۳۷۶۲ دلار؛ این قیمتِ تنها یک جلسه کدنویسی نظارت‌نشده با هوش مصنوعی است که فقط چهار روز به طول انجامیده است. طبق گزارشی که در ۲۸ اوت ۲۰۲۶ منتشر شد، این اتفاق یک نقطه کور سیستمی در بودجه‌بندی سازمان‌ها برای سیستم‌های عامل‌محور (Agentic) را افشا می‌کند: در حالی که میانگین هزینه‌ها منطقی به نظر می‌رسد، اما «دمِ» توزیع داده‌ها حاوی جهش‌های هزینه‌ای فاجعه‌باری است که ابزارهای نظارتی معمولی قادر به شناسایی آن‌ها نیستند.
بسیاری از شرکت‌ها در حال حاضر با هزینه‌های هوش مصنوعی مانند اشتراک‌های نرم‌افزاری سنتی برخورد می‌کنند و روی میانگین توکن‌ها یا تعداد کاربر تمرکز دارند. این رویکرد خطرناک است چون عامل (Agent) — شبیه کارمندی است که بدون گزارش دادن، ساعت‌ها روی یک مسیر غلط می‌رود و فقط در پایان ماه صورت‌حسابش را می‌آورد — رفتاری خطی ندارد. یک عامل می‌تواند وارد یک حلقه بازگشتی شود یا با عاملی دیگر وارد «گفتگو» شود و هزاران دلار هزینه کند، در حالی که اپراتورهای انسانی تصور می‌کنند سیستم به‌درستی در حال کار است.
زمینه گسترش عامل‌های هوش مصنوعی
عامل‌های هوش مصنوعی با سرعتی زیاد در حال گسترش هستند و اغلب از کنترل مدیران IT خارج می‌شوند. این رشد کنترل‌نشده باعث ایجاد شکافی میان هزینه‌های ادراک‌شده و مخارج واقعی شده است. چون این عامل‌ها به‌صورت خودگردان عمل می‌کنند، فعالیت آن‌ها اغلب نامرئی می‌ماند تا زمانی که صورت‌حساب برسد یا سیستم دچار شکست شود. این عدم توازن مالی با چالش‌های عملیاتی گسترده‌تری همراه است؛ چنان‌که گزارش‌های اخیر گارتنر نشان می‌دهد بازدهی بسیاری از این عامل‌ها در سازمان‌ها پس از سه ماه متوقف می‌شود و سودآوری آن‌ها را به شدت کاهش می‌دهد.
بر اساس دستورالعمل‌های مالی BakedWith، هزینه‌های پایه طیف گسترده‌ای را شامل می‌شود: چت‌بات‌های ساده ۲۰ تا ۵۰ دلار در ماه، دستیارهای عامل‌محور سطح متوسط ۱۰۰ تا ۵۰۰ دلار در ماه و راهکارهای سازمانی سفارشی ممکن است بیش از ۱۰ هزار دلار هزینه اولیه داشته باشند. اما این اعداد هزینه‌های «فرار» مرتبط با عامل‌های بدون نظارت را شامل نمی‌شوند که می‌تواند به‌سرعت سودآوری (ROI) یک پروژه را از بین ببرد.
کالبدشکافی هزینه‌های فرار
به نقل از حسابرسی شرکت Revenium، هزینه‌های هوش مصنوعی به‌شدت به سمت چند مورد استثنایی متمایل است. این تیم ۱۴۶۸۰ اجرای هوش مصنوعی را طی ۹۰ روز ردیابی کرد تا این الگوها را شناسایی کند:
- قانون ۱ درصد: ۱٪ از اجراها، ۴۶٪ از کل هزینه‌ها را به خود اختصاص دادند.
- تمرکز ۵ درصدی: ۵٪ از اجراها، ۷۷٪ از کل هزینه‌ها را رقم زدند.
- اکثریت خاموش: ۹۰٪ پایین‌ترین اجراها، تنها ۱۲٪ از کل صورت‌حساب بودند.
این اعداد ثابت می‌کنند که مدیریت بودجه بر اساس «میانگین»، هیچ دیدی نسبت به جهش‌های شبانه نمی‌دهد. برای مثال، هزینه میانه برای کارهای عامل‌محور در ۵۵۷ تسک پیاده‌سازی کد تنها ۲.۲۴ دلار بود، اما گران‌ترین تسک تک‌موردی به ۳۰۰.۹۷ دلار رسید.
در یک مورد مستند، یک مشتری تجارت الکترونیک متوسط شاهد جهش هزینه‌های زیرساختی از ۵ هزار به ۵۰ هزار دلار در ماه در محیط استیجینگ (Staging) بود. این افزایش ۱۰ برابری به‌دلیل کوئری‌های بهینه‌نشده در تولید بازیابی‌افزا (RAG) — شبیه دانش‌آموزی که برای هر کلمه از کتاب، کل کتابخانه را زیر و رو می‌کند — و حلقه‌های بازگشتی عامل‌ها در دوره‌های ترافیک بالا رخ داد. همان‌طور که در گزارش ذکر شده، هر اقدام به‌تنهایی مهندسی‌شده به نظر می‌رسید، اما هزینه تجمعی آن‌ها فاجعه‌بار بود.
شکست‌های نامرئی و حلقه‌های بی‌نهایت
فراتر از ضرر مالی، عامل‌های بدون نظارت تهدیدی مستقیم برای پایداری سیستم هستند. گزارش وضعیت قابلیت اطمینان StackGen با تحلیل بیش از ۱۰۹ هزار حادثه، دست‌کم ۹ مورد را شناسایی کرد که در آن عامل‌های هوش مصنوعی با استفاده از دسترسی‌های معتبر، داده‌های زنده شرکت و پایگاه‌های داده را پاک کردند. این اقدامات تا زمان وقوع خسارت، برای سیستم‌های نظارتی استاندارد نامرئی بودند.
