چه زمانی ظرفیت اختصاصی هوش مصنوعی از پرداخت مصرفی به‌صرفه‌تر است؟

با انتقال هوش مصنوعی از مرحله آزمایش به استفاده روزمره در سازمان‌ها، پرسش اصلی دیگر فقط انتخاب مدل یا مقایسه قیمت هر توکن نیست؛ شرکت‌ها باید تصمیم بگیرند چه زمانی پرداخت بر اساس میزان مصرف را ادامه دهند و چه زمانی سرمایه‌گذاری روی ظرفیت اختصاصی را بررسی کنند. مقاله‌ای که ۲۹ سپتامبر ۲۰۲۶ در MIT Technology Review منتشر شده، استدلال می‌کند که پایداری تقاضا می‌تواند محاسبه هزینه را تغییر دهد؛ اما مالکیت ظرفیت تنها وقتی توجیه دارد که سازمان بتواند آن را به‌طور مستمر و مؤثر به کار بگیرد. در توضیح انتهای مطلب آمده است که این محتوا را HPE تهیه کرده و نوشته تحریریه MIT Technology Review نیست.

از پروژه آزمایشی تا تقاضای دائمی

در مرحله آزمایش، تیم‌ها ممکن است بیشتر درباره بهای استفاده از مدل‌های هوش مصنوعی یا دسترسی به تازه‌ترین مدل‌های ابری صحبت کنند. اما بنا بر تحلیل مطلب، با عملیاتی‌شدن سامانه‌ها، انتخاب مدل تنها بخشی از معادله است. میزان و ثبات استفاده، نوع بار کاری و نیازهای عملکردی نیز می‌توانند تعیین کنند هزینه‌ها چگونه مدیریت شوند.

مقاله به کاربردهایی مانند دستیارهای هوشمند، سامانه‌های بازیابی و دانش، و برنامه‌های عامل‌محور اشاره می‌کند. سامانه بازیابی و دانش می‌تواند هنگام پاسخ‌گویی اطلاعات مرتبط را از منابع سازمان پیدا کند. برنامه عامل‌محور نیز قادر است برای انجام یک کار، چند مرحله را طی کند؛ از جمله بازیابی اطلاعات، استدلال، فراخوانی مدل و استفاده از ابزارهای دیگر.

چنین کاربردهایی ممکن است در بخش‌هایی مانند خدمات مشتری، فناوری اطلاعات، پژوهش و فرایندهای کسب‌وکار به شکل تقاضایی تکرارشونده برای مدل‌ها، داده‌ها و ابزارها درآیند. در این وضعیت، پرداخت به‌ازای مصرف همچنان انعطاف‌پذیری فراهم می‌کند و نیاز به تعهد اولیه را کاهش می‌دهد؛ اما اگر استفاده مداوم و قابل‌پیش‌بینی شود، هزینه ماهانه می‌تواند با تغییر بار کاری و میزان مصرف نوسان کند و پیش‌بینی بودجه را دشوار سازد.

برای نشان‌دادن روند گسترش استفاده سازمانی، مقاله به گزارش Deloitte با عنوان «وضعیت هوش مصنوعی در سازمان‌ها در سال ۲۰۲۶» استناد می‌کند. طبق ارقامی که در مطلب نقل شده، دسترسی کارکنان به هوش مصنوعی در سال ۲۰۲۵ پنج درصد افزایش یافته است. همچنین انتظار می‌رود سهم شرکت‌هایی که دست‌کم ۴۰ درصد پروژه‌های هوش مصنوعی‌شان در مرحله تولید قرار دارد، طی شش ماه دو برابر شود. این ارقام به گزارش Deloitte نسبت داده شده‌اند و به‌تنهایی پاسخ نمی‌دهند که هر شرکت باید چه زیرساختی انتخاب کند.

نقطه سربه‌سر برای هر سازمان متفاوت است

پیشنهاد اصلی مطلب آن نیست که مالکیت ظرفیت همیشه ارزان‌تر از خرید مصرفی است. برعکس، نویسنده می‌گوید این گزینه زمانی معنا پیدا می‌کند که سازمان بتواند ظرفیت را به‌اندازه کافی مشغول نگه دارد. در سطحی از استفاده پایدار، هزینه سرمایه‌گذاری ممکن است در مقایسه با پرداخت جداگانه برای هر درخواست اقتصادی‌تر شود؛ اما مقاله برای این نقطه سربه‌سر عدد ثابتی ارائه نمی‌کند.

دلیل آن است که هزینه‌ها به ویژگی‌های واقعی بار کاری بستگی دارند. از جمله عوامل مطرح‌شده در مقاله می‌توان به مدل‌های مورد استفاده، نسبت توکن‌های ورودی و خروجی، نیازهای عملکردی، طراحی سامانه، هزینه انرژی و شیوه اداره زیرساخت اشاره کرد. توکن واحدی است که مدل‌های زبانی برای پردازش متن به کار می‌برند؛ بنابراین، میزان متن ورودی و خروجی می‌تواند در هزینه مصرف اثر بگذارد.

بارهای کاری مختلف نیز الگوی یکسانی ندارند. برای نمونه، سامانه‌ای که اطلاعات زیادی را بازیابی و به مدل می‌دهد ممکن است برای هر تعامل، زمینه متنی بیشتری پردازش کند و در نتیجه ساختار هزینه متفاوتی داشته باشد. یک دستیار ساده هم ممکن است با گردش‌کاری که برای تکمیل یک کار چند بار مدل را فراخوانی می‌کند، قابل‌مقایسه نباشد.

