اوبر بودجه سالانه هوش مصنوعی خود را در چهار ماه تمام کرد

تصور کنید برای رفتن به صندوق پستی محله، هر روز یک ماشین فراری مدل ۲۰۲۶ را روشن کنید؛ این دقیقاً همان اتفاقی است که در دفاتر مالی شرکت‌های بزرگ فناوری می‌افتد. اگر امروز مدیر عملیاتی هستید، باید بدانید که اشتیاق اولیه برای پذیرش هوش مصنوعی، حالا جای خود را به شوکِ صورت‌حساب‌های میلیونی داده است.

به گزارش منابع صنعتی، شرکت اوبر (Uber) کل بودجه سالانه خود برای هوش مصنوعی را تنها در چهار ماه اول مصرف کرد. این وضعیت که «توکن‌مکسینگ» (Tokenmaxxing) نامیده شده، مصرف توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — را به یک معیار حیاتی و استرس‌زای شرکتی تبدیل کرده است. این بحران مالی در اوبر، تضاد میان هزینه‌های عملیاتی توکن‌های عامل‌محور و حقوق کارکنان را به شکلی ملموس به نمایش گذاشته است.

تا ۳۱ اوت ۲۰۲۶، صنعت از مرحله نمایش دموها به مرحله ادغام در جریان‌های کاری روزمره رسید. این انتقال یک شکاف بزرگ در تدارکات را آشکار کرد: بسیاری از تیم‌ها برای کارهای ابتدایی مثل تکمیل خودکار متن (Autocomplete)، هزینه‌های گزاف مدل‌های پیشرو را می‌پردازند. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، توازن بین هزینه و کارایی همواره نقطه ضعف استقرار در مقیاس واقعی بوده است.

این ولع مصرف به جایی رسیده که شرکت سندبرد (Sendbird) یک جدول رده‌بندی برای ردیابی میزان مصرف توکن کاربران ساخت؛ اقدامی که چیزی بین بازی‌سازی هوشمندانه و یک تاکتیک فشار روانی برای کارکنان است. در مقابل، جدول‌های هزینه‌ای که در ژانویه ۲۰۲۶ خبرساز شده بودند، با رسیدن اولین صورت‌حساب‌ها و بازگشت مفهوم «قناعت» به شرکت‌ها، تعطیل شدند.

طبق گزارشی از dev.to، تفاوت هزینه بین سطوح مختلف مدل‌ها اکنون به یک ریسک تجاری تبدیل شده است. مدل‌های پیشرو (Frontier Models) می‌توانند ۵ تا ۱۰ برابر گران‌تر از جایگزین‌های سبک‌تر باشند. برای مثال، مدل اوپوس ۵ (Opus 5) تقریباً ۵ برابر گران‌تر از هایکو (Haiku) است و برخی پرچمداران جدید این فاصله را به ۱۰ برابر رسانده‌اند. در دنیای اپلیکیشن‌های موبایل، این تفاوت‌ها باعث شده تا معیار توکن به‌ازای هر وظیفه به تنها شاخص حیاتی برای تحلیل هزینه‌های API تبدیل شود.

رهبران شرکتی اکنون در حال هشدار درباره هزینه‌های مهارنشده هستند:

• جنسن هوانگ (Jensen Huang) اعلام کرد اگر مهندسی با حقوق ۵۰۰ هزار دلار، سالانه حداقل ۲۵۰ هزار دلار روی توکن‌ها هزینه نکند، «عمیقاً نگران» خواهد شد.
• علی غودسی (Ali Ghodsi)، مدیرعامل دیتابریکس (Databricks)، به مورد مهندسی اشاره کرد که در یک ماه بیش از ۷ هزار دلار هزینه کرده است.
• هاروی (Harvey)، هوش مصنوعی تخصصی حقوقی، شاهد جهش ۱۲ برابری مصرف خود در یک سال بود و به ۱۲ تریلیون توکن در ماه رسید.

در واکنش به این بحران، آدام موسری (Adam Mosseri) از متا (Meta) در حال بررسی تعیین سقف توکن برای هر کارمند است. همچنین گزارش شده که مایکروسافت (Microsoft) مجوزهای کلود کد (Claude Code) را لغو کرده تا کاربران را به سمت کوپایلوت (Copilot) سوق دهد و هزینه‌ها را متمرکز کند.

در حالی که شرکت‌های آمریکایی با هزینه‌های اجاره مدل‌ها می‌جنگند، هند در حال ساخت زیرساخت‌های خود است. شرکت سروام ای‌آی (Sarvam AI) به رهبری ویوک راغوان، در حال توسعه یک پشته هوش مصنوعی حاکمیتی (Sovereign AI) است. مدل وزن‌باز ۱۲۰ میلیارد پارامتری آن‌ها اکنون در مأموریت IndiaAI برای برنامه‌های حکمرانی مثل Citizen Connect و AI4Pragati، با حمایت انویدیا (Nvidia) و اچ‌سی‌ال‌تک (HCLTech) فعال است. سروام با ارزشی حدود ۱.۵ میلیارد دلار، دو مدل آموزش‌دیده بر اساس زبان‌های هندی را برای مدیریت تنوع زبانی این کشور عرضه کرده است.

به همین ترتیب، استارتاپ گنانی (Gnani) پشته حاکمیتی آرتا (Artha) را معرفی کرد که شامل مدل بنیادی ایوان وی ۳.۳ (Evon v3.3) و پلتفرم عامل‌محور پلکسوس (Plexus) است. هر دو شرکت روی این شرط شرط‌بندی کرده‌اند که کنترل محلی و وزن‌های باز (Open Weights) — یعنی انتشار «دستور پخت» مدل به جای فقط غذای آماده — بر اجاره هوش مصنوعی از آزمایشگاه‌های کالیفرنیا برتری دارد.

با این حال، این شتاب حاکمیتی با موانع عملی روبروست. منتقدان می‌گویند «حاکمیت» به تنهایی کمبود استعداد یا هزینه هنگفت میزبانی یک مدل ۱۲۰ میلیارد پارامتری در خاک هند را حل نمی‌کند. با این حال، این رویکرد وزنه تعادلی در برابر تسلط چند آزمایشگاه جهانی ایجاد می‌کند.

در چین نیز، تنسنت (Tencent) مدل های ۴ (Hy4) را پیش‌نمایش کرد؛ یک مدل ترکیب خبره‌ها (Mixture of Experts) با وزن‌های باز. اگرچه این مدل ۷۷۰ میلیارد پارامتر دارد، اما در هر درخواست تنها ۴۹ میلیارد پارامتر فعال می‌شوند. تنسنت قصد دارد Hy4 را در ابزارهای CodeBuddy و WorkBuddy برای مهندسی نرم‌افزار و تحلیل مالی ادغام کند.

تنسنت با صراحتی نادر در زمان عرضه مدل، پذیرفت که این مدل گاهی در تأیید پاسخ‌ها زیاده‌روی می‌کند یا در پرسش‌های پیچیده زمان زیادی می‌برد. با این حال، اندازه ۷۷۰ میلیارد پارامتری همچنان نیاز به سخت‌افزار سنگینی دارد و برچسب «پیش‌نمایش» نشان می‌دهد که برای تأیید ادعاهای داخلی، به محک‌های شخص ثالث نیاز است.

فراتر از بودجه، یک ریسک عمیق‌تر در حال ظهور است: «توهم توسط وکیل». مطالعه‌ای از بیمارستان دانشگاه لیل نشان داد ۴۴٪ از دستیاران پزشکی، نام یک بیماری خیالی به نام «نوروکادمیوماتوزیس» را که توسط یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — پیشنهاد شده بود، پذیرفتند. تنها کسانی که خطا را تشخیص دادند، کسانی بودند که خروجی هوش مصنوعی را به عنوان یک منبع داوری‌شده نپذیرفتند.

این نشان می‌دهد در حالی که شرکت‌ها بر سر بودجه توکن‌ها می‌جنگند، هنوز عادت پذیرش مطلق خروجی‌های هوش مصنوعی را اصلاح نکرده‌اند. hangover مالی در حال رسیدن است، اما hangover شناختی می‌تواند خطرناک‌تر باشد.

گام بعدی شما

• همین امروز مسیرهای مسیریابی مدل (Model Routing) خود را بازبینی کنید.
• استفاده از مدل‌های پرچمدار را برای کارهای با استدلال پایین متوقف کنید.
• هر ادعای پزشکی یا حقوقی را به صورت دستی تأیید کنید.

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