The annual bill for AI tokens is starting to rival engineering payroll at some companies, and leadership does not know w

சில நிறுவனங்களில் AI டோக்கன்களுக்கான ஆண்டுப் கட்டணம், பொறியியல் ஊதியப் பட்டியலுக்கு இணையான அளவில் உயரத் தொடங்கியுள்ளது. இது குறித்துத் தலைமைப் பொறுப்பில் இருப்பவர்கள் கொண்டாடுவதா அல்லது பீதியடைகிறதா என்ற குழப்பத்தில் உள்ளனர். கடந்த சில ஆண்டுகளாக நிறுவனங்கள் பெரிய மொழி மாதிரிகளில் (large language models) பெரும் முதலீடுகளைச் செய்து வருகின்றன. மலிவான இன்ஃபரன்ஸ் (inference) தானாகவே பணியாளர்களின் எண்ணிக்கையைக் குறைக்கவும், விரைவான தயாரிப்புச் சுழற்சிகளுக்கும் வழிவகுக்கும் என்று அவர்கள் எதிர்பார்த்தனர். ஆனால், அதற்குப் பதிலாகப் பல பொறியியல் நிறுவனங்கள் இரண்டு முறை பணம் செலுத்த வேண்டிய நிலைக்குத் தள்ளப்பட்டுள்ளன: ஒன்று, தாங்கள் மேம்படுத்த விரும்பிய திறமையாளர்களுக்கு; மற்றொன்று, அவர்களை மாற்றியமைக்க வேண்டியிருந்த கணினித் திறனுக்காக (compute). AI குறியீடுகளை (code) எழுத முடியுமா என்பது இப்போது கேள்வியல்ல. அது எழுதும் குறியீடு, அதை உருவாக்கச் செலவிடப்படும் பெரும் தொகையை நியாயப்படுத்துமா என்பதே கேள்வி.

பாதிச் சம்பள அளவுகோல்

Jensen Huang, GTC 2026 நிறைவில் All-In Podcast இல் பேசியபோது, இந்தத் தர்க்கத்தை மிகத் தெளிவாக முன்வைத்தார். ஒரு பொறியாளரின் செயல்திறனை, அவரது சம்பளத்துடன் அவரது AI டோக்கன் பயன்பாட்டினை நேரடியாக ஒப்பிட்டு அளவிட வேண்டும் என்று Nvidia CEO முன்மொழிந்தார். அவரது அளவுகோல் மிகக் கடுமையானது. உதாரணமாக, ஆண்டுக்கு $500,000 சம்பாதிக்கும் ஒரு மென்பொருள் பொறியாளரை எடுத்துக் கொள்வோம். அந்தப் பொறியாளர் ஆண்டுக்குத் தனது சம்பளத்தில் பாதியாகும், அதாவது $250,000 மதிப்பிலான டோக்கன்களை விடக் குறைவாகப் பயன்படுத்தினால், அது ஒரு எச்சரிக்கை அறிகுறி என்று Huang கருதுகிறார். நிறுவனங்கள் மனிதர்களுக்கு அதிகப்படியாகச் செலவிடுவதால் அல்ல, மாறாக அவர்களைப் போதுமான அளவு பயன்படுத்தத் தவறுவதால், தலைமைப் பொறுப்பில் இருப்பவர்கள் "ஆழ்ந்த கவலையடைய வேண்டும்" என்று அவர் கூறுகிறார்.

இது பாரம்பரியச் செலவுக் கட்டுப்பாட்டுச் சிந்தனையைத் தலைகீழாக மாற்றுகிறது. பல ஆண்டுகளாக, நிதித் குழுக்கள் கணினித் திறனை (compute) குறைக்கப்பட வேண்டிய ஒரு மாறுபடும் செலவாகக் கருதினர். ஆனால் Huang இதற்கு நேர்மாறாக வாதிடுகிறார். ஒரு மாதிரியை (model) மிகக் குறைவாகவே பயன்படுத்தும் விலையுயர்ந்த பொறியாளர், ஒரு பல மடங்கு அதிகப்படுத்தும் காரணியின் (force multiplier) உதவியின்றிச் செயல்படும் விலையுயர்ந்த பொறியாளர் ஆவார். அதிகச் செலவு செய்யும் திறமையாளர்கள், AI அமைப்புகள் மூலம் மிகப்பெரிய அளவிலான வேலைகளைச் செலுத்தி, அதன் வெளியீட்டை ஆய்வு செய்து, முடிவுகளை ஒருங்கிணைக்கும் ஒரு கருவியாகச் செயல்பட வேண்டும் என்பதே எதிர்பார்ப்பு. குறைந்த டோக்கன் பயன்பாடு என்பது சிக்கனத்தைக் குறிக்கவில்லை; மாறாக, ஒரு மாதிரி கையாளக்கூடிய இயந்திரத்தனமான வேலையை மனிதன் இன்னும் செய்கிறான் என்பதையே அது காட்டுகிறது.

நடைமுறையில் அந்தச் செலவு எப்படி இருக்கும்?

