Tokenmaxxing થી ROI સુધી: AI ની વાસ્તવિકતા પર NEA ની Tiffany Luck ના મંતવ્યો

"tokenmaxxing" નો યુગ—જ્યાં સિલિકોન વેલીના CEOઓ ખર્ચની પરવા કર્યા વિના અમર્યાદિત AI વપરાશને પ્રોત્સાહન આપતા હતા—તે હવે તીવ્ર નાણાકીય તપાસના સમયગાળા તરફ ઝડપથી વળી રહ્યો છે. જેમ જેમ એન્ટરપ્રાઇઝ પ્રારંભિક હાઈપ (hype) થી આગળ વધી રહ્યા છે, તેમ તેમ તેમનું ધ્યાન માત્ર વપરાશ પરથી બદલાઈને પ્રદર્શિત કરી શકાય તેવા રોકાણ પર વળતર (ROI) પર કેન્દ્રિત થયું છે.

Tokenmaxxing યુગનો અંત

આ વર્ષની શરૂઆતમાં, ટેક ક્ષેત્રમાં પ્રવર્તતું વલણ "tokenmaxxing" હતું, જે ઉપયોગિતા વધારવા માટે દરેક શક્ય વર્કફ્લોમાં AI ને સંકલિત કરવા માટેનો એક પ્રયાસ હતો. જોકે, Large Language Model (LLM) ના વપરાશના આસમાની ખર્ચને કારણે એક મોટી વાસ્તવિકતા સામે આવી છે. ઉચ્ચ સ્તરીય અહેવાલો સૂચવે છે કે Uber જેવી કંપનીઓએ માત્ર થોડા મહિનાઓમાં જ તેમનું આખું વાર્ષિક AI બજેટ ખર્ચ નાખી દીધું હોવાનું કહેવાય છે.

આ નાણાકીય દબાણે સંસ્થાઓને કડક નિયંત્રણો લાગુ કરવા માટે મજબૂર કરી છે, જેમાં કેટલીક કંપનીઓએ ચોક્કસ વિભાગો માટે Claude લાયસન્સ ઘટાડ્યા છે અથવા Meta જેવી કંપનીઓએ તેમના આંતરિક AI લીડરબોર્ડ્સ બંધ કરી દીધા છે. NEA પાર્ટનર Tiffany Luck જેવા વેન્ચર કેપિટલિસ્ટ્સ માટે, આ ફેરફાર પ્રાયોગિક ખર્ચમાંથી શિસ્તબદ્ધ "ROI હિસાબ" તરફના સંક્રમણનો સંકેત આપે છે.

Model Agnosticism અને ડિપ્લોયમેન્ટ વ્યૂહરચનાઓનો ઉદય

જેમ કંપનીઓ આ ખર્ચ સામે ઝઝૂમી રહી છે, તેમ એન્ટરપ્રાઇઝ સ્વીકૃતિનું એક નવું માળખું ઉભરી રહ્યું છે. કોઈ એક સિંગલ પ્રોવાઈડર સાથે બંધાઈ રહેવાને બદલે, એન્ટરપ્રાઇઝ હવે કામગીરી અને કિંમત બંનેને શ્રેષ્ઠ બનાવવા માટે વિવિધ મોડેલ્સનું "મિક્સ એન્ડ મેચિંગ" કરી રહ્યા છે. આ મલ્ટી-મોડેલ અભિગમ કંપનીઓને જટિલ કાર્યો માટે મોંઘા, ઉચ્ચ તર્કશક્તિ ધરાવતા મોડેલ્સનો ઉપયોગ કરવાની અને રૂટિન ઓટોમેશન માટે નાના, સસ્તા મોડેલ્સનો ઉપયોગ કરવાની મંજૂરી આપે છે.

આ સંકલનને સરળ બનાવવા માટે, પ્રતિભાનો એક નવો વર્ગ આવશ્યક બની રહ્યો છે: ફોરવર્ડ-ડિપ્લોયડ એન્જિનિયર (forward-deployed engineer). Luck સૂચવે છે કે આ એન્જિનિયરો મોટી સંસ્થાઓમાં AI સ્વીકૃતિ માટે "ટ્રોજન હોર્સ" (Trojan horse) તરીકે કામ કરી રહ્યા છે. અમલીકરણની સીધી પાયાની ભૂમિકામાં કામ કરીને, તેઓ મોડેલની મૂળભૂત ક્ષમતાઓ અને ચોક્કસ, મૂલ્ય-આધારિત બિઝનેસ યુઝ કેસ વચ્ચેના અંતરને ઘટાડવામાં મદદ કરે છે, જે સુનિશ્ચિત કરે છે કે AI સાધનો માત્ર જટિલતા વધારવાને બદલે ખરેખર એન્ટરપ્રાઇઝની સમસ્યાઓનો ઉકેલ લાવે.

સમગ્ર AI Stack માં મૂલ્ય શોધવું

વર્તમાન બજારમાં એક સામાન્ય ગેરસમજ એ છે કે મૂલ્ય માત્ર મોડેલ લેયર પર જ કેન્દ્રિત છે. જ્યારે સૌથી શક્તિશાળી LLM માટેની સ્પર્ધા ચાલુ છે, ત્યારે Tiffany Luck એવી દલીલ કરે છે કે AI સ્ટેક (stack) ના દરેક સ્તરે નોંધપાત્ર મૂલ્ય નિર્માણ થઈ રહ્યું છે.

એન્ટરપ્રાઇઝિસને AI ખર્ચ ટ્રેક કરવામાં મદદ કરવા માટે સ્પેશિયલાઇઝ્ડ ઇન્ફ્રાસ્ટ્રક્ચર બનાવતા સ્ટાર્ટઅપ્સથી લઈને, ગ્રાહક અનુભવોમાં "મેજિક મોમેન્ટ્સ" પ્રદાન કરતા "પર્સનલ એજન્ટ્સ" બનાવતા ડેવલપર્સ સુધી, તકો વૈવિધ્યસભર બની રહી છે. જેમ જેમ ઉદ્યોગ પરિપક્વ બની રહ્યો છે, તેમ વિજેતાઓ કદાચ એ નહીં હોય જે માત્ર સૌથી વધુ ટોકન્સ પૂરા પાડે છે, પરંતુ એ હશે જે સૌથી કાર્યક્ષમ, સંકલિત અને માપી શકાય તેવું ઇન્ટેલિજન્સ પૂરા પાડે છે.

મુખ્ય તારણો