۵۹٪ سازمان‌ها بودجه‌های هوش مصنوعی خود را هدر می‌دهند

اگر امروز بودجه‌ای برای هوش مصنوعی تخصیص داده‌اید، احتمالاً نیمی از آن بدون هیچ بازدهی واقعی از بین می‌رود. طبق گزارش‌های جدید، سازمان‌ها با سرعتی بسیار بیشتر از توان مدیریتی خود در حال مقیاس‌بندی بارهای کاری AI هستند.

مایک جریچ (Mike Jerich)، رئیس و مدیرعامل فلکسرا (Flexera)، هشدار می‌دهد که فقدان دید جامع در زیرساخت‌های فناوری اطلاعات، بحرانی از اتلاف بودجه ایجاد کرده است. در واقع، تنها ۳۶٪ از سازمان‌ها دید کاملی به کل دارایی‌های IT خود دارند؛ رقمی که نسبت به سال گذشته ۷ درصد کاهش یافته و دقیقاً همین شکاف است که باعث نشت مالی در پروژه‌های AI می‌شود.

رهبری اجرایی و زمینه مدیریتی

مایک جریچ بیش از ۲۵ سال تجربه در حوزه فناوری‌های سازمانی را با خود به فلکسرا آورده است. مسیر شغلی او حوزه‌های نرم‌افزار، خدمات ابری، ارتباطات و رهبری استراتژی‌های ورود به بازار (Go-to-Market) را در بر می‌گیرد. تمرکز همیشگی او بر مقیاس‌بندی سازمان‌های فروش جهانی و پیشبرد رشد در کسب‌وکارهای مبتنی بر داده و SaaS بوده است.

پیش از هدایت فلکسرا، جریچ به عنوان مدیرعامل HungerRush فعالیت می‌کرد و نقش‌های مدیر درآمد (CRO) را در شرکت‌های ServiceMax و FinancialForce بر عهده داشت. تجربیات مدیریتی پیشین او همچنین شامل ریاست بخش فروش و بازاریابی جهانی در IPC Systems، مدیریت تجاری در IntelePeer و ریاست کانال‌های غیرمستقیم در Level 3 Communications است.

جریچ در می ۲۰۲۵ به عنوان رئیس (President) به فلکسرا پیوست. سپس در جولای ۲۰۲۶، به عنوان بخشی از یک برنامه جانشینی مدیریت، به عنوان رئیس و مدیرعامل (CEO) منصوب شد. او در دوران ریاست خود، بر پیشبرد اکوسیستم شرکای تجاری، تقویت جایگاه بازار و استراتژی پلتفرم شرکت تمرکز کرد. او اکنون سبک رهبری خود را بر پایه همکاری، پاسخگویی و رویکردی عمل‌گرا بنا کرده است تا بتواند در چشم‌انداز سریع تغییرات هوش مصنوعی پیش برود.

جریچ تأکید می‌کند که در فضای فعلی AI، داشتن انگیزه برای اقدام سریع ضروری است. او نقش خود را به عنوان مدیرعامل، تضمین این موضوع می‌بیند که رشد مبتنی بر AI، متفکرانه، استراتژیک و اثبات‌شده باشد. او با اولویت دادن به نیازهای خاص مشتریان برای بهبود عملکرد شغلی‌شان، فضای لازم برای نوآوری را برای مهندسان فراهم می‌کند و در عین حال شفافیت مطلق را حفظ می‌نماید. این تمرکز برای جلوگیری از هزینه‌های «نامنظم» و خارج از کنترل AI و ابتکارات متضاد است که اخیراً در اخبار زیاد دیده می‌شود.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی حاکمیت داده در مدل‌های زاینده اشاره کردیم، مدیریت هزینه‌ها بدون نظارت مرکزی غیرممکن است. این وضعیت زمانی پیچیده‌تر می‌شود که شرکت‌ها از رابط‌های ساده‌ی مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به سمت جریان‌های کاری عامل‌محور (Agentic Workflows) حرکت می‌کنند.

در این محیط جدید، یک تراکنش ساده می‌تواند چندین دارایی فناوری را در ابرهای مختلف و پلتفرم‌های داده‌ای متفاوت فعال کند. برای مدیران مالی (CFO)، این وضعیت یک «نقطه کور» ایجاد می‌کند؛ جایی که هزینه‌های AI توسط تیم‌های مختلف و در سیلوهای جداگانه ردیابی می‌شوند و محاسبه نرخ بازگشت سرمایه (ROI) واقعی یک پروژه را غیرممکن می‌کنند.

بحران دید پراکنده

به نقل از گزارش وضعیت مدیریت دارایی‌های IT (State of ITAM) از شرکت فلکسرا، این نبود نظارت به نتایج تکان‌دهنده‌ای منجر شده است:

• ۵۹٪ سازمان‌ها افزایش در اتلاف بودجه‌های هوش مصنوعی را گزارش کرده‌اند.
• تنها ۳۱٪ شرکت‌ها دید واضحی نسبت به نحوه استفاده از نرم‌افزارهای AI دارند.
• دید کلی به کل دارایی‌های IT به ۳۶٪ رسیده است (کاهش ۷ درصدی نسبت به سال قبل).

جریچ استدلال می‌کند که مدل‌های سنتی مدیریت فناوری شکست خورده‌اند؛ زیرا برای محیط‌های پیش‌بینی‌پذیر طراحی شده بودند. مدل‌های قدیمی بر هزینه‌های واحد قابل پیش‌بینی تکیه داشتند، مانند لایسنس به ازای هر کاربر یا اشتراک‌های ماهانه ثابت. اما اقتصاد هوش مصنوعی متلاطم است و بین مصرف توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد —، قدرت محاسباتی GPU و هزینه‌های پلتفرم داده توزیع شده است. این چالش‌ها نشان می‌دهد که مقیاس‌دهی هوش مصنوعی بیش از آنکه یک مسئله فنی باشد، یک بحران حاکمیتی است که نیازمند بازنگری در ساختارهای مدیریتی است.

یکی از چالش‌های اصلی این است که مالکیت و مسئولیت‌ها با سرعت تغییرات پیش نرفته‌اند. سرمایه‌گذاری‌های جدید AI اغلب چندین بخش مختلف را در بر می‌گیرد و مسئولیت آن بین تیم‌های IT، امنیت، مالی و تیم‌های کسب‌وکار تقسیم می‌شود. این پراکندگی در مسئولیت، مستقیماً به پراکندگی در دید و پاسخگویی منجر می‌گردد.

مکانیسم‌های هزینه‌کرد در AI

هزینه‌های AI یک ردیف واحد در صورت‌حساب نیست، بلکه در لایه‌های مختلف پشته فناوری پخش شده است. این لایه‌ها عبارت‌اند از:

• اشتراک‌های نرم‌افزاری برای ابزارهای AI
• مصرف توکن برای پرس‌وجوهای مدل‌های زبانی (LLM)
• پلتفرم‌های داده‌ای که برای تغذیه مدل‌ها استفاده می‌شوند
• واحدهای پردازش گرافیکی (GPU) برای تأمین قدرت محاسباتی
• زیرساخت‌های ابری زیربنایی

از آنجایی که این هزینه‌ها اغلب توسط تیم‌های مختلف به صورت جداگانه ردیابی می‌شوند، سازمان‌ها برای دیدن تصویر کلی دچار مشکل هستند. در یک جریان کاری عامل‌محور، چندین دارایی فناوری لمس می‌شوند، اما هزینه‌ها پراکنده باقی می‌مانند. این موضوع باعث می‌شود رهبران نتوانند هزینه و ارزش واقعی هر ابتکار خاص AI را درک کنند. در واقع، زیرساخت‌های مورد نیاز برای این پردازش‌ها اکنون به یک مسئله لجستیکی در مقیاس گیگاوات تبدیل شده است که مدیریت هزینه‌های انرژی و سخت‌افزار را پیچیده‌تر می‌کند.

جریچ اشاره می‌کند که اگرچه مصرف توکن یک معیار عملیاتی مفید است، اما نمی‌تواند توضیح دهد که آیا یک سرمایه‌گذاری AI در حال ارائه ارزش تجاری واقعی است یا خیر. مدیران به طور فزاینده‌ای تمرکز خود را از «حجم AI مصرف شده» به «هزینه دستیابی به یک نتیجه مشخص» تغییر می‌دهند. این تغییر نیازمند استانداردهای سازگارتری برای اندازه‌گیری سرمایه‌گذاری‌ها در کل دارایی‌های فناوری است.

حل مشکل «هوش مصنوعی سایه» (Shadow AI)

یکی از محرک‌های اصلی این اتلاف، پدیده «هوش مصنوعی سایه» است. این اتفاق زمانی می‌افتد که تیم‌ها برای افزایش سرعت و کارایی، ابزارهای جدیدی را خارج از سیستم تدارکات متمرکز IT به کار می‌گیرند. AI برخلاف سیستم‌های سنتی ERP، همیشه از بالا به پایین و از طریق بخش تدارکات جریان نمی‌یابد. کارکنان مکرراً اشتراک‌های فردی ابزارهایی مانند ChatGPT یا Claude را می‌خرند، زیرا ابزارهای تأیید شده شرکتی نیازهای خاص آن‌ها را برآورده نمی‌کند.

این وضعیت چشم‌اندازی پراکنده ایجاد می‌کند که در آن شرکت برای لایسنس‌های سازمانی گران‌قیمت پول پرداخت می‌کند که بدون استفاده می‌مانند، در حالی که کارکنان از جیب خود برای ابزارهای تکراری هزینه می‌کنند. جریچ پیشنهاد می‌کند که راه حل، محدود کردن تجربه و آزمایش نیست، بلکه تبدیل آن به امری «مرئی» و «عامدانه» است. برای دستیابی به این هدف، برخی سازمان‌ها استراتژی‌های تبدیل تجربه کارکنان به یک مرکز هوش مصنوعی حاکم را دنبال می‌کنند تا نوآوری با نظارت سازمانی همسو شود.

برای رسیدگی به این موضوع، سازمان‌ها باید:

• شناسایی کنند که کدام ابزارهای AI، توسط چه کسی و برای چه هدفی استفاده می‌شوند.
• میزان استفاده را تحلیل کنند تا خریدهای تکراری و پرداخت‌های شخصی کارکنان را بیابند.
• حاکمیت شفافی ایجاد کرده و به کارکنان در مورد استفاده مسئولانه از AI راهنمایی ارائه دهند.
• یک نمای قابل‌اعتماد از فعالیت‌های AI ایجاد کنند تا ضمن کاهش اتلاف، از تجربه و نوآوری حمایت شود.

با ایجاد تعادل بین نوآوری و پاسخگویی، سازمان‌ها می‌توانند موارد استفاده موفق را با اطمینان مقیاس کنند و در عین حال هزینه‌های غیرضروری را حذف نمایند.

گذار به اقتصاد عامل‌محور (Agentic Economics)

با پذیرش AI عامل‌محور توسط سازمان‌ها — سیستم‌هایی که می‌توانند استدلال کنند، وظایف را تکرار کنند و سرویس‌های خارجی را فرا بخوانند — بودجه‌بندی سنتی کاملاً از کار می‌افتد. یک عامل AI هزینه واحد پیش‌بینی‌پذیری ندارد. یک جریان کاری ممکن است یک‌بار ۱,۰۰۰ توکن و بار دیگر بسته به پیچیدگی وظیفه، ۱۰,۰۰۰ توکن مصرف کند.

این نوسان به این معناست که بررسی‌های بودجه سالانه دیگر کافی نیستند. نرده‌های حفاظتی مالی باید به حالت «در لحظه» (Real-time) نزدیک شوند. برای مقابله با این وضعیت، فلکسرا پلتفرم Flexera One را به عنوان یک «سیستم هوشمند» معرفی می‌کند. هدف این است که معیار اصلی از «هزینه هر توکن» به «هزینه هر نتیجه موفق» تغییر یابد.

این امر نیازمند یک تغییر بنیادین در حسابداری است: تخصیص هزینه‌ها تا سطح هر عامل و جریان کاری خاص، به جای یک ردیف کلی به نام «هوش مصنوعی» که قابل توضیح نیست. تمرکز از حجم AI مصرف شده به هزینه دستیابی به یک نتیجه تجاری مشخص منتقل می‌شود.

مدیریت یکپارچه فناوری

در عمل، Flexera One قصد دارد مدیریت دارایی‌های IT (ITAM)، FinOps، مدیریت SaaS، بهینه‌سازی هزینه ابر و مدیریت هزینه AI را در یک نمای واحد ادغام کند. جریچ این وضعیت پراکنده فعلی را به رانندگی با ماشینی تشبیه می‌کند که کیلومترشمار دارد اما نشانگر بنزین یا چراغ هشدار موتور ندارد. بدون یک نمای یکپارچه، اگر یک مدیر مالی (CFO) بپرسد آیا هزینه‌های فناوری تحت کنترل است، ممکن است سه پاسخ متفاوت از سه گزارش مختلف دریافت کند: یکی از تیم ITAM درباره لایسنس‌ها، یکی از تیم ابر درباره FinOps و یکی از تیمی که در تلاش است مصرف توکن‌های AI را ردیابی کند.

