فاکتور سنگین توکن‌ها صادر شد؛ دست‌وپا زدن صنایع برای مهار هزینه‌های سرسام‌آور هوش مصنوعی

موجی از نارضایتی نسبت به هزینه‌های فزاینده هوش مصنوعی در میان شرکت‌های فعال در این صنعت شکل گرفته است[cite: 1]. به عنوان نمونه، شرکت اوبر کل بودجه اختصاص‌یافته برای توسعه کدنویسی با هوش مصنوعی سال ۲۰۲۶ خود را تنها تا ماه آوریل به اتمام رساند[cite: 1]. مایکروسافت نیز چند ماه پس از فعال‌سازی مجوزهای ابری توسعه‌دهندگان (Cloud Code)، اقدام به لغو آن‌ها کرد[cite: 1]. در همین حال، یکی از کارکنان پلتفرم پرایس‌لاین (Priceline) در گفتگو با تک‌کرانچ فاش کرد که تمدید دوره‌ای قرارداد ابزار کِرسِر (Cursor) با افزایش ۴ تا ۵ برابری هزینه‌ها همراه بوده است[cite: 1].

اگرچه قیمت پایه هر توکن با کاهش مواجه شده، اما فشار فزاینده برای پذیرش گسترده‌تر هوش مصنوعی و به‌کارگیری عوامل خودکار (Automated Agents)، نرخ مصرف توکن را به شدت بالا برده است[cite: 1]. شرکت‌هایی که در اوایل سال ۲۰۲۵ از اشتراک‌های نامحدود و رایگان بهره‌مند بودند، اکنون در تلاشند تا مسیرهای اتلاف منابع مالی خود را ردیابی کنند[cite: 1]. آن‌ها با تعدیل هزینه‌ها تلاش می‌کنند تا نرخ بازگشت سرمایه (ROI) را از دل بودجه‌های ویران‌شده خود نجات دهند[cite: 1]. هم‌زمان، ساختار بازار نیز تغییر کرده تا در این مسیر با آن‌ها همراه شود؛ استارتاپ‌ها، شرکت‌های نرم‌افزاری بزرگ و یک نهاد استانداردگذار جدید، همگی در رقابتی فشرده به دنبال ارائه ابزارها و ادبیات تخصصی به شرکت‌ها برای پایش دقیق هزینه‌هایشان هستند[cite: 1].

الکساندر امبیریکوس، یکی از مدیران ارشد اوپن‌ای‌آی (OpenAI)، این هفته در جریان رویدادی در نیویورک به تک‌کرانچ گفت: «تا شش ماه پیش، تمام محور گفتگوهای من با مشتریان حول این پرسش‌ها می‌چرخید که این فناوری چه کارهایی می‌تواند انجام دهد و آیا کیفیت لازم را دارد؟ اما اکنون فضا کاملاً دگرگون شده است؛ حالا آن‌ها می‌گویند ما مبالغ بسیار سنگینی خرج می‌کنیم. راهکار شما چیست؟ چه قابلیت‌هایی برای حسابرسی و کنترل توکن‌ها دارید و کارایی مدل‌های شما چقدر است؟»[cite: 1]

در همین راستا، «بنیاد توکنومیکس» (Tokenomics Foundation) این هفته از برنامه‌های خود برای ایجاد یک نهاد استانداردگذار نوین خبر داد[cite: 1]. هدف این نهاد، تزریق انضباط مالی به ساختار هزینه‌های توکن هوش مصنوعی است؛ دقیقاً مشابه همان چارچوبی که پیش‌تر رویکرد فین‌آپس (FinOps) برای مدیریت هزینه‌های رایانش ابری ایجاد کرده بود[cite: 1]. جی.آر. استورمن، مدیر اجرایی بنیاد FinOps (پروژه‌ای تحت نظارت بنیاد لینوکس)، در گفتگو با تک‌کرانچ اشاره کرد: «در ماه‌های آوریل و مه، زمزمه‌های نگران‌کننده‌ای از شرکت‌ها می‌شنیدیم که می‌گفتند خدای من، ما در همین ماه آوریل، سه برابر کل بودجه توکن سال ۲۰۲۶ خود را سوزانده‌ایم. ما شاهد بروز بحران‌های وجودی در ساختار مالی شرکت‌ها بودیم و کل جریان گفتگو از حداکثرسازی مصرف توکن (Token-maxing) و سرعت بالا، به سمت نیاز مبرم به راهنما و چگونگی مهار این هزینه‌ها تغییر پیش داده است.»[cite: 1]

این گلایه‌ها در دنیای فناوری در شرایطی مطرح می‌شود که پیش از این، مدیران عامل با تقاضاهای شدید خود، تیم‌های فنی را به استفاده از قدرتمندترین مدل‌ها و پیشروی با حداکثر سرعت—بدون توجه به مخارج آن—ترغیب می‌کردند[cite: 1]. مدل‌های پیشرفته‌ای که در نوامبر عرضه شدند، نظیر کلاود ۴.۵ اپوس آنتروپیک، جی‌پی‌تی-۵.۱ اوپن‌ای‌آی و جمینی ۳ پرو گوگل، جهش چشمگیری در عملکرد ابزارهای عاملیت ایجاد کردند که همین امر مصرف توکن‌ها را به شدت افزایش داد[cite: 1]. کار تا جایی بالا گرفت که یک شرکت اعلام کرد پس از فراموشی در تنظیم سقف استفاده کارمندان، ناگهان با یک صورتحساب ابری ۵۰۰ میلیون دلاری مواجه شده است[cite: 1].

کریس رید، مدیر ارشد مالی فناوری اطلاعات در پرایس‌لاین، با تشبیه این وضعیت به یک «اپیدمی اعتیادآور» اشاره کرد که شرکت او سیاست سقف گذاری و اعمال محدودیت روی توکن‌ها را برای برخی بخش‌ها آغاز کرده است؛ او می‌گوید: «آن‌ها ابتدا اجازه می‌دهند محصول را تست کنید تا به آن عادت کنید و اکنون شما تا حد زیادی به آن وابسته شده‌اید.»[cite: 1] از سوی دیگر، ویلیتی گوردون، مدیرعامل پلتفرم مدیریت مهندسی Faros AI، اظهار داشت که به‌تزگی با یک مدیر ارشد فناوری (CTO) گفتگو داشته که به او گفته است: «یکی از مهندسان من ماه گذشته تنهایی ۴۰ هزار دلار توکن مصرف کرده و راستش را بخواهید، نمی‌دانم باید جلوی او را بگیرم یا به بقیه تیم بگویم مثل او کار کنند!»[cite: 1]

یک مطالعه دوساله که توسط موسسه فروس (Faros) در ماه آوریل منتشر شد، نشان می‌دهد که اگرچه حجم خروجی کدهای ارسالی افزایش یافته، اما به همان نسبت میزان باگ‌ها و نیاز به بازنویسی کد نیز بالا رفته است[cite: 1]. پلتفرم مدیریت مهندسی «جلی‌فیش» (Jellyfish) نیز در یافته‌های خود نشان داد مهندسانی که بیشترین میزان توکن را مصرف می‌کردند، تقریباً دو برابر کارآمدتر از همکاران کم‌مصرف خود بودند؛ اما برای رسیدن به این سطح از بهره‌وری، ۱۰ برابر توکن بیشتری سوزانده بودند[cite: 1].

نیکلاس آرکولانو، سرپرست بخش تحقیقات در جلی‌فیش، به تک‌کرانچ گفت: «هزینه‌های هوش مصنوعی به دلیل ماهیت خودگردان و خودمختار این ابزارها در حال انفجار است و نرخ مصرف هر توسعه‌دهنده ظرف ۹ ماه گذشته حدود ۱۸.۶ برابر رشد کرده است.»[cite: 1] به طور کلی، این آمارهای رسمی نشان می‌دهند که خروجی واقعی این ابزارها در ترازوی بهره‌وری، بسیار مبهم‌تر از هزینه‌های قطعی و سنگین آن‌هاست[cite: 1]. او افزود: «اینکه آیا این مخارج سنگین ارزشش را دارد یا خیر، به ارزش تجاری مستقیم کدهای ارسال‌شده (مانند میزان درآمدزایی آن‌ها) بستگی دارد؛ فاکتوری که اکثر شرکت‌ها هنوز ابزار لازم را برای اندازه‌گیری آن در اختیار ندارند.»[cite: 1]

بخشی از این چالش محاسباتی، به مقیاس بسیار عظیم استفاده از هوش مصنوعی در حال حاضر بازمی‌گردد[cite: 1]. استورمن در این رابطه تشریح کرد: «پایش و پیگیری هزینه‌های ابری، یک چالش داده‌ای با میلیون‌ها ردیف دیتا در ماه بود؛ اما پایش هزینه توکن‌ها یک مگا‌پروژه داده‌ای با تریلیون‌ها ردیف در ماه است[cite: 1]. شما نمی‌توانید این حجم از اطلاعات را در یک صفحه گسترده (اکسل) یا حتی ابزارهای پایه پایگاه داده مدیریت کنید[cite: 1]. صنعت برای انجام این کار نیاز به بازنگری بنیادین در ابزارها، ابعاد فنی و سیستم‌های حسابداری خود دارد[cite: 1].»

