Tokenmaxxing पासून ROI पर्यंत: AI च्या वास्तववादी स्थितीवर NEA च्या Tiffany Luck यांचे मत

"tokenmaxxing" चा काळ—जिथे सिलिकॉन व्हॅलीचे CEOs खर्चाची पर्वा न करता अमर्याद AI वापराला प्रोत्साहन देत होते—तो आता वेगाने तीव्र आर्थिक देखरेखीच्या काळात बदलत आहे. कंपन्या सुरुवातीच्या अतिउत्साहाच्या पलीकडे जात असताना, आता लक्ष केवळ वापराकडून सिद्ध करता येण्याजोग्या गुंतवणुकीवरील परताव्यावर (ROI) केंद्रित झाले आहे.

Tokenmaxxing युगाचा अंत

या वर्षाच्या सुरुवातीला, तंत्रज्ञान क्षेत्रातील प्रचलित कल "tokenmaxxing" हा होता, ज्यामध्ये उपयोगिता वाढवण्यासाठी प्रत्येक शक्य कार्यप्रणालीमध्ये (workflow) AI समाविष्ट करण्याचा प्रयत्न केला जात होता. मात्र, लार्ज लँग्वेज मॉडेल (LLM) वापराच्या प्रचंड खर्चामुळे आता वास्तव समोर आले आहे. महत्त्वाच्या अहवालांनुसार, Uber सारख्या कंपन्यांनी अवघ्या काही महिन्यांतच त्यांचा संपूर्ण वार्षिक AI बजेट संपवला आहे.

या आर्थिक दबावामुळे संस्थांना कडक नियंत्रण लागू करणे भाग पडले आहे; काही कंपन्यांनी तर विशिष्ट विभागांसाठी Claude लायसन्स कमी केले आहेत किंवा Meta सारख्या कंपन्यांनी त्यांचे अंतर्गत AI लीडरबोर्ड बंद केले आहेत. NEA च्या पार्टनर Tiffany Luck सारख्या व्हेंचर कॅपिटलिस्ट्ससाठी, हा बदल प्रायोगिक खर्चाकडून शिस्तबद्ध "ROI हिशोबाकडे" होणाऱ्या संक्रमणाचे संकेत देतो.

Model Agnosticism आणि उपयोजन धोरणांचा उदय

कंपन्या या खर्चाशी झुंज देत असताना, कॉर्पोरेट स्तरावर AI स्वीकारण्याचे एक नवीन स्वरूप समोर येत आहे. एकाच प्रदात्यावर (provider) अवलंबून राहण्याऐवजी, कंपन्या कार्यक्षमता आणि किंमत या दोन्ही गोष्टींचा विचार करून विविध मॉडेल्सचे "mixing and matching" करत आहेत. या मल्टी-मॉडेल दृष्टिकोनामुळे कंपन्यांना जटिल कामांसाठी महागडी आणि उच्च तर्कक्षमता असलेली मॉडेल्स वापरता येतात, तर नियमित ऑटोमेशनसाठी लहान आणि स्वस्त मॉडेल्सचा वापर करता येतो.

हे एकत्रीकरण सुलभ करण्यासाठी, एका नवीन प्रकारच्या टॅलेंटची गरज भासत आहे: 'फॉरवर्ड-डिप्लॉयड इंजिनिअर' (forward-deployed engineer). Luck यांच्या मते, हे इंजिनिअर्स मोठ्या संस्थांमध्ये AI स्वीकारण्यासाठी "ट्रोजन हॉर्स" (Trojan horse) म्हणून काम करत आहेत. अंमलबजावणीच्या आघाडीवर थेट काम करून, ते मॉडेल्सची मूळ क्षमता आणि विशिष्ट, मूल्य-आधारित व्यावसायिक वापराची उदाहरणे (use cases) यांच्यातील दरी कमी करण्यास मदत करतात. यामुळे AI टूल्स केवळ गुंतागुंत न वाढवता खरोखरच कॉर्पोरेट समस्या सोडवतील याची खात्री मिळते.

संपूर्ण AI स्टॅक मध्ये मूल्य शोधणे

सध्याच्या बाजारपेठेतील एक सामान्य गैरसमज असा आहे की मूल्य केवळ मॉडेल लेयरमध्ये (model layer) केंद्रित आहे. सर्वात शक्तिशाली LLM साठीची स्पर्धा सुरू असतानाच, Tiffany Luck यांचा असा युक्तिवाद आहे की AI स्टॅकच्या प्रत्येक स्तरावर महत्त्वपूर्ण मूल्य निर्मिती होत आहे.

उद्योगांना AI खर्च ट्रॅक करण्यासाठी विशेषीकृत पायाभूत सुविधा तयार करणाऱ्या स्टार्टअप्सपासून ते ग्राहकांच्या अनुभवात 'जादुई क्षण' निर्माण करणारे 'वैयक्तिक एजंट्स' तयार करणाऱ्या डेव्हलपर्सपर्यंत, संधींचे वैविध्य वाढत आहे. जसजसा हा उद्योग प्रगल्भ होत आहे, तसे विजेते केवळ सर्वाधिक टोकन्स देणारे नसून, सर्वात कार्यक्षम, एकात्मिक आणि मोजता येण्याजोगी बुद्धिमत्ता प्रदान करणारे असतील.

मुख्य निष्कर्ष