توکنیزاسیون هوش مصنوعی تاثیر خود را می گذارد

سازمان‌ها در حال یادگیری هستند که چیزی به نام ناهار رایگان هوش مصنوعی (AI) وجود ندارد. کسب‌وکارهایی که تلاش می‌کنند هوش مصنوعی را در عملیات جاسازی کنند، به استراتژی‌های حداکثر توکن روی آورده‌اند که در آن کارکنان را ملزم می‌کنند که از هوش مصنوعی برای نسبت معینی از زمان یا درصدی از وظایف خود استفاده کنند.

با این حال، با افزایش هزینه توکن‌های هوش مصنوعی، ارزش خروجی‌ها به طور فزاینده‌ای زیر سوال می‌رود و این کسب‌وکارها را مجبور می‌کند محاسبه کنند که آیا استفاده از نیروی انسانی به جای آن ارزان‌تر است یا خیر.

ما به عقب‌نشینی در برابر حداکثر کردن توکن نگاه می‌کنیم و می‌پرسیم که آیا این احتمال وجود دارد که محدودیت مهمی در پذیرش هوش مصنوعی باشد یا خیر.

میا فینگان، مدیر امور عمومی اتاق دوبلین می‌گوید پذیرش هوش مصنوعی در سراسر مشاغل دوبلین سرعت می‌گیرد، اما مرحله بعدی به‌طور فزاینده‌ای در مورد نشان دادن ارزش به جای پذیرش برای پذیرش است. تحقیقات اتاق دوبلین نشان می‌دهد که کسب‌وکارها عمدتا از هوش مصنوعی برای بهبود کارایی و خودکارسازی فرآیندها استفاده می‌کنند، اما کسب‌وکارها همچنین طیفی از موانع را برای پذیرش بیشتر گزارش می‌دهند، از جمله مهارت‌ها، منابع داخلی و بودجه.

با عمیق‌تر شدن هوش مصنوعی در عملیات روزانه، کسب‌وکارها به طور فزاینده‌ای بر بازدهی که از این سرمایه‌گذاری به دست می‌آورند متمرکز می‌شوند. این سوال نباید این باشد که یک سازمان چقدر از هوش مصنوعی استفاده می‌کند، بلکه این سوال نباید این باشد که آیا بهره‌وری را بهبود می‌بخشد، هزینه‌ها را کاهش می‌دهد یا کارمندان را قادر می‌سازد روی کارهای با ارزش بیشتر تمرکز کنند.

برای بسیاری از شرکت‌ها، به‌ویژه شرکت‌های کوچک و متوسط، پذیرش موفقیت‌آمیز به داشتن مهارت‌های مناسب و توانایی داخلی برای شناسایی جایی که هوش مصنوعی می‌تواند ارزش کسب‌وکار واقعی را ارائه دهد، بستگی دارد. مارک کلی، موسس هوش مصنوعی ایرلند، می‌گوید: آزمایش هوش مصنوعی ارزان و اجرای آن در مقیاس گران است. یک تعامل تقریبا هیچ هزینه ای ندارد. اما پس از آن استفاده در صدها یا هزاران کارمند گسترش می یابد، نمایندگان شروع به انجام چندین مرحله می کنند و شما یکپارچه سازی، نظارت، امنیت و بررسی انسانی را اضافه می کنید. آن وقت است که اقتصاد تغییر می کند.»

در بیش از 1000 پروژه هوش مصنوعی که کلی از طریق جوایز هوش مصنوعی بررسی کرده است، خود فناوری به ندرت تنها مشکل است. او می‌گوید که چالش بزرگ‌تر اغلب هزینه کل اجرای راه‌حل قابل اعتماد در مقیاس است. "اشتباه این است که فقط به قیمت مدل نگاه می کنیم تا هزینه فرآیند کامل."

دیوید لی، مدیر ارشد فناوری PwC می گوید: ما به طور فزاینده ای شاهد قیمت گذاری و مصرف توکن های هوش مصنوعی هستیم، واحدهای متن و داده پردازش شده توسط مدل های AI. «هر درخواست، پاسخ، خلاصه‌شده سند یا گردش کار خودکار، توکن‌ها را مصرف می‌کند، به این معنی که با افزایش استفاده از AI، هزینه‌های مرتبط نیز افزایش می‌یابد. با این حال، چالش اصلی برای کسب‌وکارها کنترل مصرف توکن نیست، بلکه اطمینان از اینکه آن توکن‌ها ارزش تجاری قابل اندازه‌گیری را از هوش مصنوعی ارائه می‌کند.

