سرورهای محلی در برابر ابرهای عمومی؛ نبردی بر سر هزینه و امنیت

تصور کنید هر شب هزینه یک هتل ۱۰۰ اتاقه را می‌پردازید، اما فقط در دو اتاق می‌خوابید. این دقیقاً وضعیتی است که بسیاری از شرکت‌های بزرگ در مواجهه با صورت‌حساب‌های ابری خود تجربه می‌کنند.

۳.۵ میلیون دلار؛ این مبلغی است که شرکت 37signals تنها با یک سرمایه‌گذاری ۵۰۰ هزار دلاری روی سخت‌افزار شخصی، از هزینه‌های سالانه خود حذف کرد. این چرخش راهبردی به سمت بازگشت از ابر (Cloud Repatriation) — یعنی انتقال حجم کاری از سرورهای عمومی به زیرساخت‌های داخلی — اکنون به یک تاکتیک بقا برای شرکت‌هایی تبدیل شده که با «شوک قیمتی» ارائه‌دهندگانی مثل AWS، گوگل کلاد و Azure روبرو شده‌اند.

شرکت 37signals که سازنده HEY و Basecamp است، ابتدا در سال ۲۰۰۶ و پس از عرضه Amazon S3 به ابرهای عمومی کوچ کرد. اما طبق گزارش‌های داخلی این شرکت، تا سال ۲۰۲۲ هزینه‌های سالانه در زمان اوج مصرف به میلیون‌ها دلار رسید و آن‌ها تصمیم گرفتند مسیر را تغییر دهند. تا سال ۲۰۲۳، این شرکت تمام سرورهای خود در AWS و گوگل کلاد را با سخت‌افزارهای شخصی جایگزین کرد. آن‌ها برای اجتناب از خرید ملک و سرمایه‌گذاری در املاک جدید، از مراکز هم‌مکانی (Colocation) — شبیه به اجاره کردن یک پارکینگ امن برای قرار دادن سرورهای شخصی — استفاده کردند. زیرساخت جدید آن‌ها بر پایه پلتفرم‌های متن‌باز شامل KVM، Docker و Kamal اجرا می‌شود.

سال‌هاست که روایت غالب در صنعت، مهاجرت کامل به ابر را تنها راه تحول دیجیتال معرفی می‌کرد. اما تا اکتبر ۲۰۲۶، مدیران زیادی دریافته‌اند که انعطاف‌پذیری ابر، بهای گزافی دارد که همیشه با ارزش کسب‌وکار هم‌خوانی ندارد. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، کنترل مستقیم بر سخت‌افزار، امنیت و هزینه را هم‌زمان تغییر می‌دهد. ربکا ویکلی، معاون زیرساخت در Geico، اشاره کرد که صورت‌حساب‌های ابری این شرکت در طول یک دهه مهاجرت به سرورهای عمومی (از جمله Azure) دو و نیم برابر شده است. در مقابل، شرکت Ahrefs مدعی است که هرگز به ارائه‌دهندگانی ابری تکیه نکرده و تخمین می‌زند از سال ۲۰۲۰ تاکنون بیش از ۴۰۰ میلیون دلار صرفه‌جویی کرده است.

بر اساس بررسی‌های Cast AI در سال ۲۰۲۵ روی ۲۱۰۰ سازمان، خوشه‌های Kubernetes در ابرهای بزرگ به‌طور متوسط تنها از ۱۰٪ توان پردازشی (CPU) و ۲۳٪ حافظه اختصاص‌یافته خود استفاده می‌کردند.

محرک‌های مالی

بسیاری از پروژه‌های بازگشت از ابر با دریافت یک اعلان تمدید قرارداد آغاز می‌شوند. اسپنسر کیمبال، مدیرعامل Cockroach Labs، می‌گوید تیم‌های مالی معمولاً زمانی هشدار می‌دهند که پیش‌بینی‌های چندساله نشان دهد هزینه‌ها سریع‌تر از حجم واقعی کار رشد می‌کنند.

کونال آگاروال، مدیرعامل Unravel Data، توضیح می‌دهد که شکاف بین منابع خریداری‌شده و استفاده واقعی، اولین زنگ خطر است. وقتی تیم‌ها صورت‌حساب‌ها را بررسی می‌کنند، می‌بینند که همان داده‌ها و پردازش‌ها روی سخت‌افزار محلی، هزینه‌ای بسیار کمتر از ابر دارند.

سایر هزینه‌های پنهان عبارت‌اند از:

• هزینه‌های خروج داده (Egress Fees): مبالغی که برای انتقال داده‌ها از ابر به بیرون پرداخت می‌شود.
• هزینه‌های انتقال بین مناطق جغرافیایی (Cross-region transfer).
• هزینه‌های لایسنس پلتفرم‌هایی که با نیاز واقعی کسب‌وکار هم‌خوانی ندارند.

این موانع چنان شدید است که سازمان رقابت و بازارهای بریتانیا (CMA) در حال بررسی مایکروسافت است؛ چرا که این شرکت موانع هزینه‌ای ناعادلانه‌ای برای کسب‌وکارهایی که قصد تغییر ارائه‌دهنده را دارند، ایجاد کرده است.

سیریش راگورام از Platform9 تایید کرد که شرکتش پس از جهش هزینه‌ها در دسامبر ۲۰۲۵، حدود ۴۰٪ از حجم کاری خود را به زیرساخت‌های درون‌سازمانی منتقل کرد. او دریافت که انتقال محیط‌های توسعه، تست و آزمایشگاه — که حساسیت کمتری به توافق‌نامه سطح خدمات (SLA) دارند — ۷۰٪ ارزان‌تر است.

ابعاد اتلاف منابع

این نشت مالی یک مشکل سیستماتیک است. مقاله‌ای از Andreessen Horowitz در سال ۲۰۲۱ با تحلیل ۵۰ شرکت پیشرو در حوزه نرم‌افزار، دریافت که ۱۰۰ میلیارد دلار از ارزش بازار این شرکت‌ها صرف صورت‌حساب‌های ابری هدر رفته است. آن‌ها تخمین زدند که کل این اتلاف در کل بازار نرم‌افزار در مقایسه با هزینه‌های سخت‌افزار محلی، ۵۰۰ میلیارد دلار باشد.

تاد رابینسون، رئیس OpenMetal، یک مقایسه ملموس ارائه می‌دهد: اجرای ۱۰۰۰ ماشین مجازی (VM) با پهنای باند ماهانه ۱۵۰ ترابایت در ابر عمومی حدود ۶۰ هزار دلار در ماه هزینه دارد. همین ساختار در یک ابر خصوصی مدیریت‌شده، حدود ۱۶ هزار دلار هزینه دارد؛ یعنی سالانه بیش از ۵۰۰ هزار دلار صرفه‌جویی.

ریسک‌های بازگشت اشتباه

بازگشت از ابر یک راهکار جادویی نیست. مارتین سامرهیز از Northdoor PLC معتقد است بسیاری از این پروژه‌ها در واقع «پروژه‌های مدیریت مالی (FinOps) در لباس مهاجرت» هستند. او می‌گوید گاهی حذف منابع بلااستفاده (Deprovisioning) می‌تواند بدون ریسک‌های مهاجرت، همان مقدار صرفه‌جویی را ایجاد کند. او معتقد است ارزان‌ترین بازگشت از ابر، بازگشتی است که هرگز به آن نیاز پیدا نکنید.

مالکیت سخت‌افزار خطرات خاص خود را دارد:

• محدودیت مقیاس‌پذیری: شرکت Zynga در سال ۲۰۱۱ مبلغ ۱۰۰ میلیون دلار روی سخت‌افزار شخصی هزینه کرد تا از AWS جدا شود، اما سال‌ها بعد دوباره به AWS بازگشت؛ چون در زمان اوج تقاضا، به مقیاس‌پذیری نیاز داشت که هزینه خرید سخت‌افزار برای آن بسیار بالا بود.
• سربارهای عملیاتی: خروج از ابر، صورت‌حساب ماهانه را با هزینه‌های حقوق مدیران سیستم (Sysadmins)، قراردادهای هم‌مکانی و چرخه‌های گران‌قیمت نوسازی سخت‌افزار (مانند نوسازی سال ۲۰۳۱) جایگزین می‌کند. این چالش‌ها در بازارهای سخت‌افزاری تشدید شده است، به‌طوری که افزایش قیمت پردازنده‌های گرافیکی و کمبود حافظه استراتژی‌های خرید سخت‌افزار را با چالش‌های جدیدی روبرو کرده است.
• ایمنی داده‌ها: اووه گوس، مدیر فنی Retarus، توضیح می‌دهد که حجم‌های کاری حساس در ارتباطات، هنگام انتقال از ابر عملکرد ضعیفی دارند. در هر جایی که فقدان داده پیامدهای قانونی یا عملیاتی شدید داشته باشد، ابر همچنان گزینه امن‌تری است.

سامرهیز تجربه یکی از مشتریانش را بازگو کرد که ابتدا از دیتاسنترهای شخصی به یک ابر خصوصی منتقل شد، سپس دوباره به سخت‌افزار محلی بازگشت و در نهایت به Microsoft Azure کوچ کرد. هر یک از این جابجایی‌ها به جای شواهد فنی، بر اساس نارضایتی‌های داخلی صورت گرفت و هزینه‌ای بسیار بیشتر از برنامه اولیه برای شرکت داشت.

