شرکت‌های آمریکایی دیگر تمایلی ندارند برای هوش مصنوعی هزینه‌های گزاف بپردازند؛ چالشی جدی برای OpenAI و آنتروپیک
اوبر تمام بودجه هوش مصنوعی خود برای سال ۲۰۲۶ را تنها در چهار ماه مصرف کرد. این شرکت اکنون هزینه استفاده کارکنان از هر ابزار کدنویسی مبتنی بر هوش مصنوعی را به ۱٬۵۰۰ دلار در ماه محدود کرده است؛ تغییری چشمگیر برای صنعتی که سال‌ها کارکنان را تشویق می‌کرد تا حد امکان و با جسارت هرچه بیشتر، این فناوری را آزمایش کنند. شرکت‌های بزرگ دیگری نیز به نتیجه‌ای مشابه رسیده‌اند: قدرتمندترین مدل‌های هوش مصنوعی لزوماً برای انجام هر کاری بهترین انتخاب نیستند.
این تغییر رویکرد، مشکلی غیرمنتظره برای OpenAI، آنتروپیک و دیگر توسعه‌دهندگان مدل‌های پیشرفته ایجاد کرده است. مشتریان آن‌ها هوش مصنوعی را کنار نمی‌گذارند؛ بلکه در خرید و استفاده از آن آگاهانه‌تر عمل می‌کنند. شرکت‌ها مدل‌های گران‌قیمت را با گزینه‌های ارزان‌تر ترکیب می‌کنند و بیش از گذشته خواهان شواهدی هستند که نشان دهد توان محاسباتی بیشتر، آن‌قدر ارزش ایجاد می‌کند که هزینه اضافی آن توجیه‌پذیر باشد.
آمازون، والمارت، سیسکو، اوبر و متا از جمله شرکت‌هایی هستند که کنترل مصرف هوش مصنوعی را تشدید کرده‌اند. برخی دسترسی کارکنان را محدود می‌کنند، بعضی سقف هزینه تعیین کرده‌اند و گروهی دیگر کارهای کم‌پیچیدگی‌تر را به مدل‌های ارزان‌تر می‌سپارند. آنچه در ابتدا رقابتی برای نمایش سرعت پذیرش فناوری بود، اکنون به تلاشی برای انضباط مالی تبدیل شده است.
مشکل فوری این است که هزینه‌های هوش مصنوعی مانند هزینه‌های متعارف نرم‌افزارهای سازمانی نیست. کسب‌وکاری که به خرید تعداد مشخصی مجوز نرم‌افزاری عادت دارد، ممکن است ناگهان با وضعیتی روبه‌رو شود که در آن برای هر واحد کار اضافی انجام‌شده به‌وسیله یک مدل هوش مصنوعی، باید هزینه بیشتری بپردازد. با بلندپروازانه‌تر شدن کارهای کارکنان و واگذاری وظایف پیچیده‌تر به عامل‌های خودکار، میزان مصرف می‌تواند بسیار سریع‌تر از پیش‌بینی‌ها افزایش یابد.
این فشار اقتصادی زمانی بیشتر می‌شود که عامل‌های هوش مصنوعی به‌جای پاسخ دادن به پرسش‌های منفرد، فرایندهای چندمرحله‌ای را اجرا می‌کنند. یک مأموریت واحد ممکن است به فراخوانی‌های مکرر مدل، جست‌وجو، بازبینی و عملیات دیگری نیاز داشته باشد. هر یک از این مراحل منابع محاسباتی مصرف می‌کند و می‌تواند هزینه کاری را که در ابتدا ارزان به نظر می‌رسید، چند برابر کند.