به همین دلیل، مقاله استفاده از معیارهای عمومی هزینه را کافی نمی‌داند و پیشنهاد می‌کند سازمان‌ها بارهای کاری خود را مدل‌سازی کنند، تقاضای مورد انتظار را بسنجند و ظرفیت را بر همان اساس تعیین کنند. مقایسه میان پرداخت مصرفی و مالکیت ظرفیت، در این نگاه، تصمیمی یکسان برای همه شرکت‌ها نیست؛ باید برای هر بار کاری و با توجه به میزان استفاده پیش‌بینی‌شده انجام شود.

سرمایه‌گذاری بدون بهره‌برداری ارزش نمی‌سازد

حتی اگر برآوردها به نفع ظرفیت اختصاصی باشد، تهیه آن به‌تنهایی نتیجه اقتصادی را تضمین نمی‌کند. مقاله تأکید دارد که سازمان باید بتواند کاربردها را به‌سرعت وارد مرحله تولید کند و استفاده از ظرفیت را ادامه دهد. این کار، علاوه بر نصب زیرساخت، به شیوه‌ای برای پیوند دادن فناوری با پذیرش کاربران و نتایج کسب‌وکار نیاز دارد.

بر اساس توصیه‌های مطلب، این شیوه باید پذیرش کاربران و بارهای کاری، نظارت بر نحوه استفاده از هوش مصنوعی و بازبینی میزان بهره‌برداری از ظرفیت را در بر بگیرد. همچنین شرکت‌ها باید پیوسته کاربردهای ارزشمند تازه را شناسایی کنند تا ظرفیت بلااستفاده نماند. در این چارچوب، اندازه‌گیری استفاده و انتقال تدریجی بارهای کاری بیشتر به بستر، بخشی از فرایند تحقق ارزش سرمایه‌گذاری است.

مقاله این توانایی را شرطی برای تبدیل ظرفیت هوش مصنوعی به یک دارایی مولد می‌داند: سازمان باید بتواند آن را بهینه کند، گسترش دهد و به کاربردهایی وصل کند که برای کسب‌وکار ارزش دارند. اگر چنین نظمی وجود نداشته باشد، ممکن است مزیت اقتصادی مورد انتظار از سرمایه‌گذاری به دست نیاید. با این حال، متن عدد یا نمونه‌ای از میزان صرفه‌جویی ارائه نمی‌کند و بر ضرورت بررسی وضعیت هر سازمان تکیه دارد.

سه پرسش پیش از تعهد سرمایه

مطلب برای مدیرانی که پیش از تصمیم‌گیری درباره ظرفیت اختصاصی هستند، سه پرسش مطرح می‌کند: آیا تقاضا به‌اندازه کافی پایدار، قابل‌پیش‌بینی و بزرگ شده است؟ از چه سطحی از استفاده، مالکیت ظرفیت از نظر اقتصادی توجیه پیدا می‌کند؟ و آیا شرکت می‌تواند با افزایش پذیرش، نظارت و گسترش کاربردها، ظرفیت را به‌طور مؤثر به کار بگیرد؟

این پرسش‌ها تصمیم را از مقایسه ساده قیمت توکن‌ها فراتر می‌برند و آن را به پیش‌بینی تقاضا و توان عملیاتی سازمان پیوند می‌دهند. مقاله همچنین تأکید می‌کند که موضوع را نباید به دوگانه‌ای کلی میان خدمات ابری و زیرساخت داخل سازمان تقلیل داد؛ تصمیم باید بر اساس هر بار کاری و شرایط اقتصادی آن گرفته شود.

چون متن را HPE تهیه کرده است، استدلال‌های آن باید در همین چارچوب خوانده شوند: این مطلب دیدگاهی درباره اقتصاد اجرای هوش مصنوعی در سازمان‌ها عرضه می‌کند، نه گزارش تحریریه مستقل MIT Technology Review. پیام عملی آن این است که با تولیدی‌شدن کاربردها، سازمان‌ها باید پیش از تغییر شیوه تأمین ظرفیت، استفاده مورد انتظار، هزینه‌ها و توان بهره‌برداری خود را بسنجند.

این خبر برای چه کسانی اهمیت دارد

این بحث برای مدیران فناوری اطلاعات، مسئولان زیرساخت و ابر، تیم‌های داده و هوش مصنوعی و مدیران مالی سازمان‌هایی اهمیت دارد که چندین کاربرد هوش مصنوعی را در حال استفاده یا آماده ورود به مرحله تولید دارند. برای این گروه‌ها، معیار تصمیم فقط قیمت هر درخواست نیست؛ ثبات تقاضا، میزان استفاده از ظرفیت و توان سازمان برای اداره مداوم کاربردها نیز اهمیت دارد.

در عین حال، مطلب نسخه واحدی برای همه شرکت‌ها ارائه نمی‌کند. سازمانی با تقاضای متغیر یا ظرفیت کم‌استفاده ممکن است از پرداخت مصرفی انعطاف بیشتری بگیرد؛ در مقابل، تقاضای پایدار می‌تواند بررسی سرمایه‌گذاری روی ظرفیت را موجه کند. تعیین پاسخ، به سنجش بارهای کاری واقعی و هزینه‌های همان سازمان وابسته است.