تصور کنید بودجهای که برای یک سال کامل برنامهریزی شده، در تنها ۱۲۰ روز دود شود. این کابوس مالی اکنون در اوبر (Uber) به واقعیت تبدیل شده است.
طبق اعلام مدیر فنی این شرکت، بودجه سالانه محاسبات هوش مصنوعی که قرار بود تا پایان سال ۲۰۲۶ کافی باشد، تنها در چهار ماه اول تمام شد. این جهش هزینهای همزمان با ادغام داخلی کلود کد (Claude Code) رخ داد؛ ابزاری که اکنون بیش از ۹۰٪ مهندسان اوبر با فرکانس بالا از آن استفاده میکنند.
برای دههها، شرکتهای نرمافزاری بر این باور بودند که هزینه تولید هر واحد محصول دیجیتال به سمت صفر میل میکند. ما عادت کرده بودیم فکر کنیم هرچه محصول دیجیتال بیشتر استفاده شود، ارزانتر تمام میشود. اما در عصر هوش مصنوعی زاینده (Generative AI) — که شبیه آشپزخانهای است که برای هر بشقاب غذا باید دوباره کل تجهیزات را بخریم — محاسبات دیگر شبیه کدهای قابل تکثیر نیستند، بلکه مانند یک ماده خام صنعتی با مصرف بالا عمل میکنند. همانطور که در تحلیلهای قبلی ما دربارهی اقتصاد مدلهای زبانی اشاره کردیم، این چرخش ساختاری برای شرکتهایی که به شدت به سمت گردشکارهای عاملمحور (Agentic) میروند، یک شوک مالی ایجاد میکند. در واقع، بسیاری از مدلهای قیمتگذاری فعلی بر پایه توکن میتوانند تخمینهای بودجهای سازمانها را به شدت گمراه کنند.
تغییر پارادایم اقتصادی
این بحران تنها محدود به شرکتهای نرمافزاری نیست. حتی غولهای سختافزاری هم در حال سوختن هستند. معاون یادگیری عمیق کاربردی در انویدیا (NVIDIA) اخیراً در مصاحبهای فاش کرد که هزینههای محاسباتی تیمهای داخلی آنها اکنون از مجموع حقوق کارکنانشان فراتر رفته است.
وقتی هزینه مصرف توکن (Token) — تکههای کوچکی از متن که مدل مانند برشهای کیک میخورد — از هزینه استخدام نیروی انسانی در شرکتی که خودش سختافزار میفروشد بیشتر شود، یعنی ماهیت اقتصادی صنعت تغییر کرده است. بسیاری از تیمها اکنون شاهد انفجار صورتحسابهای توکن هستند و بودجههای هوش مصنوعی از کنترل خارج شده است؛ در حالی که نرخ بازگشت سرمایه (ROI) در بسیاری از موارد لزوماً با این هزینهها همخوانی ندارد و نمیتواند مخارج را پوشش دهد.
بهای حلقههای عاملمحور
به گزارش منابع داخلی، کاربران پرمصرف در اوبر در حال حاضر ماهانه بین ۵۰۰ تا ۲,۰۰۰ دلار برای هر مهندس هزینه میکنند. این رشد نمایی در هزینهها به دلیل تغییر از ابزارهای ساده پرسشوپاسخ به عاملها (Agents) است. هوش مصنوعی دیگر ابزاری نیست که یک سؤال بگیرد و یک جواب بدهد؛ بلکه به یک سامانه پویا تبدیل شده است.
این سامانهها با مکانیزمهای زیر، حلقههای مصرف نامحدودی ایجاد میکنند:
- تجزیه خودکار وظایف پیچیده به بخشهای کوچکتر
- اجرای حلقههای استدلال (Reasoning) عمیق
- فراخوانی مکرر ابزارهای خارجی
- اصلاح مداوم و خودکار خروجیها
به دلیل این سازوکارها، مصرف توکن به صورت نمایی رشد میکند و تخمینهای خطی انسان را که معمولاً به طور پیشفرض به آنها تکیه میکنیم، به کلی دور میزند.