عامل هوش مصنوعی و حاکمیت داده‌ها

فراتر از تراز مالی، هوش مصنوعی موج جدیدی از خروج‌ها را ایجاد کرده است. نظرسنجی Cloudera از ۱۵۰۰ مدیر زیرساخت و داده‌های سازمانی نشان داد ۶۶٪ آن‌ها حداقل بخشی از حجم کاری هوش مصنوعی خود را به راهکارهای میزبانی شخصی یا درون‌سازمانی منتقل کرده‌اند. این روند نشان‌دهنده تغییر اولویت‌ها در استقرار مدل‌های AI است که دیتاسنترهای محلی را دوباره به مرکز توجه بازگردانده است.

شرکت‌ها دیگر تمایلی ندارند حجم عظیمی از داده‌های حساس و اختصاصی خود را برای استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره‌ی آموزش آشپز — به محیط‌های خارجی بفرستند. کریگ کوک از Flexential اشاره می‌کند که تغذیه مداوم مدل‌های پیشرو با داده‌ها، مصرف توکن (Token) — تکه‌های کوچکی از متن شبیه به برش‌های کیک — را به شدت بالا برده و صورت‌حساب‌ها را منفجر می‌کند.

حاکمیت داده‌ها به یک میدان نبرد قانونی تبدیل شده است. در سال ۲۰۲۵، دادگاهی در آمریکا دستور داد OpenAI تمام لاگ‌های خروجی ChatGPT را حفظ کند، حتی اگر قوانین حریم خصوصی منطقه‌ای یا قراردادهای مشتری، حذف آن‌ها را اجباری کند. همچنین مایکروسافت به سنای فرانسه اعتراف کرد که به دلیل قانون CLOUD آمریکا، نمی‌تواند داده‌های مشتریان را به‌طور کامل از مقامات آمریکایی محافظت کند.

در بریتانیا، دولت در ۱۳ ژوئیه ۲۰۲۶، شرکت‌های AWS، گوگل کلاد و مایکروسافت را به عنوان «طرف‌های ثالث حیاتی» معرفی کرد و الزامات سخت‌گیرانه‌تری برای امنیت سایبری و تاب‌آوری وضع نمود. مایکل لائو از IBM Apptio می‌گوید اکنون الزامات نظارتی و حاکمیتی به اندازه هزینه در تصمیمات زیرساختی اهمیت دارند.

در این میان، قیمت سخت‌افزار نیز در حال افزایش است. رابینسون اشاره کرد که قیمت درایوهای NVMe در سه سال گذشته ۲۲۳٪ و رم‌های DDR5 ظرفیت ۶۴ گیگابایت در دو سال اخیر ۴۷۴٪ رشد کرده‌اند.

معیار تصمیم‌گیرنده: پیش‌بینی‌پذیری

کارشناسان معتقدند یک معیار تعیین می‌کند که آیا باید ابر را ترک کنید یا خیر: پیش‌بینی‌پذیری. اگر می‌توانید تقاضای خود را برای یک سال آینده پیش‌بینی کنید و سخت‌افزار را با بهره‌وری بالا به کار بگیرید، مالکیت زیرساخت ارزان‌تر است.

اما اگر تقاضای شما نوسانی است، توانایی ابر در تبدیل زیرساخت به یک هزینه متغیر، مزیتی جایگزین‌ناپذیر است. هدف مدیران فنی مدرن دیگر «اول-ابر» (Cloud-first) نیست، بلکه «ابر-درست» (Cloud-right) است.

برای تعیین مسیر خود، سامرهیز توصیه می‌کند یک بررسی هزینه‌ای سه ساله از زیرساخت خود بر اساس لایسنس، تعداد کاربر و منابع مصرفی انجام دهید. اگر نمی‌توانید به مشکل خاصی اشاره کنید که خروج از ابر آن را حل کند، احتمالاً هزینه مهاجرت بیشتر از صرفه‌جویی حاصله خواهد بود.

گام بعدی شما

• بررسی صورت‌حساب‌های سه سال اخیر زیرساخت خود بر اساس لایسنس، تعداد کاربر و منابع مصرفی.
• شناسایی محیط‌های توسعه و تست که حساسیت کمتری به SLA دارند برای انتقال احتمالی به سخت‌افزار محلی.
• ارزیابی میزان بهره‌وری CPU و حافظه در خوشه‌های فعلی برای شناسایی اتلاف منابع.

اما داستان سخت‌افزاری این تحول با ظهور تراشه‌های تخصصی هوش مصنوعی حتی پیچیده‌تر شده است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.