Tokenmaxxing-லிருந்து பங்கீடு வரை: நிறுவனங்களின் AI செலவு நெருக்கடி

"Tokenmaxxing" எனப்படும் ஆரம்பகால வெறி—அதாவது பயன்பாட்டை ஊக்குவிப்பதற்காக நிறுவனங்கள் வரம்பற்ற AI பயன்பாட்டை ஊக்குவித்த விதம்—தற்போது செயல்பாட்டுச் செலவுகளின் கடுமையான யதார்த்தத்தைச் சந்திக்கத் தொடங்கியுள்ளது. நிறுவனங்கள் சோதனையிலிருந்து விரிவாக்கக் கட்டத்திற்கு மாறும்போது, ஒரு புதிய போராட்டம் உருவாகிறது: குறைந்த மதிப்புள்ள, சாதாரணப் பணிகளால் மிகப்பெரிய AI பட்ஜெட்டுகள் தீர்ந்துவிடாமல் தடுப்பது எப்படி?

டோக்கன் பங்கீட்டின் எழுச்சி (Token Rationing)

இந்த ஆண்டின் தொடக்கத்தில், கார்ப்பரேட் உலகில் AI ஒருங்கிணைப்பை அதிகப்படுத்துவதே முக்கியப் போக்காக இருந்தது. சில நிறுவனங்கள் தங்கள் ஊழியர்களின் AI பயன்பாட்டை ஊக்குவிக்கவும், அவர்களுக்கு வெகுமதி அளிக்கவும் உள்நிலைத் தரவரிசைப் பட்டியல்களைக் (leaderboards) கூடப் பயன்படுத்தின. இருப்பினும், இந்தக்கட்டுக்கடங்காத ஆர்வம், கணிக்க முடியாத செலவினங்கள் மூலம் லாப வரம்புகளைக் குறைக்கும் ஒரு நிலையை உருவாக்கியுள்ளது.

நாம் இப்போது "டோக்கன் பங்கீடு" (token rationing) காலத்தைக் காண்கிறோம். ஒவ்வொரு சிறிய பணிக்கும் ஊழியர்களை Large Language Models (LLMs) பயன்படுத்த ஊக்குவிப்பதற்குப் பதிலாக, நிர்வாகம் இப்போது கடுமையான கட்டுப்பாடுகளை நடைமுறைப்படுத்தத் தொடங்கியுள்ளது. பரவலான, நிர்வகிக்கப்படாத பயன்பாட்டிலிருந்து, அதிக தாக்கத்தையும் மதிப்பையும் கொண்ட பணிப்பாய்வுகளில் (workflows) மட்டும் AI பயன்படுத்தப்படும் ஒரு ஒழுங்குமுறை மாதிரியை நோக்கி மாறுவதே இதன் நோக்கமாகும்.

Accenture வழக்கு: அதிகப் பந்தயம் மற்றும் சிறிய பணிகள்

இந்த மாற்றத்திற்கு உலகளாவிய ஆலோசனை நிறுவனமான Accenture ஒரு முக்கிய உதாரணமாகத் திகழ்கிறது. Accenture-ன் ஏஜென்டிக் AI உத்தித் தலைவர் Justice Kwak தலைமையிலான ஒரு உள்நாட்டுத் கூட்டத்தின் கசிந்த ஆடியோவின்படி, ஊழியர்கள் அடிப்படை நிர்வாகப் பணிகளுக்காகத் தங்கள் டோக்கன் இருப்புகளைத் தீர்ப்பதைத் தடுக்க நிறுவனம் தீவிரமாகச் செயல்பட்டு வருகிறது.

