وقتی مشتریان درباره هزینههای هوش مصنوعی (AI) صحبت میکنند، گفتگو معمولاً با قیمت توکنها شروع میشود و با دسترسی به آخرین و قدرتمندترین مدل در فضای ابری پایان مییابد. آیا آنها همیشه به آن سطح از توانمندی نیاز دارند؟ لزوماً خیر. اما گفتگو اغلب به همان نقطه ختم میشود.
همانطور که هوش مصنوعی (AI) از مرحله آزمایش به تولید منتقل میشود، انتخاب مدل تنها بخشی از معادله است. هنگامی که تقاضا پایدار و حیاتی برای کسبوکار میشود، رویکرد صرفاً مبتنی بر مصرف میتواند هزینههای هوش مصنوعی (AI) را به یک ردیف هزینه ماهانه متغیر تبدیل کند که با تغییر استفاده، حجم کاری و نیازمندیهای مدل، پیشبینی آن دشوار است.
در آن نقطه، پرسش دیگر صرفاً این نیست که کدام مدل را مصرف کنیم، یا کدام ارائهدهنده کمترین قیمت توکن را ارائه میدهد: بلکه این است که چگونه هوش مصنوعی (AI) را به شکلی اقتصادی، قابل پیشبینی و در مقیاس پایدار اجرا کنیم.
هوش مصنوعی (AI) از پروژههای آزمایشی ایزوله در حال انتقال به سبدهای تولیدی است: دستیارها، سیستمهای بازیابی و دانش، و برنامههای مبتنی بر ایجنت (Agentic applications). ایجنتهای خدمات مشتری، فناوری اطلاعات (IT)، پژوهش و فرآیندهای کسبوکار میتوانند جریانهای کاری چندمرحلهای را در سراسر سیستمهای سازمانی اجرا کنند و تقاضای تکرارشوندهای را در مدلها، دادهها و ابزارها ایجاد نمایند.
این روند هماکنون در حال رخ دادن است. گزارش دلویت (Deloitte) تحت عنوان وضعیت هوش مصنوعی در شرکتها (State of AI in the Enterprise) در سال 2026 بازتابدهنده چیزی است که بسیاری از رهبران شاهد آن هستند: دسترسی کارکنان به هوش مصنوعی (AI) در سال 2025 به میزان 5 درصد افزایش یافت و پیشبینی میشود سهم شرکتهایی که حداقل 40 درصد از پروژههای هوش مصنوعی (AI) خود را در فاز تولید دارند، ظرف مدت شش ماه دو برابر شود.
وقتی هوش مصنوعی (AI) به مجموعهای از بارهای کاری همیشه روشن تبدیل میشود، نه مجموعهای از آزمایشها، اقتصاد آن تغییر میکند. قیمتگذاری مبتنی بر مصرف به تیمها انعطافپذیری میدهد و تعهدات را محدود میکند. اما زمانی که استفاده پایدار، قابل پیشبینی و به اندازه کافی بزرگ شود تا ظرفیت را مولد نگه دارد، رهبران باید پرسش متفاوتی بپرسند: آیا خرید هوش مصنوعی (AI) به صورت هر درخواست در هر بار همچنان از نظر اقتصادی منطقی است، یا زمان آن رسیده است که روی ظرفیتی سرمایهگذاری کنند که بتوانند آن را بهینهسازی و کنترل نمایند؟
این یک بحث انتزاعی میان ابر (Cloud) و زیرساخت محلی (On-premises) نیست. این یک تصمیم کسبوکار مبتنی بر بار کاری است. طی ۱۲ تا ۱۸ ماه آینده، شرکت به طور منطقی چه میزان تقاضای هوش مصنوعی (AI) را میتواند انتظار داشته باشد؟ آن ظرفیت با چه ثباتی استفاده خواهد شد؟ هنگامی که بارهای کاری متعدد زیرساخت مشترکی دارند، سازمان میتواند هزینههای ثابت را در استفادههای مولدتر توزیع کند و اقتصاد مالکیت را بهبود بخشد.
سوال این است که چقدر اجرا میکنید
مالکیت به طور خودکار پاسخ کمهزینهتری نیست. این امر تنها زمانی منطقی است که یک سازمان بتواند ظرفیت را مولد نگه دارد.