Flexera One یک بنیاد مرئی برای تصمیم‌گیری در کل چرخه حیات سرمایه‌گذاری فراهم می‌کند. این قابلیت توسط موارد زیر پشتیبانی می‌شود:

• پلتفرم هوش فناوری (Technology Intelligence Platform): موتور زیربنایی برای مدیریت یکپارچه.
• تکنوپدیا (Technopedia): یک کاتالوگ داده‌های فناوری اختصاصی که میلیون‌ها محصول فناوری را پوشش می‌دهد.

با بهره‌گیری از این ابزارها، فلکسرا به بیش از ۵۰,۰۰۰ مشتری جهانی کمک می‌کند تا هزینه‌های تمام پشته (Stack) فناوری خود، شامل اپلیکیشن‌ها، عامل‌های AI، مدل‌ها، پلتفرم‌های داده، زیرساخت‌های ابری و قدرت محاسباتی را مدیریت کنند. این پلتفرم برای ارائه یک نمای قابل‌اعتماد از کل پشته طراحی شده تا رهبران بفهمند کجا هزینه می‌کنند و مهم‌تر از آن، چگونه بر اساس این اطلاعات عمل کنند.

اندازه‌گیری ارزش واقعی کسب‌وکار

جریچ استدلال می‌کند که سازمان‌ها باید پیش از تعریف معیارهای AI، «نتیجه تجاری» را تعریف کنند. بینش‌های عملیاتی مانند مصرف توکن، نرخ پذیرش یا صرفه‌جویی در زمان مفید هستند، اما به تنهایی ارزش مالی را ثابت نمی‌کنند.

او پیشنهاد می‌کند رهبران به جای پرسیدن «چقدر از AI استفاده می‌کنیم؟»، بپرسند «به دلیل استفاده از AI چه چیزی تغییر کرد؟». شاخص‌های عینی ارزش عبارت‌اند از:

• کوتاه‌تر شدن چرخه‌های توسعه محصول
• افزایش درآمد یا بهبود حاشیه سود
• کاهش ریسک‌های عملیاتی

هر آزمایشی بازده مالی فوری ندارد، اما جریچ تأکید می‌کند که هر ابتکار باید هدفی تعریف شده و نقطه مشخصی داشته باشد که در آن سازمان تصمیم بگیرد آیا آن را مقیاس کند، بازنگری نماید یا به طور کلی متوقف کند.

این تغییر در طرز فکر نیازمند دید مستمر، حاکمیت و بهینه‌سازی است، نه بررسی‌های دوره‌ای. از آنجایی که AI با سرعت زیادی تکامل می‌یابد، پنجره زمانی برای اصلاح هزینه‌های اضافی کوچک است و این امر وجود نرده‌های مالی در لحظه و یک نمای قابل‌اعتماد از کل اکوسیستم AI را ضروری می‌کند. فلکسرا قصد دارد «در ردیف اول» تکامل اقتصاد AI باقی بماند و به سازمان‌ها کمک کند بفهمند از چه چیزی استفاده می‌کنند، ریسک در کجا قرار دارد و کدام سرمایه‌گذاری‌ها ارزش واقعی ایجاد می‌کنند.

گام بعدی شما

• لیست تمام اشتراک‌های AI در سازمان خود را استخراج کنید تا ابزارهای موازی و تکراری را شناسایی کنید.
• مدل بودجه‌بندی خود را از «هزینه ماهانه» به «هزینه به ازای نتیجه» (Cost per Outcome) تغییر دهید.
• یک پروتکل نظارتی برای ابزارهای Shadow AI ایجاد کنید تا نوآوری کارکنان بدون نشت مالی سازمان ادامه یابد.

اما مدیریت این هزینه‌ها تنها نیمی از ماجراست؛ چالش واقعی در بهینه‌سازی سخت‌افزاری برای کاهش هزینه استنتاج است که در تحلیل‌های بعدی بررسی خواهیم کرد.