جهش سنگین هزینه‌های هوش مصنوعی در سازمان‌ها؛ استارتاپ Larridin برای نظارت بر مخارج ۳۰ میلیون دلار جذب کرد

افزایش سرسامآور هزینه‌های هوش مصنوعی در شرکت‌های بزرگ؛ جذب سرمایه ۳۰ میلیون دلاری یک استارتاپ برای شفاف‌سازی مخارج

شرکت‌ها در سال جاری با تمام توان بهسمت هوش مصنوعی هجوم بردند، اما اکنون با فاکتورهای بسیار سنگینی مواجه شده‌اند. در این میان، یک استارتاپ قصد دارد با نگاهی موشکافانه به زیرساخت‌ها مشخص کند که کدامیک از این ابزارها ارزش هزینه‌ای را که برایشان پرداخت می‌شود دارند.

استارتاپ Larridin مستقر در سانفرانسیسکو، به‌تازگی در دور نخست سرمایه‌گذاری (Series A) موفق به جذب ۳۰ میلیون دلار شده است تا تصویری شفاف از این موضوع به شرکت‌ها ارائه دهد که آیا سرمایه‌های صرفشده برای هوش مصنوعی نتیجه‌بخش بوده‌اند یا خیر.

جف کرل (Jeff Kearl)، از شرکای عمومی صندوق Pelion Ventures که هدایت این دور از سرمایه‌گذاری را بر عهده داشت، اعلام کرد که هزینه‌های هوش مصنوعی از یک قلم مخارج کوچک یا حتی «نامحسوس»، اکنون به یکی از ۵ تا ۱۰ ردیف پرهزینهترین پرداخت‌های مالی در دفاتر شرکت‌های بزرگ تبدیل شده است.

کرل در اینباره می‌گوید: «مدیران ناگهان متوجه شدند که مبالغ هنگفتی به هوش مصنوعی اختصاص می‌یابد. آنها برنامه‌های متعددی را اجرا می‌کنند و مدل‌های مختلفی را در اختیار دارند، اما نمیدانند این پول‌ها دقیقاً کجا خرج می‌شود، چه کسانی از این ابزارها استفاده می‌کنند و چگونه میتوان این فرایند را ارزیابی و درک کرد.»

محصول اصلی Larridin یک پلتفرم سنجش و ارزیابی است که میزان ارتقای بهرهوری کارکنان توسط هوش مصنوعی را اندازه‌گیری می‌کند و فرصت‌هایی برای بهکارگیری بهتر این فناوری پیشنهاد می‌دهد. این نرم‌افزار با سیستم‌های داخلی سازمان‌ها یکپارچه می‌شود تا نحوه استفاده کارمندان از هوش مصنوعی، ازجمله پرامپت‌های ارسالی آنها به ابزارهای مختلف را تحلیل کند؛ به این ترتیب پلتفرم مشخص می‌سازد چه کسانی استفادهای بهینه دارند، چه افرادی نیازمند آموزش بیشتر هستند و درنهایت چقدر زمان صرفهجویی شده است.

آمیا کانیتکار (Ameya Kanitkar)، یکی از همافزایندگان و مدیر ارشد فناوری Larridin، تأکید کرد که این پلتفرم حریم خصوصی کارکنان را حفظ می‌کند؛ زیرا بدون ذخیره‌سازی متن تعاملات و مکالمات، داده‌ها را تحلیل کرده و تنها امتیازها و بینش‌های کلان مدیریتی را در اختیار سازمان قرار می‌دهد.

نیاز همیشگی بازار به پلتفرم‌های مستقل برای سنجش داده‌ها

راسل فرادین (Russell Fradin)، مدیرعامل و همافزاینده Larridin، پیشتر در شرکت Comscore که پلتفرمی در زمینه سنجش رسانه و تبلیغات است فعالیت میکرد. او توضیح می‌دهد که بر اساس تجربیاتش، هر زمان سرمایه‌های عظیمی بهسمت یک حوزه سرازیر می‌شود، بلافاصله شرکت‌هایی برای سنجش و حسابرسی مستقل آن حوزه شکل می‌گیرند؛ درست همان اتفاقی که درمورد پلتفرم‌های Comscore، Nielsen و Datadog رخ داد.

فرادین می‌گوید: «ما پیش‌بینی کردیم که مخارج عظیمی صرف هوش مصنوعی خواهد شد و بازار به شرکت‌های ارزیابی و حسابرسی شخص ثالث نیاز پیدا می‌کند؛ بنابراین تصمیم گرفتیم همان شرکتی باشیم که این خلأ را پر می‌کند.»

این استارتاپ همافزاینده سومی نیز به نام جیم لاریسون (Jim Larrison) دارد که پیشتر همراه با فرادین در Comscore همکاری میکرد.

دور سرمایه‌گذاری ۳۰ میلیون دلاری Larridin با رهبری صندوق Pelion Ventures و با مشارکت شرکت‌هایی هم‌چون Andreessen Horowitz، Gradient Ventures، GFT Ventures، W23، Thayer Investment Partners، DG Daiwa Ventures، Alumni Ventures و Cougar Capital انجام شد. صندوق‌های a16z و Gradient Ventures پیشتر در دور بذری ۱۷ میلیون دلاری این استارتاپ نیز حضور داشتند.

