AI टोकन लागतें एक नया कॉरपोरेट रणक्षेत्र बन रही हैं

AI अपनाने से कार्यकारी अब एक नए खर्च मद को नज़रअंदाज़ नहीं कर सकते

पिछले एक साल के अधिकांश हिस्से में जनरेटिव AI के लिए व्यापारिक तर्क व्यापक शब्दों में रखा गया: तेज़ कोडिंग, जल्दी ग्राहक सहायता, बेहतर आंतरिक खोज, और कम दोहराव वाला कार्यालय काम। अब जो बात अधिक स्पष्ट हो रही है, वह यह है कि उस बदलाव की अर्थव्यवस्था अब सैद्धांतिक नहीं रही। जैसे-जैसे अधिक कर्मचारी हर दिन बड़े भाषा मॉडल का उपयोग कर रहे हैं, कंपनियाँ यह जान रही हैं कि बिल एक ही सॉफ्टवेयर सदस्यता के रूप में नहीं आता। यह टोकन की एक निरंतर धारा के रूप में आता है।

यह उभरता हुआ अनुशासन, जिसे अक्सर “tokenomics” कहा जाता है, तकनीकी टीमों से वित्त कार्यालय तक पहुँच रहा है। मूल मुद्दा सरल है। कर्मचारी मॉडल को भेजा गया हर प्रॉम्प्ट, मॉडल द्वारा पढ़ा गया हर दस्तावेज़, और मॉडल द्वारा दिया गया हर उत्तर उपयोग में जोड़ता है। छोटे स्तर पर लागतें संभालने योग्य लग सकती हैं। उद्यम स्तर पर, खासकर जब AI उपकरण कोडिंग, एनालिटिक्स, बिक्री, और सपोर्ट वर्कफ़्लो में जुड़े हों, तो कुल खर्च इतनी तेजी से बढ़ सकता है कि बजट और पहुँच पर कठिन निर्णय लेने पड़ें।

WIRED की रिपोर्टिंग इस बदलाव को वास्तविक समय में पकड़ती है। बिजनेस सॉफ़्टवेयर फर्म 8x8 में कर्मचारी पहले से Anthropic के Claude का उपयोग ईमेल ड्राफ्ट करने, ग्राहक प्रतिक्रिया का विश्लेषण करने, और कोड लिखने के लिए कर रहे हैं। कंपनी का कहना है कि उसने पिछले 18 महीनों में अन्य टूल्स की सदस्यताएँ रद्द करके, जिन्हें Claude आंशिक रूप से बदल सकता था, लगभग $5 मिलियन सालाना बचाए हैं। फिलहाल, 8x8 का कहना है कि Claude पर उसका वार्षिकीकृत खर्च अभी भी उस बचत राशि से काफी कम है।

शुरुआती विजेता भी मानते हैं कि संतुलन बदलेगा

इसका मतलब यह नहीं कि अर्थशास्त्र तय हो गया है। 8x8 के कार्यकारी Joel Neeb ने WIRED को बताया कि उन्हें उम्मीद है कि अपनाने के बढ़ने और अधिक जटिल काम मॉडल पर स्थानांतरित होने के साथ बचत और AI लागतें समय के साथ एक-दूसरे के करीब आएँगी। यही इस समय एंटरप्राइज़ AI की मुख्य तनातनी है। कंपनियाँ मौजूदा खर्च को तब उचित ठहरा सकती हैं जब पायलट समूह उत्पादक हों और पुराने सॉफ़्टवेयर अनुबंध हटाए जा रहे हों, लेकिन व्यापक तैनाती गणित बदल देती है।

यह पैटर्न पूरे उद्योग में दिखाई देता है। Royal Bank of Canada ने खुलासा किया कि छह महीनों में टोकन उपयोग 500 प्रतिशत बढ़ गया। Cisco ने कहा कि उसके एक-तिहाई कर्मचारी एक आंतरिक AI चैटबॉट का रोज़ाना उपयोग कर रहे हैं, और उपयोग “pretty crazy” स्तर तक पहुँच गया है। Amplitude के CEO ने कहा कि कुछ शीर्ष इंजीनियर टोकन पर हर महीने हज़ारों डॉलर या उससे अधिक खर्च कर रहे हैं। Box के CEO ने टोकन बजटिंग को उन सबसे महत्वपूर्ण और तीखी बातचीतों में से एक बताया जो अभी चल रही हैं।

