സംരംഭങ്ങൾ AI ഇൻഫ്രാസ്ട്രക്ചർ അതിവേഗം വിപുലീകരിക്കുകയാണ്, എങ്കിലും മൂലധന ചെലവും (capital expenditure) പ്രവർത്തന മേൽനോട്ടവും (operational oversight) തമ്മിൽ ഒരു വലിയ "കമ്പ്യൂട്ട് ഗ്യാപ്പ്" (compute gap) രൂപപ്പെട്ടുവരുന്നു. ഹാർഡ്‌വെയർ ഉറപ്പാക്കാൻ കമ്പനികൾ തിടുക്കം കൂട്ടുന്നതിനൊപ്പം, യൂണിറ്റ് ഇക്കണോമിക്സും GPU ഉപയോഗവും അളക്കാനുള്ള അവരുടെ ശേഷി നിക്ഷേപത്തിന്റെ വേഗതയ്‌ക്കൊപ്പം എത്താൻ കഴിയുന്നില്ലെന്നും അവർ തിരിച്ചറിയുന്നു.

കമ്പ്യൂട്ട് ഗ്യാപ്പ്: അതിവേഗത്തിലുള്ള നിക്ഷേപവും കുറഞ്ഞ കാഴ്ചപ്പാടും

107 സംരംഭങ്ങളെക്കുറിച്ചുള്ള VentureBeat Pulse Research പഠനം AI ജീവിതചക്രത്തിൽ (lifecycle) വലിയൊരു വിടവ് കാണിക്കുന്നു. കമ്പനികൾ ഇൻഫ്രാസ്ട്രക്ചറിൽ വൻതോതിൽ മൂലധനം നിക്ഷേപിക്കുന്നുണ്ടെങ്കിലും അത് നിയന്ത്രിക്കാനുള്ള ടെലിമെട്രി (telemetry) അവർക്കില്ല. ചെലവാക്കാനുള്ള ഉദ്ദേശ്യം വർദ്ധിച്ചുവരുന്നുണ്ടെങ്കിലും പ്രൊഡക്ഷൻ പക്വത (production maturity) കുറവാണ്; സർവേയിൽ പങ്കെടുത്ത കമ്പനികളിൽ 21% മാത്രമാണ് AI പ്രൊഡക്ഷനിൽ വലിയ തോതിൽ ഉപയോഗിക്കുന്നത്.

ഏറ്റവും നിർണ്ണായകമായ പ്രശ്നം കാര്യക്ഷമതയില്ലായ്മയാണ്. 83% സംരംഭങ്ങളും GPU ഉപയോഗം 50% അല്ലെങ്കിൽ അതിൽ താഴെയാണെന്ന് റിപ്പോർട്ട് ചെയ്യുന്നു. ഇതിലും മോശമായ കാര്യം, പകുതിയിലധികം കമ്പനികൾക്കും (44%) തങ്ങളുടെ AI കമ്പ്യൂട്ടിന് യഥാർത്ഥത്തിൽ എത്ര ചിലവാകുന്നു എന്ന് കൃത്യമായി ട്രാക്ക് ചെയ്യാൻ കഴിയുന്നില്ല എന്നതാണ്. അതിനാൽ, ദീർഘകാല സാമ്പത്തിക കാര്യങ്ങൾ നിയന്ത്രിക്കാൻ ആവശ്യമായ വ്യക്തതയില്ലാതെ വലിയ തോതിലുള്ള നിക്ഷേപങ്ങൾ നടക്കുന്നു.

മാറുന്ന വെണ്ടർ ഡൈനാമിക്സും ഉയർന്ന ചർണും (Churn)

പരമ്പരാഗത ഹൈപ്പർസ്കെയിലറുകളും (hyperscalers) മോഡൽ API-കളും ആണ് ഈ മേഖലയിൽ ആധിപത്യം പുലർത്തുന്നത്. Google Cloud 48% ഉപയോഗത്തോടെ മുന്നിലുണ്ട്, പിന്നാലെ Microsoft Azure (29%), AWS (22%), Oracle Cloud (22%) എന്നിവയാണ്. മോഡൽ ഉപയോഗം Gemini (41%), OpenAI (40%) എന്നിവയിൽ കേന്ദ്രീകരിച്ചിരിക്കുന്നു. CoreWeave, Lambda, Together തുടങ്ങിയ പ്രത്യേക AI ക്ലൗഡുകൾക്ക് വിപണിയിൽ 2%-ൽ താഴെ മാത്രമാണ് പങ്കുള്ളത്.

