تا زمانی که متوجه نشدید که هوش مصنوعی واقعا چه هزینه ای دارد، پس انداز را حساب نکنید

در دو سال گذشته، بیشتر گفتگوها در مورد هوش مصنوعی بر مشاغل متمرکز شده است.

کدام نقش ها تغییر خواهند کرد؟ کدام وظایف خودکار خواهند شد؟ سازمان ها در آینده به چند نفر نیاز خواهند داشت؟

اینها سوالات مهمی هستند. با این حال، در گفتگو با مشتریان سازمانی، نگرانی متفاوتی در حال افزایش است.

گفتگو در حال تغییر است

به همه ما گفته شد که از هوش مصنوعی استفاده کنیم، ابزارهای هوش مصنوعی را مستقر کنیم و راه هایی برای حرکت سریعتر پیدا کنیم. هیئت ها برای پذیرش فشار آوردند. تیم های اجرایی طرح هایی را آغاز کردند. واحدهای تجاری قبل از رقبا برای شناسایی موارد استفاده جدید به رقابت پرداختند.

سپس صورتحساب ها شروع به نمایش کردند.

اگر اخبار فناوری را دنبال می کنید، نگرانی های فزاینده ای را در مورد از دست دادن کنترل هزینه های هوش مصنوعی توسط سازمان ها مشاهده کرده اید. بیش از حد بودجه، استفاده غیرمنتظره از توکن و فاکتورهای غیرمنتظره بزرگ به مباحث رایج در بین رهبران فناوری تبدیل شده است. پذیرش هوش مصنوعی در تمام رشته‌های کسب‌وکار سرعت می‌گیرد و بسیاری از سازمان‌ها متوجه شده‌اند که کمتر از آنچه فکر می‌کردند در مصرف دیده می‌شوند.

دلیلش این است که هوش مصنوعی فقط نوآوری نمی کند. فاکتور می دهد.

هر تصمیم و اقدام هوش مصنوعی یک برچسب قیمت دارد. هوش مصنوعی فقط به سوالات پاسخ نمی دهد. استدلال می کند، دوباره تلاش می کند، برنامه ریزی می کند، تماس ها را راه اندازی می کند، از داده ها استفاده می کند و فقط برای تکمیل یک کار محاسبه می کند. اکنون در برنامه‌های تجاری که ما روزانه از آن استفاده می‌کنیم، از Microsoft Copilot و Google Gemini گرفته تا SAP، Workday و LinkedIn، ادغام شده است. چه بدانیم چه ندانیم، کنتور در حال کار است.

برای بسیاری از سازمان ها، این چالشی را ایجاد می کند که برای آن آماده نبودند.

یک مشکل آشنا در شکل جدید

یک دهه پیش، شرکت‌ها با مشکلات مشابهی در پذیرش ابری مواجه شدند. تیم ها خدمات را به سرعت، اغلب بدون حاکمیت، دیده شدن یا پاسخگویی انجام دادند. هزینه‌ها سریع‌تر از حد انتظار رشد کردند و سازمان‌ها در نهایت مجبور شدند رشته‌های جدیدی را معرفی کنند تا بفهمند چه چیزی مورد استفاده قرار می‌گیرد، چه کسی از آن استفاده می‌کند و آیا ارزش هزینه را توجیه می‌کند یا خیر.

هوش مصنوعی در حال ایجاد چالش مشابه در مقیاس بزرگتر است.

تفاوت این است که هوش مصنوعی به یک تیم یا بخش محدود نمی شود. در تمام بخش های سازمان وجود دارد. تیم های بازاریابی از آن استفاده می کنند. تیم های فروش از آن استفاده می کنند. تیم های محصول از آن استفاده می کنند. توسعه دهندگان از آن استفاده می کنند.

قابلیت‌های هوش مصنوعی به طور فزاینده‌ای در برنامه‌های تجاری تعبیه می‌شوند، در حالی که سازمان‌ها نیز در حال ساخت عوامل سفارشی و گردش کار خود هستند. در واقع، طبق گفته گلدمن ساکس، انتظار می‌رود هوش مصنوعی عاملی تا سال 2030 باعث افزایش 24 برابری مصرف توکن شود.

در نتیجه، هزینه‌های هوش مصنوعی در همه جا نمایان می‌شود.

بسیاری از سازمان‌ها هنوز نمی‌دانند دقیقا از کدام مدل‌ها استفاده می‌شود، کدام عوامل منابع را مصرف می‌کنند، کدام تیم‌ها بالاترین هزینه‌ها را ایجاد می‌کنند یا اینکه چقدر مصرف توکن به نتایج کسب‌وکار خاص، ارزش کسب‌وکار و بازگشت سرمایه واقعی مرتبط است. بدون این دید، شما پایه ای برای حکومت، کنترل یا مسئولیت پذیری ندارید.

هزینه های پنهان هوش مصنوعی و سراب پس انداز

این عدم دید زمانی اهمیت بیشتری پیدا می‌کند که سازمان‌ها تصمیمات نیروی کار را بر اساس صرفه‌جویی پیش‌بینی‌شده هوش مصنوعی شروع می‌کنند. اغلب، مقایسه با حقوق و مجوز هوش مصنوعی شروع می شود. چالش این است که مجوز تنها یکی از اجزای هزینه است.

هزینه واقعی شامل مصرف توکن، زیرساخت، پلتفرم‌های داده، منابع ابری، تلاش‌های ناموفق، تلاش‌های مجدد و نظارت انسانی مورد نیاز برای اعتبارسنجی خروجی‌ها و مدیریت استثناها است. این هزینه‌ها اغلب در سیستم‌ها، تیم‌ها و بودجه‌های مختلف توزیع می‌شوند که اندازه‌گیری دقیق آنها را دشوار می‌کند.

حقوق نسبتا قابل پیش بینی است. هزینه های هوش مصنوعی نیست.

همین کار بسته به اینکه کدام مدل انتخاب شده، چه مقدار زمینه ارائه شده است، چند بار سیستم یک فرآیند را تکرار می کند و چه مقدار توان محاسباتی برای تکمیل کار مورد نیاز است، می تواند هزینه های بسیار متفاوتی ایجاد کند. این تنوع اهمیت دارد زیرا نقش حذف شده از حقوق و دستمزد به طور خودکار به پس انداز تبدیل نمی شود. هزینه ممکن است به سادگی به جای دیگری منتقل شود.

ممکن است به سمت مصرف ابری حرکت کند. ممکن است به خدمات هوش مصنوعی منتقل شود. ممکن است به سمت هزینه های زیرساختی حرکت کند. ممکن است برای کارمندانی که مسئولیت بررسی خروجی ها و مدیریت استثنائات را دارند، وارد کار اضافی شود.

بدون مشاهده این هزینه ها، سازمان ها هوش مصنوعی را با حقوق مقایسه نمی کنند. آنها حقوق را با یک فرض مقایسه می کنند.

دید قبل از بهینه سازی

پاسخ این نیست که نوآوری را کند نکنید یا ابتکارات هوش مصنوعی را کنار بگذارید. درعوض، رهبران سازمانی باید بدانند که هوش مصنوعی کجا ارزش ایجاد می‌کند، هزینه کار در مقیاس چقدر است و چگونه تصمیم‌گیری آگاهانه در مورد پذیرش بگیرند.

که با دید شروع می شود.

سازمان‌ها باید ببینند که کدام برنامه‌ها، عوامل و مدل‌های هوش مصنوعی در سراسر تجارت استفاده می‌شوند. آنها باید بدانند که توکن‌ها کجا مصرف می‌شوند، هزینه‌ها در کجا جمع می‌شوند و نحوه استفاده از واحدهای تجاری، محصولات و نتایج چگونه است.

تنها در این صورت است که آنها می توانند تصمیم گیری آگاهانه در مورد بهینه سازی را آغاز کنند. این ممکن است به معنای انتخاب مدل های مختلف برای موارد استفاده متفاوت باشد. ممکن است به معنای شناسایی مصرف غیر ضروری باشد. ممکن است به معنای درک زمانی باشد که جایگزین های کم هزینه می توانند به همان نتیجه دست یابند. در برخی موارد، ممکن است به سادگی به معنای کشف این باشد که تعداد کمی از کاربران یا حجم کاری مسئول درصد نامتناسبی از هزینه هستند.

اینها مشکلات قابل کنترل هستند.

ریسک بزرگتر تصمیم گیری مالی قبل از درک اقتصاد است.

ظهور توکنومیک هوش مصنوعی

هوش مصنوعی به سمت یک اقتصاد استنتاج حرکت کرده است که در آن هزینه ها توسط استفاده، توکن ها و اجرای بلادرنگ هدایت می شود. توکن ها به عنوان واحد اتمی هزینه، ارزش و قیمت گذاری هوش مصنوعی در حال ظهور هستند. اگر سازمان‌ها بخواهند هوش مصنوعی را در مقیاس مقرون به صرفه اجرا کنند، به روش‌های جدیدی برای مدیریت، اندازه‌گیری و بهینه‌سازی مصرف نیاز دارند. این رشته نوظهور توکنومیک هوش مصنوعی با گسترش پذیرش هوش مصنوعی در سراسر شرکت اهمیت فزاینده ای پیدا می کند.

آنچه امروز شاهد آن هستیم آغاز یک مدل اقتصادی جدید است که بسیاری از شرکت ها هنوز برای مدیریت آن مجهز نیستند. همانطور که هوش مصنوعی در بین برنامه‌ها، عوامل و جریان‌های کاری جاسازی می‌شود، درک مصرف به اندازه درک پذیرش اهمیت می‌یابد.

هوش مصنوعی چه چیزی را برمی گرداند؟

در نهایت، سوالی که سازمان‌ها باید بپرسند این نیست که هوش مصنوعی چه هزینه‌ای دارد، بلکه این است که چه چیزی برمی‌گردد. چه ارزش تجاری ایجاد می کند؟ چه نتایجی را بهبود می بخشد؟ چه ارزشی دارد؟

سازمان‌هایی که می‌توانند با اطمینان به این سؤالات پاسخ دهند، تصمیمات بهتری در مورد اینکه هوش مصنوعی به کجا تعلق دارد، کجا نتایج قابل اندازه‌گیری ارائه می‌دهد و کجا نیست، می‌گیرند.

قبل از شمارش صرفه جویی های مبتنی بر هوش مصنوعی ناشی از کاهش مشاغل، هزینه کامل کار انجام شده را درک کنید. زیرا سازمان‌هایی که بیشترین ارزش را از هوش مصنوعی می‌گیرند، آن‌هایی نیستند که سریع‌ترین پیش‌فرض‌ها را در مورد کارایی ایجاد کنند. آنها هستند که بر اساس دید، شواهد، و درک روشنی از هزینه های این فناوری تصمیم می گیرند.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit