تصور کنید مدیر مالی شرکت شما از شما بپرسد که آن هزاران ساعت زمانی که هوش مصنوعی «ذخیره» کرده، دقیقاً کجا رفته است و چرا هزینه‌های عملیاتی کاهش نیافته است. اگر پاسخی برای این سؤال ندارید، در تلهٔ رایج ۷۰ درصد مدیران کسب‌وکار افتاده‌اید.
طبق داده‌های مک‌کینزی (McKinsey)، اکثریت رهبران سازمان‌ها نمی‌توانند شناسایی کنند که زمان آزادشده توسط هوش مصنوعی در عمل به کجا منتقل شده است. در حالی که مهندسان و مدیران میانی از افزایش چشمگیر بهره‌وری خبر می‌دهند، این اعداد به‌ندرت به کاهش واقعی بودجه یا رشد درآمد تبدیل می‌شوند. هفت سازمان از هر ده سازمان گزارش می‌دهند که کارکنانشان زمان کمتری را صرف وظایف می‌کنند، اما مدیریت نمی‌داند آیا این کارایی به دستاوردی ملموس تبدیل شده است یا خیر. این روند با گزارش‌هایی همسو است که نشان می‌دهد یک‌پنجم کارکنان آمریکایی اکنون وظایف انسانی خود را به هوش مصنوعی سپرده‌اند، اما لزوماً این تفویض اختیار به بهره‌وری سازمانی منجر نشده است.
این شکاف در اندازه‌گیری، توهمی خطرناک از ارزش ایجاد می‌کند. شرکت‌ها تعداد کاربران ابزار یا میزان توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — مصرف‌شده را رصد می‌کنند. اما این‌ها معیارهای هزینه هستند، نه معیارهای بازگشت سرمایه. پذیرش ابزار تنها یک شاخص پیشرو است و فقط می‌گوید آیا مردم از ابزار استفاده می‌کنند یا نه. پذیرش بالا بدون نتیجه‌ای اندازه‌گیری‌شده، تنها «فعالیت» ایجاد می‌کند، نه «ارزش». رصد هزینه توکن‌ها در ترازنامه، هیچ اطلاعاتی درباره اینکه آیا خروجی تولیدشده ارزش داشتن داشته است یا خیر، نمی‌دهد. هر دو مورد به‌راحتی از یک داشبورد استخراج می‌شوند و دقیقاً به همین دلیل، به‌جای اعداد سخت‌تر (یعنی اینکه شرکت واقعاً چقدر دلار پس‌انداز کرده)، گزارش می‌شوند.
توهم بهره‌وری
شرکت آنتروپیک (Anthropic) به‌تازگی ۱۳۲ نفر از مهندسان خود را درباره استفاده از کلود کد (Claude Code) مورد بررسی قرار داد. نتایج در ظاهر خیره‌کننده بود: تعداد درخواست‌های ادغام‌شده (Pull Requests) در روز ۶۷ درصد افزایش یافت و استفاده روزانه از ابزار از ۲۸ به ۵۹ درصد رسید. مهندسان خودشان ادعا کردند که بهره‌وری‌شان بین ۲۰ تا ۵۰ درصد رشد کرده است.
با این حال، وقتی سازمان داشبورد تحویل پروژه را بررسی کرد، معیارهای واقعی تحویل هیچ تغییری نکرده بود. مهندسان «احساس» می‌کردند سریع‌تر شده‌اند، اما کسب‌وکار تغییری در خروجی نهایی ندید. این تضاد بسیار رایج است؛ مطالعه‌ای از METR نشان داد در حالی که توسعه‌دهندگان گزارش دادند سرعتشان ۲۰ درصد افزایش یافته، در واقع وقتی با ساعت اندازه‌گیری شدند، ۱۹ درصد کندتر شده بودند. توسعه‌دهندگان کاملاً مطمئن بودند که سریع‌تر شده‌اند، اما ساعت با آن‌ها مخالف بود. این موضوع ثابت می‌کند که بازگشت سرمایه (ROI) هرگز نباید بر اساس نظرسنجی‌هایی باشد که از افراد می‌پرسد «فکر می‌کنید» چقدر زمان ذخیره کرده‌اید.
همان‌طور که در تحلیل‌های قبلی ما درباره امنیت و استقرار مدل‌های بازمتن اشاره کردیم، فاصله میان ادعاهای فنی و نتایج تجاری همواره یک نقطه کور است.
تلهٔ «دلار نرم»
بیشتر مدل‌های تجاری هوش مصنوعی بر اساس یک محاسبه غلط بنا شده‌اند: ضرب کردن ساعات ذخیره‌شده در نرخ ساعتی کارمند. این کار «پس‌اندازهای نرم» ایجاد می‌کند، زیرا بودجه شرکت تغییری نمی‌کند. اگر هیچ‌کس تعدیل نشود، هیچ پیمانکاری حذف نشود و هیچ ردیفی از بودجه کم نشود، پولی در واقعیت پس‌انداز نشده است. شرکت صرفاً به کارکنان حقوق‌بگیر همان مبلغ را پرداخت می‌کند، در حالی که آن‌ها هفته‌های کمی سبک‌تری دارند.
پول واقعی تنها در سه سناریوی مشخص پس‌انداز می‌شود:
- زمان آزادشده برای کارهایی به کار گرفته شود که ارزش جدید تولید می‌کنند.
- این کارایی باعث شود شرکت از یک استخدام برنامه‌ریزی‌شده صرف‌نظر کند.
- تعداد کارکنان فعلی، مقدار بیشتری از محصول یا خدماتی که شرکت می‌فروشد تولید کنند.
اگر هیچ‌یک از این‌ها رخ ندهد، «پس‌اندازها» خیالی هستند. این اعداد در برابر مدیر مالی (CFO) که می‌بیند بودجه کاهش نیافته، دوام نمی‌آورند. برای حل این مشکل، رهبران باید هر دلار ادعایی را به عنوان «سخت» (مؤثر بر بودجه) یا «نرم» (تئوریک) برچسب بزنند و آن‌ها را جداگانه گزارش کنند. عدد نهایی کوچک‌تر می‌شود، اما به چالش کشیدن آن سخت‌تر است. در واقع، بسیاری از سازمان‌ها با خطاهای مقیاس‌پذیر در اتوماسیون مواجه‌اند که باعث می‌شود سودآوری ادعایی در هنگام گسترش پروژه، توسط هزینه‌های پنهان بلعیده شود.
زمان تقویمی در برابر زمان نیروی کار
تورم رایج دیگر زمانی رخ می‌دهد که شرکت‌ها «زمان چرخه» را با «زمان نیروی کار» اشتباه می‌گیرند. این روند به‌ویژه در موارد مهندسی شایع است. اگر ویژگی‌ای که قبلاً «سه هفته زمان می‌برد» اکنون «یک هفته زمان می‌برد»، مدیران اغلب ادعا می‌کنند که دو هفته از هزینه نیروی کار با نرخ ساعتی مهندس ذخیره شده است.
در واقعیت، آن سه هفته هرگز سه هفته کار فعال نبوده است. بازه تقویمی — یعنی زمان از درخواست تا تحویل — شامل موارد زیر است:
- تیکت‌هایی که در صف انتظار مانده‌اند.
- زمانی که صرف انتظار برای بازبینی (Review) شده است.
- وابستگی‌هایی که هنوز ارسال نشده بودند.
تبدیل این بازه تقویمی به دلار با نرخ ساعتی، نیروی کاری را اختراع می‌کند که هیچ‌کس هرگز انجام نداده است. سرعت بخشیدن به چرخه، بهبود واقعی در سرعت (Velocity) است، اما تبدیل به پس‌انداز مستقیم نیروی کار نمی‌شود، مگر اینکه محصول زودتر عرضه شود و درآمد را سریع‌تر جذب کند. در غیر این صورت، باید به صورت نرخ گزارش شود (مثلاً «این کار اکنون ۴۰ درصد سریع‌تر پیش می‌رود») نه به صورت رقم دلاری.
نحوه محاسبه بازگشت سرمایه واقعی
برای رسیدن به عددی قابل دفاع، کسب‌وکارها باید از دو «پل» مشخص برای تبدیل فعالیت هوش مصنوعی به دلار استفاده کنند. کلید کار این است که مکانیزم را انتخاب کنید، پل متناظر را بردارید و هرگز آن‌ها را با هم ترکیب نکنید.
پل شتاب‌دهنده (Acceleration Bridge)
- مکانیزم: شخصی کاری را که قبلاً انجام می‌داد، اما در زمان کمتری انجام می‌دهد.
- محاسبه: (ساعات ذخیره‌شده) × (هزینه ساعتی فرد).
- مثال: اگر کاری از ۴ ساعت به ۲.۵ ساعت کاهش یابد و ۸۰ بار در ماه تکرار شود، ۱۲۰ ساعت در ماه ذخیره شده است.
- اصلاح: باید زمان «بازکاری» (Rework) را کسر کنید. خروجی‌های تولیدشده که فرد مجبور است دوباره آن‌ها را اصلاح کند، هرگز زمانی را که به نظر می‌رسید ذخیره کرده‌اند، پس‌انداز نکرده‌اند.
پل حذف کار (Avoided Work Bridge)
- مکانیزم: یک وظیفه به‌طور کلی متوقف می‌شود (مثلاً تیکت پشتیبانی که توسط یک پایگاه دانش حل می‌شود).
- محاسبه: (کل هزینه ماهانه آن بخش) ÷ (تعداد تعاملات مدیریت‌شده).
- مثال: اگر هزینه پشتیبانی ۲۰,۰۰۰ دلار در ماه است و ۲,۵۰۰ تیکت را مدیریت می‌کند، هر تیکت حذف‌شده ۸ دلار ارزش دارد.
- زمینه: این پل دقیق‌تر از نرخ ساعتی است زیرا کل هزینه ابزارها و هزینه‌های سربار را در بر می‌گیرد، نه فقط دستمزد یک اپراتور.
مخرج واقعی هزینه
برای محاسبه ROI، نیاز به یک هزینه کل برای تقسیم داریم. اینجا جایی است که توکن‌ها جای می‌گیرند. هزینه ماهانه کل یک ابزار هوش مصنوعی شامل موارد زیر است:
- هزینه ساخت که در طول ماه‌های اجرا مستهلک می‌شود (مثلاً ساختاری که ۱۵۰ ساعت زمان برده و برای دو سال اجرا می‌شود، به جای ضربه ۹,۰۰۰ دلاری در ماه اول، چند صد دلار در ماه هزینه دارد).
- هزینه ماهانه توکن‌ها.
- هزینه‌های زیرساختی.
- هزینه‌های نگهداری.
- بازبینی انسانی خروجی‌ها.
هزینه توکن‌ها باید به صورت میانگین تعداد توکن‌های مصرفی برای یک خروجی ضرب در قیمت هر توکن اندازه‌گیری شود. این کار یک هزینه پایدار به ازای هر خروجی ایجاد می‌کند تا در برابر ارزش تولیدشده سنجیده شود.
هر پروژه باید تنها یک ROI داشته باشد. در حالی که معیارهای متعدد می‌توانند بخشی از ارزش را به صورت جمعی به صورت صورت کسر (Numerator) اضافه کنند، همگی باید بر همان هزینه کل تقسیم شوند. برای جلوگیری از شمارش مضاعف، اطمینان حاصل کنید که اگر هزینه توکن قبلاً در یک رقم واحد گنجانده شده، دوباره به مخرج اضافه نشود. اگر دو معیار، یک دلار پس‌انداز شده را از دو زاویه توصیف می‌کنند، فقط یکی را نگه دارید.
استثنای هوش مصنوعی عامل‌محور
شرکت گارتنر (Gartner) استدلال می‌کند که هوش مصنوعی عامل‌محور (Agentic AI) — سیستم‌هایی که می‌توانند به‌طور مستقل برنامه‌ریزی کنند و ابزارها را به کار بگیرند — در مراحل اولیه تجربی است و نباید پیش از استقرار، نیازمند یک مدل تجاری اثبات‌شده باشد. آن‌ها معتقدند سازمان‌هایی که اصرار به مدل ROI دارند، توسط کسانی که هوش مصنوعی را به عنوان ابزاری برای تکرار و بهبود (Iteration) می‌بینند، عقب می‌افتند.
در حالی که منطقی است یک آزمایش دو هفته‌ای را پشت یک مدل ROI رسمی حبس نکنیم — چون پیش‌بینی بازگشت سرمایه برای چیزی کاملاً جدید، صرفاً حدسی است که لباس پیش‌بینی پوشیده — اما منطقی نیست که آن را برای همیشه از اندازه‌گیری معاف کنیم. «قبل از آزمایش، مدل تجاری نخواهید» ادعای قابل دفاعی است، اما «هرگز اندازه‌گیری نکنید چه بازگشتی داشت» پذیرفتنی نیست.
