تصور کنید هزینه ابزارهای کدنویسی تیم شما به‌جای رشد خطی، به‌طور تصادفی و انفجاری بالا برود تا جایی که خرید سخت‌افزار ارزان‌تر از اجاره توکن شود. این دقیقاً همان نقطه‌ای است که Nutanix تصمیم گرفت با سرمایه‌گذاری ۲۰ میلیون دلاری، بازی را تغییر دهد. ۲۰ میلیون دلار؛ این بهایی است که Nutanix برای خرید سخت‌افزارهای درون‌سازمانی پرداخت کرد تا از نوسانات قیمت‌گذاری توکن‌های هوش مصنوعی رهایی یابد.
به نقل از اظهارات راجیو راماسوامی، مدیرعامل Nutanix در ۲۷ اوت ۲۰۲۴، این شرکت یک خوشه واحد پردازش گرافیکی (GPU) — شبیه به یک موتورخانه قدرتمند که تمام محاسبات سنگین را به‌جای اجاره از دیگران، در خانه انجام می‌دهد — برای اجرای مدل‌های وزن‌های باز (Open Weights) در توسعه نرم‌افزارهای داخلی ساخته است. هدف از این اقدام، سقف‌گذاری هزینه‌هایی بود که تحت مدل‌های SaaS به‌شدت افزایش یافته بود. راماسوامی تأیید کرد که تیم‌های نرم‌افزاری آن‌ها از هوش مصنوعی برای کل چرخه حیات محصول، از نوشتن کد و تست QA تا طراحی رابط کاربری (Front-end) استفاده می‌کردند. او اعتراف کرد: «میزان استفاده منفجر شد و هزینه‌ها نیز به همان نسبت بالا رفتند.» اکنون، این شرکت دیگر برای بخش اعظم کارهای خود، بر اساس تعداد توکن هزینه پرداخت نمی‌کند.
بسیاری از سازمان‌ها با دستیاران کدنویسی مانند یک لایسنس ساده نرم‌افزاری برخورد می‌کنند؛ شبیه به خرید صندلی برای یک سیستم CRM. اما واقعیت مصرف مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — بسیار منعطف‌تر است. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، وقتی توسعه‌دهندگان از استفاده سبک به سمت هدایت کل گردش کار خود از طریق هوش مصنوعی حرکت می‌کنند، هزینه از تعداد نفرات جدا شده و شروع به رفتار کردن مانند یک زیرساخت می‌کند.
این یک مورد ساده از «بازگشت به خانه» یا انتقال استراتژیک بارهای کاری تولیدی (مانند خط لوله‌های RAG یا سرویس‌های استنتاج) از ابر به محیط درون‌سازمانی (On-premises) برای بهینه‌سازی ریاضیات مالکیت نیست، بلکه تغییر در بودجه ابزارهای داخلی است. این جابه‌جایی، در ادامه کلنجار سازمان‌ها با پدیده «هوش مصنوعی سایه» (Shadow AI)، نشان‌دهنده یک شکست عمیق در حاکمیت شرکتی است. اکثر سازمان‌ها گیت‌های بررسی مجزایی برای نرم‌افزار و زیرساخت دارند، اما تقریباً هیچ‌کدام مکانیزمی ندارند تا تشخیص دهند چه زمانی یک خرید نرم‌افزاری در حالی که مدارک اداری آن بدون تغییر باقی مانده، به دسته‌بندی زیرساخت مهاجرت می‌کند. این یک شکست حاکمیتی است که اکثر معماران سازمانی هنوز نامی برای آن ندارند، عمدتاً به این دلیل که فرآیندی برای شناسایی آن ندارند.
نقطه تلاقی Nutanix
طبق گزارش‌های منتشر شده، Nutanix در ابتدا بر ابزارهای پیشرو مانند GitHub Copilot، Cursor و Claude متکی بود. با تسریع پذیرش این ابزارها در چرخه توسعه — شامل نوشتن کد، تست‌های QA و طراحی رابط کاربری — هزینه‌های توکن‌محور غیرقابل تحمل شد. محرک این تصمیم نه کمبود GPU و نه یک استراتژی از پیش برنامه‌ریزی شده برای بازگشت به زیرساخت داخلی، بلکه رشد هزینه‌های نرم‌افزاری توکن‌محور بود که از نقطه‌ای عبور کرد که در آن مالکیت محاسبات منطقی‌تر از اجاره توکن‌ها بود.
برای حل این مشکل، شرکت یک خوشه GPU ۲۰ میلیون دلاری مستقر کرد. این زیرساخت اکنون حدود ۸۰٪ از نیازهای داخلی هوش مصنوعی را پوشش می‌دهد. ۲۰٪ باقی‌مانده همچنان برای کارهایی که به حداکثر توان استدلال (Reasoning) نیاز دارند، به مدل‌های پیشرو و توکن‌محور ارجاع داده می‌شود. این وضعیت نشان‌دهنده جایگزینی جزئی ابزارهای کدنویسی SaaS است، نه خروج کامل از آن‌ها.
مکانیسم شکست بودجه
در مدل‌های SaaS سنتی، تیم‌های مالی یک رابطه خطی پیش‌بینی‌پذیر دارند: ۱۰ توسعه‌دهنده بیشتر یعنی ۱۰ لایسنس بیشتر، و این ردیف هزینه در یک خط مستقیم حرکت می‌کند که می‌توان آن را برای یک سال پیش‌بینی کرد. اما دستیاران کدنویسی این مدل را از طریق یک رفتار «مقیاس‌پذیری دوگانه» می‌شکنند:
- رشد تعداد نفرات: اضافه کردن توسعه‌دهندگان جدید، تعداد لایسنس‌ها را بالا می‌برد.
- رشد مصرف: توسعه‌دهندگان فعلی با ادغام عمیق‌تر هوش مصنوعی در گردش کار، توکن‌های بیشتری مصرف می‌کنند. توسعه‌دهنده‌ای که از دستیار به‌صورت سبک استفاده می‌کند و کسی که بیشتر کارهایش را از طریق آن هدایت می‌کند، با وجود داشتن لایسنس یکسان، هزینه‌های توکن کاملاً متفاوتی ایجاد می‌کنند.
وقتی این دو منحنی رشد مستقل روی یک خط بودجه قرار می‌گیرند، دسته‌بندی هزینه شبیه به زیرساخت می‌شود — یعنی وابسته به مصرف، منعطف و شکل‌گرفته بر اساس ظرفیت — اما همچنان مانند یک نرم‌افزار خریداری و بررسی می‌شود. این همان «آستانه طبقه‌بندی زیرساختی» است؛ نقطه‌ای که الگوی مصرف یک بودجه ابزار دیگر شبیه نرم‌افزار نیست و شبیه زیرساخت می‌شود، فارغ از اینکه تیم مالی یا IT متوجه این تغییر شوند یا خیر.
فراتر از ابزارهای داخلی
اگرچه فشار هزینه‌های داخلی محرک این سرمایه ۲۰ میلیون دلاری بود، اما دامنه کاربرد این خوشه گسترش یافته است. Nutanix اکنون از این محاسبات برای پشتیبانی از Agentic Gateway، یک محصول عامل‌محور (Agentic) برای مشتریان، استفاده می‌کند. این یعنی یک اقدام برای کاهش هزینه برای توسعه‌دهندگان، به یک دارایی استراتژیک برای عرضه محصول تبدیل شده است.
این حرکت بازتاب‌دهنده روند گسترده‌تری در «توکنومیکس» است که مدیر محصول Cisco نیز به آن اشاره کرده است. سیسکو به‌طور علنی درباره نیاز به جلوگیری از فاصله گرفتن هزینه‌های توکن از ارزش واقعی تولید شده توسط آن‌ها صحبت کرده است. در حالی که سیسکو بیشتر درباره فشار هزینه صحبت می‌کند تا پاسخ زیرساختی، اما تأیید می‌کند که این شرط محرک، یک مورد استثنایی در یک شرکت خاص نیست. برای Nutanix، راه حل این بود که اجاره توکن را متوقف کرده و مالکیت محاسبات را آغاز کند.
محاسبه بازگشت سرمایه (ROI)
راجیو راماسوامی انتظار دارد این سرمایه ۲۰ میلیون دلاری ظرف یک سال بازگردد. اما این ادعا نیازمند بررسی از دریچه «پنجره استهلاک عملیاتی» است. این چارچوب، «ماه نقطه سربه‌سر» (پیش‌بینی‌شده پیش از صرف سرمایه) را از «پنجره اندازه‌گیری شده تقویمی» (تا زمانی که صرفه‌جویی‌های واقعی به آن پیش‌بینی برسند) تفکیک می‌کند.
سوال حیاتی برای Nutanix این نیست که آیا در ماه تایید خرید، اعداد در اکسل همخوانی داشتند یا خیر، بلکه این است که آیا صرفه‌جویی‌های حاصل از پوشش ۸۰ درصدی نیازهای داخلی، در حجم پیش‌بینی شده، برای تایید این تصمیم سرمایه‌ای تداوم می‌یابد یا خیر.
چرا این یک مشکل برنامه‌ریزی ظرفیت نیست؟
باید این موضوع را از مشکلات بهینه‌سازی پایین‌دستی تفکیک کرد. برنامه‌ریزی ظرفیت و معماری هزینه استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — فرض می‌کنند سازمان از قبل تصمیم گرفته مالک زیرساخت باشد یا آن را اداره کند. اما مشکل اینجا در سطح بالاتری (Upstream) است: لحظه‌ای که یک دسته‌بندی هزینه، پیش از آنکه حتی به عنوان یک تصمیم زیرساختی مطرح شود، مرز طبقه‌بندی را رد می‌کند. این تغییر رویکرد در مدیریت منابع، با تحول کلی زیرساخت‌های AI از برنامه‌ریزی ظرفیت به سمت مدیریت ارکستراسیون همسو است که در آن انعطاف‌پذیری جایگزین تخمین‌های ایستا شده است.
اگر این طبقه‌بندی اشتباه باشد یا دیر شناسایی شود، تمام گفتگوهای بعدی درباره برنامه‌ریزی ظرفیت از یک فرض غلط شروع می‌شوند. این نسخه بودجه‌ای همان شکست‌هایی است که در گسترش کنترل‌نشده ابزارهای هوش مصنوعی می‌بینیم. در حالی که حاکمیت و کنترل زمان اجرا (Runtime) تعیین می‌کنند چه کسی اختیار تغییر زیرساخت را دارد، سوال «نقطه تلاقی» تعیین می‌کند که آیا چیزی اصلاً باید به عنوان زیرساخت شمرده شود یا خیر.
نشانه‌های مهاجرت بودجه
سازمان‌ها می‌توانند با رصد این سیگنال‌ها بفهمند که آیا بودجه ابزارهای هوش مصنوعی آن‌ها به‌طور پنهانی در حال تبدیل شدن به بودجه زیرساختی است:
- تضاد هزینه: هزینه‌های توکن‌محور از هزینه پیش‌بینی‌پذیر لایسنس‌ها برای همان تعداد نفرات پیشی می‌گیرد.
- رشد گسسته: سرعت رشد مصرف توکن از سرعت رشد اندازه تیم بیشتر است.
- شکست پیش‌بینی: تیم مالی دیگر نمی‌تواند هزینه فصل بعد را تنها با شمارش لایسنس‌ها پیش‌بینی کند.
- وزن بودجه: بودجه ابزار به یکی از بزرگ‌ترین مراکز هزینه مهندسی تبدیل شده، نه یک رقم کوچک در بخش «نرم‌افزار».
- تغییر معیار مقایسه: تیم‌ها به‌جای مقایسه دو ابزار هوش مصنوعی، هزینه مالکیت سخت‌افزار را با هزینه تکرارشونده ابزارها مقایسه می‌کنند.
حکم معمار
این صرفاً داستانی درباره ساخت یک خوشه GPU ۲۰ میلیون دلاری توسط Nutanix نیست؛ آن اتفاق تنها یک «رویدد شواهدی» است. مشکل واقعی این است که سازمان‌ها دو فرآیند بررسی مجزا را اجرا می‌کنند — یکی برای زیرساخت و یکی برای نرم‌افزار — و هیچ‌کدام برای شناسایی خریدی که از دسته دوم به اول مهاجرت می‌کند (در حالی که هیچ چیزی در سفارش خرید تغییر نکرده) طراحی نشده‌اند.
ابزارهای هوش مصنوعی این مهاجرت را به‌طور غیرمعمولی سریع می‌کنند، زیرا مصرف می‌تواند مستقل از تعداد افرادی که لایسنس می‌خرند، مقیاس شود. سازمان‌هایی که از این بابت آسیب می‌بینند، کسانی نیستند که بیش از حد برای دستیاران کدنویسی هزینه می‌کنند؛ بلکه کسانی هستند که هیچ مکانیزمی ندارند تا به آن‌ها بگوید بودجه ابزار هوش مصنوعی‌شان از خط قرمز عبور کرده است — زیرا هیچ‌کس برای دسته‌بندی‌ای که قرار نبود وجود داشته باشد، گیت یا دروازه کنترلی نساخته است.
گام بعدی شما
- بررسی الگوی رشد مصرف توکن‌ها در تیم‌های توسعه برای شناسایی «آستانه طبقه‌بندی زیرساختی».
- ارزیابی مدل‌های وزن‌های باز برای جایگزینی بخش‌های پرمصرف و تکراری از گردش کار SaaS.
- بازنگری در فرآیندهای تایید بودجه برای تفکیک ابزارهای «لایسنس‌محور» از ابزارهای «مصرف‌محور».
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو