এন্টারপ্রাইজ খরচ বাড়ায় AI টোকেন ব্যয় নিয়ে প্রশ্ন উঠছে

AI বেশি ব্যবহার করার কর্পোরেট দৌড় ধীর হচ্ছে

জেনারেটিভ AI ব্যবহার সর্বাধিক করার কর্মস্থল-আসক্তি এখন এক কঠিন বাস্তবতার মুখে পড়ছে: খরচের শৃঙ্খলা। 28 জুলাই প্রকাশিত Fast Company-এর একটি প্রতিবেদন “tokenmaxxing” নামের ক্রমহ্রাসমান আকর্ষণ ব্যাখ্যা করেছে; এই শব্দটি বোঝায় AI টোকেনের ভারী ব্যবহারকে টুল ও workflow জুড়ে ঠেলে দেওয়া, এই বিশ্বাসে যে বেশি ব্যবহার মানেই ভালো পারফরম্যান্স, দ্রুত output, বা শক্তিশালী innovation।

OpenAI এবং Anthropic-এর মতো providers-এর সিস্টেমকে operationalize করতে প্রতিষ্ঠানগুলো যখন ছুটছিল, তখন এই মানসিকতা গতি পায়। বাস্তবে token usage adoption-এর তীব্রতার একটি rough proxy হয়ে ওঠে। যত বেশি prompts, outputs, agents, এবং automated tasks কোনো organization তৈরি করত, ততই তাকে বেশি উন্নত দেখাতে পারত। কিন্তু প্রতিবেদনটি বলছে, corporate buyers এখন activity আর value-কে আলাদা করে দেখছেন। বাড়তি বিল সবসময় সমান productivity gains বা business outcomes-এর সঙ্গে মেলেনি।

Moody’s Ratings-এর AI analytics head Vincent Gusdorf, যাঁর একটি report-কে Fast Company উদ্ধৃত করেছে, আরও শৃঙ্খলাপূর্ণ পদ্ধতির পক্ষে সওয়াল করেন। তাঁর মূল বক্তব্য সহজ: generative AI work, summaries, drafts, আর process layers তৈরি করা সহজ করে, যেগুলোর আসলে প্রয়োজন নাও থাকতে পারে। প্রতিটি interaction token খরচ করে এবং তা পুরো company জুড়ে ছড়িয়ে পড়লে waste দ্রুত বাড়তে পারে।

স্ট্যাটাস সিগন্যাল থেকে খরচের কেন্দ্র

প্রতিবেদনটি দেখায়, কয়েক মাস আগেও token-heavy usage কীভাবে উৎসাহিত করা হয়েছিল। শীর্ষ tech leaders উচ্চ AI consumption-কে এমন একটি চিহ্ন হিসেবে তুলে ধরেছিলেন, যা দেখায় যে teams আক্রমণাত্মকভাবে পরীক্ষা করছে এবং technology-কে গুরুত্ব দিচ্ছে। OpenAI chief executive Sam Altman মে মাসে বলেছিলেন, “tokenmaxxing startups” কী তৈরি করবে এবং তারা অভ্যন্তরে কীভাবে কাজ করবে তা দেখতে তিনি উৎসাহী। Nvidia chief executive Jensen Huang যুক্তি দেন, কোনো উচ্চ বেতনভোগী engineer যদি অনেক token ব্যবহার না করেন, তবে কোথাও সমস্যা আছে। প্রতিবেদন অনুযায়ী Meta এমনকি token usage পুরস্কৃত করে একটি internal competition চালিয়েছিল।

এই framing এমন এক culture তৈরি করেছিল যেখানে AI-তে খরচ করা ambition-এর badge হিসেবে ধরা হত। আদর্শ heavy user শুধু routine task automate করছিল না, বরং ক্রমাগত AI agents-এর fleets orchestrate করছিল। ধারণা ছিল saturation কোথাও না কোথাও value বের করে আনবে: দ্রুত coding, আরও content generation, উন্নত research, বা একেবারে নতুন product features।

Model providers-এর জন্য এই activity surge সরাসরি revenue-তে পরিণত হয়েছিল। কিন্তু enterprise buyers-এর ক্ষেত্রে economics আলাদা। তাদের token bills, integration costs, governance burdens, data risks বহন করতে হয়। এই ব্যয়গুলো যখন কাল্পনিক না থেকে বাস্তব হয়ে উঠল, executives-দের কম জনপ্রিয় একটি প্রশ্ন করতে হল: কোন ব্যবহারগুলো সত্যিই টাকার যোগ্য?