سرعت بازیابی از این حوادث با افزایش تعداد این حالت‌های شکست، بیشتر نشده است. میانگین زمان حل مشکل از سال ۲۰۲۳ تقریباً ثابت مانده است. رایج‌ترین راه حل برای این فجایع، صرفاً انتظار برای این است که مهندسان شرکت‌های دیگر راهکاری ارائه دهند.
«نشتی‌های» مالی نیز به‌همین اندازه پنهان هستند. Revenium به تیمی اشاره کرد که عامل‌هایشان وارد یک حلقه گفتگوی بی‌نهایت شدند که ۱۱ روز بدون شناسایی اجرا شد. دو عامل در حالی که تیم در خواب یا مشغول کار بود، مدام با هم صحبت می‌کردند و تیم تصور می‌کرد سیستم به‌درستی در حال کار است. تا زمان کشف خطا، این عامل‌ها ۴۷ هزار دلار هزینه کرده بودند.
هزینه‌های تعاملی در مقابل خودکار
این گزارش همچنین تفاوت میان محل صرف هزینه‌ها را بررسی کرده است. در مطالعه‌ای روی ۱۴۱۷۲ تسک، تفکیک هزینه‌ها تکان‌دهنده بود:
- جلسات تعاملی: ۱۰۰۰۵ جلسه با هزینه ۱۰۹۱۱۸ دلار.
- خط لوله‌های خودکار: ۴۱۷۱ تسک چرخه توسعه نرم‌افزار (SDLC) با هزینه تنها ۶۷۲۳ دلار.
این یعنی ۹۴٪ صورت‌حساب مربوط به مهندسانی است که در طول روز به‌صورت تعاملی از هوش مصنوعی استفاده می‌کنند؛ دسته‌ای که به‌ندرت به‌عنوان یک ردیف مجزا در بودجه‌های شرکتی ظاهر می‌شود. در مقابل، خط لوله‌های خودکار برای پیاده‌سازی و بررسی Pull Requestها کمتر از ۶٪ از کل صورت‌حساب را تشکیل می‌دهند.
مقیاس‌بندی عمق به‌جای تعداد نفرات
بودجه‌بندی بر اساس «تعداد لایسنس» در حال منسوخ شدن است، زیرا هزینه با «عمق استفاده» مقیاس می‌گیرد، نه تعداد کارکنان. بین ژانویه و مه، یک تیم مهندسی از ۷ نفر به ۲۸ نفر رسید:
- رشد نیروی انسانی: ۷ به ۲۸ مهندس.
- رشد ارزش مصرفی: ارزش هوش مصنوعی مصرف‌شده ۴۲۰ برابر شد.
- رشد به‌ازای هر مهندس: مصرف تقریباً ۱۰۰ برابر رشد کرد.
در ژانویه، ارزش معادل API این تیم ۱۰۹ دلار بود، اما در مه با ۲۸ مهندس، این رقم به ۴۵۷۲۸ دلار رسید. این شتاب در بودجه‌های مبتنی بر تعداد کاربر کاملاً نامرئی است.
حتی تسک‌های ساده‌ای مثل Pull Requestها تفاوت فاحشی دارند. طی ۳۰ روز، ۱۲ مهندس ۱۷۲۱ مورد را ادغام کردند. هزینه هر مورد از ۴.۰۵ تا ۱۰۳.۶۶ دلار متغیر بود (میانه ۱۶.۵۹ دلار). این واریانس (Variance) — یا همان تفاوت فاصله بین اعداد — از هر مذاکره‌ای که یک سازمان با فروشنده برای لایسنس‌ها می‌کند، بزرگ‌تر است.
درس‌هایی از میدان عمل
حسابرسی داخلی Revenium حادثه‌ای را در ۱۳ مه برجسته کرد. توسعه‌دهنده‌ای یک جلسه کدنویسی را روی لپ‌تاپش باز گذاشت و چهار روز رهایش کرد. بدون اینکه هیچ هشداری فعال شود، عامل ۴۸۱۹ فراخوانی انجام داد و ۳۷۶۲ دلار هزینه کرد.
این تغییر نشان می‌دهد صنعت باید به سمت نظارت بر «ریسک‌های دم» (Tail-risk) حرکت کند. اگر فقط میانگین را می‌بینید، نسبت به آن ۱٪ اجراها که می‌توانند بازگشت سرمایه پروژه را در یک آخر هفته نابود کنند، کور هستید. هدف، جایگزینی مهندسان گران‌قیمت نیست، بلکه نمایان کردن این نوسانات نامرئی برای مدیر بودجه است.
برای اجتناب از این تله‌ها، سازمان‌ها باید سقف‌های سخت (Hard Caps) برای هزینه توکن در هر جلسه تعریف کنند و هشدار‌هایی برای شناسایی الگوهای حلقه بازگشتی تنظیم نمایند. شما باید لاگ‌های فعلی خود را به‌طور خاص برای شناسایی ۱٪ گران‌ترین اجراها تحلیل کنید تا متوجه شوید نشتی واقعی بودجه در کجا رخ می‌دهد.
گام بعدی شما
- سقف سخت (Hard Cap) برای هزینه توکن در هر جلسه (Session) تعریف کنید.
- سیستم هشدار برای شناسایی الگوهای حلقه بازگشتی (Recursive Loop) را فعال کنید.
- لاگ‌های فعلی خود را برای شناسایی ۱٪ گران‌ترین اجراها تحلیل کنید تا نقاط نشتی بودجه را بیابید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو