هزینههای جاری هوش مصنوعی شرکتها را به زانو درآورده؛ ظهور بازار و استانداردسازی برای «توکنومیکس»
صنعت فناوری بهسرعت با مشکل جدیدی روبهرو شده: هزینههای استفاده از هوش مصنوعی (AI) که بهویژه با رشد «عاملهای خودران» و افزایش مصرف توکنها بهطرزی چشمگیر بالا رفتهاند. هرچند قیمت هر توکن کاهش یافته، اما حجم مصرف آنها چنان افزایش یافته که شرکتهای بزرگ و کوچک را غافلگیر کرده است. نمونهها انگشتشمار نیستند: اوبر بودجه کدنویسی AI سال ۲۰۲۶ خود را تا آوریل تمام کرده، مایکروسافت پس از مدتی دسترسی توسعهدهندگانش به Claude Code را لغو کرد، و یک قرارداد تجدید Cursor برای یک شرکت چند برابر گرانتر درآمد. Priceline نیز از افزایش ۴–۵ برابری هزینه در تمدید قرارداد خبر داده است.
چرا هزینهها سر به فلک کشید؟
– تعریف توکن: توکن واحد شمارش مصرف مدلهای زبانی است (بخشی از ورودی/خروجی متن)، و ارائهدهندگان بزرگ بر اساس تعداد توکنها صورتحساب صادر میکنند.
– عاملهای خودران و قابلیتهای جدید مدلها (مانند Claude Opus 4.5، GPT-5.1 و Gemini 3 Pro) مصرف را چندین برابر کردند؛ ابزارهایی که کارها را خودکارتر میکنند، ولی توکن مصرفی را نیز افزایش میدهند.
– سرعت پذیرش و استفاده نامحدود (all-you-can-eat) در اوایل ۲۰۲۵ باعث شد بسیاری از تیمها بدون محدودیت هزینه به آزمایش و توسعه بپردازند — نتیجه: صورتحسابهای سنگین، از جمله گزارشهایی درباره قبضهای چندصد میلیون دلاری بهخاطر عدم تعیین محدودیت.
گفتوگوها از «چه میتواند انجام دهد» به «چقدر هزینه دارد» منتقل شده
به گفته الکساندر امبریکوس، مدیر کسبوکارهای سازمانی OpenAI، موضوعات مشتریان اکنون حول دیدپذیری هزینه، قابلیت حسابرسی، کنترل توکن و کارایی مدلها میچرخد. درخواستها از «آیا مدل خوب است؟» به «ما چطور مصرف را کنترل و گزارشدهی کنیم؟» تغییر کرده است.
چالش مقیاس و اندازهگیری
فیناُپس (FinOps) در حوزه ابری به مدیریت هزینهها نظم داد؛ اما وقتی پای توکنها در میان است، موضوع پیچیدهتر میشود. جی.آر. استورمنت (FinOps Foundation) میگوید اگر ردیابی هزینههای ابری مسئلهای با صدها میلیون سطر داده در ماه است، ردیابی هزینه توکن میتواند به «تریلیونها سطر در ماه» برسد — چیزی که ابزارها، مشخصات و سیستمهای حسابداری سنتی برای آن آماده نیستند. این ابعاد باعث میشود خطاهای صورتحساب و اختلاف میان گزارش فروشنده و دادههای داخلی شرکتها شایع شود.
پاسخ بازار: ابزارها، شرکتها و استانداردها
برای پاسخ به این بحران، بازار جدیدی شکل گرفته است که شامل استارتاپها، شرکتهای جاافتاده و یک بدنه استانداردسازی جدید میشود:
– شرکتها و سرویسهایی مانند Pay-i و Paid ابزارهایی برای ردیابی، سنجش و بهینهسازی هزینه و عملکرد سرمایهگذاری در GenAI ارائه میدهند.