இந்த அறிக்கை ஒரு வியக்கத்தக்க முரண்பாட்டைக் காட்டுகிறது: ஊழியர்கள் AI-ஐப் பயன்படுத்தத் தவறினால் "பதவி உயர்வுகளை இழக்கும் அபாயம்" ஏற்படும் என்று முன்பு Accenture எச்சரித்திருந்த நிலையில், இப்போது பயன்பாட்டைக் குறைக்கத் திரும்பியுள்ளது. குறிப்பாக, PDF-களை விளக்கக்காட்சி ஸ்லைடுகளாக (presentation slides) மாற்றுவது போன்ற சிறிய பணிகளுக்காக விலையுயர்ந்த AI compute-ஐப் பயன்படுத்துவதைத் தடுக்க நிறுவனம் முயற்சிக்கிறது.

AI என்பது நிறுவனத்தின் செலவு கட்டமைப்பின் ஒரு முக்கிய அங்கமாக மாறும் ஒரு "திருப்புமுனையை" (inflection point) எட்டியுள்ளதாக Kwak குறிப்பிட்டார். செலவினங்கள் கணிக்க முடியாததாக மாறி வருவதால், CFOs, COOs மற்றும் CIOs ஆகியோர் கூடுதல் செலவினங்களுக்கு அனுமதி அளிப்பதற்கு முன், முதலீட்டின் மீதான லாபத்திற்கான (ROI) தெளிவான ஆதாரங்களைக் கோருகின்றனர்.

அதீத எதிர்பார்ப்புகளுக்குப் பிந்தைய காலத்தில் மதிப்பை நிரூபித்தல்

இந்த மாற்றம் AI துறையில் "AI selloff" என்று அழைக்கப்படும் ஒரு பரந்த போக்கைப் பிரதிபலிக்கிறது. சந்தை இப்போது வெறும் உருவாக்கும் திறன்களின் (generative capabilities) புதுமையால் திருப்தியடையவில்லை; மாறாக, compute மற்றும் டோக்கன் நுகர்வுக்கான பெரும் செலவுகளை விட அதிகப்படியான, புலப்படக்கூடிய உற்பத்தித் திறன் முன்னேற்றங்களை எதிர்பார்க்கிறது.

இந்த பொருளாதார அழுத்தம், மெமரி சிப் தயாரிப்பாளர்கள் உட்பட AI-ஐச் சார்ந்திருக்கும் துறைகளைத் குறிப்பாகப் பாதிக்கிறது. ஏனெனில், இந்தத் துறை வெறும் அதீத எதிர்பார்ப்புகளிலிருந்து விலகி, நிதிப் பொறுப்புக்கூறலை நோக்கி நகர்கிறது. AI வணிக மாதிரி நிலையானதாக இருக்க வேண்டுமானால், எவ்வளவு AI பயன்படுத்தப்படுகிறது என்பதிலிருந்து, சிக்கலான சிக்கல்களைத் தீர்க்க அந்த டோக்கன்கள் எவ்வளவு திறமையாக பயன்படுத்தப்படுகின்றன என்பதற்கு கவனம் மாற வேண்டும்.

முக்கியக் குறிப்புகள்

• உத்தி மாற்றங்கள்: கணிக்க முடியாத செயல்பாட்டுச் செலவுகளை நிர்வகிக்க, நிறுவனங்கள் "tokenmaxxing" (வரம்பற்ற பயன்பாடு) என்பதிலிருந்து "token rationing" (டோக்கன் பங்கீடு) நோக்கி நகர்கின்றன.
• ROI கட்டாயம்: CFOs மற்றும் CIOs உட்பட தலைமைத்துவக் குழுக்கள், AI பயன்பாட்டின் ஆரம்பகால உற்சாகத்தைக் கடந்து, அதன் மதிப்பை நிரூபிக்குமாறு கோருகின்றனர்.
• செலவு vs பயன்பாடு: அதிக தாக்கமுள்ள agentic workflows-களுக்குப் பதிலாக, PDF வடிவமைத்தல் போன்ற குறைந்த மதிப்புள்ள பணிகளுக்காக விலையுயர்ந்த LLM டோக்கன்கள் வீணடிக்கப்படுவது ஒரு முக்கியப் பிரச்சனையாக உருவெடுத்துள்ளது.