پیش‌بینی فارستر: هوش مصنوعی یک‌پنجم بودجه فناوری را می‌بلعد، اما خبری از بازگشت سرمایه نیست

بر اساس گزارش جدید مؤسسه پژوهشی فارستر (Forrester)، بیش از نیمی از مدیران ارشد فناوری اطلاعات (CIO) در سال آینده میلادی موفق به تحقق اهداف خود در زمینه بازگشت سرمایه (ROI) هوش مصنوعی نخواهند شد.

یافته‌های نظرسنجی «وضعیت هوش مصنوعی ۲۰۲۶» این مؤسسه نشان می‌دهد که ۴۵ درصد از تصمیم‌گیرندگان حوزه هوش مصنوعی برای موفق دانستن سرمایه‌گذاری‌های خود، انتظار دارند ظرف مدت یک سال به بازگشت سرمایه مثبت دست پیدا کنند.

اگرچه برخی از رهبران فناوری در پیوند زدن هزینه‌های هوش مصنوعی با بازدهی برنامه‌ریزی‌شده مهارت بیشتری کسب خواهند کرد، اما فارستر پیش‌بینی می‌کند که این موفقیت‌ها صرفاً به کاربردهای پراکنده و موردی محدود بماند، نه کل برنامه‌های سازمانی؛ رویکردی که برای توجیه مخارج سنگین کافی نخواهد بود.

در این گزارش تأکید شده است: «همانند دیگر فناوری‌های نوظهور در گذشته، ساختارهای سازمانی، فرآیندها و شیوه‌های کاری باید دستخوش دگرگونی شوند تا هوش مصنوعی بتواند نتایجی ملموس، سنجش‌پذیر و فراگیر در سطح کل سازمان به‌همراه بیاورد.»

آمارهای این گزارش نشان می‌دهد که در ۱۲ ماه گذشته، تنها ۲۲ درصد از مدیران ارشد، اثرگذاری مثبت هوش مصنوعی بر شاخص EBITDA (سود قبل از کسر بهره، مالیات و استهلاک) را گزارش کرده‌اند.

گزارش فارستر می‌افزاید: «این ناهماهنگی میان سرمایه‌گذاری برای پذیرش فناوری و ایجاد تحولات ساختاری در سازمان، دستیابی به اهداف بلندپروازانه بازگشت سرمایه را به تعویق خواهد انداخت.»

با وجود این چالش‌ها، جریان سرمایه به سمت بودجه‌های فناوری اطلاعات متوقف نخواهد شد. مؤسسه فارستر در گزارش پیش‌بینی‌های فناوری و امنیت خود اعلام کرده است که در سال آینده میلادی، هوش مصنوعی ۲۰ درصد از کل هزینه‌های فناوری کسب‌وکارها را به خود اختصاص خواهد داد.

شارین لیور (Sharyn Leaver)، مدیر ارشد پژوهش در فارستر، می‌گوید این روند فشار بر مدیران را افزایش می‌دهد تا ضمن مدیریت هزینه‌ها، زیرساخت و ریسک‌ها، ارزش واقعی هوش مصنوعی را به اثبات برسانند. او می‌افزاید: «هم‌زمان، فناوری‌های نوظهور، فشارهای ژئوپلیتیکی و گسترش روزافزون استفاده از هوش مصنوعی در عملیات فنی، پیچیدگی‌های تازه و نقاط آسیب‌پذیری بالقوه‌ای ایجاد خواهد کرد.»

در حالی که تیم‌های فنی برای بازگرداندن هزینه‌های فزاینده هوش مصنوعی در تقلا هستند، تلاش خواهند کرد با سرمایه‌گذاری روی مدل‌های وزن‌باز هوش مصنوعی مولد، بهره‌وری بودجه خود را به حداکثر برسانند؛ مدل‌هایی که می‌توانند با کسری از هزینه، به کارایی سیستم‌های اختصاصی و پیشرو بازار نزدیک شوند. فارستر پیش‌بینی می‌کند که مدل‌های وزن‌باز نیمی از توکن‌های مصرفی هوش مصنوعی را پردازش خواهند کرد، در حالی که تنها ۵ درصد از بودجه شرکت‌ها را به خود اختصاص می‌دهند.

فارستر در این باره توضیح می‌دهد: «مدل‌های وزن‌باز نظیر Gemma، Llama یا Qwen برای حجم عظیمی از بارهای کاری سازمانی که بیشترین مصرف توکن را به دنبال دارند، کاملاً پاسخگو هستند؛ وظایفی مانند پردازش اسناد، مکالمات پشتیبانی مشتریان، جستجو در بانک دانش داخلی سازمان و گام‌های تکراری و روزمره در جریان‌های کاری مبتنی بر ایجنت.»

طبق تحلیل فارستر، مدل‌های پرچمدار و پیشرو از جمله Claude Opus 5.5 و Claude Sonnet 5.5 شرکت آنتروپیک، GPT-6.1 Sol و GPT-6 Astra اوپنای‌آی و Gemini 4 Argon گوگل تنها برای «معدود وظایف حساس و خودکارسازی فرآیندهای پیچیده مبتنی بر دانش عمیق که در آن‌ها بروز خطا هزینه‌های سنگینی دارد» رزرو خواهند شد؛ با این حال، ترازوی حجم توکن‌های مصرفی به وضوح به سمت مدل‌های وزن‌باز سنگینی خواهد کرد.