چرا استفاده از قوی‌ترین مدل‌های هوش مصنوعی برای کارهای روزمره، شبیه رفتن به مدرسه با فراری است؟

همه مردم فراری ندارند؛ اما بی‌تردید کمتر کسی پیدا می‌شود که با چنین خودروی اسپرتی برای بردن فرزندانش به مدرسه برود. فراری نه‌تنها مصرف انرژی بالایی دارد، بلکه فضای جادار و امنیت یک خودروی خانوادگی را ارائه نمی‌دهد و توجه غیرضروری دیگران را هم به خود جلب می‌کند. پیام این تمثیل بسیار ساده است: در دنیای هوش مصنوعی، برای انجام کارهای روزمره همواره نیازی به استفاده از قوی‌ترین ابزارها ندارید.

این دقیقاً همان دامی است که بسیاری از کسب‌وکارها از زمان موج نخست هوش مصنوعی در آن گرفتار شده‌اند؛ دورانی که پذیرندگان اولیه فناوری تلاش می‌کردند پیشگامی خود را در دستیابی به لبه تکنولوژی به رخ بکشند. در آن مقطع، همه مدیران به دنبال قوی‌ترین مدل هوش مصنوعی، کمیاب‌ترین و پرطرفدارترین شتاب‌دهنده‌های گرافیکی و سریع‌ترین مسیر برای گذار از مرحله آزمایش‌های اولیه (پایلوت) به فاز اجرایی بودند.

این تحلیل حاصل تجربیات و دیدگاه‌های معاون ارشد استراتژی و فروش بین‌الملل در شرکت Core42 است.

اما با گذار پروژه‌های هوش مصنوعی از فاز آزمایش‌های محدود به محیط عملیاتی و واقعی (Production)، هزینه‌های سنگین و جدیدی نمایان شده‌اند که مستقیماً به میزان مصرف ارتباط دارند. شاید اجرای یک طرح مفهومی اولیه (PoC) که تنها چند کاربر محدود با آن کار می‌کنند ارزان به نظر برسد، اما اجرای روزانه همان برنامه برای هزاران درخواست، یا فعالیت ایجنت‌هایی که برای انجام یک تسک چندین مدل مختلف را به خدمت می‌گیرند، ابعاد مالی کاملاً متفاوتی پیدا می‌کند.

اشتباه اصلی، داشتن یک «فراری» نیست؛ بلکه اشتباه در این است که برای تک‌تک پروژه‌ها از یک مدل واحد استفاده کنید، صرفاً به یک نوع سخت‌افزار تکیه نمایید یا مسیر استقرار یکسانی را برای همه برنامه‌ها به کار بگیرید. نقطه عطف فاز بعدی هوش مصنوعی سازمانی دقیقاً در همین‌جا رقم می‌خورد؛ جایی که بازدهی و بهره‌وری واقعی حاصل تطبیق هوشمندانه هر بار پردازشی با مناسب‌ترین مدل و شتاب‌دهنده است، نه اینکه به‌صورت پیش‌فرض برای هر کاری به سراغ سنگین‌ترین «موتور» بروید.

هر مدل هوش مصنوعی نقشی متفاوت بر عهده دارد

در میان برخی سازمان‌ها این دیدگاه رایج وجود دارد که هوش مصنوعی شبیه به بررسی یک جدول رده‌بندی است و باید تا جای ممکن تمام امور را بر اساس باهوش‌ترین مدل موجود استانداردسازی کرد. این ایده شاید در تئوری بسیار مرتب و یکدست به نظر برسد، اما تفاوت‌های عمیق و پیچیده میان وظایف مختلف هوش مصنوعی و بارهای کاری گوناگون را نادیده می‌گیرد.

به‌عنوان نمونه، یک دستیار هوشمند در بخش خدمات مشتریان باید با سرعتی پاسخ دهد که کاربر هرگز متوجه تأخیر پردازش در پشت صحنه نشود. در مقابل، فرآیند خلاصه‌سازی یک سند حجیم حقوقی یا شرکتی می‌تواند زمان بیشتری ببرد؛ چراکه کاربر در این حالت انتظار دارد سیستم با تأمل و دقت بسیار بالاتری «فکر» کند. از سوی دیگر، کاربردهای دولتی هوش مصنوعی اغلب مسئله حاکمیت داده و مالکیت اطلاعات را در اولویت قرار می‌دهند؛ به این معنا که محل و شیوه اجرای بارهای پردازشی، اهمیتی هم‌تراز با سرعت عملکرد مدل پیدا می‌کند.

این منطق از اندازه و ابعاد مدل گرفته تا زیرساخت سخت‌افزاری زیربنایی آن به کار می‌آید. مدل‌های کوچک‌تر اغلب وظایف روزمره‌ای چون دسته‌بندی، استخراج داده‌ها و مسیریابی درخواست‌ها را بسیار سریع‌تر و با هزینه‌ای ناچیز انجام می‌دهند؛ در حالی که مدل‌های میان‌رده پاسخگوی بخش عمده‌ای از فعالیت‌های استدلالی روزمره هستند. بزرگ‌ترین و قوی‌ترین مدل‌ها بی‌نهایت مهم هستند، اما باید به‌صورت گزینشی به کار روند؛ یعنی تنها زمانی که هزینه و توانایی آن‌ها کاملاً توجیه‌پذیر باشد؛ برای نمونه در استدلال‌های پیچیده، برنامه‌ریزی‌های استراتژیک عمیق و وظایف پرریسک که دقت موشکافانه و درک ظرافت‌ها در آن‌ها سرنوشت‌ساز است.

به‌همین‌ترتیب، برای به حداکثر رساندن بهره‌وری مصرف توکن‌ها، سازمان‌ها باید الگوهای رفتاری بارهای پردازشی گوناگون را بررسی کنند و بدانند چرا همه کاربردها به یک نوع شتاب‌دهنده سخت‌افزاری نیاز ندارند. با بهره‌گیری از تنوع تراشه‌ها، می‌توان ترکیب‌های مختلفی از مدل‌ها و سخت‌افزارها را متناسب با نیازهای اختصاصی انتخاب کرد؛ چه اولویت پروژه سرعت بالا باشد و چه توان پردازشی (Throughput)، کاهش هزینه‌ها یا کنترل مدیریتی.

از این رو، تیم‌های فنی سازمان به‌جای آنکه تمام بارهای پردازشی را بر اساس پیش‌فرض‌ها و سلیقه‌های ثابت قالب‌بندی کنند، باید نقطه آغاز کار را نتیجه نهایی و خروجی مورد انتظار قرار دهند. اولویت‌های یک مجموعه خرده‌فروشی که دستیار هوشمند پشتیبانی مشتریان را اجرا می‌کند، با اولویت‌های یک نهاد دولتی که با داده‌های حساس و محرمانه سر و کار دارد، کاملاً متفاوت است.

بخش نخست احتمالاً زمان پاسخ‌دهی، تجربه کاربری روان و بهینه‌سازی هزینه‌ها در مقیاس کلان را در اولویت قرار می‌دهد، در حالی که بخش دوم بر حاکمیت داده، امنیت و موقعیت جغرافیایی پردازش تأکید دارد. معماری زیرساخت باید آزادی عمل و حق انتخاب کافی برای تطبیق با بارهای کاری مختلف و نیازهای متغیر را حفظ کند، بدون آنکه سازمان در یک مسیر سخت‌افزاری انحصاری قفل شود.

بهره‌گیری از تنوع تراشه‌ها برای بهینه‌سازی زیرساخت

هنگامی که سازمانی سرمایه‌گذاری سنگینی روی یک نوع شتاب‌دهنده سخت‌افزاری خاص انجام می‌دهد، ناخودآگاه وسوسه می‌شود تمام بارهای پردازشی را به سمت آن هدایت کند. این دقیقاً همان نقطه‌ای است که فرضیات نادرست در مقیاس سازمانی، هزینه‌ها را به‌سرعت نجومی می‌کنند. استفاده از یک سخت‌افزار مشخص برای تمام وظایف، به معنای پرداخت هزینه‌های گزاف برای توان پردازشی مازادی است که یا برای کاربر نهایی هیچ فایده‌ای ندارد، یا اثر ملموسی بر جای نمی‌گذارد.

برنامه‌هایی که به تأخیر زمانی اندک نیاز دارند به سخت‌افزارهایی متکی هستند که برای سرعت بالای پاسخ‌دهی بهینه‌سازی شده‌اند؛ در حالی که بارهای پردازشی با حجم انبوه، از توان پردازشی بالا (Throughput) و صرفه اقتصادی بیشترین بهره را می‌برند. اجرای هم‌زمان هر دوی این سناریوها روی یک زیرساخت یکسان، به معنای پرداخت هزینه بابت توان پردازشی اضافه‌ای است که یکی از آن‌ها عملاً هرگز از آن استفاده نخواهد کرد.

