مالیات هماهنگی: ارتش‌های هوش مصنوعی توکن‌ها را بدون افزایش کیفیت می‌سوزانند

تصور کنید تیمی از ده متخصص را استخدام کنید که به‌جای پیشبرد پروژه، تمام وقت خود را صرف چک کردن غلط‌های املایی یکدیگر می‌کنند. این دقیقاً همان تله‌ای است که بسیاری از توسعه‌دهندگان در طراحی سامانه‌های عامل‌محور (Agentic) به آن می‌افتند.

اریک پروونچر، توسعه‌دهنده OpenAI Codex، در ۱۷ سپتامبر ۲۰۲۶ این پدیده را «مالیات هماهنگی» نامید. طبق اعلام او، وقتی تعداد عامل (Agent) — شبیه به کارمندی دیجیتال که می‌تواند ابزارها را برای رسیدن به هدف مدیریت کند — در یک جریان موازی از دو عدد بیشتر شود، نرخ مصرف توکن‌ها بدون هیچ بهبود کیفی در خروجی، به‌شدت بالا می‌رود.

همان‌طور که در تحلیل قبلی ما درباره‌ی جلوگیری از حلقه‌های تکراری در OpenAI Codex اشاره کردیم، مشکل اکنون فراتر از خطاهای منطقی ساده است و به ناکارآمدی بنیادین در ارتباطات موازی بازمی‌گردد.

به نقل از گزارش the-decoder.com، پروونچر مثالی تکان‌دهنده زد: پروژه‌ای که برای بازنویسی یک فایل پایتون ساده، از ۱٬۳۹۳ عامل Fable استفاده کرد و ۲۰٬۰۰۰ دلار هزینه توکن پرداخت؛ در حالی که یک عامل Astra می‌توانست همان کار را با کسری از این هزینه انجام دهد. این هزینه‌های سرسام‌آور نشان می‌دهد که چرا بهینه‌سازی توکن به‌ازای هر وظیفه به معیار کلیدی در مدل‌های هوش مصنوعی تبدیل شده است.

بر اساس مستندات فنی، این اتلاف منابع از سه شکست ساختاری ناشی می‌شود:

• بازبینی تکراری: عامل‌ها به یکدیگر اعتماد ندارند و مدام «تکالیف» هم را چک می‌کنند.
• سربار پرامپت: پرامپت سیستمی (System Prompt) — دستورالعمل‌های پایه که مثل دفترچه راهنمای هر کارمند است — برای هر عامل تکرار شده و حجم توکن‌ها را می‌دمد.
• پرس‌وجوی ناکارآمد: عامل‌ها به‌جای دریافت اعلان، مدام وضعیت یکدیگر را چک می‌کنند.

برای مدیران کسب‌وکار، این یعنی «عامل بیشتر» به‌معنای «نتیجه بهتر» نیست. مقیاس‌دهی به نیروی کار هوش مصنوعی بدون استراتژی هماهنگی دقیق، در واقع پرداخت هزینه اضافی برای تکرار است. این وضعیت منجر به یک بدهی فنی پنهان می‌شود که در آن هزینه بازبینی از ارزش اتوماسیون پیشی می‌گیرد.

OpenAI پذیرفته است که به راهکارهای بومی برای مدیریت این جریان‌ها نیاز است. تا آن زمان، توصیه می‌شود وظایف به رشته‌های (Threads) مجزا سپرده شوند که تنها پس از اتمام کار، عامل اصلی را مطلع کنند.

گام بعدی شما

• تعداد عامل‌های موازی در جریان‌های کاری خود را به حداکثر ۲ عدد کاهش دهید.
• به‌جای Polling، از ساختارهای مبتنی بر Notification برای ارتباط بین عامل‌ها استفاده کنید.
• هزینه توکن‌های مصرف‌شده در هر مرحله از بازبینی را رصد کنید تا نقاط اتلاف را بیابید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.