تله «توکنماکسینگ»
برخی سازمانها برای اثبات تعهد خود به AI، شاخصهای عملکردی (KPI) غلطی را پیاده کردهاند. در روندی که «توکنماکسینگ» (Tokenmaxxing) نامیده میشود، برخی شرکتها مصرف توکن را به عنوان یک معیار بهرهوری تلقی کردهاند. این رویکرد منجر به نتایج خطرناکی شد:
- ایجاد جدول ردهبندی (Leaderboards) داخلی برای بیشترین مصرف توکن
- گنجاندن میزان مصرف توکن در ارزیابیهای عملکردی کارکنان
- تبدیل هزینه توکن به یک نشان افتخار یا نماد شناسایی برای کارکنان «AI-پذیرا»
این رویکرد به اندازه همان شوخی قدیمی صنعت نرمافزار درباره استفاده از «تعداد خطوط کد» یا «تعداد کامیتها» به عنوان KPI، عجولانه و اشتباه است. این تلهی توکنسوزی دقیقاً همان نقطهای است که در آن هزینههای عملیاتی بدون ایجاد ارزش افزون واقعی، به شدت افزایش مییابند. مدیریت اوبر دریافت که هیچ همبستگی مستقیمی بین این اعداد و ارزش واقعی محصول وجود ندارد. مدیر فنی اوبر مشاهده کرد مهندسی که از ابزاری یکسان در یک روز استفاده میکند، ممکن است مصرف توکنش بیش از ۱۰ برابر با همکارش متفاوت باشد.
بدهی فنی و تحول ساختاری
مدیر عملیاتی (COO) اوبر نیز اشاره کرد که هیچ همبستگی مستقیمی بین مصرف داخلی توکن و خروجی واقعی ارزش محصول وجود ندارد. این موضوع یک مشکل عمیقتر را برملا میکند: بسیاری از تیمها مدلهای پیشرفته را مستقر کردهاند، اما گردشکارهای آنها و نحوه مدیریتشان هنوز بر اساس تفکرات قدیمی اداره میشود.
این سرمایهگذاری کورکورانه و بر پایه قدرت سختافزاری (Brute-force)، در واقع نوعی بدهی فنی است. شرکتها از محاسبات گرانقیمت استفاده میکنند تا نقصهای سازگاری و مدلهای مدیریتی قدیمی را بپوشانند، به جای اینکه فرآیندهای خود را برای همکاری انسان و ماشین بازطراحی کنند. برای مقابله با این هزینهها، برخی راهکارهای جدید مانند لایههای مسیریابی هوشمند ظهور کردهاند که میتوانند هزینههای کدنویسی را به طور چشمگیری کاهش دهند.
در نهایت، صنعت با یک واقعیت روبروست: برنده کسی نیست که پیشرفتهترین مدل را دارد، بلکه مزیت رقابتی به کسانی منتقل خواهد شد که بتوانند ارزشمندترین کارها را با کمترین توکن ممکن انجام دهند. چالش واقعی، قرار دادن توکنها دقیقاً در جایی است که بیشترین اثرگذاری را دارند.
باید منتظر تغییری به سمت مهندسی «بهینه از نظر توکن» (Token-efficient) و ظهور چارچوبهای حاکمیتی داخلی برای هوش مصنوعی باشیم که بازگشت سرمایه (ROI) را بر معیارهای مصرف خام ترجیح میدهند. تنها زمانی که هر واحد محاسباتی دقیقاً برای خلق ارزشی جایگزینناپذیر هدفگذاری شود، تراز مالی شرکتها به تعادل خواهد رسید.
گام بعدی شما
- اگر مدیر تیم هستید، مصرف توکن را از شاخص بهرهوری حذف کنید و روی خروجی نهایی تمرکز کنید.
- گردشکارهای عاملمحور خود را بازبینی کنید تا از ایجاد حلقههای تکراری و بیهدف (Infinite Loops) جلوگیری شود.
- به دنبال پیادهسازی چارچوبهای حاکمیتی برای کنترل هزینه استنتاج در مقیاس سازمانی باشید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو