Gharama ya kila mwaka ya tokeni za AI inaanza kulingana na mishahara ya wahandisi katika baadhi ya makampuni, na uongozi haujui kama

Gharama ya kila mwaka ya tokeni za AI inaanza kulingana na mishahara ya wahandisi katika baadhi ya makampuni, na uongozi haujui kama unapaswa kusherehekea au kupaniki. Mashirika yamepitia miaka michache iliyopita yakielekeza mtaji mkubwa kwenye mifumo ya lugha kubwa (large language models), wakitarajia kwamba gharama nafuu za utendaji (inference) zingetafsiriwa moja kwa moja kuwa idadi ndogo ya wafanyakazi na mizunguko ya haraka ya utoaji bidhaa. Badala yake, mashirika mengi ya uhandisi yanajikuta yakilipa mara mbili: mara moja kwa vipaji walivyotarajia kuviongezea uwezo, na mara nyingine kwa nguvu za kompyuta (compute) ambazo zilipaswa kuwapiku. Swali si tena kama AI inaweza kuandika kodi. Ni kama kodi inayoiandika inahalalisha utajiri mkubwa unaotumika kuizalisha.

Kipimo cha Nusu ya Mshahara

Jensen Huang alieleza hesabu hiyo waziwazi mwishoni mwa GTC 2026, akizungumza kwenye All-In Podcast. Afisa Mtendaji Mkuu wa Nvidia alipendekeza kupima ufanisi wa mhandisi kwa kulinganisha mshahara wake moja kwa moja na matumizi yake ya tokeni za AI. Kigezo chake kilikuwa cha wazi kabisa. Chukulia mhandisi wa programu anayelipwa $500,000 kwa mwaka. Ikiwa mhandisi huyo anatumia tokeni zenye thamani ya chini ya $250,000 kila mwaka, takriban nusu ya mshahara wake, Huang anaona hilo kama ishara ya onyo. Uongozi unapaswa "kuwa na wasiwasi mkubwa," kwa maneno yake, si kwa sababu kampuni inatumia pesa nyingi kupita kiasi kwa watu, bali kwa sababu inaelekea kuwatumia vibaya.

Mantiki hii inageuza mtazamo wa jadi wa udhibiti wa gharama. Kwa miaka mingi, timu za fedha zilichukulia nguvu za kompyuta (compute) kama gharama inayobadilika inayopaswa kupunguzwa. Huang anapinga hilo. Mhandisi mwenye gharama kubwa ambaye hatumii modeli kwa kiasi kikubwa ni mhandisi mwenye gharama kubwa anayefanya kazi bila nyongeza ya uwezo (force multiplier). Matarajio ni kwamba vipaji vyenye gharama kubwa vinapaswa kufanya kazi kama mfuniko (funnel), vikipitisha kiasi kikubwa cha kazi kupitia mifumo ya AI, vikikagua matokeo, na kuratibu matokeo hayo. Matumizi madogo ya tokeni hayamaanishi uokoaji. Yanamaanisha kuwa binadamu bado anafanya kazi za kimekanika ambazo modeli ingeweza kuzishughulikia.

Jinsi Matumizi Hayo Yanavyoonekana Kiutendaji

Ili kuelewa kwa nini kipimo hiki ni muhimu, fikiria kile ambacho $250,000 za tokeni zinawakilisha hasa. Kwa viwango vya sasa vya modeli za kisasa (frontier models), hiyo si mapendekezo machache ya kujaza maneno (autocomplete). Ni mamilioni ya tokeni zinazochakatwa kila siku ya kazi katika mfululizo wa kazi mbalimbali. Inamaanisha mhandisi ambaye hachukui tu mapendekezo ya kuhariri (editor completions) bali anafanya uchambuzi mpana wa usanifu (architectural reasoning), marekebisho makubwa ya kodi (bulk refactoring) kupitia mawakala wenye akili (intelligent agents), mifumo ya majaribio ya kiotomatiki (automated testing pipelines), uundaji wa data bandia (synthetic data generation), na uchunguzi wa usanifu wa mara kwa mara (iterative design exploration).

Mhandisi mwandamizi anayefanya kazi kwa njia hii anaweza kuunganisha mfululizo wa mawasiliano ya modeli (model calls) kwa ajili ya kipengele kimoja: kutengeneza muundo wa awali (scaffolding), kuchambua utegemezi kwa ajili ya mabadiliko yanayoweza kuharibu mfumo (breaking changes), kuiga tabia za hali zisizo za kawaida (edge-case behavior), na kutengeneza nyaraka kwa wakati mmoja. Uzalishaji ni mkubwa kwa sababu binadamu hatimaye haandiki kila mstari. Anatoa maelekezo tu. Kwa Huang, mshahara unajilinda tu wakati binadamu anapofanya kazi katika kiwango hicho, akiongeza uzalishaji wake kupitia mwingiliano usio na kikomo na modeli.

Mahali Ambapo Faida Zinapotea

Licha ya maono haya, sekta inatazama pengo linalozidi kuwa kubwa kati ya matumizi ya miundombinu na matokeo yanayopatikana. Makampuni yamejikita katika mikakati inayotumia tokeni nyingi, yakifanya mikataba ya kampuni na wauzaji wa AI na kurekebisha mifumo yao ya uendelezaji kulingana na zana za uundaji (generative tools). Matumizi ya mtaji yamekuwa makubwa sana. Faida za uzalishaji, kwa wengi, zimekuwa chini ya matarajio.

Waendelezaji kwa kweli ni haraka zaidi katika mambo ya kuchosha. Kodi za awali (boilerplate code), mifumo ya majaribio ya kitengo (unit test skeletons), na shughuli za CRUD zinazojirudia hufanyika kwa haraka wakati modeli inapotengeneza rasimu ya kwanza. Lakini uhandisi wa programu haukuwahi kuwa kuhusu kasi ya kuandika. Kazi ngumu na ghali iko katika kudumisha mifumo mikubwa, kufanya uchambuzi wa mifumo ya hitilafu iliyosambazwa (distributed failure modes), kuhakikisha usalama katika utegemezi wa tabaka mbalimbali, na kudhibiti deni la kiufundi (technical debt) ambalo kila njia ya mkato huleta. Hizi