در بیشتر موارد، تکیه بر تنوع تراشه‌ها — یعنی شتاب‌دهنده‌های سخت‌افزاری ناهمگون که به‌خوبی با هر بار پردازشی سازگار می‌شوند — به سازمان‌ها اجازه می‌دهد تصمیم‌های هوشمندانه‌تری در حوزه زیرساخت بگیرند. در برخی سناریوها، حتی ترکیب سخت‌افزارهای ارائه‌دهندگان مختلف که مکمل یکدیگر هستند، نتایج بسیار درخشانی خلق می‌کند. پردازنده‌های گرافیکی انویدیا برای بسیاری از کاربردهای سازمانی انتخابی ایده‌آل خواهند بود، اما آنچه اهمیت حیاتی دارد، حق انتخاب میان گزینه‌هاست.

امکان انتخاب از میان ارائه‌دهندگانی مانند ای‌ام‌دی، کوآلکام، مایکروسافت، سربراس و دیگر شرکت‌ها به سازمان‌ها کمک می‌کند زیرساخت‌های خود را بر اساس نیازهای اختصاصی‌شان تنظیم کنند و بهره‌وری را ارتقا دهند. برای نمونه، سربراس توانسته است مدل gpt-oss-120b اوپنای‌آی را با سرعتی در حدود ۳٬۰۰۰ توکن بر ثانیه اجرا کند؛ سرعتی خارق‌العاده که برای کاربردهای نیازمند پاسخ‌دهی آنی و بدون تأخیر بسیار حیاتی است.

محیط استقرار سیستم‌ها نیز موضوع بسیار مهمی است؛ به‌ویژه در سازمان‌های بزرگ یا نهادهای دولتی که حجم عظیمی از اطلاعات حساس باید لزوماً در داخل مرزها و حوزه قضایی معینی باقی بماند. به‌عنوان مثال در اروپا، تقاضای روزافزونی برای زیرساخت‌هایی به چشم می‌خورد که در داخل بازار بومی توسعه یافته و کاملاً بر اساس الزامات محلی اداره می‌شوند.

برای شرکت‌هایی که در چندین بازار فعال هستند، تصمیم‌گیری درباره زیرساخت هرگز نمی‌تواند جدا از مباحث محل ذخیره‌سازی داده‌ها و کنترل محلی باشد. پاسخ این مسئله بیش از پیش در زیرساخت‌های مبتنی بر حاکمیت ملی داده‌ها خلاصه می‌شود؛ یعنی بهره‌گیری از شتاب‌دهنده‌های مستقر در داخل کشور با مدل پرداخت بر اساس مصرف و بدون نیاز به سرمایه‌گذاری سنگین اولیه، به‌جای انتخاب یک سخت‌افزار خاص که سازمان ناچار باشد سال‌ها با پیامدهایش بسازد. گرفتار شدن در یک مسیر انحصاری، در زمان تغییر قوانین یا نیازها کمترین مجالی برای واکنش به جا نمی‌گذارد.

درک اقتصاد توکن‌ها و بهره‌وری واقعی هوش مصنوعی

نکته مهم دیگر این است که هزینه‌های هوش مصنوعی رفتاری کاملاً متفاوت با نرم‌افزارهای سنتی سازمانی دارند؛ بسترهایی که در آن‌ها خرید لایسنس دوره‌ای هزینه‌ای قابل‌پیش‌بینی رقم می‌زد. در هوش مصنوعی وقتی یک ایجنت خودکار گام‌های بیشتری برمی‌دارد یا مدلی قدرتمند برای اموری فراتر از حد نیاز به کار گرفته می‌شود، شرکت با صورت‌حسابی بسیار سنگین مواجه خواهد شد؛ واقعیتی که نشان می‌دهد صرف «میزان استفاده»، معیار بسیار ضعیفی برای اندازه‌گیری ارزش واقعی کسب‌شده است.

سازمان‌ها از همین حالا تجدیدنظر در دسترسی بی‌قیدوشرط کارکنان به توکن‌ها را آغاز کرده‌اند، به‌خصوص در حوزه‌های برنامه‌نویسی و توسعه نرم‌افزار. برای نمونه طبق گزارش‌ها، شرکت اوبر کل بودجه هوش مصنوعی سال ۲۰۲۶ خود را تنها در چهار ماه به پایان رسانده که بخش اعظم آن صرف استفاده از ابزار Claude Code شده است. درس اصلی این تجربه روشن است: دادن توکن‌های بیشتر به افراد بیشتر، لزوماً به معنای خلق ارزش بالاتر نیست.

هوش مصنوعی ایجنت‌محور نمونه گویای دیگری در این زمینه است. برخلاف کارمندی که گه‌گاه سؤالی ساده از چت‌بات می‌پرسد، یک ایجنت هوش مصنوعی می‌تواند زنجیره‌ای طولانی از اقدامات متوالی را انجام دهد؛ فایل‌ها را بخواند، کد بنویسد، آن را اجرا و تست کند و خطاهای خروجی را ارزیابی نماید. ایجنت‌ها به‌ویژه در حوزه کدنویسی در مقایسه با مکالمات ساده و استدلال متنی هزینه‌های به‌مراتب سنگین‌تری تحمیل می‌کنند و مصرف توکن آن‌ها به‌شدت متغیر است؛ به‌طوری‌که افزایش مصرف توکن همواره به بهبود دقت کار ختم نمی‌شود.

از آنجا که شمارش خام توکن‌ها تصویر دقیقی از وضعیت ارائه نمی‌دهد، سازمان‌ها باید موفقیت را به‌جای تکیه بر سرعت خام یا قدرت پردازشی، بر مبنای خروجی‌های واقعی بسنجند. بهره‌گیری از مدل‌های سریع‌تر، سخت‌افزارهای قوی‌تر یا ایجنت‌هایی که گام‌های بیشتری برمی‌دارند تنها زمانی مفید است که نتیجه کار، ارزش مصرف این حجم از منابع پردازشی را داشته باشد.

در مورد یک دستیار خدمات مشتریان، این شاخص می‌تواند هزینه تمام‌شده حل یک پرونده باشد؛ و در خصوص دستیار هوشمند اختصاصی کارکنان، معیار اصلی این است که آیا نیروهای انسانی کارهای ارزشمند و اصلی خود را با سرعت و کیفیت بالاتری به سرانجام می‌رسانند یا خیر.

با این همه، هدف نهایی نباید کاهش کورکورانه مصرف توکن‌ها باشد. رهبران فناوری اطلاعات باید دقیقاً درک کنند که بابت چه خروجی مشخصی هزینه می‌پردازند و آیا آن اقدام توجیه تجاری روشنی دارد یا خیر. این همان مفهومی از بهره‌وری هوش مصنوعی است که صنعت باید به سمت آن گام بردارد. مدیران ارشد فناوری (CIO) و تیم‌هایشان به‌جای تمرکز بر حداکثرسازی مصرف یا به حداقل رساندن هزینه‌ها، باید مطمئن شوند هر بار پردازشی آن‌قدر ارزش اقتصادی خلق می‌کند که سرمایه‌گذاری انجام‌شده برای اجرای آن کاملاً توجیه‌پذیر باشد.

فراری را برای پیست مسابقه نگه دارید

همواره بارهایی در پردازش هوش مصنوعی وجود خواهند داشت که نیازمند بزرگ‌ترین و قدرتمندترین مدل، سریع‌ترین شتاب‌دهنده گرافیکی یا گران‌ترین شیوه استقرار زیرساخت هستند؛ اما نکته اساسی این است که نباید این گزینه‌ها را به انتخاب پیش‌فرض سازمان بدل کرد. فاز بعدی به‌کارگیری گسترده هوش مصنوعی در محیط‌های عملیاتی، نیازمند رویکردی هوشمندانه‌تر و سنجیده‌تر نسبت به تک‌تک وظایف پردازشی است.

نقطه شروع باید ماهیت تسک باشد: مدلی را برگزینید که توانایی اجرای شایسته آن را داشته باشد، آن را روی شتاب‌دهنده‌ای به کار بگیرید که متناسب با نیازهای پردازشی همان کار تنظیم شده است و مطمئن شوید محیط استقرار، الزامات امنیتی و حاکمیت داده سازمان را برآورده می‌کند؛ سپس بسنجید که آیا دستاورد به‌دست‌آمده ارزش هزینه‌های صرف‌شده را دارد یا خیر.

شاید این راهبرد به اندازه وعده‌های پرزرق‌وبرق تیتر اول رسانه‌ها را به تسخیر خود درنیاورد، اما دقیقاً همان مرزی است که پیاده‌سازی‌های تاب‌آور، مقیاس‌پذیر و پایدار را در سازمان‌ها و نهادهای دولتی از آزمایش‌های موقت جدا می‌کند. هم‌زمان با نفوذ هوش مصنوعی در جریان‌های کاری روزمره، بهره‌وری واقعی بیش از هر چیز حاصل تصمیم‌گیری‌های هوشمندانه درباره محل استفاده از هر توانمندی خواهد بود؛ هنری که در گرو دسترسی به تنوعی گسترده از مدل‌ها، تراشه‌های سخت‌افزاری و گزینه‌های استقرار برای تحقق این اهداف است.