از توکنماکسینگ تا سهمیهبندی: بحران هزینههای هوش مصنوعی در شرکتها
هیجان اولیه «توکنماکسینگ» (tokenmaxxing) — دورانی که شرکتها برای تسریع در پذیرش هوش مصنوعی، استفاده نامحدود از آن را تشویق میکردند — به سرعت با واقعیت تلخ هزینههای عملیاتی برخورد کرده است. با گذار شرکتها از مرحله آزمایش به مرحله مقیاسپذیری، مبارزه جدیدی در حال شکلگیری است: چگونه از تخلیه بودجههای عظیم هوش مصنوعی توسط وظایف کمارزش و پیشپاافتاده جلوگیری کنیم.
ظهور سهمیهبندی توکن
در اوایل سال جاری، روایت حاکم بر دنیای شرکتها بر محوریت بیشینهسازی ادغام هوش مصنوعی بود. برخی سازمانها حتی برای بازیوارسازی (gamify) و پاداش دادن به کارکنان بابت میزان استفاده از هوش مصنوعی، جدولهای امتیازات داخلی ایجاد کردند. با این حال، این اشتیاق مهارنشدنی منجر به پدیدهای شده است که در آن هزینههای غیرقابل پیشبینی در حال فرسایش حاشیه سود شرکتهاست.
ما اکنون شاهد عصر «سهمیهبندی توکن» هستیم. به جای تشویق کارکنان به استفاده از مدلهای زبانی بزرگ (LLMs) برای هر کار ممکنی، مدیریت شروع به اجرای کنترلهای سختگیرانه کرده است. هدف این است که از یک استفاده گسترده و مدیریتنشده، به سمت یک مدل منضبط حرکت کنیم که در آن هوش مصنوعی تنها در جریانهای کاری با تأثیر بالا و ارزش زیاد به کار گرفته شود.
مورد اکسنتور (Accenture): مخاطرات بزرگ و وظایف کوچک
یک نمونه بارز از این تغییر رویکرد در شرکت مشاوره جهانی اکسنتور (Accenture) دیده میشود. طبق فایل صوتی لو رفته از یک جلسه داخلی به رهبری جاستیس کواک (Justice Kwak)، مدیر استراتژی هوش مصنوعی عاملمحور (agentic AI) در اکسنتور، این شرکت فعالانه در تلاش است تا از تخلیه ذخایر توکن توسط کارکنان برای وظایف اداری پایه جلوگیری کند.
این گزارش یک تضاد آشکار را برجسته میکند: در حالی که اکسنتور پیش از این سیگنال داده بود که کارکنان در صورت عدم استفاده از هوش مصنوعی ممکن است «با خطر از دست دادن فرصتهای ارتقا» روبرو شوند، اکنون برای محدود کردن استفاده از آن تغییر جهت داده است. به طور مشخص، شرکت در تلاش است تا مانع از استفاده کارکنان از محاسبات گرانقیمت هوش مصنوعی برای وظایف جزئی، مانند تبدیل فایلهای PDF به اسلایدهای ارائه، شود.
کواک خاطرنشان کرد که هوش مصنوعی در حال رسیدن به یک «نقطه عطف» است که در آن به یک مؤلفه اساسی در ساختار هزینههای شرکت تبدیل میشود. با غیرقابل پیشبینی شدن هزینهها، مدیران مالی (CFOs)، مدیران عملیاتی (COOs) و مدیران فناوری اطلاعات (CIOs) پیش از تأیید هرگونه مخارج بیشتر، خواستار شواهد روشن از نرخ بازگشت سرمایه (ROI) هستند.
اثبات ارزش در دوران پس از هیجان
این تغییر نشاندهنده یک روند گستردهتر در صنعت هوش مصنوعی است که اغلب از آن به عنوان «ریزش بازار هوش مصنوعی» (AI selloff) یاد میشود. بازار دیگر با نوآوریِ قابلیتهای مولد (generative) قانع نمیشود؛ بلکه خواستار دستاوردهای ملموس در بهرهوری است که بر هزینههای عظیم محاسبات و مصرف توکن غلبه کند.
این فشار اقتصادی به طور ویژهای بر بخشهای وابسته به هوش مصنوعی، از جمله سازندگان تراشههای حافظه، تأثیر میگذارد؛ چرا که صنعت از حالت هیجانات محض فاصله گرفته و به سمت پاسخگویی مالی حرکت میکند. برای اینکه مدل کسبوکار هوش مصنوعی پایدار بماند، تمرکز باید از «میزان» استفاده از هوش مصنوعی به «میزان اثربخشی» بهکارگیری آن توکنها برای حل مسائل پیچیده تغییر یابد.
نکات کلیدی
- تغییر در استراتژی: شرکتها برای مدیریت هزینههای عملیاتی غیرقابل پیشبینی، از «توکنماکسینگ» (استفاده نامحدود) به سمت «سهمیهبندی توکن» حرکت میکنند.
- الزام بازگشت سرمایه (ROI): تیمهای مدیریتی، از جمله CFOها و CIOها، فراتر از هیجان اولیه پذیرش هوش مصنوعی، خواستار اثبات ارزش و سودآوری هستند.
- هزینه در مقابل کاربرد: یک نقطه اصطکاک اصلی در حال ظهور است؛ جایی که توکنهای گرانقیمت LLM به جای جریانهای کاری عاملمحور (agentic) و پربازده، برای وظایف کمارزشی مانند قالببندی PDF هدر میروند.