی داشته باشد.

مشکل دیگر تکراری بودن بخش زیادی از این مسائل است. هیچ دلیلی ندارد وقتی کاربران مختلف در طول زمان سوال مشابهی می‌پرسند، مدل هر بار از نقطه صفر شروع کند و مسئله را از اول حل نماید.

اینجا ریشه ضعف تمرکز محض روی انتخاب مدل‌های ارزان آشکار می‌شود؛ زیرا مجبور کردن مدل به کشف دوباره اطلاعات در هر قدم و نادیده گرفتن فرمول‌های محاسبه درآمد، حاشیه سود و دانش انطباق قانونی که از قبل درون سازمان وجود دارند، در هر مدلی که باشد اتلاف سرمایه است. جلوگیری از مصرف توکن‌های غیرضروری باید بخش اصلی معادله باشد.

ارزان‌ترین توکن همان توکنی است که هرگز تولید نمی‌کنید!

اگر هنوز موضوع کاملاً روشن نشده، باید گفت گلوگاه اصلی جهش هزینه‌های هوش مصنوعی این است که بسیاری از سیستم‌ها به منطق کسب‌وکار (Business Logic) متصل نیستند. جای خالی یک «لایه منطق کسب‌وکار» به‌شدت حس می‌شود؛ لایه‌ای که گردش کار‌های تحلیلی را برای تسک‌های تکراری، با در نظر گرفتن قواعد و تعاریف خاص سازمان در خود جای دهد. همچنین در چنین لایه‌هایی است که خط قرمزهای انطباق قانونی تعیین شده و روی خروجی‌های تحلیلی اعمال می‌گردند.

وقتی مدل‌های زبانی به یک لایه منطق تجاری مجهز شوند، گزینه‌های به‌مراتب بهتری برای پاسخ به درخواست‌های کاربران پیش رو دارند. فرض کنید یکی از کارمندان از هوش مصنوعی بخواهد عملکرد حاشیه سود فعلی تیم را محاسبه کند.

اگر مدل را تنها به حال خود رها کنید، انبوهی از داده‌ها را از منابع گوناگون جمع‌آوری می‌کند، یک پنجره کانتکست عظیم را پر کرده و توکن‌ها را هدر می‌دهد و در نهایت اگر تعاریف داخلی سازمان از مفهوم «حاشیه سود» را نداند، پاسخی کاملاً اشتباه تحویل می‌دهد! اما وجود لایه منطق کسب‌وکار، گردش کار‌های آماده‌ای را در اختیار مدل می‌گذارد که متغیرهای اصلی حاشیه سود را به‌طور روزانه محاسبه می‌کنند؛ آن‌وقت مدل زبانی فقط با همان خروجی تمیز و آماده کار می‌کند.

گردش کار‌های تکرارپذیر که از فرایندهای تحلیلی و داده‌های زمینه‌ای موجود بهره می‌برند، کمک بزرگی به مهار هزینه‌ها می‌کنند. این لایه‌ها همچنین بین پلتفرم‌های داده ابری و مدل‌های زبانی نقش یک پل ارتباطی را بازی کرده و از دوباره‌کاری در پردازش‌های سنگین و هزینه‌بر ابری جلوگیری می‌نمایند.

به عنوان مثال، پردازش سنگین داده‌ها در همان پلتفرم ابری اتفاق می‌افتد، خروجی به گردش کار تحلیلی سپرده می‌شود و مدل زبانی صرفاً از آن نتیجه آماده تغذیه می‌کند. به این ترتیب نیاز مدل به پردازش‌های پرفشار برای تحلیل داده‌های خام ابری به حداقل می‌رسد.

نیاز حیاتی به پاسخ‌های دقیق و بی‌خطا

اگر مدیریت جزئی‌نگرانه هزینه‌ها را هم کنار بگذاریم، باید به مزایای مالی بلندمدت تزریق منطق تجاری محکم به ورودی‌ها و خروجی‌های هوش مصنوعی اشاره کرد. نبود منطق کسب‌وکار اعتماد به ابزار‌های هوش مصنوعی را پایین می‌آورد و در نتیجه سرعت پذیرش آن‌ها در سازمان و رسیدن به بازگشت سرمایه (ROI) را به‌شدت کند می‌کند.

منطق قضیه بسیار ساده است: در حوزه‌های حساسی مانند مالیات، قوانین و امور مالی، با پرسش‌های کاملاً قطعی طرف هستیم که پاسخ‌های کاملاً قطعی می‌طلبند. این دقیقاً منطق کسب‌وکار است که شاه‌کلید رسیدن به این پاسخ‌ها را در دست دارد.

با سرعت گرفتن پیاده‌سازی ایجنت‌ها در محیط‌های کاری، نادیده گرفتن این ضرورت روزبه‌روز سخت‌تر می‌شود. ایجنت‌ها بسیار سریع حرکت می‌کنند و اگر به قوانین و منطق درست پایبند نباشند، با همان سرعت در مسیر غلط پیش می‌روند! در یک سازمان، نمی‌شود هزار ایجنت در بین نیروهای کار فعال باشند و به یک سؤال مشترک، هزار جواب جورواجور بدهند و انتظار سودمندی داشت. وجود یک منبع موثق از حقایق سازمانی از طریق لایه زمینه کسب‌وکار، همه‌چیز را منظم و زیر نظر نگه می‌دارد.

زاویه‌ای تازه برای مهار هزینه‌ها

تکیه بر انتخاب مدل‌های ارزان‌تر به تنهایی نمی‌تواند هزینه‌ها را مهار کند، مگر آنکه جلوی سوزاندن توکن‌های غیرضروری را بگیرید. با پیاده‌سازی این رویکرد، درست هم‌زمان با اوج‌گیری استفاده از ایجنت‌ها، سازمان‌ها به نتایج بسیار بهتری از هوش مصنوعی دست پیدا می‌کنند. در نهایت، بیش‌ترین بازدهی نصیب کسب‌وکارهایی خواهد شد که گردش کار‌های مطمئن، منطق تجاری قانون‌مند و سناریوهای کاربردی هدفمند را در کنار هم به کار بگیرند.