இந்த அளவுகோல் ஏன் முக்கியமானது என்பதைப் புரிந்துகொள்ள, $250,000 மதிப்பிலான டோக்கன்கள் உண்மையில் எதைக் குறிக்கிறது என்பதைக் கவனியுங்கள். முன்னணி மாதிரிகளின் (frontier models) தற்போதைய விலையின்படி, இது வெறும் சில ஆட்டோகம்ப்ளீட் (autocomplete) பரிந்துரைகள் மட்டுமல்ல. இது பல்வேறு பணிகளுக்காக ஒவ்வொரு வேலை நாளிலும் மில்லியன் கணக்கான டோக்கன்களைச் செயலாக்குவதைக் குறிக்கிறது. இது ஒரு பொறியாளர் வெறும் எடிட்டர் பரிந்துரைகளை மட்டும் ஏற்காமல், விரிவான கட்டமைப்பு ரீதியான காரணங்களை ஆராய்தல் (architectural reasoning), அறிவுசார் ஏஜெண்டுகள் மூலம் பெருமளவிலான குறியீட்டு மாற்றங்களைச் செய்தல் (bulk refactoring), தானியங்கி சோதனைப் பாதைகள் (automated testing pipelines), செயற்கைத் தரவு உருவாக்கம் (synthetic data generation) மற்றும் தொடர்ச்சியான வடிவமைப்பு ஆய்வுகள் போன்றவற்றைச் செய்கிறார் என்பதைக் காட்டுகிறது.

இத்தகைய முறையில் பணியாற்றும் ஒரு மூத்த பொறியாளர், ஒரு தனி அம்சத்திற்காக (feature) பல மாதிரி அழைப்புகளை (model calls) ஒன்றிணைக்கலாம்: கட்டமைப்பை உருவாக்குதல் (scaffolding), மாற்றங்களால் ஏற்படும் பாதிப்புகளைக் கண்டறிய சார்புகளை (dependencies) ஆய்வு செய்தல், விளிம்புநிலைச் செயல்பாடுகளை (edge-case behavior) உருவகப்படுத்துதல் மற்றும் இணையாக ஆவணங்களை உருவாக்குதல் போன்றவை இதில் அடங்கும். மனிதன் இனி ஒவ்வொரு வரியையும் தட்டச்சு செய்யாததால், இதன் உற்பத்தித் திறன் மிகப்பெரியதாக உள்ளது. அவர் இப்போது ஒரு வழிகாட்டியாக (steering) செயல்படுகிறார். ஒரு மனிதன் அந்த அளவில் செயல்படும்போது மட்டுமே, தொடர்ச்சியான மாதிரித் தொடர்புகள் மூலம் தனது வெளியீட்டைப் பலமடங்கு அதிகரிக்கும் போது மட்டுமே, அவரது சம்பளம் நியாயப்படுத்தப்படுகிறது என்று Huang கூறுகிறார்.

வருவாய் எங்கே காணாமல் போகிறது?

இந்தத் தொலைநோக்குப் பார்வை இருந்தபோதிலும், உள்கட்டமைப்புச் செலவிற்கும் (infrastructure spending) பெறப்படும் முடிவுகளுக்கும் இடையே விரிந்து வரும் இடைவெளியை இத்துறை எதிர்கொள்கிறது. நிறுவனங்கள் டோக்கன் சார்ந்த உத்திகளில் விரைந்து இறங்கியுள்ளன, AI விற்பனையாளர்களுடன் நிறுவன ஒப்பந்தங்களைச் செய்துள்ளன மற்றும் தங்களது மேம்பாட்டுப் பாதைகளை (development pipelines) உருவாக்கத் துடிக்கும் கருவிகளுக்கு ஏற்ப மாற்றியமைத்துள்ளன. மூலதனச் செலவு (capital expenditure) வியக்கத்தக்க வகையில் உள்ளது. ஆனால் பலருக்கு, உற்பத்தித் திறன் மூலம் கிடைக்கும் வருவாய் ஏமாற்றமளிப்பதாகவே உள்ளது.

டெவலப்பர்கள் உண்மையில் சலிப்பூட்டும் வேலைகளை விரைவாகச் செய்கிறார்கள். ஒரு மாதிரி முதல் வரைவை உருவாக்கும்போது, போயிலர்ப்ளேட் குறியீடு (boilerplate code), யூனிட் டெஸ்ட் கட்டமைப்புகள் (unit test skeletons) மற்றும் மீண்டும் மீண்டும் செய்யப்படும் CRUD செயல்பாடுகள் மிக வேகமாகச் செய்து முடிக்கப்படுகின்றன. ஆனால் மென்பொருள் பொறியியல் என்பது ஒருபோதும் தட்டச்சு செய்யும் வேகத்தைப் பற்றியது மட்டுமல்ல. பரந்து விரிந்த அமைப்புகளைப் பராமரித்தல், விநியோகிக்கப்பட்ட தோல்வி முறைகளை (distributed failure modes) ஆராய்தல், அடுக்கு சார்ந்த சார்புகளில் (layered dependencies) பாதுகாப்பை உறுதி செய்தல் மற்றும் ஒவ்வொரு குறுக்குவழியாலும் உருவாகும் தொழில்நுட்பக் கடனை (technical debt) நிர்வகித்தல் போன்ற கடினமான, செலவு மிகுந்த வேலைகளில்தான் உண்மையான சவால்கள் உள்ளன. இவை...