ارتش آمریکا سهمیهٔ توکن‌های هوش مصنوعی خود را در چند هفته سوزاند

تصور کنید برای کل یک سال بودجه داشته باشید، اما در عرض چند هفته همه چیز را تمام کنید؛ این دقیقاً اتفاقی است که در مرکز فرماندهی ارتش آمریکا افتاد. حالا کارکنان این سازمان با ایمیل‌های هشداردهنده مواجه شده‌اند: سهمیهٔ توکن‌ها تمام شده و دسترسی‌های «نامحدود» به پایان رسیده است.

به گزارش وایرد (WIRED)، اعضای دستور فرماندهی توسعه قابلیت‌های رزمی (DEVCOM) متوجه شدند که اشتیاق زیاد برای به‌کارگیری هوش مصنوعی زاینده (Generative AI) — که شبیه به یک دستیار فوق‌سریع است که می‌تواند حجم عظیمی از اسناد را در ثانیه‌ای تحلیل کند — باعث شده بود مخزن توکن‌های سازمان با سرعتی باورنکردنی خالی شود. این بحران، شکاف عمیقی را میان رویکردهای جسورانهٔ شرکتی در پذیرش فناوری و سیستم‌های سخت‌گیرانهٔ بودجه‌بندی در خریدهای دولتی نشان می‌دهد.

همان‌طور که در تحلیل قبلی ما درباره‌ی چالش‌های زیرساختی مدل‌های بزرگ اشاره کردیم، مقیاس‌پذیری در محیط‌های نظامی با پیچیدگی‌های متفاوتی روبروست. در حالی که وزارت دفاع (DOD) ادعا می‌کند تقریباً نیمی از ۳.۵ میلیون کارمندش از AI استفاده می‌کنند، زیرساخت‌های مالی قادر به همگام‌سازی با نرخ مصرف واقعی نیستند. این چالش‌های مدیریتی در حالی رخ می‌دهد که پنتاگون هم‌زمان تلاش می‌کند تا شکاف‌های حسابرسی و امنیتی در لایه‌های تصمیم‌گیری هوش مصنوعی خود را برطرف کند تا از اتلاف منابع جلوگیری شود.

برای مدیریت این فضای کاری، ارتش از پلتفرم Ask Sage استفاده می‌کند. این سامانه یک ابزار چندوجهی (Multimodal) — مانند انسانی که هم‌زمان متن، عکس و صدا را می‌فهمد — است که دسترسی به مدل‌هایی مثل Gemini، Llama و ChatGPT را فراهم می‌کند. طبق اعلام منابع، این سیستم برای مدیریت اطلاعات طبقه‌بندی‌نشده و توسط دفتر ارشد دیجیتال و هوش مصنوعی (CDAO) برای خریدهای حیاتی به‌کار می‌رود.

پلتفرم Ask Sage همچنین برای کارهای عملیاتی نظیر بازطبقه‌بندی شرح وظایف پرسنل استفاده می‌شود؛ فرآیندی پیچیده که شامل تعریف و هم‌راستاسازی تجربیات حرفه‌ای و وظایف شغلی است.

بر اساس مستندات داخلی، جزئیات این شکست بودجهی به شرح زیر است:

• اشتراک سالانه: ارتش در قالب یک بسته سازمانی به ۱۰۰ میلیون توکن (Token) — تکه‌های کوچکی از متن که مدل برای پردازش می‌خورد — دسترسی داشت.
• ارزش توکن: هر توکن تقریباً برابر با ۳.۷ نویسه (کاراکتر) است.
• سهمیه کاربران: هر کارمند ماهانه حداقل ۲۰۰ هزار توکن دریافت می‌کرد و برای کاربران پرمصرف، شارژ خودکار فعال بود.
• فشار برای استفاده: ارتش از طریق ایمیل‌های تشویقی،e کارمندان با مصرف پایین را ترغیب می‌کرد تا از این ابزارها بیشتر استفاده کنند.

طبق ایمیل‌های داخلی که توسط وایرد مشاهده شده، این مخزن تا اواسط ژوئن ۲۰۲۶ کاملاً تخلیه شد. ارتش فعلاً دسترسی‌ها را در سطح فعلی تمدید کرده است، اما هنوز مشخص نیست که آیا پس از ۱ اکتبر ۲۰۲۶ بودجه‌ای برای شارژ مجدد توکن‌ها در چرخه مالی جدید وجود دارد یا خیر. دسترسی‌های محدود ارتش به این مدل‌ها ممکن است با سیاست‌های جدیدتر شرکت‌های توسعه‌دهنده مرتبط باشد، چرا که گزارش شده دولت آمریکا فشار‌هایی را برای محدود کردن عرضه نسخه‌های پیشرفته‌تر مدل‌ها مثل GPT-5.6 به شرکای خاص وارد کرده است.

این پدیدهٔ «بیش‌مصرفی توکن»، مختص ارتش نیست. شرکت متا (Meta) اخیراً برای مهار مصرف بیش از حد، جدول رده‌بندی مصرف توکن‌ها را حذف کرد. همچنین گزارش شده که مهندسان اوبر (Uber) سهمیه یک سال توکن خود را تنها در چهار ماه سوزاندند.

در همین حال، پنتاگون در حالی بر استفاده از AI پافشاری می‌کند که در حال تعدیل نیروی انسانی است. به گزارش اینترسپت (The Intercept) در روز دوشنبه، وزارت دفاع در حال جایگزینی پرسنل «مرکز تعالی حفاظت از غیرنظامیان» با ابزارهای AI است تا سرعت ارزیابی‌های مربوط به جلوگیری از تلفات غیرنظامی در مناطق جنگی را افزایش دهد.

اما تجربه کاربران نهایی متفاوت است. یکی از کارکنان ارتش به وایرد گفت که این ابزارها اغلب غیرقابل اعتماد هستند. او به موردی اشاره کرد که مدل با اطمینان ادعا کرده بود تکلیفی را به پایان رسانده، در حالی که عملاً هیچ کاری انجام نداده بود؛ وضعیتی که دقیقاً همان توهم (Hallucination) — مثل وقتی کسی با اطمینان خاطره‌ای ساختگی را تعریف می‌کند — مدل‌های زبانی است.

این موضوع نشان‌دهنده شکاف خطرناکی میان اشتیاق مدیریتی برای «بهره‌وری» و واقعیتِ «قابلیت اطمینان» خروجی‌هاست. اجرای بی‌رویه این ابزارها در یک بوروکراسی فدرال، به جای بهینه‌سازی، احتمالاً منجر به ناکارآمدی بیشتر می‌شود.

اکنون پرسش این است که آیا وزارت دفاع می‌تواند بودجه کلانی را برای تامین ۲۰ میلیارد توکن در روز — نرخی که در طول ۳۸ روز عملیات «Epic Fury» در ایران مصرف شد — در بودجه مالی آینده جای دهد یا خیر.

گام بعدی شما

• اگر مدیر عملیاتی هستید، پیش از استقرار گسترده AI، مدل «سهمیه‌بندی پویا» را جایگزین دسترسی نامحدود کنید.
• در ارزیابی ابزارهای AI، نرخ توهم مدل را بر اساس خروجی‌های واقعی بسنجید، نه بر اساس وعده‌های فروشنده.
• برای کاهش هزینه‌های استنتاج، از مدل‌های کوچک‌تر (SLM) برای کارهای ساده‌تر استفاده کنید.

اما داستان سخت‌افزاری این تحول و فشار روی مراکز داده حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.