صورتحساب سالانه توکنهای هوش مصنوعی در برخی شرکتها در حال رقابت با هزینهی حقوق مهندسان است و مدیریت نمیداند که باید جشن بگیرد یا وحشت کند. شرکتها در چند سال گذشته سرمایههای هنگفتی را صرف مدلهای زبانی بزرگ کردهاند، با این انتظار که استنتاج (inference) ارزانتر بهطور خودکار به کاهش تعداد کارکنان و چرخههای تحویل سریعتر منجر شود. در عوض، بسیاری از سازمانهای مهندسی خود را در وضعیتی میبینند که مجبورند دو بار هزینه پرداخت کنند: یک بار برای استعدادی که امیدوار بودند با هوش مصنوعی تقویت شود، و بار دیگر برای توان پردازشی که قرار بود جایگزین آنها شود. سؤال دیگر این نیست که آیا هوش مصنوعی میتواند کد بنویسد یا خیر؛ بلکه این است که آیا کدی که مینویسد، ثروت عظیمی را که برای تولید آن سوزانده میشود، توجیه میکند یا نه.
معیار نیمحقوق
جنسن هوانگ در پایان GTC 2026، در پادکست All-In، محاسبات را به صراحت بیان کرد. مدیرعامل Nvidia پیشنهاد کرد که کارایی یک مهندس را با مقایسه مستقیم حقوق او با میزان مصرف توکنهای هوش مصنوعیاش بسنجند. آستانهی او بسیار جدی بود. یک مهندس نرمافزار را در نظر بگیرید که سالانه ۵۰۰,۰۰۰ دلار درآمد دارد. اگر آن مهندس سالانه کمتر از ۲۵۰,۰۰۰ دلار توکن مصرف کند (تقریباً نصف حقوقش)، هوانگ آن را یک علامت هشدار میداند. به گفتهی او، مدیریت باید «عمیقاً نگران باشد»، نه به این دلیل که شرکت بیش از حد برای افراد هزینه میکند، بلکه به این دلیل که احتمالاً از آنها به درستی استفاده نمیکند.
این منطق، ذهنیت سنتی کنترل هزینهها را معکوس میکند. سالهاست که تیمهای مالی با توان پردازشی (compute) به عنوان یک هزینه متغیر برخورد کردهاند که باید به حداقل برسد. هوانگ برعکس این موضوع استدلال میکند. یک مهندس گرانقیمت که به ندرت با یک مدل کار میکند، مهندسی گرانقیمت است که بدون یک «ضریب توان» (force multiplier) فعالیت میکند. انتظار میرود استعدادهای پرهزینه مانند یک قیف عمل کنند؛ یعنی حجم عظیمی از کار را از طریق سیستمهای هوش مصنوعی عبور دهند، خروجیها را بازبینی کنند و نتایج را سازماندهی کنند. هزینه کم در مصرف توکن، نشاندهندهی صرفهجویی نیست، بلکه نشان میدهد که انسان هنوز در حال انجام کارهای مکانیکی است که یک مدل میتوانست انجام دهد.
این هزینه در عمل چگونه است؟
برای درک اینکه چرا این معیار اهمیت دارد، بررسی کنید که ۲۵۰,۰۰۰ دلار هزینه توکن واقعاً نشاندهنده چیست. با نرخهای رایج برای مدلهای پیشرو (frontier models)، این مبلغ فقط شامل چند پیشنهاد تکمیل خودکار (autocomplete) نیست. این یعنی میلیونها توکن که هر روز کاری در طیف گستردهای از وظایف پردازش میشوند. این نشاندهنده مهندسی است که صرفاً پیشنهادهای ویرایشی را نمیپذیرد، بلکه در حال انجام استدلالهای معماری گسترده، بازنویسی (refactoring) انبوه از طریق عاملهای هوشمند، خط لولههای تست خودکار، تولید دادههای مصنوعی و کاوش در طراحیهای تکرارشونده است.
یک مهندس ارشد که به این شیوه کار میکند، ممکن است چندین فراخوانی مدل را برای یک ویژگی واحد به هم زنجیر کند: تولید ساختار اولیه (scaffolding)، تحلیل وابستگیها برای تغییرات مخرب، شبیهسازی رفتارهای حالتهای خاص (edge-case) و تولید مستندات بهصورت موازی. حجم خروجی بسیار زیاد است، زیرا انسان دیگر هر خط را تایپ نمیکند، بلکه در حال هدایت (steering) است. از نظر هوانگ، حقوق یک مهندس تنها زمانی توجیهپذیر است که انسان در آن مقیاس فعالیت کند و خروجی خود را از طریق تعامل بیوقفه با مدل، چندین برابر نماید.
چرا بازدهی از دست میرود؟
علیرغم این چشمانداز، صنعت با شکافی رو به گسترش میان هزینههای زیرساختی و نتایج تحویلشده مواجه است. شرکتها با شتاب به سمت استراتژیهای متکی بر توکنهای زیاد رفتهاند، قراردادهای سازمانی با فروشندگان هوش مصنوعی منعقد کردهاند و خط لولههای توسعه خود را حول ابزارهای مولد بازسازی کردهاند. هزینههای سرمایهای (CapEx) سرسامآور بوده است، اما بازدهی بهرهوری برای بسیاری از آنها ناامیدکننده بوده است.
توسعهدهندگان واقعاً در انجام کارهای خستهکننده سریعتر هستند. کدهای آماده و تکراری (boilerplate)، ساختارهای اولیه تست واحد (unit test) و عملیاتهای تکراری CRUD زمانی که یک مدل پیشنویس اولیه را تولید میکند، با سرعت انجام میشوند. اما مهندسی نرمافزار هرگز واقعاً درباره سرعت تایپ نبوده است. کار سخت و گرانقیمت در نگهداری سیستمهای گسترده، استدلال در مورد حالتهای شکست توزیعشده، تضمین امنیت در میان وابستگیهای لایهبندی شده و مدیریت بدهی فنی (technical debt) که هر میانبر ایجاد میکند، نهفته است. این