آزمایشی که هرگز اندازه‌گیری نشود، صرفاً خریدی بدون پیگیری است. این فقدان انضباط باعث شده تا در نظرسنجی سال ۲۰۲۵ گارتنر، تنها ۲۲ درصد از رهبران گزارش دهند که ابزارهای هوش مصنوعی آن‌ها ارزش قابل‌توجهی ایجاد کرده است؛ عددی که با یافته‌های مک‌کینزی، دیلویت (Deloitte) و سرویس‌ناو (ServiceNow) همخوانی دارد. معاف کردن دائمی هوش مصنوعی عامل‌محور از اندازه‌گیری، دلیلی است که سهم شرکت‌های موفق در رسیدن به ارزش واقعی، روی یک‌پنجم متوقف مانده است. برای شناسایی ابزارهایی که واقعاً این فاصله را پر می‌کنند، می‌توان به لیست ابزارهای هوش مصنوعی با بازگشت سرمایه بالا برای جریان‌های کاری ۲۰۲۷ نگاهی انداخت تا استراتژی‌های عملیاتی‌تری جایگزین حدس و گمان شوند.
گام‌های عملی برای شروع
برای حرکت به سمت عددی قابل دفاع، شرکت‌ها باید یک «ممیزی گردش کار» انجام دهند. این کار زمان‌برتر از استخراج یک نمودار استفاده است، اما تنها راه تولید عددی است که در برابر بررسی‌های دقیق دوام می‌آورد. این فرآیند شامل موارد زیر است:
- ثبت خط پایه (Baseline): روش قدیمی را پیش از استقرار هوش مصنوعی اندازه‌گیری کنید، زیرا پس از تغییر فرآیند، بازسازی زمان صرف‌شده در حالت اولیه غیرممکن است.
- اندازه‌گیری سرتاسری (End-to-End): یک واحد واقعی از کار را از لحظه درخواست تا تحویل رصد کنید، شامل تمام زمان‌های انتظار، تا ببینید آیا عدد نهایی واقعاً تغییر کرده است یا خیر.
- تغییر در گزارش‌دهی: گزارش تعداد صندلی‌های فعال، وظایف تکمیل‌شده، پرامپت‌های ارسال‌شده و سرعت‌های خوداظهاری را متوقف کنید. گزارش دادن تک‌رقمی را شروع کنید که مستقیماً به مشتری یا بودجه متصل است.
- برچسب‌گذاری دلارها: هر دلار ادعایی را به‌وضوح به عنوان «سخت» یا «نرم» علامت بزنید. مبالغ خالص را در کنار درصدها گزارش کنید، زیرا ارقام خالص بر اساس آنچه در مخرج قرار می‌دهید تغییر نمی‌کنند.
پاسخ به پرسش‌های کلیدی
چگونه برای زمان ذخیره‌شده ارزش دلاری تعیین کنم؟
ساعات ذخیره‌شده را در هزینه ساعتی فرد ضرب کنید. این را تنها زمانی به عنوان پس‌انداز واقعی بشمارید که آن زمان دوباره به کار گرفته شود، از یک استخدام جدید جلوگیری کند یا خروجی قابل فروش بیشتری تولید کند. در غیر این صورت، این یک عدد «نرم» است.
آیا هزینه توکن‌ها باید بخشی از ROI باشد؟
بله، اما فقط به عنوان هزینه‌ای در مخرج کسر، و هرگز به عنوان یک مزیت. هزینه به ازای هر واحد خروجی مفید را رصد کنید تا در برابر ارزش بسنجید و مطمئن شوید توکن‌ها در دو جای مختلف شمرده نشده‌اند.
آیا یک پروژه می‌تواند چندین ROI داشته باشد؟
خیر. یک پروژه تنها یک ROI دارد. چندین معیار می‌توانند به صورت جمعی به ارزش صورت کسر اضافه کنند که بر یک هزینه کل تقسیم می‌شود. اگر برای یک ابزار دو ROI دارید، یا دچار شمارش مضاعف شده‌اید یا دو پروژه مجزا را با هم ترکیب کرده‌اید.
اما داستان سخت‌افزاری این تحول و هزینه‌های پنهان زیرساختی حتی پیچیده‌تر است — به تحلیل ما درباره بهینه‌سازی هزینه‌های استنتاج در مدل‌های لارج مراجعه کنید.
گفتگو