Tokenmaxxing నుండి ROI వరకు: AI వాస్తవికతపై NEA యొక్క టిఫానీ లక్ (Tiffany Luck) అభిప్రాయం

"Tokenmaxxing"—అంటే ఖర్చుతో సంబంధం లేకుండా సిలికాన్ వ్యాలీ CEOలు అపరిమితమైన AI వినియోగాన్ని ప్రోత్సహించిన కాలం—వేగంగా తీవ్రమైన ఆర్థిక పరిశీలనల కాలానికి దారి తీస్తోంది. సంస్థలు ప్రారంభ హైప్‌ను దాటి ముందుకు సాగుతున్న కొద్దీ, దృష్టి కేవలం వినియోగం నుండి నిరూపించదగిన పెట్టుబడిపై రాబడి (ROI) వైపు మళ్లింది.

Tokenmaxxing యుగం ముగింపు

ఈ ఏడాది ప్రారంభంలో, సాంకేతిక రంగంలో ఉన్న ప్రధాన ధోరణి "tokenmaxxing". అంటే ప్రయోజనాన్ని గరిష్టీకరించడానికి ప్రతి పని విధానంలోనూ (workflow) AIని అనుసంధానించాలనే ప్రయత్నం. అయితే, లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) వినియోగం వల్ల కలిగే విపరీతమైన ఖర్చులు ఒక ముఖ్యమైన వాస్తవికతను బయటపెట్టాయి. ఉబెర్ (Uber) వంటి కంపెనీలు కేవలం కొన్ని నెలల్లోనే తమ వార్షిక AI బడ్జెట్‌ను పూర్తిగా ఖర్చు చేశాయని ప్రముఖ నివేదికలు సూచిస్తున్నాయి.

ఈ ఆర్థిక ఒత్తిడి కారణంగా సంస్థలు కఠినమైన నియంత్రణలను అమలు చేయాల్సి వస్తోంది. కొన్ని కంపెనీలు నిర్దిష్ట విభాగాలకు Claude లైసెన్స్‌లను తగ్గించడం లేదా మెటా (Meta) వంటి సంస్థలు తమ అంతర్గత AI లీడర్‌బోర్డులను నిలిపివేయడం వంటి చర్యలు తీసుకుంటున్నాయి. NEA భాగస్వామి టిఫానీ లక్ వంటి వెంచర్ క్యాపిటలిస్టుల దృష్టిలో, ఈ మార్పు ప్రయోగాత్మక ఖర్చుల నుండి క్రమశిక్షణతో కూడిన "ROI లెక్కల" వైపు మారుతున్న సంకేతం.

మోడల్ అగ్నోస్టిసిజం (Model Agnosticism) మరియు విస్తరణ వ్యూహాల పెరుగుదల

కంపెనీలు ఈ ఖర్చులతో పోరాడుతున్న తరుణంలో, సంస్థల వినియోగంలో ఒక కొత్త విధానం కనిపిస్తోంది. ఒకే ప్రొవైడర్‌పై ఆధారపడకుండా, పనితీరు మరియు ధర రెండింటినీ సమతుల్యం చేయడానికి సంస్థలు వివిధ మోడళ్లను "మిక్సింగ్ అండ్ మ్యాచింగ్" (mixing and matching) చేస్తున్నాయి. ఈ మల్టీ-మోడల్ విధానం వల్ల కంపెనీలు సంక్లిష్టమైన పనుల కోసం ఖరీదైన, అధిక తార్కిక సామర్థ్యం (high-reasoning) ఉన్న మోడళ్లను, రోజువారీ ఆటోమేషన్ కోసం చిన్నవి మరియు తక్కువ ధర కలిగిన మోడళ్లను ఉపయోగించుకోగలుగుతున్నాయి.

ఈ అనుసంధానాన్ని సులభతరం చేయడానికి, ఒక కొత్త రకమైన ప్రతిభావంతులు అవసరమవుతున్నారు: వారు "ఫార్వర్డ్-డిప్లాయ్డ్ ఇంజనీర్లు" (forward-deployed engineers). పెద్ద సంస్థలలో AI వినియోగాన్ని ప్రోత్సహించడంలో ఈ ఇంజనీర్లు ఒక "ట్రోజన్ హార్స్" (Trojan horse) లాగా పనిచేస్తున్నారని లక్ సూచిస్తున్నారు. అమలు ప్రక్రియలో నేరుగా రంగంలోకి దిగి పనిచేయడం ద్వారా, వారు ప్రాథమిక మోడల్ సామర్థ్యాలకు మరియు నిర్దిష్టమైన, విలువ ఆధారిత వ్యాపార అవసరాలకు మధ్య ఉన్న అంతరాన్ని తగ్గిస్తారు. దీనివల్ల AI సాధనాలు కేవలం సంక్లిష్టతను పెంచడమే కాకుండా, సంస్థల సమస్యలను నిజంగా పరిష్కరించేలా చేస్తాయి.

మొత్తం AI స్టాక్ అంతటా విలువను కనుగొనడం

ప్రస్తుత మార్కెట్‌లో ఉన్న ఒక సాధారణ అపోహ ఏమిటంటే, విలువ అనేది కేవలం మోడల్ లేయర్‌లోనే (model layer) కేంద్రీకృతమై ఉంటుందని. అత్యంత శక్తివంతమైన LLM కోసం పోటీ కొనసాగుతున్నప్పటికీ, AI స్టాక్ యొక్క ప్రతి లేయర్‌లో గణనీయమైన విలువ సృష్టి జరుగుతోందని టిఫానీ లక్ వాదిస్తున్నారు.

సంస్థలు AI ఖర్చును ట్రాక్ చేయడానికి సహాయపడే ప్రత్యేక మౌలిక సదుపాయాలను నిర్మించే స్టార్టప్‌ల నుండి, వినియోగదారుల అనుభవాలలో "మ్యాజిక్ మోమెంట్స్" అందించే "పర్సనల్ ఏజెంట్లను" సృష్టించే డెవలపర్‌ల వరకు, అవకాశాలు వైవిధ్యం చెందుతున్నాయి. పరిశ్రమ పరిణతి చెందుతున్న కొద్దీ, కేవలం అత్యధిక టోకెన్లను అందించేవారు కాకుండా, అత్యంత సమర్థవంతమైన, సమగ్రమైన మరియు కొలవదగిన మేధస్సును అందించేవారు విజేతలుగా నిలుస్తారు.

ముఖ్యమైన అంశాలు