هر سازمانی دارای یک نقطه عطف است؛ سطحی از استفاده پایدار که در آن مالکیت ظرفیت میتواند اقتصادیتر از خرید آن به صورت درخواست تکتک شود. هیچ عدد جهانی وجود ندارد. این امر به مدلهای مورد استفاده، توازن توکنهای ورودی و خروجی، الزامات عملکرد، طراحی سیستم، هزینههای انرژی و مدل عملیاتی مورد نیاز برای پشتیبانی از آن بستگی دارد.
یک سیستم دانش سنگین از نظر بازیابی میتواند پروفایل هزینهای کاملاً متفاوتی با یک دستیار ساده داشته باشد، زیرا ممکن است زمینه بسیار بیشتری را برای هر تعامل پردازش کند. جریانهای کاری ایجنتمحور ممکن است دوباره متفاوت باشند: یک وظیفه منفرد کسبوکار ممکن است شامل استدلال مکرر، بازیابی، فراخوانیهای مدل و استفاده از ابزار باشد. به همین دلیل است که معیارهای هزینه عمومی کافی نیستند. شرکتها باید بارهای کاری واقعی خود را مدلسازی کنند، تقاضای مورد انتظار را درک کنند و ظرفیت را بر اساس آن اندازهگیری نمایند.
در سطح بهرهبرداری مناسب، مزیت نه تنها هزینه مؤثر کمتر، بلکه پیشبینیپذیری بیشتر است: توانایی مدیریت ظرفیت هوش مصنوعی (AI) به عنوان یک سرمایهگذاری زیرساختی استراتژیک به جای تماشای نوسانات هزینه ماهانه با استفاده از مدل و تقاضای بار کاری.
مالکیت تنها زمانی کار میکند که به کار گرفته شود
تصمیم سرمایه تنها نیمی از معادله است. حتی زمانی که اقتصاد از مالکیت پشتیبانی میکند، ظرفیت تنها زمانی ارزش ایجاد میکند که کسبوکار بارهای کاری را به سرعت وارد فاز تولید کرده و آنها را در حال اجرا نگه دارد.
این امر نیازمند چیزی بیش از نصب زیرساخت است. این امر نیازمند یک مدل عملیاتی است که فناوری را به پذیرش و نتایج کسبوکار متصل کند: آوردن کاربران و بارهای کاری به سیستم، مدیریت نحوه استفاده از هوش مصنوعی (AI)، بررسی بهرهبرداری و شناسایی مداوم مورد استفاده با ارزش بعدی.
هدف این است که ارزش اولیه ایجاد شود و سپس بر روی آن ساخته شود. این بدان معناست که استفاده را اندازهگیری کنید، ظرفیت کمبهرهبرداریشده را شناسایی کنید و بارهای کاری با ارزش افزوده اضافی را در طول زمان به پلتفرم بیاورید. بدون این انضباط، کسبوکار ممکن است هرگز ارزش اقتصادیای را که توجیهکننده سرمایهگذاری بوده است، محقق نکند. با داشتن آن، ظرفیت هوش مصنوعی (AI) به یک دارایی مولد تبدیل میشود که کسبوکار میتواند آن را بهینهسازی، گسترش و برای ایجاد ارزش قابل اندازهگیری استفاده کند.
سه سوالی که باید پرسیده شود
قبل از تعهد سرمایه، رهبران باید سه سوال بپرسند:
- آیا تقاضا در حال پایدار شدن، قابل پیشبینی شدن و به اندازه کافی بزرگ شدن برای توجیه ظرفیت اختصاصی است؟
- در چه سطحی از استفاده، مالکیت از نظر اقتصادی منطقی میشود؟
- آیا میتوانیم آن ظرفیت را از طریق پذیرش، حاکمیت و گسترش مستمر موارد استفاده، مولد نگه داریم؟
تغییر را با اراده انجام دهید
همانطور که هوش مصنوعی (AI) وارد فاز تولید میشود، سازمانهایی که بیشترین ارزش را خلق میکنند فراتر از قیمت توکنها و آخرین مدل نگاه خواهند کرد. آنها میدانند چه زمانی تقاضای تکرارشونده نیازمند یک مدل اقتصادی متفاوت است و انضباط عملیاتی لازم برای مولد کردن آن ظرفیت را خواهند داشت.
این همان نقطهای است که هوش مصنوعی (AI) از یک هزینه متوقف شده و به یک دارایی تبدیل میشود.
این محتوا توسط HPE تولید شده است. این مقاله توسط کادر تحریریه MIT Technology Review نوشته نشده است.
منبع: technologyreview.com