വിപണിയിൽ വലിയ ചാഞ്ചാട്ടം നിലനിൽക്കുന്നു. 64% സംരംഭങ്ങളും അടുത്ത പന്ത്രണ്ട് മാസത്തിനുള്ളിൽ ഒരു ഇൻഫ്രാസ്ട്രക്ചർ പ്രൊവൈഡറെ മാറ്റാനോ പുതിയൊരാളെ ചേർക്കാനോ പദ്ധതിയിടുന്നു, 38% അടുത്ത പാദത്തിനുള്ളിൽ ഇത് ചെയ്യാൻ ഉദ്ദേശിക്കുന്നു. നിലവിലുള്ള സംവിധാനങ്ങളുമായുള്ള സംയോജനം (integration) ആണ് ഇത്തരം തീരുമാനങ്ങളിൽ 41% കാരണമാകുന്നത്, മൊത്തം ഉടമസ്ഥാവകാശ ചെലവ് (total cost of ownership) 35% കാരണമാകുന്നു. വെറും ടോക്കൺ വിലകൾ (token prices) ചൂണ്ടിക്കാണിക്കുന്നത് 8% മാത്രമാണ്.

അടുത്ത ഘട്ടം: സ്പെഷ്യലൈസ്ഡ് ക്ലൗഡുകളും മെമ്മറി ബാൻഡ്‌വിഡ്ത്തും

പരീക്ഷണഘട്ടത്തിനപ്പുറം നീങ്ങുന്ന സംരംഭങ്ങൾ AI-പ്രത്യേകതയുള്ള ക്ലൗഡുകളിലേക്ക് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു. വരും വർഷത്തിൽ 45% ഇത്തരം പ്രൊവൈഡർമാരെ വിലയിരുത്താൻ പദ്ധതിയിടുന്നു—ഇതാണ് ഏറ്റവും വലിയ വിലയിരുത്തൽ മേഖല.

പുതിയൊരു സാങ്കേതിക പരിമിതി ഉയർന്നുവരുന്നു: വെറും GPU കമ്പ്യൂട്ട് അല്ല, മറിച്ച് മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത് (memory bandwidth) ആണ് വലിയ തോതിലുള്ള ഇൻഫറൻസ് (inference) പരിമിതപ്പെടുത്തുന്നത്. ഏകദേശം 20% കമ്പനികൾക്ക് മാത്രമേ ഈ തടസ്സം അറിയാവൂ അല്ലെങ്കിൽ അത് പരിഹരിക്കാൻ നടപടികൾ എടുക്കുന്നുള്ളൂ. ഡെവലപ്പർമാരെയും CTO-മാരെയും സംബന്ധിച്ചിടത്തോളം, ബാൻഡ്‌വിഡ്ത്ത് കൈകാര്യം ചെയ്യാനുള്ള കഴിവ് ആണ് ചെലവ് നിയന്ത്രിച്ചുകൊണ്ട് സ്കെയിലബിൾ ഇൻഫറൻസ് സാധ്യമാക്കുന്നത്.

പ്രധാന കാര്യങ്ങൾ

  • കാര്യക്ഷമതയില്ലായ്മ ഒരു സാധാരണ നിലയാണ്: 83% സംരംഭങ്ങൾ GPU ഉപയോഗം ≤ 50% ആയി നിലനിർത്തുന്നു; പകുതിയിലധികം കമ്പനികൾക്കും കമ്പ്യൂട്ട് ചെലവ് കൃത്യമായി ട്രാക്ക് ചെയ്യാൻ കഴിയില്ല.
  • വെണ്ടർ ചർൺ (churn) കൂടുതലാണ്: 64% പേർ ഒരു വർഷത്തിനുള്ളിൽ പ്രൊവൈഡറെ മാറ്റാനോ പുതിയൊരാളെ ചേർക്കാനോ പദ്ധതിയിടുന്നു, ഇതിൽ സംയോജനത്തിനും (41%) TCO-യ്ക്കും (35%) മുൻഗണന നൽകുന്നു.
  • സ്പെഷ്യലൈസേഷനിലേക്കുള്ള മാറ്റം: കമ്പ്യൂട്ട് ഗ്യാപ്പ് പരിഹരിക്കാൻ 45% പേർ സ്പെഷ്യലൈസ്ഡ് AI ക്ലൗഡുകളെ വിലയിരുത്തും.
  • മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത് ഒരു വെല്ലുവിളിയാകുന്നു: ഏകദേശം 20% കമ്പനികൾ മാത്രമാണ് ഈ പുതിയ തടസ്സം തിരിച്ചറിയുന്നതോ പരിഹരിക്കാൻ ശ്രമിക്കുന്നതോ.

