گزارش‌ها نشان می‌دهد با وجود گران‌تر بودن هزینه هوش مصنوعی نسبت به نیروی انسانی، شرکت‌ها همچنان در حال استفاده گسترده از آن برای اتوماسیون هستند.
به گزارش سرویس هوش مصنوعی تکناک، بحث درباره پایداری اقتصاد صنعت هوش مصنوعی مدت‌هاست در جریان است، اما عمده این مباحث تاکنون به گردش مالی درون‌صنعتی محدود بوده است. با این حال، در ماه‌های اخیر نشانه‌هایی از تغییر نگاه در سطح مدیران ارشد شرکت‌های بزرگ فناوری مشاهده می‌شود؛ از جمله اظهارات یکی از مدیران انویدیا و مدیر فناوری اوبر که به‌طور فزاینده‌ای به این واقعیت اشاره دارند که هزینه استفاده از توکن‌های هوش مصنوعی می‌تواند از هزینه نیروی انسانی فراتر رود.
این در حالی است که هم‌زمان، موج تعدیل نیرو در بسیاری از شرکت‌ها با هدف جایگزینی انسان‌ها با عامل‌های هوش مصنوعی ادامه دارد؛ تناقضی که از نگاه برخی تحلیلگران، به‌قدری آشکار است که حتی می‌تواند دستمایه یک اثر طنزآمیز شود.
در ساختار قیمت‌گذاری مدل‌های زبانی بزرگ (LLM)، طیف گسترده‌ای از مدل‌های سازمانی وجود دارد، اما برای کاربران نهایی، هزینه معمول یک دستیار هوش مصنوعی حدود ۲۰ دلار در ماه برای نسخه استاندارد و ۲۰۰ دلار برای نسخه پیشرفته و کامل است. با این حال، بخش اصلی هزینه‌ها در مدل‌های مبتنی بر توکن شکل می‌گیرد؛ به‌ویژه در ابزارهایی مانند Claude Code و GitHub Copilot، و همچنین عامل‌های خودکار (ایجنت) که وظایف چندمرحله‌ای را به‌صورت مستمر و زمان‌بندی‌شده اجرا می‌کنند.
مرتبط: قرارداد محرمانه گوگل با پنتاگون؛ ارتش آمریکا به قلب هوش مصنوعی رسید
ماهیت این پردازش‌ها باعث ایجاد جریان هزینه‌ای مداوم شده است؛ مسئله‌ای که بسیاری از مدیران مالی شرکت‌ها اکنون به‌طور جدی با آن مواجه شده‌اند. برایان کاتانزارو، معاون بخش یادگیری عمیق کاربردی در انویدیا، در گفت‌وگویی با آکسیوس تصریح کرده است: «در تیم من، هزینه محاسبات هوش مصنوعی به‌مراتب فراتر از هزینه نیروی انسانی است.» اظهارنظری که از سوی یکی از کلیدی‌ترین بازیگران تامین زیرساخت این صنعت، معنایی دوچندان پیدا می‌کند.
این نگاه از سوی پرابین ناگا، مدیر ارشد فناوری اوبر نیز مورد تایید قرار گرفته است. او اشاره کرده که برآوردهای اولیه بودجه پروژه‌های مرتبط با هوش مصنوعی به‌طور کامل دستخوش تغییر شده و تنها ظرف دو هفته اخیر، از محدوده پیش‌بینی‌شده فراتر رفته است؛ موضوعی که تیم او را مجبور به بازطراحی برنامه‌های مالی کرده است.
بیشتر بخوانید: کاهش محبوبیت ChatGPT؛ عرضه اولیه سهام OpenAI در خطر است؟
محاسبات ساده نشان می‌دهد این رقم معادل حدود ۲۸ هزار دلار به ازای هر نفر در ماه است؛ سطحی که در بسیاری از موارد از هزینه‌های نیروی انسانی فراتر می‌رود. همین مسئله موجب شکل‌گیری موجی از طنزهای صنعتی شده که به نوعی «بازکشف ارزش نیروی انسانی» توسط شرکت‌ها اشاره دارد.
