مدیران فناوری هشدار دادند: هزینه‌های عامل‌های هوش مصنوعی در تلهٔ توکن‌سوزی

تصور کنید مدیر عملیاتی شرکتی هستید که با اشتیاق عامل‌های هوشمند را جایگزین اتوماسیون‌های قدیمی کرده، اما حالا با صورت‌حساب استنتاجی روبروست که ۱۰ برابر پیش‌بینی‌هایش است. در دنیای امروز، مصرف انبوه توکن دیگر نشانی از موفقیت در پذیرش فناوری نیست، بلکه زنگ خطری برای اتلاف منابع سیستماتیک است. استیو لوکاس، مدیرعامل شرکت Boomi که متخصص یکپارچه‌سازی است، هشدار می‌دهد که این گذار در دیدگاه سازمان‌ها، عجله برای استقرار هوش مصنوعی عامل‌محور (Agentic AI) را در حال تبدیل کردن به یک سیاهچاله مالی برای کسب‌وکارهاست. او معتقد است در عصر عامل‌ها، مصرف بی‌رویه توکن دیگر یک «نشان افتخار» نیست.

لوکاس خاطرنشان می‌کند که در دنیای هوش مصنوعی، ۱۲ ماه معادل یک ابدیت است. او توضیح می‌دهد که سال پیش، نگرانی اصلی‌اش این بود که مدیران فناوری اطلاعات (CIO) بدون داشتن حس روشنی از مسیر و هدف، به سمت ابتکارات هوش مصنوعی زاینده (Generative AI) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — می‌تازند. اکنون او می‌بیند که متخصصان IT دقیقاً همان رویکرد شتاب‌زده را در مورد فناوری‌های عامل‌محور تکرار می‌کنند. او فضای فعلی را یک «تلاش شدید» (core hustle) توصیف می‌کند که در آن کاربران سعی می‌کنند تا حد امکان از توکن‌ها استفاده کنند (token max the heck out) تا صرفاً جایگاه شغلی خود را بهبود ببخشند یا کارهایشان را راحت‌تر کنند.

این تغییر رویکرد درست زمانی رخ می‌دهد که شرکت‌ها از تعاملات ساده «پرسش-پاسخ» (Prompt-Response) به سمت عامل‌های خودکار (Autonomous Agents) حرکت می‌کنند. برخلاف یک چت‌بات ساده، یک عامل ممکن است برای حل یک تکلیف واحد، چندین مرحله استدلال را در یک حلقه (Loop) طی کند، ابزارهای مختلف را فراخوانی نماید و بارها داده‌ها را بازجویی کند. این فرآیند، توکن (Token) — که واحد بنیادین اطلاعات پردازش شده توسط یک مدل هوش مصنوعی است و شبیه برش‌های یک کیک طولون است که مدل تکه‌تکه می‌خورد — را با نرخی که چندین مرتبه (Order of Magnitude) بالاتر از کاربردهای استاندارد هوش مصنوعی زاینده است، مصرف می‌کند. این پیچیدگی در مدیریت توکن‌ها می‌تواند منجر به چالش‌های عملیاتی گسترده‌تر شود؛ چنان‌که برخی تحلیل‌ها نشان می‌دهند شکاف‌های هماهنگی عامل دلیل اصلی شکست بسیاری از این سامانه‌ها در مقیاس سازمانی است.

ظهور توکنومیکس

برای بسیاری از مدیران، مسیر رشد هزینه‌ها از همین حالا در حال تبدیل شدن به وضعیتی غیرقابل تحمل است. لوکاس در گفتگو با ZDNET گزارش داد که هزینه شخصی او برای استفاده از مدل Claude در شرکت Boomi در مقایسه با سال گذشته ده برابر شده است. او صراحتاً بیان کرد که چنین نرخ رشد سالانه ۱۰ برابری پایدار نیست و با تأکید گفت: «من نمی‌توانم هر سال چنین جهشی را تحمل کنم». این نگرانی‌ها زمانی بیشتر می‌شود که تغییرات زیرساختی در مدل‌ها رخ دهد، مانند تغییر توکن‌ساز Claude Sonnet 5 که ریسک افزایش مجدد هزینه‌ها را برای عامل‌های هوشمند به همراه دارد.

به همین دلیل، رهبران سازمان‌ها در حال پیاده‌سازی «توکنومیکس» (Tokenomics) هستند؛ که در واقع تمرین رسمی برای اندازه‌گیری، قیمت‌گذاری و مدیریت مصرف توکن است. این موضوع اکنون حتی برای مدیران عامل شرکت‌های فناوری به یک فعالیت تجاری کلیدی تبدیل شده است. هدف این است که هوش مصنوعی از یک «هزینه خالص» به موتور محرکی تبدیل شود که بازگشت سرمایه (ROI) آن قابل اندازه‌گیری باشد. همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های استدلالی اشاره کردیم، بهینه‌سازی مسیر فکر مدل، مستقیماً با هزینه استنتاج گره خورده است. لوکاس تأکید می‌کند پرسش بنیادی برای هر سازمانی اکنون این است: «آیا می‌توانم هوش مصنوعی را با بازگشت سرمایه (سود) عملیاتی کنم؟»

تعادل میان نوآوری و حفاظ‌ها

با وجود هزینه‌ها، برخی مدیران ارشد استدلال می‌کنند که بودجه‌های محدودکننده می‌توانند نوآوری را بکشند. سریدار راماسوامی، مدیرعامل Snowflake، در جریان رویداد Summit ۲۰۲۶ در سانفرانسیسکو اشاره کرد که اگرچه هزینه استنتاج (Inference) — همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه خودِ آشپزی است و نه دوره‌ی آموزش — نگران‌کننده است، اما نباید دلیلی برای توقف استفاده از AI باشد. او معتقد است که ایجاد یک محدودیت مطلق در هزینه‌کرد، اساساً اشتباه است و تصریح کرد: «آیا من این هزینه‌ها را دلیلی برای استفاده نکردن از هوش مصنوعی می‌بینم؟ قطعاً خیر». این دیدگاه در حالی مطرح می‌شود که در برخی سازمان‌های بزرگ، هزینه‌های توکن‌های هوش مصنوعی به قدری رشد کرده که احتمالاً به اندازه حقوق مهندسان ارشد خواهد رسید.

راماسوامی هوش مصنوعی عامل‌محور را فرصتی می‌بیند تا نه تنها گردش‌های کاری داخلی، بلکه نحوه تبدیل یک «فرآیند» به یک «محصول» که مشتریان بتوانند واقعاً از آن استفاده کنند، بهینه شود. او پیشنهاد می‌کند که استفاده خلاقانه از AI تنها راه گشودن فرصت‌های تجاری جدید و تولید خدمات مؤثرتر برای مشتریان است.

به همین ترتیب، مت لوئیزی، نایب‌رئیس تحلیل‌ها در Whoop، تأکید می‌کند که کارکنان برای یافتن مزیت رقابتی، نیاز به فضای ریسک‌پذیری دارند. او باور دارد مردم باید از منطقه امن خود خارج شوند و این امر مستلزم یک فرهنگ سازمانی است که در آن کارکنان درک کنند «نمی‌توانند چیزی را بشکنند» و بنابراین با خیال راحت تجربه کنند. با این حال، این آزادی نیازمند نظارت ساختاری است:

• مشاهده‌پذیری (Observability): استقرار ابزارهای مانیتورینگ و حفاظ‌ها (Guardrails) تا کاربران دقیقاً و در لحظه بدانند چه مقدار هزینه می‌کنند.
• توانمندسازی مدیریت‌شده: عبور از محدودیت‌های کلی و سراسری به سمت جلسات هدایت‌شده برای بهره‌وری، تا این پرسش مطرح شود: «چطور می‌توان این کار را به شکل بهینه‌تری انجام داد و شما دقیقاً به دنبال دستیابی به چه هدفی هستید؟»
• هم‌سویی با ROI: پذیرش هزینه‌های بالای کوتاه‌مدت تنها زمانی که منجر به دستاوردهای ملموس در بهره‌وری کارکنان شود، مانند سرعت بخشیدن به انجام کارها.

محدودیت‌های استراتژیک برای ارزش بیشتر

رهبران فنی دریافته‌اند که ارائه «زمینه یا کانتکست خاص»، بهترین راه برای کاهش هزینه‌هاست. سریرام سیتارامان، مدیر فناوری Synopsys، در کنفرانس Snowflake استدلال کرد که نوآوری با محدودیت‌های مطلق غیرممکن است، اما دستورالعمل‌ها (Guidelines) همچنان می‌توانند مرزهای سختی برای مصرف توکن ایجاد کنند.