– پلتفرمهایی مانند Jellyfish، Waydev و Faros AI مانیتورینگ عاملهای AI و تحلیل بازدهی ابزارهای توسعهدهنده را فراهم میکنند.
– شرکتهای بزرگ زیرساخت و مانیتورینگ (Ramp، Datadog، New Relic و انتظاراً AWS) بهتدریج قابلیتهای مدیریت هزینه AI، مشاهدهپذیری در سطح توکن و مانیتورینگ GPU را اضافه میکنند.
– برخی شرکتها نیز قابلیتهای مسیریابی هوشمند مدل (model routing) را عرضه میکنند تا هر کار به ارزانترین یا مناسبترین مدل هدایت شود؛ نمونهای از این رویکرد در ابزارهایی است که درخواستها را بین مدلهای مختلف (مثلاً Opus، Sonnet یا Haiku) هدایت میکنند.
Tokenomics Foundation: تلاش برای زبان و استاندارد واحد
با توجه به نبود یک زبان مشترک برای تعریف هزینهها، خروجیها و مقایسه مصرف بین فروشندهها، بنیاد لینوکس این هفته از برنامه تاسیس Tokenomics Foundation رونمایی کرد. هدف این نهاد:
– تدوین تعریف و چارچوبی واحد برای «توکنومیکس»،
– ارائه استانداردهای باز، مشخصات و معیارهای مصرف و صورتحساب توکن،
– تعریف معیارهای اقتصادی جدید برای AI مانند «هزینه-به-ازای-هوشمندی» یا «توکن-در-ازای-وات»، و شاخصهای کارایی کارخانه توکن و مصرف.
این بدنه تلاش دارد همان انضباط هزینهای را که FinOps برای هزینههای ابری آورد، به اکوسیستم توکنهای AI بیاورد. با این حال، زمانبندی ارائه محصولات و استانداردها هنوز کندتر از نیاز شرکتهای دچار ثبتخرج بوده است؛ گرچه پیشبینیهایی مثل گزارش گلدمن ساکس حاکی از رشد ۲۴ برابری مصرف توکن تا سال ۲۰۳۰ هستند، شرکتها به راهکارهای فوری نیاز دارند.
پیامهای عملی برای شرکتها
– اعمال محدودیتهای توکن: تعیین حد مصرف برای گروهها و پروژهها یکی از فوریترین اقدامات برای جلوگیری از قبضهای ناگهانی است.
– مشاهدهپذیری و حسابرسی: پیادهسازی ابزارهایی که مصرف توکن را با جزئیات و در سطح درخواست ثبت کنند.
– بازبینی مقیاسپذیری ابزارهای حسابداری: سیستمهای سنتی ممکن است از حجم دادههای توکنی پشتیبانی نکنند؛ بازنگری در ابزارها و مشخصات دادهای ضروری است.
– اندازهگیری ارزش واقعی: بهجای تشویق صرف به مصرف سنگین، تمرکز به افزایش بهرهوری میانی (move the broad middle from low to moderate usage) معمولاً بهترین بازگشت سرمایه را دارد.
– استفاده از مسیریابی مدل و بهینهسازها: بهکارگیری رویکردهایی که بهصورت خودکار ارزانترین مدل مناسب را انتخاب میکنند، میتواند هزینهها را کاهش دهد.
نتیجهگیری
رشد سریع قابلیتهای AI فرصتی بزرگ برای تولید ارزش بوده، اما بدون مدیریت هزینه و ساختارهای اندازهگیری مناسب میتواند به یک بحران مالی تبدیل شود. همزمان با شکلگیری بازار ابزارهای مدیریت هزینه و آغاز کار نهادهای استانداردساز مانند Tokenomics Foundation، شرکتها باید بهسرعت روی مشاهدهپذیری، کنترل و سنجش بازده سرمایهگذاری در AI تمرکز کنند تا از تبدیل نوآوری به هزینهای غیرقابل کنترل جلوگیری شود.