در عین حال، پژوهش MIT در سال ۲۰۲۴ نشان می‌دهد در ۷۷ درصد موارد، انجام وظایف توسط انسان‌ها همچنان کارآمدتر از جایگزین‌های هوش مصنوعی است. با این وجود، همه مدیران ارشد این وضعیت را منفی ارزیابی نمی‌کنند. از دید برخی از آن‌ها، افزایش هزینه مصرفی در مدل‌های هوش مصنوعی نشانه‌ای از پیشرفت پروژه‌های اتوماسیون در مقیاس بزرگ است؛ به بیان دیگر، این هزینه‌ها به‌عنوان شاخصی از نوآوری تلقی می‌شوند.
در همین راستا، مدیر فناوری اوبر اعلام کرده است که حدود ۱۱ درصد از تغییرات زنده کد در این شرکت توسط عامل‌های هوش مصنوعی تولید می‌شود و چشم‌انداز او، واگذاری تدریجی نقش مهندسان نرم‌افزار به این عامل‌هاست.
بر این اساس، نقش CTO در آینده از مدیریت مهندسی نرم‌افزار کلاسیک به «مدیریت مهندسی عامل‌های هوش مصنوعی» تغییر خواهد کرد. در سوی دیگر، جنسن هوانگ، مدیرعامل انویدیا، به‌نظر می‌رسد بهره‌وری مهندسان را بر اساس میزان مصرف توکن‌های هوش مصنوعی ارزیابی می‌کند و انتظار دارد یک مهندس با حقوق سالانه ۵۰۰ هزار دلار، دست‌کم ۲۵۰ هزار دلار هزینه پردازشی مبتنی بر توکن ایجاد کند.
حتما بخوانید: جنگ حقوقی در قلب سیلیکون‌ولی؛ ایلان ماسک مقابل OpenAI قرار گرفت
واقعیت میدانی نشان می‌دهد بسیاری از شرکت‌ها در حال تجربه این موضوع به‌صورت عملی هستند که هزینه مصرف توکن‌های هوش مصنوعی می‌تواند از هزینه نیروی انسانی که قرار است جایگزین شود، فراتر رود. با این حال، در سطح استراتژیک، سرمایه‌گذاری‌های چندمیلیونی در زیرساخت‌های مبتنی بر توکن می‌تواند در بلندمدت به نقطه سربه‌سر یا حتی سودآوری برسد؛ مشروط بر اینکه فرآیندهای سازمانی به‌طور کامل خودکار شده و به ثبات عملیاتی برسند. هرچند در این مسیر، کاهش نیروی انسانی به‌عنوان پیامد طبیعی بلوغ اتوماسیون مطرح است. در مقابل، راه‌حل ساده‌انگارانه «افزایش نیروی انسانی» با محدودیت‌های ساختاری مواجه است، زیرا بهره‌وری انسانی به‌طور ذاتی ۲۴ ساعته و بدون وقفه قابل تکرار نیست.
سناریوی دیگر، شکست پروژه‌های اتوماسیون هوش مصنوعی است؛ وضعیتی که معمولا ناشی از فقدان معماری سازمانی مناسب، عدم تطابق ابزارها با نیازهای عملیاتی یا ناتوانی در تعریف صحیح وظایف برای سیستم‌های هوشمند رخ می‌دهد.
پژوهش‌های اخیر نیز نشان می‌دهد بخش قابل توجهی از شرکت‌هایی که بدون استراتژی روشن به سمت پیاده‌سازی AI حرکت کرده‌اند، با زیان‌های مالی سنگین مواجه شده‌اند. از منظر مهندسی نرم‌افزار، اصل شناخته‌شده‌ای وجود دارد که توسعه محصول زمانی ساده است که نیازمندی‌ها دقیق، شفاف و بدون تغییر باشند؛ مفهومی که ادوارد برارد آن را با این بیان خلاصه کرده بود: «راه رفتن روی آب و توسعه نرم‌افزار از روی یک مشخصات ثابت، هر دو آسان هستند، به شرط آنکه همه چیز ثابت بماند.»
در نهایت، اینکه هزینه هوش مصنوعی در کنار هزینه نیروی انسانی یک بار اضافی موقت در دوره گذار به سمت اتوماسیون کامل باشد، یا به‌عنوان یک هزینه ساختاری در کنار نیروی انسانی باقی بماند، هنوز به‌طور قطعی مشخص نیست و به زمینه هر سازمان وابسته است. با این حال، آنچه تقریبا قطعی به نظر می‌رسد، ادامه روند تعدیل نیرو در شرکت‌هاست؛ چرا که آن‌ها در حال آزمون، تنظیم و تامین مالی ورود به این عصر جدید فناوری هستند.
