پارادوکس استنتاج؛ چرا با وجود ارزان‌تر شدن توکن‌ها، هزینه ایجنت‌های هوش مصنوعی ۵ برابر می‌شود؟

کاهش مداوم قیمت توکن‌ها بسیاری از شرکت‌ها و سازمان‌ها را به این باور رسانده بود که هزینه‌های استقرار هوش مصنوعی نیز هم‌گام با آن افت خواهد کرد؛ با این حال، ظهور و گسترش ایجنت‌های خودکار این فرضیه خوش‌بینانه را کاملاً باطل کرده است.

موسسه پژوهشی گارتنر پیش‌بینی می‌کند که تا سال ۲۰۲۸، هزینه‌های استنتاج به ازای هر گردش کار مبتنی بر ایجنت بیش از ۵ برابر افزایش خواهد یافت؛ آن هم درست در شرایطی که صرفه اقتصادی تولید هر توکن در حال بهبود است. به گفته این موسسه، واگذاری یک وظیفه به مدلی استدلالی در قالب ایجنت، هزینه‌های پردازش استنتاج ارائه‌دهندگان را در مقایسه با یک مکالمه ساده با چت‌بات، دست‌کم ۵ برابر و با افزایش پیچیدگی وظایف، حتی بسیار بیشتر از این رقم بالا می‌برد. تحلیلگران این پدیده را «پارادوکس استنتاج» (Inference Paradox) نامیده‌اند؛ وضعیتی که در آن ارزان‌تر شدن قیمت پایه هر واحد، هزینه کل استقرار هوش مصنوعی را به شکلی سرسام‌آور افزایش می‌دهد، بدون آنکه مسیر روشنی برای خلق ارزش متناسب و پیش‌بینی‌پذیر ایجاد کند.

بر اساس گزارش گارتنر، صرفه‌جویی حاصل از افزایش کارایی و کاهش هزینه‌ها، عملاً برای توسعه و استفاده از مدل‌های بسیار قدرتمندتر و البته گران‌تر بازسرمایه‌گذاری می‌شود.

ویل سامر، تحلیلگر و مدیر ارشد گارتنر، در این باره می‌گوید: «با این روند، هزینه‌های توکن عملاً کاهش پیدا نمی‌کند؛ بلکه فاصله میان هزینه‌ها و تنوع قیمت‌ها عمیق‌تر و گسترده‌تر می‌شود.»

چرا توکن‌های ارزان‌تر همچنان صورت‌حساب‌های سنگین‌تری به‌همراه دارند؟

در پس پرده «پارادوکس استنتاج» دو عامل کلیدی نقش‌آفرینی می‌کنند.

عامل نخست، رویکرد آزمایشگاه‌های توسعه مدل‌های پایه است. سامر خاطرنشان می‌کند که هرچند هزینه تولید هر توکن بهینه‌تر و ارزان‌تر شده است، اما رویکرد شرکت‌ها مانع از کاهش هزینه‌ها می‌شود.

او توضیح می‌دهد: «با این وجود، آزمایشگاه‌های توسعه هوش مصنوعی به‌جای پس‌انداز این کاهش هزینه‌ها، منابع مالی را مستقیماً روی مدل‌های نسل بعد سرمایه‌گذاری می‌کنند؛ مدل‌هایی که به توان پردازشی بسیار بیشتری نیاز دارند و در نتیجه قیمت هر توکن در آنها به‌مراتب گران‌تر است.»

به این ترتیب، قابلیت‌های قدیمی‌تر با افت چشمگیر قیمت روبه‌رو می‌شوند، در حالی که مدل‌های پیشرو (فرانتیر) روندی صعودی و گران‌تر در پیش می‌گیرند. سامر برای نمونه به مدل‌های شرکت آنتروپیک اشاره می‌کند که در آن، مدل‌های جدیدتر و پیشرفته‌تر مانند Fable در مقایسه با مدلی مانند Opus هزینه بسیار بیشتری به ازای هر توکن دارند و این شکاف قیمتی را به تصویر می‌کشند.

عامل دوم، میزان مصرف سرسام‌آور توکن‌ها است. ارزان‌تر شدن توکن‌ها اجرای پروژه‌ها و بارهای کاری پیچیده‌تر را امکان‌پذیر و عملی کرده است و همین فرآیندهای سنگین، حجم بسیار زیادی از توکن‌ها را مصرف می‌کنند.

سامر در این خصوص می‌گوید: «ایجنت‌های هوش مصنوعی برای انجام همان وظیفه‌ای که یک چت‌بات ساده پیگیری می‌کند، به ۵ تا ۳۰ برابر توکن بیشتری نیاز دارند.»

فشار رقابتی در بازار این دو محرک را به یکدیگر گره می‌زند. شرکت‌هایی که مایلند از رقبای تجاری خود عقب نمانند، ناچارند سناریوهای کاربردی پیشرفته‌تری را پیاده‌سازی کنند؛ سناریوهایی که هم به مدل‌های توانمندتر و پرهزینه‌تر وابسته هستند و هم نسبت به نسل قبلی سیستم‌های هوش مصنوعی، توکن‌های بی‌شمار بیشتری را مصرف می‌کنند.

رشد هزینه‌ها موجی و نوسانی خواهد بود، نه در مسیری خطی

گارتنر انتظار ندارد افزایش هزینه‌ها تا سال ۲۰۲۸ مسیری یکنواخت و مستقیم را طی کند. چالش دائمی میان تلاش برای مهار هزینه‌ها از یک سو و حفظ جایگاه رقابتی در بازار از سوی دیگر، موجب نوسان پیوسته مخارج شرکت‌ها می‌شود؛ نوساناتی که با هر بار عرضه مدل‌های جدید هوش مصنوعی دوباره اوج می‌گیرد.

سامر می‌گوید: «موج نخست گسترش قابلیت‌های ایجنتیک در بهار امسال، که تا حدی تحت تأثیر تب مصرف حداکثری توکن (tokenmaxxing) ایجاد شد، جهش بزرگی در هزینه‌ها به بار آورد. اما اکنون در مرحله صرفه‌جویی و کنترل مخارج به سر می‌بریم.»

گارتنر پیش‌بینی می‌کند با به کمال رسیدن ایجنت‌های استدلالی پیشرفته‌تر، مدل‌های جهان (World Models) و سایر فناوری‌های نوین هوش مصنوعی، امواج هزینه‌ای مشابه دیگری نیز در راه خواهد بود.

مهار هزینه‌ها در میان شرکت‌ها به شکلی نامتوازن انجام می‌شود. یک نظرسنجی در ماه سپتامبر از ۱۰۹ سازمان واجد شرایط نشان داد ۲۱ درصد از سازمان‌هایی که از پلتفرم‌های ارکستراسیون ایجنت‌ها بهره می‌برند، هیچ سازوکار خودکاری برای متوقف کردن مصرف بی‌رویه توکن توسط ایجنت‌ها تعریف نکرده‌اند. در مقابل، ۳۱ درصد از آنها وظایف روتین و پرتکرار ایجنت‌ها را به مدل‌های ارزان‌تر هدایت می‌کنند تا مخارج کلی را پایین نگه دارند.

پیش‌بینی افزایش ۵ برابری هزینه‌ها، بر پایه «مدل پیش‌بینی اقتصاد توکن» (Tokenomics Forecast) در گارتنر انجام شده است؛ مدلی اقتصادسنجی که به گفته سامر، نوسانات هزینه توکن‌ها را در طول زمان بر اساس بیش از ۳۰۰ متغیر ورودی برآورد می‌کند. این مدل هم‌زمان بهبود کارایی هزینه هر توکن و جهش چشمگیر مصرف توکن را به دلیل ورود هوش مصنوعی به حل مسائل پیچیده‌تر محاسبه می‌کند. به گفته سامر، راهکارهای هوش مصنوعی که قابلیت یادگیری مداوم دارند یا در سطح کل یک سازمان و میان چندین حوزه مختلف فعالیت می‌کنند، برای عملیاتی‌سازی گردش‌های کاری خود به حجم بسیار بیشتری از توکن‌ها نیاز خواهند داشت.

۵ تغییر ساختاری و معماری برای غلبه بر پارادوکس استنتاج

سازمان‌ها برای پیش‌دستی و در امان ماندن از این بحران هزینه، باید ۵ بازنگری اساسی را در معماری سیستم‌های هوش مصنوعی خود در دستور کار قرار دهند:

۱. سرمایه‌گذاری در سیستم‌های پایش و نظارت (Observability): مدیریت مالی هوش مصنوعی (AI FinOps) ستون اصلی هر برنامه‌ای برای بهینه‌سازی هزینه‌ها به شمار می‌رود. سامر تأکید می‌کند: «سازمان‌ها چیزی را که نمی‌توانند به چشم ببینند و پایش کنند، هرگز نمی‌توانند بهینه‌سازی کنند.»

۲. پیوند دادن مخارج با «ارزش هر دستاورد»: هر قابلیت مبتنی بر هوش مصنوعی باید موظف به سنجش پیش‌بینی‌ها در برابر عدم‌قطعیت‌های گوناگون باشد و مخارج آن بر مبنای شاخص‌های خروجی شفاف ارزیابی شود؛ شاخص‌هایی نظیر تعداد وظایف خودکارشده یا پرونده‌هایی که با موفقیت بسته شده‌اند. علاوه بر این، باید گردش‌های کاری کم‌بازده را به‌سرعت ارتقا داد یا به‌طور کامل کنار گذاشت تا حاشیه سود حفظ شود.

۳. نهادینه‌سازی لایه‌بندی فرآیند استنتاج (Inference Tiering): هدایت خودکار پرسش‌ها به کم‌هزینه‌ترین و مناسب‌ترین مدل را اجباری کنید و فراخوانی پیش‌فرض مدل‌های پیشرو و گران‌قیمت برای وظایف عادی را مسدود سازید. سامر توصیه می‌کند: «بر روی بسترهای کنترلی و چارچوب‌های ایجنتیک (Agentic Harnesses) سرمایه‌گذاری کنید؛ بسترهایی که مشخص می‌کنند مدل‌ها در کجا، چه زمانی و چگونه در سیستم‌های خودکار به کار گرفته شوند.»

۴. تعیین استانداردهای حداقلی برای اجرای پروژه‌های هوش مصنوعی: رویکرد «تنظیم کن و به حال خود رها کن» دیگر کارایی ندارد. سازمان‌ها باید از همان ابتدا آستانه‌های موفقیت، بار هزینه‌های انطباق با قوانین و مخارج مدیریت ریسک را مشخص کنند؛ همچنین تا زمانی که سناریوها در برابر نوسانات شدید قیمت توکن و هزینه‌های رگولاتوری آزموده و سنجیده نشده‌اند، نباید چراغ سبز نهایی برای استقرار آنها صادر شود.

۵. بهره‌گیری هدفمند از داده‌های اختصاصی: با فاین‌تیون مدل‌ها بر اساس داده‌های اختصاصی و راه‌اندازی حلقه‌های بازخورد خودآموز، تمایز و حاشیه سود خود را در طول زمان پایدار نگه دارید. سامر در این باره یادآور می‌شود: «مدل‌های تخصصی، بهینه و متناسب با یک حوزه مشخص، عموماً در زمینه قابلیت اطمینان و انجام وظایف تخصصی، عملکرد بهتری نسبت به مدل‌های عمومی و پرچمدار ارائه می‌دهند.»