سیتارامان پیشنهاد می‌کند که تعیین دقیق زمینه پروژه، مؤثرترین نوع محدودیت است. او برای روشن شدن موضوع، دو مکانیسم رویکردی متفاوت را مقایسه می‌کند:

• رویکرد مبهم: پرسیدن این سوال از یک عامل که «فردا باید چه کار کنم؟». این اقدام باعث تحریک مصرف انبوه داده‌ها و استفاده بالای توکن می‌شود، در حالی که خروجی آن اغلب چیزی نیست که واقعاً مفید باشد.
• رویکرد زمینه‌ای: ایجاد یک عامل تخصصی مانند «عملیات فروش آمریکای شمالی». با دادن اهداف مشخص برای پروژه و یک مجموعه داده تعریف‌شده، مصرف توکن به شدت محدود می‌شود در حالی که ارزش ایجاد شده برای کاربر به‌طور قابل توجهی افزایش می‌یابد.

اجتناب از اعتیاد به هوش مصنوعی ارزان

فرانسو-زاویه پیرل، مدیر ارشد داده و فناوری تبلیغاتی در TF1، دوران اولیه هوش مصنوعی زاینده ارزان را به «اعتیاد به شکر» تشبیه می‌کند. او توضیح می‌دهد وقتی شروع به افزودن شکر به غذا می‌کنید، دچار یک اعتیاد ناسالم می‌شوید. به همین ترتیب، هوش مصنوعی در ابتدا «بسیار ارزان» بود و همین موضوع باعث شد سازمان‌ها بدون احتیاط به سمت آن هجوم ببرند.

پیرل هشدار می‌دهد که وسواس روی عامل‌ها، پیشنهاد بسیار پرهزینه‌تری است. او اشاره می‌کند که تعداد توکن‌های مصرفی می‌تواند به‌سرعت به ارقامی نجومی برسد و در نهایت، برای کسانی که «پول‌های دیوانه‌وار» روی AI عامل‌محور سرمایه‌گذاری کرده‌اند، زمان پرداخت صورت‌حساب فرا می‌رسد.

پیرل به جای این ریسک، استراتژی استقرار چابک و مبتنی بر «عقل سلیم» را برای جلوگیری از این شوک‌های مالی پیشنهاد می‌دهد:

• سایزبندی درست مدل (Model Right-Sizing): برای کاربردهایی که مرزهای محدود یا محکمی دارند، او می‌پرسد: «آیا می‌توانیم از یک مدل کوچک استفاده کنیم؟»؛ مدلی که توکن کمتری مصرف کند اما همچنان همان کیفیت کار را ارائه دهد.
• عقلانی‌سازی مقیاس: او از شرکت‌ها می‌خواهد منطقی باشند و از استقرار «یک میلیون عامل» اجتناب کنند، اگر یک پیاده‌سازی در مقیاس کوچک‌تر می‌تواند به همان نتیجه برسد.
• تکرار تطبیقی: آزمایش در مقیاس کوچک، امتحان کردن روش‌های مختلف و سپس تطبیق مدل انتخابی با کاربرد خاص برای جلوگیری از دریافت صورت‌حساب‌های نجومی.

این گذار، در واقع پایان «فاز آزمایش» برای هوش مصنوعی سازمانی است. شرکت‌ها اکنون مجبورند قدرت خام عامل‌های خودکار را با واقعیت سرد ترازنامه‌های مالی تطبیق دهند؛ حرکتی به سمت آینده‌ای که در آن اقتصاد هوش مصنوعی، استراتژی‌های کلان را دیکته می‌کند.

گام بعدی شما

• بررسی کنید آیا عامل‌های شما در حال تکرار چرخه‌های استدلالی بی‌هدف (Looping) هستند یا خیر.
• برای کارهای روتین، جایگزینی مدل‌های بزرگ با مدل‌های کوچک (SLM) را تست کنید تا هزینه استنتاج کاهش یابد.
• تعریف «نقش‌های تخصصی» با داده‌های محدود برای عامل‌ها را جایگزین دستورات کلی کنید.

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