موفق‌ترین سازمان‌ها بر نتایج و ارزش به‌دست‌آمده از مصرف هوش مصنوعی تمرکز می‌کنند. به جای اینکه فقط تعداد توکن‌های استفاده شده را اندازه‌گیری کنند، نتایج ایجاد شده مانند سود بهره‌وری، صرفه‌جویی در زمان، رشد درآمد، بهبود خدمات مشتری و کارایی عملیاتی را دنبال می‌کنند. این به کسب‌وکارها اجازه می‌دهد تا هزینه واقعی هر نتیجه را درک کنند و تعیین کنند که آیا هوش مصنوعی بازدهی سرمایه‌گذاری می‌کند یا خیر. لی می‌گوید تمرکز صرفا بر روی هزینه‌های AI و استفاده، خطراتی دارد.

استفاده کنترل‌نشده می‌تواند منجر به افزایش هزینه‌ها بدون مزایای تجاری مربوطه شود، در حالی که استقرار مدل‌های ممتاز برای هر کار می‌تواند هزینه‌های غیرضروری ایجاد کند. سازمان‌ها همچنین در معرض خطر ایجاد دستاوردهای بهره‌وری هستند که هرگز به ارزش مالی تبدیل نمی‌شوند، اگر گردش کار، حاکمیت، مسئولیت‌پذیری و نرده‌های محافظ مناسب پیرامون هوش مصنوعی دوباره طراحی نشود.

"از آنجایی که گسترده تر می شود، مزایای رقابتی ناشی از استفاده از هوش مصنوعی برای اختلال مثبت، تصویرسازی مجدد از نحوه عملکرد متفاوت، کارآمد و برای کاربردها و نتایج خاص است. کسب و کارهایی که حکمرانی قوی، قابل مشاهده بودن مصرف نشانه ها و ارتباط واضح بین هزینه های هوش مصنوعی و نتایج کسب و کار را ترکیب می کنند، بهترین موقعیت را برای به حداکثر رساندن ارزش و در عین حال تحت کنترل نگه داشتن هزینه ها خواهند داشت."

به گفته کلی، توکن‌ها زمانی مهم می‌شوند که حجم افزایش یابد، اطلاعاتی که به هوش مصنوعی داده می‌شود بزرگ‌تر می‌شود یا هوش مصنوعی شروع به انجام چندین مرحله به خودی خود می‌کند. با بالا رفتن این سطوح از چت های اولیه به عامل ها، میزان استفاده از محاسبات و هوش مصنوعی به طور کلی به طور چشمگیری افزایش می یابد.

یک سوال ساده برای یک ربات چت ممکن است شامل یک تعامل باشد. یک عامل هوش مصنوعی ممکن است اطلاعات را جستجو کند، با سیستم دیگری تماس بگیرد، نتیجه را تجزیه و تحلیل کند، چیزی را دوباره امتحان کند و سپس پاسخی را ارائه دهد. بنابراین یک کار تجاری می تواند تعاملات هوش مصنوعی زیادی را در پشت صحنه ایجاد کند.

به گفته کلی، به همین دلیل است که چیزی که در خلبانی بسیار ارزان به نظر می رسید، زمانی که هزاران بار در روز اجرا می شود، می تواند تبدیل به ماده شود. "معیار کلیدی باید هزینه هر کار موفق باشد، نه هزینه هر توکن."

لی می گوید: چالش ارزش در ایرلند روشن است. نظرسنجی مدیرعامل PwC در سال 2026 نشان داد که تنها 17 درصد از مدیران عامل ایرلندی درآمد بالاتری از هوش مصنوعی در 12 ماه گذشته گزارش کرده‌اند، در حالی که 23 درصد هزینه‌های کمتری را گزارش کرده‌اند. صرفه جویی واقعی.»

لی می گوید هوش مصنوعی یک اختلال مثبت است و ارزان نیست. «یافته‌ها نشان می‌دهند که باید از آن استفاده کنید تا کسب‌وکار خود را مختل کرده و دوباره اختراع کنید تا واقعا از آن ارزش کسب کنید – تبدیل بهره‌وری بالاتر به بازده مالی.

بهبود بهره‌وری تنها زمانی ارزش ایجاد می‌کند که کسب‌وکارها کسب‌وکار خود را دوباره اختراع کنند، جریان‌های کاری را دوباره طراحی کنند، حاکمیت را تقویت کنند و هزینه‌های هوش مصنوعی را مستقیما به نتایج قابل اندازه‌گیری کسب‌وکار مرتبط کنند.»

لی توضیح می‌دهد که در عین حال، هوش مصنوعی هزینه‌های جدیدی به‌ویژه مصرف توکن‌ها را معرفی می‌کند که می‌تواند باعث کاهش یا جبران صرفه‌جویی در صورت عدم مدیریت صحیح استفاده شود. "در نتیجه، شرکت ها به یک رویکرد منضبط نیاز دارند که بر هزینه هر نتیجه و بازده مبتنی بر هوش مصنوعی متمرکز باشد، نه صرفا افزایش پذیرش یا استفاده."

کلی می گوید، مهم ترین عدد این نیست که هوش مصنوعی چه هزینه ای دارد. این همان چیزی است که یک نتیجه خوب هزینه دارد. اگر یک مدل گران‌قیمت هوش مصنوعی بدون مداخله یک کار را به درستی انجام دهد، می‌تواند گزینه ارزان‌تری باشد. یک مدل ارزان می‌تواند بسیار گران باشد اگر کار آن توسط شخصی بررسی، تصحیح و تکمیل شود.

"پس از آموزش بیش از 10000 رهبر، الگویی که من می بینم این است که سازمان هایی که پیشرفت می کنند فراتر از آزمایش حرکت می کنند. آنها می توانند به طور فزاینده ای به سه سوال ساده پاسخ دهند: چه مشکلی را حل می کنیم؟ چه هزینه ای برای ما دارد؟ چه چیزی را به دست می آوریم؟ این جایی است که مکالمه هوش مصنوعی دارد: از پذیرش به اقتصاد و در نهایت به ارزش تجاری."

لی می‌گوید، افزایش هزینه‌های مصرف هوش مصنوعی می‌تواند به یک محدودیت تبدیل شود، اگر سازمان‌ها نتوانند آن‌ها را به طور موثر مدیریت کنند. AsAIusage رشد می‌کند، مصرف نشانه و هزینه‌های مربوطه می‌تواند به سرعت افزایش یابد، و این امر ضروری است که هزینه‌های هوش مصنوعی را به نتایج قابل اندازه‌گیری کسب‌وکار مرتبط کنیم. چالش وجود دارد نه هزینه خود هوش مصنوعی، بلکه این است که آیا سازمان‌ها می‌توانند از این هزینه‌ها ارزش‌گذاری کنند.

سازمان‌های پیشرو با تمرکز بر هزینه به ازای هر نتیجه، استفاده از حکومت و نظارت برای کنترل مصرف، و تطبیق حجم کاری با مدل کم‌هزینه‌ای که می‌تواند نتیجه مورد نیاز را ارائه دهد، پاسخ می‌دهند. در بلندمدت، افزایش هزینه‌ها به جای جلوگیری از پذیرش نظم و انضباط بیشتری را در مورد نحوه استقرار، اندازه‌گیری، و کنترل AI ایجاد می‌کند.

کلی می‌گوید: «اگر میانبری را به شما نشان دادم که پنج دقیقه در رانندگی شما به سمت خانه صرفه‌جویی می‌کند، می‌توانید فورا این مزیت را اندازه‌گیری کنید، زیرا می‌دانید که معمولا این سفر چقدر طول می‌کشد.

او ادامه می دهد: «هوش مصنوعی باید دقیقا به همین صورت ارزیابی شود. "ابتدا فرآیند فعلی را اندازه گیری کنید: چقدر طول می کشد، چقدر هزینه دارد، چه تعداد اشتباه رخ می دهد و چقدر مجدد مورد نیاز است. سپس فرآیند هوش مصنوعی را در کنار آن اجرا کنید و اقدامات مشابه را مقایسه کنید."

نکته مهم، کلی می‌گوید که هزینه کامل فرآیند هوش مصنوعی را شامل می‌شود: نرم‌افزار، استفاده از مدل، یکپارچه‌سازی، نظارت، اشتباهات، امنیت و بررسی انسانی. "تعدادی که من دوست دارم هزینه هر کار به درستی انجام شده است. یکی از متداول ترین هزینه های از دست رفته نظارت انسانی است. اگر کسی هر خروجی هوش مصنوعی را بررسی کند، زمان او بخشی از پرونده تجاری است."