هوش مصنوعی در سال 2027 یک پنجم بودجه فناوری را خواهد خورد، اما انتظار نداشته باشید که هزینه های خود را بپردازد.

طبق گفته Forrester، بیش از نیمی از CIOها احتمالا اهداف بازگشت سرمایه مرتبط با هوش مصنوعی را در سال آینده از دست خواهند داد.

بررسی وضعیت هوش مصنوعی این تحلیلگر در سال 2026 نشان داد که 45 درصد از تصمیم گیرندگان هوش مصنوعی در طی یک سال به بازگشت سرمایه مثبت نیاز دارند تا سرمایه گذاری خود را موفقیت آمیز بدانند.

برخی از رهبران فناوری در پیوند دادن هزینه‌های هوش مصنوعی با بازده برنامه‌ریزی شده بهتر خواهند شد. با این حال، Forrester انتظار دارد که موفقیت به جای برنامه های کامل، به موارد استفاده مجزا محدود شود، که کافی نخواهد بود.

این گزارش می‌گوید: «همانند فناوری‌های نوظهور قبلی، ساختارهای سازمانی، فرآیندها و روش‌های کار باید تغییر کنند تا نتایج قابل اندازه‌گیری و جامعی با هوش مصنوعی ایجاد شود.»

تنها 22 درصد از تصمیم گیرندگان هوش مصنوعی تأثیر مثبت هوش مصنوعی بر EBITDA (درآمد قبل از مالیات بر درآمد، استهلاک و استهلاک) را در 12 ماه گذشته گزارش کرده اند.

این گزارش می افزاید: «این عدم تطابق بین سرمایه گذاری در پذیرش فناوری و تغییر سازمانی، تحقق اهداف افزایش یافته بازگشت سرمایه را به تاخیر می اندازد.

پول بدون توجه به بودجه های فناوری اطلاعات به جریان می افتد. Forrester در پیش‌بینی‌های فناوری و امنیت خود ادعا کرد که هوش مصنوعی ۲۰ درصد از کل هزینه‌های فناوری تجاری در سال آینده را به خود اختصاص خواهد داد.

شارین لیور، مدیر ارشد تحقیقات Forrester، گفت که این فشار بر رهبران برای اثبات ارزش هوش مصنوعی و در عین حال تحت کنترل نگه داشتن هزینه‌ها، زیرساخت‌ها و ریسک افزایش می‌یابد. او گفت: «در عین حال، فناوری‌های نوظهور، فشارهای ژئوپلیتیکی و استفاده فزاینده از هوش مصنوعی در عملیات‌های فناوری، پیچیدگی‌های جدید و نقاط بالقوه شکست را به همراه خواهد داشت.

در حالی که تیم‌های فناوری برای به دست آوردن درآمد حاصل از افزایش هزینه‌های هوش مصنوعی تلاش می‌کنند، با سرمایه‌گذاری در مدل‌های GenAI با وزن باز، که می‌توانند با کسری از هزینه، عملکردی مشابه با سیستم‌های اختصاصی پیشرو داشته باشند، سود بیشتری کسب کنند. فارستر پیش‌بینی می‌کند که مدل‌های با وزن باز نیمی از توکن‌های هوش مصنوعی را نشان می‌دهند، اما تنها پنج درصد از هزینه‌های سازمانی را نشان می‌دهند.

Forrester گفت: «مدل‌های وزن باز مانند Gemma، Llama یا Qwen برای بارهای کاری سازمانی که بیشترین حجم رمز را تولید می‌کنند، مانند پردازش اسناد، مکالمات پشتیبانی مشتری، جستجوی دانش داخلی، و مراحل فرعی معمول در گردش‌های کاری نمایندگی، به اندازه کافی خوب هستند.

مدل‌های مرزی، از جمله Claude Opus 5.5 و Claude Sonnet 5.5 از Anthropic، GPT-6.1 Sol و GPT-6 Astra از OpenAI، و Gemini 4 Argon گوگل، برای «معمولا دانش عمیق و اتوماسیون‌های وظایف حیاتی که در آن خطاها گران هستند» رزرو می‌شوند، اما تعداد توکن‌ها کاهش می‌یابد.