روند «Tokenmaxxing» و بازگشت حسابها؛ وقتی تب استفاده حداکثری از هوش مصنوعی با واقعیت اقتصادی روبهرو شد
اوایل امسال در سیلیکونولی شاهد یکی از داغترین ترندهای فناوری بودیم: تشویق مدیران عامل به بهکارگیری حداکثری هوش مصنوعی در محصولات و فرایندها — روندی که برخی آن را «Tokenmaxxing» مینامند (استفاده بیمحابا از توکنها و مدلهای زبانی برای توسعه قابلیتهای جدید). اما با گذشت زمان، صورتحسابها و محدودیتهای بودجهای خود را نشان دادند؛ شرکتها ناچار به تعدیل سطح مصرف و بازنگری در استراتژیهای AI شدند.
نمونههایی از این بازنگریها واضح است: گزارشها حاکی از آن است که اوبر در چند ماه اولیه سال بودجه سالانه اختصاص یافته به هوش مصنوعی را مصرف کرده، برخی شرکتها مجوزهای سرویسهایی مانند Claude را برای بخشهایی از سازمان کاهش دادهاند و متا نیز از توقف «leaderboard» درونی خود خبر داده است. این نشانهها نشان میدهد که فاصله میان هیجان اولیه و بازگشت سرمایه (ROI) در پروژههای هوش مصنوعی کمتر از آنچه تصور میشد نیست.
تیفانی لاک، شریک در NEA، امروز دقیقاً در میانه همین کشمکش بین هیجان و واقعگرایی قرار دارد. لاک که سابقه قانعکردن شرکتها نسبت به فرصتهای تجارت الکترونیک را دارد، اکنون تمرکز خود را بر هوش مصنوعی گذاشته و بهویژه به «لحظات جادویی» (magic moments) در کسبوکارهای مصرفی چشم دوخته — آن تجربیات کوتاه اما تعیینکننده که میتوانند تعامل مشتری را بهطور چشمگیری بهبود دهند.
در مصاحبه اخیر او با ربکا بلان در پادکست Equity از TechCrunch، لاک درباره چند محور کلیدی صحبت کرد:
– آینده عاملهای شخصی (personal agents): لاک دیدگاه روشنی نسبت به نقش عاملهای شخصی متکی بر هوش مصنوعی در زندگی روزمره و کسبوکارها دارد و تأکید کرد که ایجاد تجربههای شخصیسازیشده و صرفهجویانه در زمان برای کاربران، کلید پذیرش وسیعتر این فناوری است.
– ارزیابی عرضههای عمومی AI (IPOها) در سال جاری: او به فرصتها و ریسکهای پیشروی شرکتهایی که وارد بازار سرمایه شدهاند اشاره کرد و یادآور شد سرمایهگذاران و مشتریان به تدریج از داستانهای رشد صرف عبور کرده و خواستار شواهد ملموس از درآمدزایی و بازگشت سرمایه میشوند.
– نقش استارتاپها در ردیابی بازگشت سرمایه هوش مصنوعی: طبق گفته لاک، مجموعهای از استارتاپها در حال ظهور هستند تا ابزارها و متریکهایی ارائه دهند که به سازمانها کمک کند هزینههای AI را به کارایی و درآمد تبدیل کنند؛ این خدمات شامل اندازهگیری مصرف توکنها، تحلیل عملکرد مدلها و تعیین نقاط بهینه برای سرمایهگذاری است.
پیام کلیدی گفتگو این است که دوره «هرچه بیشتر بهتر» در استفاده از هوش مصنوعی به پایان خود نزدیک میشود و مرحلهای عملیاتیتر و اقتصادیتر آغاز شده است. سازمانها اکنون باید پیش از افزایش هزینهها، معیارهای روشن برای سنجش بازگشت سرمایه، اولویتبندی موارد استفاده و مسیرهای اجرایی معنادار تعریف کنند. در عمل، ترکیب تجربه سرمایهگذاری، شناخت دقیق از نقاط تماس مشتری و ابزارهای اندازهگیری ROI میتواند تفاوت بین یک پیادهسازی موفق هوش مصنوعی و صرف هزینههای ناکارآمد را رقم بزند.
برای شرکتهای فعال در حوزه فناوری و کسبوکارهای مصرفی، درس این دوره روشن است: ادامه دادن به نوآوری مهم است، اما موفقیت بلندمدت مستلزم همراستایی نوآوری با سنجههای اقتصادی و تجربه واقعی مشتری است.