در نظرسنجی شرکت کی‌پی‌ام‌جی در ماه مه، نزدیک به نیمی از ۲٬۱۴۵ مدیر کسب‌وکار شرکت‌کننده گفتند سازمان‌هایشان به دلیل بیشتر بودن هزینه عامل‌های هوش مصنوعی نسبت به منافع آن‌ها، استفاده از این ابزارها را کاهش داده‌اند. این یافته نشان می‌دهد مشکل به چند شرکت فناوری محدود نیست که کارکنانشان بیش از حد معمول به استفاده از این ابزارها علاقه‌مند شده‌اند.
ورنر فوگلز، مدیر ارشد فناوری آمازون، معتقد است رویکرد شرکت‌ها به بازار در حال تغییر است. کسب‌وکارها به‌جای آنکه به‌طور خودکار قدرتمندترین مدل موجود را انتخاب کنند، اکنون می‌پرسند آیا یک گزینه ارزان‌تر نیز می‌تواند کار موردنظر را به‌اندازه کافی خوب انجام دهد یا نه.
فوگلز در مصاحبه‌ای در جریان اجلاس «هوش مصنوعی برای خیر عمومی» سازمان ملل متحد پرسید: «آیا واقعاً برای حل این مسئله به بزرگ‌ترین و پیشرفته‌ترین مدل نیاز دارید؟» پاسخ او روشن بود: «نه، نیازی نیست.»
این ارزیابی یکی از فرض‌های پشتیبان ارزش‌گذاری‌های عظیم توسعه‌دهندگان پیشرو هوش مصنوعی را زیر سؤال می‌برد. OpenAI و آنتروپیک بر پایه این انتظار سرمایه جذب کرده‌اند که مدل‌های هرچه قدرتمندتر به زیرساختی ضروری برای کسب‌وکارهای سراسر جهان تبدیل خواهند شد. اما اگر مشتریان بتوانند برای کارهای روزمره از مدل‌های ارزان‌تر استفاده کنند، ممکن است تمایل کمتری داشته باشند صرفاً به این دلیل که یک ارائه‌دهنده پیشرفته‌ترین فناوری را عرضه می‌کند، بهای بالاتری بپردازند.
در نتیجه، فضای رقابتی بازار نیز در حال تغییر است. شرکت‌ها مدل‌های دارای وزن‌های باز، از جمله محصولات توسعه‌دهندگان چینی، را آزمایش می‌کنند و در عین حال برای کارهایی که به توانایی بیشتری نیاز دارند، دسترسی به سامانه‌های اختصاصی را حفظ می‌کنند. هدف لزوماً جایگزین کردن یک ارائه‌دهنده با ارائه‌دهنده‌ای دیگر نیست؛ بلکه پرهیز از پرداخت بالاترین قیمت برای کارهایی است که به بالاترین سطح عملکرد نیاز ندارند.
این وضعیت فرصتی برای شرکت‌هایی ایجاد می‌کند که به مشتریان سازمانی در مدیریت چندین مدل کمک می‌کنند. نرم‌افزارها می‌توانند به‌جای واگذاری همه وظایف به یک ارائه‌دهنده، هر کار را بر اساس هزینه، پیچیدگی، عملکرد و الزامات امنیتی به سامانه مناسب هدایت کنند.
این تمایز با عبور بازار از مرحله آزمایش اهمیت بیشتری پیدا می‌کند. یک شرکت ممکن است همچنان برای تحلیل‌های پیشرفته یا توسعه نرم‌افزارهای پیچیده به مدلی پیشرفته و قدرتمند نیاز داشته باشد، اما برای دسته‌بندی اطلاعات، خلاصه‌سازی یا عملیات روزمره دیگر از مدل کوچک‌تری استفاده کند.
شرکت نرم‌افزارهای حوزه سلامت «انسمبل هلث پارتنرز» نمونه‌ای از این رویکرد است. این شرکت که قصد داشت امسال تا سقف ۱۰۰ میلیون دلار برای هوش مصنوعی هزینه کند، اعلام کرده است که با انتقال بخشی از بار کاری خود به یکی از مدل‌های OpenAI که هزینه آن یک‌بیستم مدل‌های پیشرفته‌تر مورد استفاده شرکت است، به نتایج مطلوبی دست یافته است. این تفاوت، هزینه‌های عملیاتی را به میزان قابل‌توجهی کاهش می‌دهد، بی‌آنکه شرکت مجبور باشد ارائه‌دهنده فعلی خود را کنار بگذارد.
امکان کاهش هزینه‌ها برای شرکت‌هایی اهمیت ویژه‌ای دارد که هوش مصنوعی را در محصولات و خدماتی به کار می‌گیرند که مشتریان بارها از آن‌ها استفاده می‌کنند. حتی اختلاف اندک در هزینه انجام یک کار می‌تواند زمانی که همان کار میلیون‌ها بار تکرار می‌شود، به مبلغ قابل‌توجهی تبدیل شود.
البته کاهش هزینه‌ها محدودیت‌هایی نیز دارد. ممکن است مدل‌های دارای وزن‌های باز بدون هزینه‌های متعارف مجوز در دسترس باشند، اما کسب‌وکارها همچنان برای راه‌اندازی آن‌ها به زیرساخت محاسباتی، تخصص فنی و سازوکارهای حفاظتی عملیاتی نیاز دارند. ارزان‌ترین مدل در فهرست قیمت‌ها لزوماً ارزان‌ترین سامانه برای بهره‌برداری قابل‌اعتماد نیست.
همچنین هزینه کمتر به معنای عملکرد یکسان نیست. خطاها، تأخیرها و نیاز به نظارت انسانی بیشتر می‌توانند صرفه‌جویی ظاهری حاصل از استفاده از یک مدل ارزان‌تر را از بین ببرند؛ به‌ویژه در صنایع تحت نظارت یا فرایندهایی که تصمیم‌های مهم و پیامدهای قابل‌توجهی دارند.
به همین دلیل، بازار نوظهور هوش مصنوعی بیشتر از آنکه نشان‌دهنده کنار گذاشتن گسترده مدل‌های گران‌قیمت باشد، به شکل‌گیری نوعی تقسیم کار جدید شباهت دارد. مدل‌های پیشرفته و گران‌تر ممکن است همچنان برای مأموریت‌های دشوار ارزشمند باشند، در حالی که سامانه‌های ارزان‌تر سهم فزاینده‌ای از فعالیت‌های روزمره را به خود اختصاص می‌دهند.
پیامدهای این تحول به توسعه‌دهندگان مدل‌ها محدود نمی‌شود. جایگاه مایکروسافت به‌عنوان ارائه‌دهنده نرم‌افزارهای سازمانی و خدمات ابری ممکن است تقویت شود، اگر مشتریان شرکتی بیش از گذشته به سامانه‌هایی نیاز پیدا کنند که مدل‌های رقیب هوش مصنوعی را هماهنگ می‌کنند، نه اینکه صرفاً دسترسی به یک مدل را فراهم آورند.
بر اساس نظرسنجی مورگان استنلی از مدیران فناوری شرکت‌ها، ۴۲ درصد از پاسخ‌دهندگان هنوز نمی‌توانستند بازده هزینه‌های مربوط به توکن‌های هوش مصنوعی خود را اندازه‌گیری کنند و ۲۸ درصد دیگر اعلام کردند بازده به‌دست‌آمده کمتر از هزینه‌ها بوده است. در همین حال، ۴۳ درصد از شرکت‌ها از پیش کنترل‌هایی برای مدیریت هزینه‌ها برقرار کرده بودند و ۳۱ درصد دیگر قصد داشتند پیش از پایان سال ۲۰۲۷ چنین محدودیت‌هایی را اعمال کنند.
این ارقام تنش اقتصادی نهفته در رشد صنعت را آشکار می‌کند. شرکت‌ها همچنان مشتاق به‌کارگیری هوش مصنوعی هستند، اما افرادی که هزینه‌ها را تصویب می‌کنند، بیش از گذشته می‌خواهند بدانند در ازای پولی که می‌پردازند، چه چیزی به دست می‌آورند.
این چالش برای توسعه‌دهندگان مدل‌های پیشرفته به‌ویژه دشوار است. آن‌ها برای حفظ برتری فناوری خود باید همچنان سرمایه‌گذاری سنگینی در زیرساخت‌های محاسباتی و پژوهش انجام دهند؛ آن هم در شرایطی که مشتریان تمایل بیشتری به استفاده از گزینه‌های ارزان‌تر پیدا می‌کنند.
فشار مالی لزوماً به معنای کاهش تقاضا برای هوش مصنوعی نیست. میزان استفاده می‌تواند همچنان افزایش یابد، در حالی که درآمد با سرعت کمتری رشد می‌کند؛ زیرا مشتریان تخفیف می‌گیرند، مدل‌های ارزان‌تر را انتخاب می‌کنند یا بهره‌وری خود را در استفاده از این فناوری بالا می‌برند.
داده‌های اخیر هزینه‌کرد شرکت رمپ نشان می‌دهد این تفاوت از هم‌اکنون در حال نمایان شدن است. حجم توکن‌های مصرف‌شده در هوش مصنوعی همچنان افزایش یافته، اما رشد هزینه‌ها کندتر شده است. این شرکت بخشی از این اختلاف را به کاهش قیمت‌ها و بهبود بهره‌وری نسبت می‌دهد.
در نتیجه، بازاری در حال شکل‌گیری است که در آن موفقیت فناوری و موفقیت مالی ممکن است بیش از گذشته از یکدیگر فاصله بگیرند. کسب‌وکارها می‌توانند از هوش مصنوعی بیشتر و در حجم بالاتری برای انجام کارهای گوناگون استفاده کنند، بی‌آنکه هزینه پرداختی آن‌ها برای خود مدل‌ها به همان نسبت افزایش یابد.
این روند برای مشتریان سازمانی، به‌ویژه شرکت‌هایی که در توجیه بازده سرمایه‌گذاری‌های اولیه خود با مشکل روبه‌رو بوده‌اند، تحول مثبتی است. اما برای ارائه‌دهندگان هوش مصنوعی که انتظارات مالی‌شان به رشد مداوم درآمد و حفظ حاشیه سود قابل‌توجه وابسته است، شرایط پیچیده‌تری ایجاد می‌کند.
این تغییر همچنین فاصله گرفتن از نخستین مرحله پذیرش هوش مصنوعی در شرکت‌ها را نشان می‌دهد؛ دوره‌ای که مدیران نگران بودند اگر به‌اندازه کافی سریع این فناوری را نپذیرند، از رقبا عقب بمانند. تشویق کارکنان به آزمایش ابزارهای هوش مصنوعی در آن زمان منطقی بود، زیرا هدف اصلی یافتن کاربردهای مفید این فناوری بود.
اما هنگامی که این کاربردها به بخشی از فعالیت‌های عادی کسب‌وکار تبدیل می‌شوند، معادلات اقتصادی تغییر می‌کند. پرسش دیگر این نیست که یک سازمان چگونه می‌تواند کارکنانش را به استفاده بیشتر از هوش مصنوعی ترغیب کند؛ مسئله این است که در برابر هر دلار هزینه، چه میزان ارزش به دست می‌آورد.
تمام شدن بودجه اوبر به‌خوبی این گذار را نشان می‌دهد. این شرکت اشتیاق خود به هوش مصنوعی را از دست نداد؛ بلکه پولی را که برای استفاده از آن اختصاص داده بود، تمام کرد.
برای OpenAI، آنتروپیک و رقبای آن‌ها، این شاید مهم‌ترین تحول باشد. شرکت‌های آمریکایی همچنان این فناوری را می‌خواهند، اما دیگر تمایل چندانی ندارند هر قیمتی را که ارائه‌دهندگان پیشرو تعیین می‌کنند، بپردازند.