عندما تصبح أذكى ميزة للذكاء الاصطناعي أغلى بند في الفاتورة

مقدمة

المصيدة سهلة التفلّت: تتسارع دورة عمل المستندات، ويتوقف الموظفون عن إدخال البيانات يدوياً، وينتشر الاعتماد لأن الميزة تبدو مفيدة. ثم تصل الفاتورة. في أنظمة الذكاء الاصطناعي التي تُحاسَب بحسب الرموز، تحمل كل طلبية سعراً، وقد تصبح دورة عمل شائعة غير قابلة للاستدامة مالياً حتى عندما تكون ناجحة من الناحية التشغيلية.

حقائق سريعة

• واجهات برمجة التطبيقات على نمط Claude تفرض رسوماً حسب الرموز، لذا ترتفع التكلفة مع طول الموجه وطول المخرجات وتكرار الاستدعاءات.
• يمكن لنوافذ السياق الطويلة وسير عمل الوكلاء متعدد الخطوات أن يضاعف الإنفاق بطرق لا تراها فرق المنتجات دائماً.
• مهام الاستخراج الروتينية لا تحتاج دائماً إلى النموذج الأكثر قدرة، ومع ذلك تلجأ إليه كثير من الفرق افتراضياً.
• غالباً ما تكون الرؤية إلى التكلفة على مستوى الميزة هي عنصر التحكم المفقود الذي تحتاجه كل من المالية والهندسة.
• يمكن لذاكرة التخزين المؤقت للموجه واختيار النموذج الأفضل أن يقللا الهدر من دون إزالة ميزة الذكاء الاصطناعي نفسها.

الآليات الخفية وراء الفاتورة

هذه ليست مجرد قصة ميزانية؛ إنها قصة قياس. بخلاف البرمجيات التقليدية، التي غالباً ما تكون تكلفتها الهامشية منخفضة عند التوسع، تجعل واجهات برمجة تطبيقات النماذج اللغوية الكبيرة كل تفاعل حدثاً مُقاساً. كلما زاد السياق والمخرجات واستدعاءات الأدوات، زادت الرموز عادةً، وكلما زادت الرموز زادت التكلفة.

يكتسب هذا أهمية خاصة في سير العمل المؤسسي العادي مثل تحليل الفواتير، أو مراجعة عقود الموردين، أو التصنيف الإداري الخلفي. غالباً ما تكون هذه المهام قابلة للتنبؤ، لكنها قد تستهلك مع ذلك سعة النماذج المتميزة إذا صُمم النظام بحيث يمر كل طلب عبر المسار المكلف نفسه. وتقترح إرشادات التسعير لدى Anthropic استخدام نماذج أصغر للمهام الأبسط وحجز النماذج الأكبر للاستدلال الأصعب، وهو بالضبط النوع من مواءمة النموذج مع المهمة الذي تتجاهله كثير من عمليات النشر.

ويزداد الخطر مرة أخرى عندما تستخدم الأنظمة نوافذ سياق طويلة أو توزيعاً على نمط الوكلاء، حيث يمكن لإجراء واحد من المستخدم أن يطلق عدة استدعاءات للنموذج. في هذا الإعداد، قد تبدو الميزة فعالة من وجهة نظر المستخدم بينما تتراكم خلف الكواليس فاتورة أكبر بهدوء. ويمكن لذاكرة التخزين المؤقت للموجه أن تساعد عندما يُعاد استخدام التعليمات نفسها أو مقدمات المستندات نفسها، ولكن فقط إذا بُنيت البنية للاستفادة منها.

لماذا يتحول هذا إلى مشكلة حوكمة

المشكلة الأعمق هي الرؤية. يمكن لإنفاق السحابة الإجمالي أن يخفي أي ميزة أو فريق أو سير عمل هو الذي يدفع التكاليف فعلياً، وهذا يجعل من الصعب إثبات ما إذا كانت ميزة الذكاء الاصطناعي تولد قيمة أم تدمر الهامش. توجد ممارسات تخصيص على طريقة FinOps، ووضع الوسوم، والتقارير الاقتصادية على مستوى الوحدة لهذا السبب بالضبط: لربط الاستخدام الخام بخدمة أعمال يمكن قياسها وإدارتها.

من منظور دفاعي، لا تُعد الارتفاعات المفاجئة في إنفاق الذكاء الاصطناعي دليلاً على اختراق. فقد تعكس اعتماداً حقيقياً، أو أحمال عمل ذات سياق طويل، أو حلقة أتمتة تحتاج إلى ضبط. والاستجابة الصحيحة هي القياس عن بُعد: تتبع الرموز، وفعالية ذاكرة التخزين المؤقت، واستدعاءات الأدوات لكل ميزة؛ وضع حصص؛ ومراجعة ما إذا كانت المهام البسيطة تُمرَّر إلى النماذج المكلفة افتراضياً.

والدرس الأوسع مزعج لكنه واضح. في الذكاء الاصطناعي، ليست الشعبية هي نفسها الربحية. يمكن للميزة أن تحقق مكاسب إنتاجية حقيقية، ومع ذلك تصبح أكثر البنود هشاشة في الدفاتر إذا لم يكن أحد يراقب اقتصاديات الوحدة وراء كل طلب.

الخلاصة

أصبح الذكاء الاصطناعي المؤسسي الآن في الوقت نفسه مشكلة هندسية ومشكلة مالية ومشكلة حوكمة. ولن تكون المنظمات الرابحة هي تلك التي تستخدم أكبر قدر من الذكاء الاصطناعي في كل مكان؛ بل ستكون تلك التي تعرف بدقة أين يستحق الذكاء الاصطناعي ثمنه.

WIKICROOK

• القياس بالرموز: نموذج فوترة يفرض رسوماً على كل رمز تتم معالجته، مما يجعل التكلفة ترتفع مع الاستخدام.
• نافذة السياق: مقدار النص الذي يمكن للنموذج اللغوي الكبير النظر فيه دفعة واحدة؛ وقد تزيد النوافذ الأكبر الإنفاق.
• ذاكرة التخزين المؤقت للموجه: إعادة استخدام مقدمات الموجه المتكررة حتى لا يعيد النموذج معالجة المدخل نفسه في كل مرة.
• سير عمل وكيل: سلسلة من استدعاءات النموذج تُفعَّل بمهمة واحدة، وغالباً ما تزيد إجمالي استخدام الرموز.
• FinOps: نهج للعمليات المالية السحابية يركز على التخصيص والمساءلة واقتصاديات الوحدة.