عصر «مصرف بیرویه توکن» به پایان رسید؛ شرکتها وارد دوره تخصیص سهمیه توکن شدهاند
صنعت هوش مصنوعی که در ماههای اخیر شرکتها را به صرف بودجههای هنگفت برای آزمایش و بهکارگیری مدلهای زبانی تشویق کرده بود، حالا با یک واقعیت ساده روبهرو شده: هزینههای ناشی از «توکن» (واحدهای مصرفی مدلهای زبانی که شرکتهای ارائهدهنده بابت آنها هزینه دریافت میکنند) میتواند بسیار بالا و بازده حاصل از هزینهکرد ناواضح یا کم باشد. اکنون نشانهها حاکی از آغاز دورهای است که میتوان آن را «تخصیص سهمیه توکن» نامید؛ یعنی سازمانها سیاستهای کنترلی برای جلوگیری از هدررفت بودجههای هوش مصنوعی اتخاذ میکنند.
پیشزمینه: چرا توکنها مهم شدند؟
مدلهای زبانی بزرگ (LLM) معمولاً بر اساس تعداد توکنهای ورودی و خروجی قیمتگذاری میشوند؛ هرچه پرسشها و پاسخها طولانیتر یا پردازش اطلاعات حجیمتر (مثل تبدیل PDF به اسلاید) باشد، مصرف توکن افزایش یافته و هزینهها بالا میرود. در شرایطی که شرکتها ابتدا با کمپینها و حتی «جدول امتیازدهی داخلی» کارکنان را به استفاده گستردهتر از ابزارهای مبتنی بر هوش مصنوعی ترغیب کردند، اکنون برخی سازمانها متوجه شدهاند که بهراحتی میتوان مبالغ زیادی خرج کرد و بازگشت سرمایه ملموسی دریافت نکرد.
نمونه عملی: Accenture و صوتهای داخلی لو رفته
گزارش 404 Media از روی یک فایل صوتی داخلی نشان میدهد که شرکت خدمات مشاورهای Accenture اخیراً تلاش کرده است کارکنان خود را از مصرف بیرویه توکنها برای کارهای ساده—مانند تبدیل فایلهای PDF به اسلاید—بازدارد. این اقدام در پی دورهای صورت میگیرد که Accenture کارکنان را به استفاده از هوش مصنوعی ترغیب کرده و حتی هشدار داده بود که استفاده نکردن ممکن است «ریسک از دست دادن ترفیع» را به همراه داشته باشد. در فایل صوتی، جاستیس کوآک (Justice Kwak)، مسئول استراتژی هوش مصنوعی عاملیتدار این شرکت میگوید: «ما به نقطه عطفی رسیدهایم که هوش مصنوعی دارد بخشی از ساختار هزینهای ما را شکل میدهد. هزینهها بیش از حد غیرقابل پیشبینی شده و رهبری، بهویژه در سطوح CFO، COO و CIO، هنوز میپرسند آیا آنچه در حوزه هوش مصنوعی هزینه میکنیم، ارزش لازم را ایجاد میکند یا نه.»
پیامدها برای بازار و زنجیره تأمین
افزایش هزینههای توکن و نگرانی از بازده سرمایهگذاری باعث شد بحث «کنارگذاشتن سرمایهگذاریهای پرریسک در هوش مصنوعی» یا همان «AI selloff» مطرح شود؛ رویدادی که برخی کسبوکارهای وابسته به هوش مصنوعی و زنجیره تأمین مرتبط—بهویژه سازندگان حافظه و چیپستها—را تحت فشار قیمتی قرار داد. این تحول نشان میدهد صنعت دیگر صرفاً مجذوب فناوری جدید نیست و اکنون ملزم به اثبات ارزش اقتصادی و کاربردی برای کسبوکارها و سرمایهگذاران است.
چه اقداماتی اکنون در دستور کار شرکتها قرار میگیرد؟
– تعیین سهمیه توکن و سیاستهای داخلی برای جلوگیری از استفادههای غیرضروری.
– اولویتبندی موارد با بازده مشخص (مثل خودکارسازی فرآیندهای تکراری کسبوکاری با صرفه).
– بهینهسازی متون ورودی (prompt engineering) و ذخیره نتایج برای کاهش فراخوانیهای تکراری مدلها.
– انتخاب مدلهای اقتصادیتر یا هیبریدی (مثلاً مدلهای سبکتر برای پردازشهای ساده و مدلهای پیشرفته برای وظایف حیاتی).
– سنجهگذاری دقیق بازگشت سرمایه (ROI) برای پروژههای هوش مصنوعی و اعمال کنترلهای هزینهای از سوی مدیران مالی و فناوری.
نتیجهگیری
دورانی که صرفاً تشویق به استفاده بیشتر از هوش مصنوعی کافی بود، به پایان رسیده است. اکنون شرکتها باید هر دلاری که صرف مدلهای زبانی میکنند توجیه کنند؛ چه از طریق افزایش بهرهوری، کاهش هزینههای عملیاتی یا خلق محصولات و خدمات جدید با ارزش افزوده واضح. دوره «تخصیص توکن» فرصتی است تا سازمانها با سیاستگذاری هوشمندانه، بهینهسازی فنی و اندازهگیری دقیق، هزینهها را کنترل و ارزش واقعی هوش مصنوعی را اثبات کنند.