چرا شرکت‌ها در محاسبه نرخ بازگشت سرمایه (ROI) هوش مصنوعی با دشواری روبرو هستند

موج اولیه «tokenmaxxing» — که در آن مدیران عامل استفاده تهاجمی و بدون کنترل از هوش مصنوعی را تشویق می‌کردند — با برخورد با واقعیت‌های تلخ، همزمان با بررسی دقیق بودجه‌های شرکتی، با چالش روبرو شده است. با عبور شرکت‌ها از مرحله آزمایش، چالش اصلی از پذیرش ساده به اثبات نرخ بازگشت سرمایه (ROI) ملموس تغییر یافته است.

از tokenmaxxing تا پاسخگویی بودجه‌ای

اوایل امسال، سیلیکون ولی گرفتار «tokenmaxxing» شد؛ روندی که در آن سازمان‌ها استفاده از هوش مصنوعی را برای به حداکثر رساندن توانمندی‌ها، تا آخرین حد ممکن پیش بردند. با این حال، پیامدهای مالی این اشتیاق مهارنشدنی اکنون در حال آشکار شدن است. گزارش‌ها نشان می‌دهند که بازیگران بزرگی مانند Uber گزارش داده‌اند بودجه سالانه هوش مصنوعی خود را تنها در عرض چند ماه تمام کرده‌اند.

این افزایش ناگهانی در مصرف، منجر به یک مرحله اصلاحی در فضای سازمانی شده است. ما شاهد عقب‌نشینی سازمان‌ها هستیم؛ برای مثال شرکت‌هایی که مجوزهای Claude را برای بخش‌های خاصی قطع کرده‌اند و حتی گزارش‌هایی مبنی بر توقف جدول رده‌بندی داخلی هوش مصنوعی توسط Meta. این اقدامات نشان‌دهنده تغییر رویکرد از ذهنیت «رشد به هر قیمتی» به سمت انضباط مالی سخت‌گیرانه و مدیریت منابع است.

جستجو برای «لحظات جادویی» و عوامل شخصی (Personal Agents)

با وجود محدودیت‌های بودجه‌ای، تفیانی لاک (Tiffany Luck)، شریک NEA، همچنان نسبت به پتانسیل تحول‌آفرین هوش مصنوعی، به‌ویژه در بخش مصرف‌کننده، خوش‌بین است. لاک بر اهمیت شناسایی «لحظات جادویی» تأکید می‌کند؛ یعنی همان لحظات خاصی که در آن هوش مصنوعی کاربردی انکارناپذیر و با ارزش بالا را به کاربر نهایی ارائه می‌دهد.

صنعت در حال عبور از چت‌بات‌های ساده به سمت توسعه عوامل شخصی (personal agents) پیشرفته است. این عوامل، مرز بعدی هوش مصنوعی را تشکیل می‌دهند و از ابزارهای واکنشی به دستیاران پیش‌گیرانه (proactive) که قادر به مدیریت وظایف پیچیده هستند، تبدیل می‌شوند. برای سرمایه‌گذاران خطرپذیر و بنیان‌گذاران، هدف این است که از پیاده‌سازی‌های عمومی LLM فراتر رفته و عوامل تخصصی بسازند که مشکلات پرچالش را به گونه‌ای حل کنند که هزینه‌های عملیاتی قابل توجه آن‌ها را توجیه کند.

ظهور مدیریت هزینه‌های هوش مصنوعی

با کم شدن فاصله بین هیاهوی هوش مصنوعی و بهره‌وری واقعی، زیربخش جدیدی از استارتاپ‌ها برای پر کردن این شکاف در حال ظهور است. شرکت‌ها در حال حاضر برای ردیابی هزینه‌های جزئی فراخوانی‌های API مدل، توان پردازشی (compute) و مجوزهای کاربری (seat licenses) در مقابل ارزش واقعی ایجاد شده، در حال تقلا هستند.

این موضوع فرصت عظیمی را برای استارتاپ‌هایی که بر مشاهده‌پذیری هوش مصنوعی (AI observability) و مدیریت هزینه‌ها تمرکز دارند، ایجاد کرده است. شرکت‌ها به دنبال ابزارهایی هستند که در پشته (stack) هوش مصنوعی آن‌ها شفافیت ایجاد کنند و به آن‌ها اجازه دهند دقیقاً ببینند توکن‌ها کجا مصرف می‌شوند و آیا این توکن‌ها باعث درآمدزایی می‌شوند یا صرفاً هزینه‌های سربار را افزایش می‌دهند. توانایی مرتبط کردن هزینه‌های هوش مصنوعی به نتایج تجاری مشخص، عامل تعیین‌کننده برای شرکت‌هایی خواهد بود که با موفقیت هوش مصنوعی را در جریان‌های کاری اصلی خود ادغام می‌کنند.

نکات کلیدی