الکس رمپل (Alex Rampell)، یکی از شرکای عمومی a16z، اظهار داشت عاملی که او را نسبت به مدل کسبوکار Larridin متقاعد کرد، پاسخ این استارتاپ به نیاز شرکت‌ها به یک «مدیر ناظر هوش مصنوعی» بود؛ ناظری که بتواند به کارکنان گوشزد کند با ابزارهای هوش مصنوعی چه کارهایی باید انجام دهند و از چه اقداماتی پرهیز کنند.

رمپل می‌گوید: «اگر در بخش فروش فعالیت می‌کنید، فردی باید به شما یادآوری کند که با کدام مشتری تماس بگیرید و با کدام تماس نگیرید؛ اگر مشغول برنامه‌نویسی هستید، باید بگوید کدام باگ را برطرف کنید و به سراغ کدام باگ نروید.»

او می‌افزاید: «اما ریشه این تفکر در این پرسش اساسی نهفته است که کارمندان برای انواع امور از ابزارهای هوش مصنوعی استفاده می‌کنند، ولی آیا مسیر درستی را پیش می‌برند؟ آیا نتیجه بهدستآمده واقعاً پیشرفت محسوسی نشان می‌دهد؟ و درنهایت آیا سرمایه‌گذاری اولیه توجیه اقتصادی و بازگشت سرمایه داشته است؟»

به گفته فرادین، رشد کسبوکار آنها از سهماهه دوم سال جاری و هم‌زمان با اوجگیری نگرانی سازمان‌ها از مخارج هوش مصنوعی شتاب گرفت. تعداد مشتریان سازمانی این استارتاپ از تنها یک مشتری در دسامبر سال گذشته، اکنون به ۵۰ شرکت رسیده است.

او هم‌چنین اعلام کرد که پس از جذب این سرمایه قصد دارد تعداد پرسنل ۲۰ نفره Larridin را به دو برابر افزایش دهد و نیروهای بیشتری در بخش‌های فروش، مهندسی و بازاریابی استخدام کند.

تحول الگوی مصرف و مدیریت مخارج هوش مصنوعی

جذب سرمایه دور نخست استارتاپ Larridin پس از ماه‌ها فرازونشیب در زمینه نحوه مدیریت مخارج هوش مصنوعی انجام می‌پذیرد.

در ماه‌های نخست سال، تب مصرف حداکثری توکن (Tokenmaxxing) بسیار داغ بود؛ رویکردی که سازمان‌ها را ترغیب میکرد تا کارکنان خود را به موج پرشور هوش مصنوعی متصل کرده و آنها را وادار به آزمون این ابزارها کنند، رویکردی که در عمل بهدستور تسریع پذیرش فناوری با هدف عقب نماندن از رقبا بدل شده بود.

بسیاری از شرکت‌ها از کارمندان میخواستند تا جای ممکن از ابزارهای هوش مصنوعی استفاده کرده و توکن‌های فراوانی مصرف کنند؛ تا جایی که شرکت‌هایی مثل Duolingo استفاده از هوش مصنوعی را به شاخص ارزیابی عملکرد کارکنان خود اضافه کردند. در ماه آوریل نیز اظهارات پراوین نپالی ناگا (Praveen Neppalli Naga)، مدیر ارشد فناوری شرکت Uber، جنجالی شد؛ چراکه او اعلام کرده بود اوبر کل بودجه سالانه اختصاصیافته برای Claude Code را تنها ظرف چند ماه مصرف کرده است.

بودجه‌های هوش مصنوعی ناگهان متورم شدند. حداقل ۱۷ شرکت، از Salesforce گرفته تا Oracle، تعدیل نیروهای مرتبط با هوش مصنوعی را اعلام کردند؛ بهطوری که اوراکل در ماه ژوئن صراحتاً اذعان داشت پیاده‌سازی و استفاده گسترده از هوش مصنوعی باعث کاهش شمار نیروی کار این مجموعه شده است.

اما در اواسط سال و با رسیدن فاکتورهای سرسامآور هوش مصنوعی، رویکرد و دیدگاه مدیران تغییر کرد.

سازمان‌ها بهسمت دریافت حداکثر بازگشت سرمایه از مخارج هوش مصنوعی متمایل شدند. راهکار بهینه‌سازی مدل‌ها (Modelmaxxing) که شامل هدایت هوشمندانه پرامپت‌ها به مدل‌های مختلف برای مصرف مقرونبهصرفه توکن‌ها است، به‌عنوان تاکتیکی برای کاهش هزینه‌ها شکل گرفت. هم‌چنین بسیاری از کسبوکارها استفاده از مدل‌های متن‌باز و ارزان‌تری را آغاز کردند که توسط آزمایشگاه‌های چینی نظیر Moonshot AI و Z.ai توسعه یافته‌اند.