اگر مدیر مالی یک شرکت هستید، وضعیت فعلی اوبر برای شما یک کابوس است: این شرکت بودجه سال ۲۰۲۶ خود برای هوش مصنوعی را تنها در چهار ماه مصرف کرد.
این اتفاق دقیقاً همان «تله اشتراکی» در مقیاس سازمانی است. شرکتها مبالغ هنگفتی برای قدرت محاسباتی میپردازند، اما نمیتوانند تشخیص دهند که آیا محصول نهایی واقعاً بهتر شده است یا خیر. همانطور که در تحلیل قبلی ما دربارهی حباب استثنایی مدلهای زبانی اشاره کردیم، اکنون شاهد چرخش از خوشبینی کورکورانه به سمت نظارت شدید مالی هستیم.
در این میان، مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — به ابزاری تبدیل شده که هزینه دارد اما لزوماً نتیجهی ملموس نمیدهد. طبق اعلام اندرو مکدونالد (Andrew Macdonald)، مدیر عملیاتی اوبر، در ۲۶ مه ۲۰۲۶، پیوندی میان مصرف توکن (Token) — تکههای کوچکی از متن، شبیه برشهای یک کیک طولانی که مدل تکهتکه میخورد — در ابزار کلود کد (Claude Code) و ایجاد ویژگیهای کاربردی برای مشتریان وجود ندارد.
بر اساس مستندات مالی، اوبر در سال ۲۰۲۵ مبلغ ۳.۴ میلیارد دلار صرف تحقیق و توسعه کرد که رشد ۹ درصدی نسبت به سال قبل را نشان میدهد. اکنون دارا خسروشاهی (Dara Khosrowshahi)، مدیرعامل شرکت، برای جبران این هزینههای سنگین، تعداد کارکنان انسانی را کاهش داده است. این رویکرد اوبر با روندهای مشابه در سایر غولهای فناوری همسو است؛ برای مثال، تاثیرات گستردهی اتوماسیون در متا نشان میدهد که چگونه هوش مصنوعی در حال بازتعریف ساختار نیروی کار در مقیاس جهانی است.
مکدونالد اشاره کرد که اگرچه معیارهای داخلی در جهتی «천ومیک» رشد میکنند، اما شرکت نمیتواند خط مستقیمی بین این هزینهها و افزایش ۲۵ درصدی ویژگیهای مفید محصول رسم کند. به باور او، توجیه جایگزینی حقوق کارکنان با هزینههای استنتاج (Inference) — لحظهای که مدل واقعاً جواب تولید میکند، شبیه خودِ آشپزی و نه دورهی آموزش آشپز — هر روز سختتر میشود.
این وضعیت نشاندهنده گذار از دوران «آزمایش» به دوران «پاسخگویی» در هوش مصنوعی زاینده (Generative AI) است. برای دنیای کسبوکار، نسبت «توکن به ویژگی» (Token-to-Feature) به شاخص کلیدی عملکرد (KPI) جدید تبدیل شده است. اگر هوش مصنوعی نتواند جایگزین یک پست شغلی خاص شود یا بردی بصری ایجاد کند، هزینهاش دیگر قابل توجیه نیست. این تغییر رویکرد در مدیریت هزینهها، همزمان با ظهور ایجنتهای سازمانی است که مدلهای سنتی لایسنسینگ در نرمافزارهای SaaS را به چالش کشیدهاند و فشار بر شرکتها برای اثبات بازگشت سرمایه را افزایش دادهاند.
گام بعدی شما
- گزارشهای तिमाही شرکتهای S&P 500 را رصد کنید تا ببینید آیا آنها هم حقوق کارکنان را با بودجه توکن جایگزین میکنند یا خیر.
- اگر از ابزارهای AI در سازمان استفاده میکنید، نسبت هزینه توکن به تعداد ویژگیهای جدید عرضه شده را محاسبه کنید.
- مدلهای ارزانتر یا محلی را برای کارهای تکراری جایگزین مدلهای گرانقیمت کنید تا نرخ سوخت بودجه کاهش یابد.
اما این فشار مالی تنها بخشی از داستان است؛ برای درک اینکه چرا مدلهای استدلالی هزینههای استنتاج را بالا میبرند، تحلیل ما دربارهی معماریهای جدید را بخوانید.
گفتگو