همه باید با هوش مصنوعی بسازند و همه باید هزینه آن را بدانند

ابزارهای هوش مصنوعی عمومی قول می دهند هر مشکلی را در زیر نور خورشید حل کنند، از اجرای CRM سازمانی گرفته تا تجزیه و تحلیل اینکه چرا گربه شما در طول موج گرما آب کافی نمی نوشد. و هنگامی که سعی می کنید از یک ابزار بدون نقش تعریف شده برای هر کار استفاده کنید، نتایج ناامید کننده هستند و اعتماد به فناوری را از بین می برند.

این الگو را در صدها کارمند ضرب کنید، و به tokenmaxxing خواهید رسید: اعلان پشت سر هم، بهبود خروجی هوش مصنوعی تا زمانی که چیزی قابل استفاده ظاهر شود.

برخی از سازمان ها، به طور غریزی، به طور پیش فرض کارمندان را به دلیل مکس کردن نشانه ها سرزنش می کنند، یا آموزش «استفاده مسئولانه از هوش مصنوعی» را دوچندان می کنند.

Tokenmaxxing نشانه‌ای از افراد توانمند است که باید راه‌حل‌هایی را در محیطی ایجاد کنند که فاقد شکل، محدوده، حفاظ‌ها و راه‌هایی برای تجزیه و تحلیل هزینه‌ها و نتایج است.

قفل کردن آن راه حل نیست

سیستم های تدارکات سنتی برای چرخه های نرم افزار تجاری سنتی طراحی شده اند. اگر ساختن یک سیستم سازمانی سال ها طول بکشد، اگر تهیه فروشنده مناسب نیز سال ها طول بکشد، مشکل بزرگی نیست.

مسیریابی هوش مصنوعی از طریق تدارکات برای ارزیابی همه گزینه‌ها و قابل پیش‌بینی نگه داشتن هزینه‌ها در ابتدا برای سازمان‌ها مانند یک انتخاب امن و مسئولانه. اما امروزه ایجاد نرم افزار با 5 سال پیش بسیار متفاوت است. تهیه استاندارد فناوری اطلاعات هنوز ماه ها طول می کشد، در حالی که باز کردن یک چت ربات عمومی LLM و درخواست از آن برای ایجاد صفحه فرود پنج ثانیه است.

سیاست ها تمایل دارند زندگی شاد خود را در جایی در پورتال های شرکتی، بدون مزاحمت و فراموشی بگذرانند، مگر اینکه حادثه ای مستلزم بررسی رسمی باشد. و هنگامی که سیستم های تایید شده کند یا محدود کننده هستند، کارمندان راه حل هایی را پیدا می کنند. آنها برای کارهای روزانه به ابزارهای AI سایه بررسی نشده روی می آورند و داده های شرکتی اختصاصی را در مدل های عمومی قرار می دهند.

به نمونه‌های اولیه برنامه‌هایی که از آن بیرون می‌آیند نگاه کنید: کد بد یک مشکل است، اما رابط‌ها نام تجاری ندارند، سیستم‌های طراحی شرکتی و قوانین دسترسی WCAG 2.2 را نادیده می‌گیرند و فاقد الگوهای احراز هویت اولیه هستند.

محدود کردن استفاده از هوش مصنوعی برای کارمندان در واقع به این معنی است که آنها اشتراک ماهانه 18 پوندی را از جیب خود پرداخت می کنند و همچنان از آن استفاده می کنند. این هزینه‌ها را به جایی می‌برد که منابع مالی نتوانند آن را ببینند، حداقل نه فورا و تا زمانی که خیلی دیر نشده باشد، و یک مشکل حاکمیت داده را در راس آن اضافه می‌کند.

پیامد دیگر در ترازنامه سخت تر است. شرکتی که در آن فقط مهندسان می‌توانند نرم‌افزار را با سرعت صف مهندسی ایجاد کنند، اما باز کردن گزینه‌ها برای گروه گسترده‌تری - مدیریت محصول، تحلیلگران، بازاریابان - به این معنی است که یک شرکت می‌تواند نوآوری را سرعت بخشد و در عین حال دید بیشتری نسبت به آن داشته باشد.

هزینه ساخت و ساز بدون دولت

فشار از قبل است. نظرسنجی Teneo's Vision 2026 از بیش از 350 مدیر عامل شرکت های دولتی و 400 سرمایه گذار نهادی نشان داد که 53 درصد از سرمایه گذاران انتظار دارند در مدت شش ماه یا کمتر شاهد بازگشت سرمایه مثبت در ابتکارات هوش مصنوعی جدید باشند، در حالی که تنها 16 درصد از مدیران اجرایی با سرمایه کلان معتقدند که می توانند در این جدول زمانی عمل کنند. همان مدیران عامل گزارش می دهند که کمتر از نیمی از پروژه های فعلی هوش مصنوعی آنها دارای ROI مثبت هستند. سرمایه گذاران خواهان بازدهی ساعتی هستند که مدیران فکر نمی کنند بتوانند به آن برسند.

حجم مشکل نیست. تحقیقات گلدمن ساکس پیش‌بینی می‌کند که مصرف توکن بین سال‌های 2026 تا 2030، 24 برابر، به 120 کوادریلیون توکن در ماه، افزایش می‌یابد، در حالی که ارائه‌دهندگان نیمه‌رسانا در حال حاضر 60 تا 70 درصد کاهش سالانه در هزینه هر توکن را ارائه می‌کنند. توکن‌ها ارزان‌تر می‌شوند و ما می‌خواهیم از آنها بسیار بیشتر استفاده کنیم.

اما اینکه چه کسی - یا چه چیزی - از نشانه ها استفاده می کند، تغییر خواهد کرد. سازمان ها در حال ساخت و استقرار عوامل هوش مصنوعی هستند که به تنهایی عمل می کنند. و هوش مصنوعی عاملی توکن‌های بسیار بیشتری نسبت به درخواست‌های انسان خوب قدیمی می‌سوزاند، زیرا پرس‌و‌جوها به ترتیب تکرار می‌شوند: یک درخواست ربات چت ضربدر 20 یا حتی 50، که بدون نظارت اجرا می‌شود. یک نماینده را بفرستید تا روی یک مشکل نامشخص کار کند، تا مدت ها بعد از اینکه یک انسان برای پرسیدن اینکه آیا این کار ارزشش را داشت متوقف می شود، این کار ادامه خواهد داشت.

بسیاری از آن توکن‌ها وارد نمونه‌های اولیه می‌شوند که هرگز نمی‌توانند دنیای واقعی را ببینند. نمونه‌سازی اولیه و بررسی ایده‌ها روشی است که نرم‌افزار تکامل می‌یابد، اما ساختن بدون توجه به تولید، منابع را تخلیه می‌کند. گارتنر دریافت که حداقل 50 درصد از پروژه‌های هوش مصنوعی مولد پس از اثبات مفهوم تا پایان سال 2025، به دلیل کیفیت پایین داده‌ها، کنترل‌های ناکافی ریسک، افزایش هزینه‌ها یا ارزش تجاری نامشخص، کنار گذاشته شدند. اگر یک نمونه اولیه به صورت مجزا کار کند اما باید از بین برود زیرا مهندسی باید آن را از ابتدا بازسازی کند، این ضایعات خالص است.

سپس سازمان ها باید دو بار قبض را بپردازند - برای توکن های متورم و ساعت های مهندسی از دست رفته. وقتی تیم‌ها با LLM‌های عمومی و بدون حفاظ می‌سازند، مهندسان ارشد ساعت‌ها صرف تمیز کردن خروجی می‌کنند. این شکاف اعتماد در تیم های فنی را عمیق تر می کند. نظرسنجی توسعه دهندگان Stack Overflow در سال 2025 نشان داد که 46 درصد از توسعه دهندگان به دقت خروجی هوش مصنوعی اعتماد ندارند. پاسخ‌های «تقریبا درست» (اما نه کاملا) هوش مصنوعی بزرگترین ناامیدی برای 66 درصد از توسعه‌دهندگان است، در حالی که 45 درصد گزارش می‌دهند که اشکال‌زدایی کدهای تولید شده توسط هوش مصنوعی زمان‌برتر است.

دسترسی برای همه، پاسخگویی از همه

سرعت تولید کد مشکلی نیست. کاهش موانع فناوری برای غیرمهندس‌ها، نرم‌افزار بهتری تولید می‌کند، نرم‌افزاری که توسط افرادی شکل می‌گیرد که نیاز کسب‌وکار را درک می‌کنند. ساختن هوش مصنوعی یک لبه است و یک لبه زمانی بهترین کار را می کند که همه آن را داشته باشند.

اما در کنار دسترسی دموکراتیک به فناوری، ما به راه‌های جدیدی برای فکر کردن درباره مسئولیت‌پذیری در مورد نحوه استفاده از آن و هزینه‌های مرتبط نیاز داریم. فرهنگ شرکتی مدرن می‌تواند پیچیدگی‌های غیرضروری را در نحوه تفکر و صحبت درباره کار خود ایجاد کند. اینکه بتوانید با کلمات ساده توضیح دهید که روز خود را چگونه گذرانده اید، تمرین مفیدی است و ما نیز باید همین تفکر را در مورد هزینه های هوش مصنوعی به کار ببریم.

بنابراین، به صراحت بیان شد: نشانه ها باید برای شغلی استفاده شوند که واقعا به آن نیاز دارد. به نوبه خود، کاربر باید بتواند، فراتر از کلمات رایج، توضیح دهد که هدف پشت یک خرج توکن خاص چه بوده است.

برای کار کردن، به جای تبدیل شدن به منبع دیگری از سرخوردگی شرکت، این مسئولیت باید بخشی از محیط ارائه شده باشد. یکی از راه‌های شروع این است که جعبه چت انجام همه کار را به عنوان پیش‌فرض بازنشسته کنید. درعوض، سازمان‌ها باید به این فکر کنند که چگونه به افراد، گردش‌های کاری عامل خاص متناسب با نقش‌هایشان را بدهند و محدودیت‌های اجرایی را در محیط نرم‌افزار ایجاد کنند.

به این ترتیب، کارکنان غیر فنی دستورالعمل‌های برند، فونت‌ها، قوانین امنیتی و اجزای را که از قبل در محیط کدگذاری شده‌اند دریافت می‌کنند، بنابراین برنامه‌هایی که می‌سازند به‌طور پیش‌فرض سازگار و آماده تولید هستند. آنها نیازی به ارائه درخواست های جداگانه ندارند زیرا شکل محیط از قبل شامل نرده های محافظ مناسب برای امنیت و هزینه است.

وقتی کار می کند چگونه به نظر می رسد

گردش کار محدود به روش هایی که شما می توانید اندازه گیری کنید نتیجه می دهد. در یک پیاده‌سازی اخیر شرکتی با اندازه متوسط، یک تیم تجزیه و تحلیل داده 3 نفره عاملی را ایجاد کرد که داده‌ها را در تمام سیستم‌های آنها تجزیه و تحلیل می‌کند. هر یک از آنها 12 تا 13 ساعت کار دستی در هفته صرفه جویی کرد.

اکنون سه تحلیلگر چیزی را تولید می کنند که زمانی یک تیم ده برابر اندازه آنها می گرفت و کار روزانه آنها نیز جالب تر شده است. آنها به جای جمع آوری داده ها با دست، وقت خود را صرف استراتژی با ارزش بالا می کنند.

آن نماینده یک کار کاملا مشخص دارد و آن را مطابق با پارامترهای از پیش تعریف شده اجرا می کند - این یک جعبه گفتگو با کارت اعتباری شرکت نیست.

جمع آوری فراوانی و حسابداری

هزینه های کنترل نشده هوش مصنوعی و کاهش اعتماد به فناوری نیز همین راه حل را دارد و سهمیه بندی توکن ها نیست. توکن‌ها روز به روز ارزان‌تر می‌شوند و فراوانی آنها نکته اصلی این فناوری است.

پاسخ در تعریف و درک دامنه هوش مصنوعی است. به همه این ابزار را بدهید، اما از همان ابتدا آن را به جای یک ابزار عمومی، مختص به هدف خود قرار دهید.

هر شرکتی که با آن صحبت می‌کنم می‌تواند به من بگوید در سه‌ماهه گذشته چه هزینه‌ای برای هوش مصنوعی هزینه کرده است، اما وقتی می‌پرسم در ازای آن چه چیزی می‌خواهند دریافت کنند، پاسخ مبهم است.

این فقدان درک از اینکه هوش مصنوعی چه کاری باید برای یک سازمان انجام دهد، مشکل است، و صورتحساب شگفت‌انگیز تنها علامت آن است. اولین قدم این است که سازمان قبل از اینکه نشانه ها شروع به حرکت کنند، به ساده ترین کلمات ممکن، ابزارها برای چه هستند.

داده های خود را در فضای ابری با بهترین فضای ذخیره سازی ابری ذخیره کنید.

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