ലേഖനം

107 കമ്പനികളെക്കുറിച്ചുള്ള VentureBeat Pulse Research സർവേ പ്രകാരം 83% കമ്പനികളും GPU പകുതി ശേഷിയിലോ അതിൽ താഴെയോ ആണ് ഉപയോഗിക്കുന്നത്, എന്നാൽ 44% കമ്പനികൾക്ക് മാത്രമേ ഓരോ കമ്പ്യൂട്ട് മണിക്കൂറിനും കൃത്യമായ ചിലവ് കണക്കാക്കാൻ കഴിയുന്നുള്ളൂ. ഈ പൊരുത്തക്കേട് കാരണം 64% പേരും അടുത്ത ഒരു വർഷത്തിനുള്ളിൽ ഇൻഫ്രാസ്ട്രക്ചർ വെണ്ടറെ മാറ്റാനോ പുതിയൊരാളെ ചേർക്കാനോ പദ്ധതിയിടുന്നു.

എന്തുകൊണ്ടാണ് ഇപ്പോൾ ഈ “കമ്പ്യൂട്ട് ഗ്യാപ്പ്” പ്രധാനമാകുന്നത്

പ്രധാന കണക്കുകൾ ഒരു കഠിനമായ ചിത്രം നൽകുന്നു: AI ചെലവ് വർദ്ധിക്കുന്നുണ്ടെങ്കിലും പ്രൊഡക്ഷൻ പക്വത പിന്നിലാവുന്നു. വെറും 21% കമ്പനികൾ മാത്രമാണ് പ്രൊഡക്ഷനിൽ വലിയ തോതിൽ AI ഉപയോഗിക്കുന്നതെന്ന് പറയുന്നത്, ഇതിനർത്ഥം ഭൂരിഭാഗം നിക്ഷേപങ്ങളും ലാബുകളിലോ, പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റുകളിലോ (proof-of-concepts), അല്ലെങ്കിൽ ഉപയോഗിക്കാതെ കിടക്കുന്ന ഹാർഡ്‌വെയറുകളിലോ ആണ് എന്നാണ്. കുറഞ്ഞ GPU ഉപയോഗം നേരിട്ട് മൂലധന നഷ്ടത്തിലേക്ക് നയിക്കുന്നു—പകുതി മാത്രം നിറഞ്ഞ സെർവറുകൾക്കും വൈദ്യുതി ആവശ്യമാണ്, കൂളിംഗ് ആവശ്യമാണ്, കൂടാതെ റാക്ക് സ്പേസ് എടുക്കുന്നുമുണ്ട്. പകുതിയിലധികം സ്ഥാപനങ്ങൾക്ക് പോലും ഓരോ GPU ചിലവും ട്രാക്ക് ചെയ്യാൻ കഴിയാത്തപ്പോൾ, ബജറ്റ് തയ്യാറാക്കുന്നത് ഊഹങ്ങൾ അടിസ്ഥാനമാക്കിയാകുന്നു, ഇത് ഒരു വർഷത്തെ സാങ്കേതിക ബജറ്റ് തകർക്കാൻ ശേഷിയുള്ള ഒരു 'ബ്ലാക്ക് ബോക്സ്' പോലെയാണ് CFO-മാർക്ക് മുന്നിൽ വരുന്നത്.

നമ്മൾ എങ്ങനെ ഇവിടെ എത്തി?

ഹൈപ്പർസ്കെയിലറുകൾ AI-പ്രത്യേക ഇൻസ്റ്റൻസുകളും മോഡൽ-ആസ്-എ-സർവീസ് (model-as-a-service) API-കളും അവതരിപ്പിച്ചതോടെയാണ് ഈ ഓട്ടം തുടങ്ങിയത്. സർവേയിൽ പങ്കെടുത്ത വർക്ക്ലോഡുകളിൽ 48% ഇപ്പോൾ Google Cloud-ൽ ആണ്, പിന്നാലെ Microsoft Azure (29%), AWS (22%), Oracle Cloud (22%) എന്നിവയാണ്. മോഡൽ ഉപയോഗവും സമാനമായ രീതിയിലാണ്, Gemini, OpenAI എന്നിവ ഓരോന്നും ഏകദേശം 40% ഉപയോഗം കൈക്കലാക്കുന്നു. ഇതിന്റെ ആകർഷണം വ്യക്തമായിരുന്നു: വിശ്വസനീയമായ ഒരു ക്ലൗഡ്, ഉപയോഗിക്കാൻ തയ്യാറായ GPU-കൾ, കൂടാതെ സുതാര്യമായ ചിലവുകൾ വാഗ്ദാനം ചെയ്യുന്ന പേ-ആസ്-യു-ഗോ (pay-as-you-go) മോഡൽ.

ഈ പഠനം ഒരു മറഞ്ഞിരിക്കുന്ന ചിലവിനെ വെളിപ്പെടുത്തുന്നു. വെണ്ടറെ മാറ്റാനുള്ള തീരുമാനങ്ങളിൽ സംയോജനത്തിനുള്ള ബുദ്ധിമുട്ടുകളാണ് (integration headaches) പ്രധാനമായും വരുന്നത്: 41% പേർ പ്രൊവൈഡറുടെ സംവിധാനത്തെ നിലവിലുള്ള പൈപ്പ്‌ലൈനുകളുമായി യോജിപ്പിക്കുന്നതിലെ ബുദ്ധിമുട്ട് ചൂണ്ടിക്കാണിക്കുന്നു, 35% പേർ മൊത്തം ഉടമസ്ഥാവകാശ ചെലവിനെ (total cost of ownership) ചൂണ്ടിക്കാണിക്കുന്നു. വെറും ടോക്കൺ വിലകൾ കാരണം മാറുന്നവർ 8% മാത്രമാണ്, ഇത് കാണിക്കുന്നത് വിലയേക്കാൾ ഉപരിയായി ആ എക്കോസിസ്റ്റവുമായുള്ള (ecosystem) പൊരുത്തമാണ് പ്രധാനം എന്നാണ്.

വെണ്ടർമാർക്കും വാങ്ങുന്നവർക്കും ഇടയിലുള്ള വെല്ലുവിളികൾ

വലിയ മൂന്ന് ക്ലൗഡ് കമ്പനികൾക്കും വിപണിയിലെ ആധിപത്യം വലിയ സ്വാധീനം നൽകുന്നുണ്ടെങ്കിലും, ഉപഭോക്താക്കൾ മാറാൻ തയ്യാറെടുക്കുന്നത് ആ സ്വാധീനം കുറയുന്നതിന്റെ സൂചനയാണ്.

വാങ്ങുന്നവർ രണ്ട് തരത്തിലുള്ള റിസ്കുകൾ നേരിടുന്നുണ്ട്. ഒന്നാമതായി, കുറഞ്ഞ ഉപയോഗം (low utilization) തുടരുന്നത് ഓരോ ഇൻഫറൻസ് അല്ലെങ്കിൽ ട്രെയിനിംഗ് ജോബിന്റെയും ചെലവ് വർദ്ധിപ്പിക്കുകയും, ഇത് AI-യുടെ സാമ്പത്തിക ലാഭക്ഷമതയെ ബാധിക്കുകയും ചെയ്യുന്നു. രണ്ടാമതായി, ചെലവുകളെക്കുറിച്ചുള്ള വ്യക്തതയില്ലായ്മ തന്ത്രപരമായ ആസൂത്രണത്തെ തടസ്സപ്പെടുത്തുന്നു; കൃത്യമായ യൂണിറ്റ് ഇക്കണോമിക്സ് ഇല്ലാതെ, കൂടുതൽ നിക്ഷേപം നടത്താനോ AI സാങ്കേതികവിദ്യ ഉപയോഗിച്ചുള്ള ഉൽപ്പന്നങ്ങൾക്ക് വില നിശ്ചയിക്കാനോ പ്രയാസമാണ്.

സ്പെഷ്യലൈസ്ഡ് AI ക്ലൗഡുകളുടെ വളർച്ച

CoreWeave, Lambda, Together തുടങ്ങിയ സ്പെഷ്യലൈസ്ഡ് AI ക്ലൗഡുകൾ നിലവിൽ വിപണിയുടെ 2 ശതമാനത്തിൽ താഴെ മാത്രമേ കൈവശം വയ്ക്കുന്നുള്ളൂ. വരും വർഷത്തിൽ ഇത്തരം നിഷ് പ്രൊവൈഡർമാരെ (niche providers) വിലയിരുത്തുമെന്ന് 45 ശതമാനം സംരംഭങ്ങളും പറയുന്നു, ഇത് വെണ്ടർ അസസ്‌മെന്റിൽ (vendor assessment) ഏറ്റവും വലിയ പദ്ധതിയുള്ള മേഖലയായി മാറുന്നു. AI ടൂൾചെയിനുകളുമായുള്ള മികച്ച സംയോജനം, കൂടുതൽ വിശദമായ ബില്ലിംഗ്, AI വർക്ക്ലോഡുകൾക്കായി പ്രത്യേകം തയ്യാറാക്കിയ ഹാർഡ്‌വെയർ എന്നിവയാണ് ഇവയുടെ പ്രധാന സവിശേഷതകൾ. ഇത് ഇന്നത്തെ മിക്ക സംരംഭങ്ങളെയും അലട്ടുന്ന 50 ശതമാനത്തിന് താഴെയുള്ള GPU ഉപയോഗക്ഷമതയെ ഗണ്യമായി വർദ്ധിപ്പിക്കാൻ സഹായിക്കും.

ഒരു സാങ്കേതികമായ പോരായ്മ: മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത്

ഹാർഡ്‌വെയർ സംബന്ധമായ ചർച്ചകൾ മാറിക്കൊണ്ടിരിക്കുകയാണ്. ഇൻഫറൻസ് വർക്ക്ലോഡുകൾ വർദ്ധിക്കുന്നതിനനുസരിച്ച്, മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത്—ഒരു GPU-ലേക്ക് ഡാറ്റ എത്ര വേഗത്തിൽ വരുന്നുവെന്നും പോകുന്നുവെന്നും ഉള്ളത്—ഒരു തടസ്സമായി മാറുകയും, കമ്പ്യൂട്ട് പവറിനേക്കാൾ പ്രാധാന്യമുള്ളതാകുകയും ചെയ്യുന്നു. എന്നാൽ സർവ്വേയിൽ പങ്കെടുത്ത കമ്പനികളിൽ ഏകദേശം 20 ശതമാനം മാത്രമാണ് ഈ പരിമിതി തിരിച്ചറിയുന്നതോ അല്ലെങ്കിൽ അത് പരിഹരിക്കാൻ നടപടികൾ സ്വീകരിക്കുന്നതോ. ബാൻഡ്‌വിഡ്ത്ത് അവഗണിക്കുന്നത്, ഒരു GPU പൂർണ്ണമായും ഉപയോഗിച്ചാൽ പോലും ആവശ്യമായ ത്രൂപുട്ട് (throughput) നൽകാൻ കഴിയില്ലെന്ന് അർത്ഥമാക്കാം, ഇത് ഇൻസ്റ്റൻസ് എണ്ണം വർദ്ധിപ്പിക്കാനും ചെലവ് കൂടാനും കാരണമാകും.

ഒരു മറിച്ച കാഴ്ചപ്പാട്: ഹൈപ്പർസ്കെയിലറുകൾ ഇപ്പോഴും ആധിപത്യം പുലർത്തുന്നു

ഹൈപ്പർസ്കെയിലറുകളുടെ കാലം അവസാനിച്ചു എന്ന് പ്രഖ്യാപിക്കുന്നത് അകാലമായിരിക്കും. അവരുടെ വലിപ്പം, ആഗോള സാന്നിധ്യം, നിലവിലുള്ള കോൺട്രാക്റ്റുകൾ എന്നിവ അവരെ പലരുടെയും ആദ്യ തിരഞ്ഞെടുപ്പായി നിലനിർത്തുന്നു. ഭൂരിഭാഗം വർക്ക്ലോഡുകളും ഇപ്പോഴും ഈ പ്ലാറ്റ്‌ഫോമുകളിൽ തന്നെയാണെന്ന് സർവ്വേ കാണിക്കുന്നു. കൂടാതെ, ശക്തമായ മൾട്ടി-ക്ലൗഡ് തന്ത്രങ്ങളുള്ള സ്ഥാപനങ്ങൾക്ക്, ഉയർന്ന ഉപയോഗക്ഷമത എന്ന ആകർഷണത്തേക്കാൾ നിലവിലുള്ള രീതിയിൽ തന്നെ തുടരാനുള്ള താല്പര്യമായിരിക്കും കൂടുതൽ. കൂടാതെ, സ്പെഷ്യലൈസ്ഡ് ക്ലൗഡുകളുടെ പരിമിതമായ വിപണി വിഹിതം സൂചിപ്പിക്കുന്നത് താല്പര്യം കൂടുതലാണെങ്കിലും മാറ്റം സാവധാനത്തിലായിരിക്കും എന്നാണ്.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത് പരിമിതികൾ: ഇൻഫറൻസ് വർക്ക്ലോഡുകൾ വർദ്ധിക്കുന്നതിനനുസരിച്ച്, ബാൻഡ്‌വിഡ്ത്ത് ഒരു പ്രധാന തടസ്സമായി മാറുകയും ഹാർഡ്‌വെയർ തിരഞ്ഞെടുപ്പുകളെയും ആർക്കിടെക്ചർ തീരുമാനങ്ങളെയും സ്വാധീനിക്കുകയും ചെയ്തേക്കാം.

പ്രധാന കാര്യങ്ങൾ

  • കാര്യക്ഷമതയില്ലായ്മ സാധാരണമാണ്: 83% സംരംഭങ്ങൾ GPU-കൾ 50 ശതമാനത്തിൽ താഴെ മാത്രമേ ഉപയോഗിക്കുന്നുള്ളൂ; 44% എണ്ണം മാത്രമേ കമ്പ്യൂട്ട് ചെലവ് കൃത്യമായി ട്രാക്ക് ചെയ്യുന്നുള്ളൂ.
  • വെണ്ടർമാരെ മാറ്റുന്നത് കൂടുതലാണ്: സംയോജനം (41%), TCO (35%) എന്നിവ കാരണം ഒരു വർഷത്തിനുള്ളിൽ ഇൻഫ്രാസ്ട്രക്ചർ പ്രൊവൈഡർമാരെ മാറ്റാനോ പുതിയവരെ ചേർക്കാനോ 64% പ്ലാൻ ചെയ്യുന്നു.
  • സ്പെഷ്യലൈസ്ഡ് ക്ലൗഡുകൾ വളരുന്നു: കമ്പ്യൂട്ട് വിടവ് നികത്തുന്നതിനായി അടുത്ത പന്ത്രണ്ട് മാസത്തിനുള്ളിൽ 45% പേർ നിഷ് AI ക്ലൗഡുകളെ വിലയിരുത്തും.
  • മെമ്മറി ബാൻഡ്‌വിഡ്ത്ത് ഒരു വരാനിരിക്കുന്ന തടസ്സമാണ്: ഏകദേശം 20% കമ്പനികൾ ഈ പുതിയ തടസ്സം തിരിച്ചറിയുകയോ അത് പരിഹരിക്കാൻ ശ്രമിക്കുകയോ ചെയ്യുന്നു.

AI ചെലവും സാമ്പത്തികമായ വ്യക്തതയും തമ്മിലുള്ള വിടവ് ഇപ്പോൾ വെറുമൊരു ചെറിയ കാര്യമായി അവശേഷിക്കുന്നില്ല; ഇത് സംഭരണ തന്ത്രങ്ങളെ (procurement strategies) പുനർനിർമ്മിക്കുകയും, ഓരോ ഡോളറും പരമാവധി പ്രയോജനപ്പെടുത്താൻ കഴിയുന്ന സേവനദാതാക്കളിലേക്ക് മാറാൻ പ്രേരിപ്പിക്കുകയും ചെയ്യുന്നു.