از توکن‌ماکسینگ تا بازگشت سرمایه (ROI): دیدگاه تیفانی لاک از NEA درباره واقعیت‌های هوش مصنوعی

عصر «توکن‌ماکسینگ» (tokenmaxxing) — دورانی که مدیران عامل در سیلیکون ولی استفاده نامحدود از هوش مصنوعی را بدون توجه به هزینه تشویق می‌کردند — به سرعت جای خود را به دوره‌ای از نظارت مالی شدید می‌دهد. با عبور شرکت‌ها از هیجانات اولیه، تمرکز از مصرف صرف، به سمت بازگشت سرمایه (ROI) قابل اثبات تغییر یافته است.

پایان عصر توکن‌ماکسینگ

اوایل امسال، روند غالب در دنیای فناوری «توکن‌ماکسینگ» بود؛ تلاشی برای ادغام هوش مصنوعی در هر جریان کاری ممکن جهت به حداکثر رساندن کاربرد آن. با این حال، هزینه‌های نجومی مصرف مدل‌های زبانی بزرگ (LLM) منجر به یک مواجهه جدی با واقعیت شده است. گزارش‌های معتبر نشان می‌دهند که شرکت‌هایی مانند Uber ظاهراً کل بودجه سالانه هوش مصنوعی خود را تنها در عرض چند ماه تمام کرده‌اند.

این فشار مالی سازمان‌ها را مجبور به اعمال کنترل‌های سختگیرانه کرده است؛ تا جایی که برخی شرکت‌ها حتی مجوزهای Claude را برای بخش‌های خاصی لغو کرده یا جدول‌های رده‌بندی داخلی هوش مصنوعی خود، مانند Meta، را کنار گذاشته‌اند. برای سرمایه‌گذاران خطرپذیر مانند تیفانی لاک، شریک NEA، این تغییر نشان‌دهنده گذار از هزینه‌های آزمایشی به یک «بازنگری دقیق در بازگشت سرمایه (ROI)» است.

ظهور مدل‌ناشناسی (Model Agnosticism) و استراتژی‌های استقرار

در حالی که شرکت‌ها با این هزینه‌ها دست و پنجه نرم می‌کنند، الگوی جدیدی از پذیرش در سازمان‌ها در حال ظهور است. شرکت‌ها به جای متعهد شدن به یک ارائه‌دهنده واحد، به طور فزاینده‌ای از روش «ترکیب و تطبیق» مدل‌های مختلف برای بهینه‌سازی همزمان عملکرد و قیمت استفاده می‌کنند. این رویکرد چند-مدلی به شرکت‌ها اجازه می‌دهد تا از مدل‌های گران‌قیمت و با قدرت استدلال بالا برای وظایف پیچیده استفاده کنند، در حالی که برای اتوماسیون‌های روتین و روزمره، از مدل‌های کوچک‌تر و ارزان‌تر بهره می‌برند.

برای تسهیل این ادغام، دسته جدیدی از استعدادها در حال تبدیل شدن به یک ضرورت هستند: «مهندس مستقر در خط مقدم» (forward-deployed engineer). لاک معتقد است که این مهندسان مانند یک «اسب تروجان» برای پذیرش هوش مصنوعی در سازمان‌های بزرگ عمل می‌کنند. آن‌ها با کار مستقیم در خط مقدمِ پیاده‌سازی، به پر کردن شکاف بین قابلیت‌های خام مدل و موارد استفاده تجاریِ ارزش‌محور کمک می‌کنند و اطمینان حاصل می‌کنند که ابزارهای هوش مصنوعی واقعاً مشکلات سازمان را حل می‌کنند، نه اینکه صرفاً پیچیدگی‌ها را افزایش دهند.

یافتن ارزش در تمام لایه‌های پشته هوش مصنوعی (AI Stack)

یک باور غلط رایج در بازار فعلی این است که ارزش تنها در لایه مدل متمرکز شده است. در حالی که رقابت برای دستیابی به قدرتمندترین LLM ادامه دارد، تیفانی لاک استدلال می‌کند که خلق ارزش قابل توجه در هر لایه از پشته هوش مصنوعی (AI stack) در حال رخ دادن است.

از استارتاپ‌هایی که زیرساخت‌های تخصصی برای کمک به سازمان‌ها در ردیابی هزینه‌های هوش مصنوعی می‌سازند، تا توسعه‌دهندگانی که «عوامل شخصی» (personal agents) برای خلق «لحظات جادویی» در تجربه‌های مشتری می‌سازند، فرصت‌ها در حال متنوع شدن هستند. با بلوغ این صنعت، برندگان احتمالاً کسانی نخواهند بود که صرفاً بیشترین توکن را ارائه می‌دهند، بلکه کسانی خواهند بود که کارآمدترین، یکپارچه‌ترین و قابل‌اندازه‌گیری‌ترین هوش را فراهم می‌کنند.

نکات کلیدی