در شرکت پرایس‌لاین، کریس رید با این چالش‌ها از نزدیک مواجه شده و به مغایرت‌های موجود میان گزارش‌های مصرف ارائه‌دهندگان هوش مصنوعی و داده‌های داخلی شرکت اشاره کرده است[cite: 1]. او گفت: «من فعالیت حرفه‌ای خود را از حوزه مدیریت هزینه‌های مخابراتی آغاز کردم و اکنون دقیقاً همان الگوها و موازی‌ها را از مخابرات به سیستم‌های ابری و هوش مصنوعی می‌بینم[cite: 1]. هر زمان که یک فناوری نوظهور وارد بازار می‌شود، فرصت‌های زیادی برای بروز خطاهای صورتحساب، نیاز به حسابرسی مجدد و فرآیندهای بهینه‌سازی به وجود می‌آید[cite: 1].»

اکنون اکوسیستم جدیدی پیرامون حل این بحران در حال شکل‌گیری است[cite: 1]. شرکت‌های تخصصی نوظهوری مانند Pay-i روی کار آمده‌اند که تمرکز آن‌ها منحصراً بر ردیابی، اندازه‌گیری و بهینه‌سازی هزینه‌ها و عملکرد سرمایه‌گذاری‌های هوش مصنوعی مولد (GenAI) است[cite: 1]. پلتفرم Pay-i به توسعه‌دهندگان امکان می‌دهد تا مخارج را رصد کرده، میزان مصرف را بسنجند و کاربران را بر اساس ارزش واقعی ایجادشده صورتحساب کنند، نه فقط بر پایه نرخ ثابت اشتراک ماهانه[cite: 1]. علاوه بر این، شرکت‌های Jellyfish، Waydev و Faros AI نیز خدمات نظارتی بر عوامل هوش مصنوعی را برای اثبات بازگشت سرمایه (ROI) ابزارهای توسعه‌دهندگان ارائه می‌دهند[cite: 1]. به گفته استورمن، در حال حاضر بیش از ۱۸۰ تامین‌کننده در بنیاد FinOps به سمت این بازار متمایل شده‌اند[cite: 1].

شرکت‌های بزرگی که پیش از این شبکه توزیع گسترده‌ای داشتند نیز در حال افزودن قابلیت‌های جدید برای سهم‌خواهی از این بازار نوظهور هستند[cite: 1]. پلتفرم رمپ (Ramp) به‌تازگی وارد حوزه مدیریت مخارج هوش مصنوعی شده است؛ دیتاداگ (Datadog) و نیو رلیک (New Relic) نیز سرویس‌های مدیریت هزینه‌های ابری، پایش توکن‌ها و نظارت بر پردازنده‌های گرافیکی (GPU) را به خدمات خود افزوده‌اند[cite: 1]. همچنین انتظار می‌رود در کنفرانس FinOps X که هفته آینده برگزار می‌شود، شرکت خدمات ابری آمازون (AWS) از ابزارهای جدید مدیریت مالی اختصاصی برای هزینه‌های هوش مصنوعی سازمانی پرده‌برداری کند[cite: 1].

تیفانی لاک، از شرکای مجموعه سرمایه‌گذاری خطرپذیر NEA، بر این باور است که ویژگی‌های سنجش کارایی و نظارت‌پذیری توکن‌ها احتمالاً در لایه زیرساختی یا اپلیکیشن ادغام خواهند شد[cite: 1]. او به استارتاپ فکتوری (Factory) اشاره کرد که در زمینه ساخت آژنت‌های هوش مصنوعی برای شرکت‌ها فعال است و این هفته از یک روتور هوشمند مدل (Model Rotor) رونمایی کرده که به طور خودکار، بهینه‌ترین و مناسب‌ترین مدل را برای انجام هر تسک انتخاب می‌کند[cite: 1]. گوردون نیز پیش‌بینی می‌کند که آزمایشگاه‌های پیشرو و ارائه‌دهندگان مدل، سیستم‌های بهینه‌سازی مشابه اپن‌روتر (OpenRouter) را برای هدایت خودکار پرامپت‌ها به سمت ارزان‌ترین مدل‌های موجود بپذیرند—روندی که پیش از این در صورتحساب‌های ابری سازمانی نیز تجربه شده است[cite: 1].

گوردون در این باره گفت: «در گزارش‌های مالی مربوط به هزینه‌های آنتروپیک، حتی اگر مدل گران‌قیمت اپوس را فراخوانی کنید، بخشی از درخواست‌ها به طور خودکار به مدل‌های ارزان‌تر سونت یا هایکو هدایت می‌شوند؛ زیرا آن‌ها هوشمندانه عمل کرده و تسک را با هزینه کمتر انجام می‌دهند[cite: 1]. من فکر می‌کنم این رویکرد به طور فزاینده‌ای فراگیر خواهد شد[cite: 1].» اما چالش فعلی این است که تمامی این ابزارها بدون یک زبان مشترک یا تعاریف استاندارد توسعه می‌یابند؛ به طوری که هنوز معیار دقیقی وجود ندارد که مشخص کند ارزش یک توکن چقدر است، چه خروجی مفیدی تولید می‌کند و چگونه می‌توان هزینه‌های ارائه‌دهندگان مختلف را با یکدیگر مقایسه کرد[cite: 1]. اینجاست که بنیاد توکنومیکس وارد عمل می‌شود[cite: 1].

این بنیاد در حال تدوین یک تعریف و چارچوب استاندارد برای مفهوم «توکنومیکس» است؛ استانداردهای باز، مشخصات فنی و معیارهای دقیق برای مصرف توکن‌های هوش مصنوعی و صدور صورتحساب[cite: 1]. آن‌ها همچنین معیارهای نوینی را برای اقتصاد هوش مصنوعی تعریف خواهند کرد، مانند «هزینه به ازای هر واحد هوش» (Cost per Intelligence) یا «نسبت توکن به وات مصرفی»[cite: 1]. این گروه قصد دارد شاخص‌هایی را نیز برای سنجش کارایی کارخانه‌های تولید توکن و بهینه‌سازی مصرف انرژی تدوین کند[cite: 1]. این نهاد به طور رسمی در ماه ژوئیه آغاز به کار خواهد کرد و اعضای جدید خود را در کنفرانس FinOps X هفته آینده معرفی می‌کند[cite: 1].

نیشانت گوپتا، از مدیران ارشد قابلیت دسترسی در شرکت سیلزفورس (Salesforce) در این رابطه اظهار داشت: «اقتصاد توکن به طور بنیادین انتزاعی‌تر و مبهم‌تر از هر ساختار دیگری است که ما پیش از این در این مقیاس مدیریت کرده‌ایم[cite: 1]. مهار این وضعیت نیازمند یک بازوی عملیاتی و مهارتی کاملاً متفاوت نسبت به آن چیزی است که صنعت برای مدیریت ابر توسعه داده بود[cite: 1].» با تمام این اوصاف، موسسه گلدمن ساکس پیش‌بینی می‌کند که حجم استفاده از توکن‌ها تا سال ۲۰۳۰ رشد چشمگیر ۲۴ برابری را تجربه خواهد کرد[cite: 1]. شرکت‌هایی که سقف بودجه خود را رد کرده‌اند به راهکارهای فوری نیاز دارند، این در حالی است که تا عرضه اولین محصول رسمی بنیاد توکنومیکس هنوز ماه‌ها زمان باقی است[cite: 1].

گوردون با توصیف این وضعیت می‌گوید: «شاید ما موتور بخار را اختراع کرده باشیم، اما هنوز فرمول راه‌اندازی خط تولید انبوه آن را بلد نیستیم[cite: 1].» بر اساس تحلیل آرکولانو، بهترین مسیر برای دستیابی به بازگشت سرمایه مطلوب، پذیرش گسترده اما معتدل این فناوری است[cite: 1]. او در پایان تاکید کرد: «بهترین بازدهی مالی زمانی حاصل می‌شود که بدنه اصلی و میانی کارکنان را از سطح استفاده کم به سطح متوسط هدایت کنیم، نه اینکه صرفاً کاربران سنگین و پرمصرف فعلی را به استفاده بیشتر ترغیب کنیم[cite: 1].» *راسل براندون و تیم فرنهایز در آماده‌سازی این گزارش همکاری داشته‌اند[cite: 1].*