Tokenmaxxing থেকে ROI: AI-এর বাস্তব পরিস্থিতি নিয়ে NEA-র Tiffany Luck-এর মতামত

"tokenmaxxing"-এর যুগ—যেখানে সিলিকন ভ্যালির CEO-রা খরচ নির্বিশেষে সীমাহীন AI ব্যবহারের উৎসাহ দিতেন—তা দ্রুত একটি কঠোর আর্থিক তদারকির সময়ের দিকে মোড় নিচ্ছে। এন্টারপ্রাইজগুলো যখন প্রাথমিক উন্মাদনা কাটিয়ে উঠছে, তখন মনোযোগ কেবল ব্যবহারের পরিবর্তে দৃশ্যমান রিটার্ন অন ইনভেস্টমেন্ট (ROI)-এর দিকে সরে আসছে।

Tokenmaxxing যুগের অবসান

এই বছরের শুরুর দিকে, প্রযুক্তির জগতে প্রচলিত প্রবণতা ছিল "tokenmaxxing," যা উপযোগিতা সর্বোচ্চ করতে প্রতিটি সম্ভাব্য কাজের প্রবাহে (workflow) AI যুক্ত করার একটি প্রচেষ্টা ছিল। তবে, Large Language Model (LLM) ব্যবহারের আকাশচুম্বী খরচের কারণে একটি বড় ধরনের বাস্তবতার মুখোমুখি হতে হচ্ছে। হাই-প্রোফাইল রিপোর্ট অনুযায়ী, Uber-এর মতো কোম্পানিগুলো মাত্র কয়েক মাসের মধ্যেই তাদের পুরো বার্ষিক AI বাজেট শেষ করে ফেলেছে বলে জানা গেছে।

এই আর্থিক চাপ সংস্থাগুলোকে কঠোর নিয়ন্ত্রণ ব্যবস্থা কার্যকর করতে বাধ্য করেছে, এমনকি কিছু কোম্পানি নির্দিষ্ট বিভাগের জন্য Claude লাইসেন্স কমিয়ে দিচ্ছে বা Meta-র মতো অভ্যন্তরীণ AI লিডারবোর্ডগুলো বন্ধ করে দিচ্ছে। NEA-র পার্টনার Tiffany Luck-এর মতো ভেঞ্চার ক্যাপিটালিস্টদের কাছে, এই পরিবর্তনটি পরীক্ষামূলক খরচ থেকে একটি সুশৃঙ্খল "ROI হিসাব-নিকাশ"-এর দিকে উত্তরণ নির্দেশ করে।

Model Agnosticism এবং ডেপ্লয়মেন্ট কৌশলের উত্থান

কোম্পানিগুলো যখন এই খরচের মোকাবিলা করছে, তখন এন্টারপ্রাইজ পর্যায়ে গ্রহণের একটি নতুন ধরন দেখা দিচ্ছে। কোনো একক প্রোভাইডারের ওপর নির্ভর না করে, এন্টারপ্রাইজগুলো পারফরম্যান্স এবং দাম—উভয় দিক থেকেই সেরা ফলাফল নিশ্চিত করতে ক্রমবর্ধমানভাবে বিভিন্ন মডেলের সমন্বয় (mixing and matching) করছে। এই মাল্টি-মডেল পদ্ধতি কোম্পানিগুলোকে জটিল কাজের জন্য দামী ও উচ্চ-যুক্তি সম্পন্ন মডেল ব্যবহার করার পাশাপাশি রুটিন বা নিয়মিত অটোমেশনের জন্য ছোট ও সস্তা মডেল ব্যবহারের সুযোগ দেয়।

এই ইন্টিগ্রেশন সহজ করতে এক নতুন ধরনের প্রতিভার প্রয়োজনীয়তা দেখা দিচ্ছে: ফরওয়ার্ড-ডেপ্লয়েড ইঞ্জিনিয়ার (forward-deployed engineer)। Luck মনে করেন, এই ইঞ্জিনিয়াররা বড় সংস্থাগুলোর মধ্যে AI গ্রহণের ক্ষেত্রে একটি "Trojan horse" হিসেবে কাজ করছেন। সরাসরি বাস্তবায়নের সম্মুখভাগে কাজ করার মাধ্যমে, তারা মডেলের মৌলিক সক্ষমতা এবং নির্দিষ্ট, মূল্য-চালিত ব্যবসায়িক ব্যবহারের ক্ষেত্রের (use cases) মধ্যে ব্যবধান কমিয়ে আনতে সাহায্য করেন; যা নিশ্চিত করে যে AI টুলগুলো কেবল জটিলতা না বাড়িয়ে প্রকৃতপক্ষে এন্টারপ্রাইজ সমস্যার সমাধান করছে।

সম্পূর্ণ AI স্ট্যাক জুড়ে ভ্যালু খুঁজে পাওয়া

বর্তমান বাজারের একটি সাধারণ ভুল ধারণা হলো যে ভ্যালু বা মূল্য শুধুমাত্র মডেল লেয়ারে সীমাবদ্ধ। সবচেয়ে শক্তিশালী LLM তৈরির প্রতিযোগিতা চললেও, Tiffany Luck যুক্তি দেন যে AI স্ট্যাকের প্রতিটি স্তরেই উল্লেখযোগ্য ভ্যালু তৈরি হচ্ছে।

এন্টারপ্রাইজগুলোকে AI খরচ ট্র্যাক করতে সাহায্য করার জন্য বিশেষায়িত ইনফ্রাস্ট্রাকচার তৈরি করা স্টার্টআপ থেকে শুরু করে, গ্রাহক অভিজ্ঞতায় "ম্যাজিক মোমেন্টস" প্রদানকারী "পার্সোনাল এজেন্ট" তৈরি করা ডেভেলপার পর্যন্ত—সুযোগগুলো বহুমুখী হচ্ছে। শিল্পটি যত পরিপক্ক হচ্ছে, বিজয়ীরা সম্ভবত তারা হবে না যারা কেবল সবচেয়ে বেশি টোকেন প্রদান করবে, বরং তারা হবে যারা সবচেয়ে দক্ষ, সমন্বিত এবং পরিমাপযোগ্য বুদ্ধিমত্তা প্রদান করবে।

মূল বিষয়সমূহ