કેટલીક કંપનીઓમાં AI ટોકન્સનું વાર્ષિક બિલ એન્જિનિયરિંગ પેરોલને ટક્કર આપી રહ્યું છે, અને નેતૃત્વને સમજાતું નથી કે તેઓ ઉજવણી કરે કે ગભરાય. એન્ટરપ્રાઇઝ્સે છેલ્લા કેટલાક વર્ષો મોટા લેંગ્વેજ મોડલ્સમાં મૂડી રોકી છે, એવી અપેક્ષા સાથે કે સસ્તું inference આપમેળે કર્મચારીઓની સંખ્યા ઘટાડશે અને પ્રોડક્ટ લોન્ચ કરવાની ગતિ વધારશે. તેના બદલે, ઘણી એન્જિનિયરિંગ સંસ્થાઓએ બે વાર ચૂકવણી કરવી પડી રહી છે: એક તો તે પ્રતિભા માટે જેમને તેઓ વધારવા માંગતા હતા, અને બીજી વાર તે compute માટે જે તેમને રિપ્લેસ કરવા માટે હતું. પ્રશ્ન હવે એ નથી કે AI કોડ લખી શકે છે કે નહીં. પ્રશ્ન એ છે કે તે જે કોડ લખે છે તે તેને બનાવવા માટે ખર્ચવામાં આવતા કરોડો રૂપિયાને યોગ્ય ઠેરવે છે કે નહીં.
અડધા પગારનો બેન્ચમાર્ક
જેન્સેન હુઆંગે (Jensen Huang) All-In Podcast પર વાત કરતા GTC 2026 ના અંતે આ ગણિત સ્પષ્ટ રીતે રજૂ કર્યું હતું. Nvidia ના CEO એ એન્જિનિયરની કાર્યક્ષમતાને તેમના પગારની સીધી સરખામણી તેમના AI ટોકન વપરાશ સાથે કરીને માપવાનો પ્રસ્તાવ મૂક્યો હતો. તેમની મર્યાદા સ્પષ્ટ હતી. ધારો કે એક સોફ્ટવેર એન્જિનિયર વર્ષે $500,000 કમાય છે. જો તે એન્જિનિયર વાર્ષિક $250,000 થી ઓછું મૂલ્ય ધરાવતા ટોકન્સ વાપરે છે, જે લગભગ તેમના પગારના અડધા છે, તો હુઆંગ તેને ચેતવણીનો સંકેત માને છે. તેમના શબ્દોમાં કહીએ તો, નેતૃત્વએ "ખૂબ જ સાવધ" થઈ જવું જોઈએ, એટલા માટે નહીં કે કંપની લોકો પર વધુ ખર્ચ કરી રહી છે, પરંતુ એટલા માટે કે તે સંભવતઃ તેમનો ઓછો ઉપયોગ કરી રહી છે.
આ તર્ક પરંપરાગત ખર્ચ-નિયંત્રણની માનસિકતાને ઉલટાવી દે છે. વર્ષોથી, ફાઇનાન્સ ટીમો compute ને ઘટાડવા યોગ્ય વેરિએબલ ખર્ચ તરીકે જોતી હતી. હુઆંગ તેનાથી વિરુદ્ધ દલીલ કરે છે. એક મોંઘો એન્જિનિયર જે મોડેલનો ભાગ્યે જ ઉપયોગ કરે છે, તે એક એવો મોંઘો એન્જિનિયર છે જે 'force multiplier' વગર કામ કરી રહ્યો છે. અપેક્ષા એ છે કે ઉચ્ચ ખર્ચવાળી પ્રતિભાએ એક funnel તરીકે કામ કરવું જોઈએ, જે AI સિસ્ટમ્સ દ્વારા કામનું વિશાળ પ્રમાણ પસાર કરે, આઉટપુટની સમીક્ષા કરે અને પરિણામોનું સંચાલન કરે. ઓછો ટોકન વપરાશ કરકસરનો સંકેત નથી. તે એ સંકેત છે કે માણસ હજુ પણ એવું મિકેનિકલ કામ કરી રહ્યો છે જે મોડેલ સંભાળી શક્યું હોત.