সন্দেহ কেন বাড়ছে

প্রতিবেদনটিতে বর্ণিত backlash anti-AI মোড় নয়। এটা তার চেয়ে নির্দিষ্ট। কোম্পানিগুলি এখনো generative models থেকে পাওয়া gains চায়, কিন্তু maximum usage-ই smart usage—এই ধারণা মেনে নিতে তারা কম প্রস্তুত। এই পার্থক্য গুরুত্বপূর্ণ, কারণ token-based billing এমন আচরণ উৎসাহিত করতে পারে যা বাড়ানো সহজ, কিন্তু ন্যায্যতা প্রমাণ করা কঠিন।

Fast Company-তে উদ্ধৃত মন্তব্যে Microsoft chief executive Satya Nadella স্বীকার করেন, tokenmaxxing নেশার মতো হয়ে যেতে পারে, যদিও তিনি এটাও বলেন যে গ্রাহকরা দুবার মূল্য দিতে পারেন: একবার token-এর জন্য এবং আরেকবার providers-কে proprietary data access দিয়ে। Nadella নিজের কোম্পানির strategy-ও এগিয়ে নিচ্ছিলেন, তবে এই সমালোচনা broader enterprise concern-এর দিকে ইঙ্গিত করে। Cost এক দিক, sensitive information-এর উপর control আরেক দিক।

Palantir chief executive Alex Karp আরও কঠোর ভাষা ব্যবহার করে বলেন, কিছু “completely wrong” হয়েছে, এবং তিনি এমন businesses-এর হতাশাকে প্রতিধ্বনিত করেন যাদের মনে হচ্ছিল তারা কম প্রতিদানের জন্য বেশি খরচ করছে। এই প্রতিক্রিয়াগুলোর সাধারণ সূত্র AI-কে category হিসেবে প্রত্যাখ্যান করা নয়; এটি অনিয়ন্ত্রিত AI spend প্রত্যাখ্যান করা।

Enterprise AI-তে metric-এর সমস্যা

tokenmaxxing এত দ্রুত ছড়িয়ে পড়ার একটি কারণ token-এর পরিমাপযোগ্যতা। সেই সময়ে যখন বহু company-র ওপর AI momentum দেখানোর চাপ ছিল, usage counts একটি দৃশ্যমান সংখ্যা দিত। বোর্ড ও executives adoption figures, generated output volume, বা বাড়তে থাকা internal use cases দেখিয়ে প্রমাণ করতে পারতেন যে organization তাল মেলাচ্ছে।

কিন্তু measurable মানেই meaningful নয়। Token totals quality, saved time, error rates, customer outcomes, revenue impact সম্পর্কে খুব কমই বলে। এগুলো activity-কে progress-এর মতো দেখিয়ে waste-ও আড়াল করতে পারে। একটি team AI ব্যবহার করে আরও drafts, analyses, synthetic research তৈরি করতে পারে, অথচ core performance খুব সামান্যই উন্নত হয়। ফলাফল পুরোনো enterprise trap: value-কে সবচেয়ে ভালোভাবে প্রতিফলিত করে এমন metric নয়, বরং report করা সবচেয়ে সহজ metric optimize করা।

Moody’s যে shift-এর কথা বলছে, সেটি এখানেই strategicভাবে গুরুত্বপূর্ণ। Organizations যদি consumption সর্বাধিক করা থেকে return মূল্যায়নে সরে আসে, procurement ও product সিদ্ধান্ত দ্রুত বদলে যেতে পারে। বিজয়ী শুধু সবচেয়ে বড় raw usage numbers-ওয়ালা model vendors হবে না, বরং এমন companies হবে যারা customers-কে models বেছে নিয়ে, নিরাপদভাবে, এবং স্পষ্ট economic logic-সহ ব্যবহার করতে সাহায্য করে।

এর পর কী

সম্ভাব্য ফল AI demand-এর পতন নয়। বরং আরও কঠোর controls, আরও লক্ষ্যভিত্তিক deployments, এবং tokens কোথায় খরচ হচ্ছে সে বিষয়ে বেশি scrutiny। Organizations সরাসরি লাভ দেয় এমন use case-কে অগ্রাধিকার দিতে পারে, যেমন coding assistance, measurable cycle-time reduction-সহ document workflows, বা revenue-generating processes-এ integrated domain-specific copilots। চমকপ্রদ পরিমাণ তৈরি করলেও business benefit অস্পষ্ট এমন experiments-এর বিরুদ্ধে আরও কঠোর প্রতিরোধ আসতে পারে।

এটি enterprise adoption-এর আরও mature phase নির্দেশ করবে। বহু workplace-এ জেনারেটিভ AI-এর প্রাথমিক সময়টি exuberance এবং visible experimentation-কে পুরস্কৃত করত। পরবর্তী সময়ে restraint, measurement, এবং খরচ predictably রাখে এমন architecture choices পুরস্কৃত হতে পারে। সেই অর্থে tokenmaxxing-এর পতন retreat নয়, normalization। প্রযুক্তি তার performative phase থেকে বেরিয়ে enterprise software-এর procurement logic-এ প্রবেশ করছে।

Fast Company প্রতিবেদনের গুরুত্বপূর্ণ বার্তা এই নয় যে কোম্পানিগুলি আগ্রহ হারানোর কারণে AI কম ব্যবহার করছে। বরং তারা প্রশ্ন করতে শুরু করেছে, প্রতিটি token spend কি durable value তৈরি করে। scale-নির্ভর এক শিল্পের জন্য সেটাই হতে পারে সবচেয়ে গুরুত্বপূর্ণ প্রশ্ন।

এই নিবন্ধটি Fast Company-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.