વ્યવહારમાં તે ખર્ચ કેવો દેખાય છે
આ બેન્ચમાર્ક શા માટે મહત્વપૂર્ણ છે તે સમજવા માટે, $250,000 ના ટોકન્સ વાસ્તવમાં શું દર્શાવે છે તે ધ્યાનમાં લો. અત્યારે frontier models ના પ્રચલિત દરો મુજબ, તે માત્ર થોડા autocomplete સૂચનો નથી. તે વિવિધ કાર્યોમાં દરરોજ લાખો ટોકન્સનું પ્રોસેસિંગ છે. તે એવા એન્જિનિયર તરફ નિર્દેશ કરે છે જે માત્ર એડિટર કમ્પ્લીશન સ્વીકારતો નથી, પરંતુ વ્યાપક architectural reasoning, ઇન્ટેલિજન્ટ એજન્ટ્સ દ્વારા bulk refactoring, ઓટોમેટેડ ટેસ્ટિંગ પાઇપલાઇન્સ, synthetic data generation અને iterative design exploration કરી રહ્યો છે.
આ રીતે કામ કરતો એક સિનિયર એન્જિનિયર એક જ ફીચર માટે અનેક મોડેલ કોલ્સને જોડી શકે છે: scaffolding જનરેટ કરવું, breaking changes માટે dependenciesનું વિશ્લેષણ કરવું, edge-case behaviorનું સિમ્યુલેશન કરવું અને સમાંતર રીતે ડોક્યુમેન્ટેશન તૈયાર કરવું. આઉટપુટનું પ્રમાણ (throughput) વિશાળ છે કારણ કે માણસ હવે દરેક લાઇન ટાઇપ નથી કરી રહ્યો. તેઓ માત્ર દિશા આપી રહ્યા છે (steering). હુઆંગ માટે, પગાર ત્યારે જ યોગ્ય ઠરે છે જ્યારે માણસ તે સ્કેલ પર કામ કરે, અને સતત મોડેલ સાથેના ઇન્ટરેક્શન દ્વારા પોતાના આઉટપુટને ગુણાકારિત કરે.
વળતર ક્યાં ખોવાઈ જાય છે
આ વિઝન હોવા છતાં, ઉદ્યોગ ઇન્ફ્રાસ્ટ્રક્ચર ખર્ચ અને મળતા પરિણામો વચ્ચે વધતા અંત સામે જોઈ રહ્યો છે. કંપનીઓ ટોકન-ભારે વ્યૂહરચનાઓ તરફ દોડી છે, AI વેન્ડર્સ સાથે એન્ટરપ્રાઇઝ કોન્ટ્રાક્ટ્સ કરી રહી છે અને generative tools ના આધારે તેમની ડેવલપમેન્ટ પાઇપલાઇન્સને ફરીથી તૈયાર કરી રહી છે. મૂડી ખર્ચ આશ્ચર્યજનક રહ્યો છે. ઘણા માટે, ઉત્પાદકતાનું વળતર નિરાશાજનક રહ્યું છે.
ડેવલપર્સ ખરેખર કંટાળાજનક કામોમાં ઝડપી છે. જ્યારે મોડેલ પ્રથમ ડ્રાફ્ટ તૈયાર કરે છે, ત્યારે boilerplate code, unit test skeletons અને પુનરાવર્તિત CRUD ઓપરેશન્સ ખૂબ ઝડપથી થઈ જાય છે. પરંતુ સોફ્ટવેર એન્જિનિયરિંગ ક્યારેય ટાઇપિંગની ઝડપ વિશે નહોતું. અઘરું અને મોંઘું કામ વિશાળ સિસ્ટમોને જાળવવામાં, distributed failure modes દ્વારા તર્ક કરવામાં, લેયર્ડ ડિપેન્ડન્સીઝમાં સુરક્ષા સુનિશ્ચિત કરવામાં અને દરેક શોર્ટકટથી વધતા technical debt ને મેનેજ કરવામાં રહેલું છે. આ