ये उदाहरण इसलिए महत्वपूर्ण हैं क्योंकि ये दिखाते हैं कि समस्या किसी एक क्षेत्र तक सीमित नहीं है। बैंक, नेटवर्क इन्फ्रास्ट्रक्चर विक्रेता, एनालिटिक्स प्लेटफ़ॉर्म, और क्लाउड सॉफ़्टवेयर कंपनियाँ सभी एक ही बाधा का सामना कर रही हैं: AI की मांग आम तौर पर उसे प्रबंधित करने के लिए बनाए गए नियंत्रणों से तेज़ी से बढ़ती है।

टोकन प्रबंधन अब परिचालन रणनीति बनता जा रहा है

जब उपयोग अचानक बढ़ता है, तो कार्यकारियों के पास केवल कुछ व्यावहारिक उपाय होते हैं। वे पहुँच सीमित कर सकते हैं, प्रीमियम मॉडल पर रोक लगा सकते हैं, सरल काम सस्ते मॉडल पर भेज सकते हैं, फालतू खर्च घटाने के लिए प्रॉम्प्ट्स को फिर से डिज़ाइन कर सकते हैं, या टीमों से खर्च के मुकाबले उत्पादकता लाभ साबित करने को कह सकते हैं। इनमें से कोई भी विकल्प सिर्फ़ तकनीकी नहीं है। हर एक विकल्प इस बात को प्रभावित करता है कि कर्मचारी कैसे काम करते हैं और क्या AI एक खुला मंच लगता है या कड़ाई से राशन दिया गया संसाधन।

यही कारण है कि tokenomics एक खरीद संबंधी विवरण की बजाय परिचालन प्रश्न बनता जा रहा है। जो कंपनी डेवलपर्स को कोड जनरेशन के लिए, मार्केटर्स को कंटेंट ड्राफ्ट के लिए, और सपोर्ट टीमों को ग्राहक वर्कफ़्लो के लिए AI उपयोग करने देना चाहती है, उसे यह नियम चाहिए कि किसे कौन सा मॉडल, किस काम के लिए, और किस लागत-सीमा पर मिलेगा। इस अनुशासन के बिना, छोटे प्रयोग अनियंत्रित एंटरप्राइज़ खर्च में बदल सकते हैं।

साथ ही, सख्त सीमाएँ अपना जोखिम लाती हैं। यदि अनुमोदित आंतरिक टूल बहुत धीमा, बहुत सीमित, या खुलकर उपयोग करने के लिए बहुत महंगा हो जाता है, तो कर्मचारी उसका रास्ता निकाल सकते हैं या अपनाने को कम-मूल्य वाले कामों तक सीमित कर सकते हैं। इससे वही उत्पादकता लाभ कमजोर पड़ेंगे जिन्हें कंपनियाँ हासिल करना चाहती हैं।

AI खर्च का अगला चरण अधिक कठोर जांच से गुजरेगा

कॉरपोरेट AI निवेश की पहली लहर तात्कालिकता से प्रेरित थी। कार्यकारी पीछे छूट जाने से डरते थे, विक्रेता हर वर्कफ़्लो में मॉडल जोड़ने की दौड़ में थे, और बोर्ड यह देखना चाहते थे कि प्रबंधन के पास एक योजना है। अगला चरण संभवतः अधिक मांग वाला होगा। वित्त टीमें पूछेंगी कि कौन-से वर्कलोड वास्तव में महंगे inference को सही ठहराते हैं, कौन-से उपयोग मामले विश्वसनीय रूप से स्वचालित किए जा सकते हैं, और कहाँ AI अन्य सॉफ़्टवेयर की जगह ले रहा है या केवल एक दूसरा बिल जोड़ रहा है।

8x8 का उदाहरण बताता है कि कुछ कंपनियाँ समेकन के माध्यम से लागत संतुलित करने की जगह पहले से ढूँढ़ रही हैं। लेकिन व्यापक बाज़ार एक कठिन वास्तविकता दिखाता है: जैसे ही AI इतना उपयोगी हो जाता है कि वह फैलने लगे, टोकन उपयोग बढ़ने लगता है। ऐसे माहौल में सबसे अधिक लाभ पाने वाली कंपनियाँ जरूरी नहीं कि सबसे उत्साही अपनाने वाली हों। वे वे हो सकती हैं जो AI उपयोग को काम के लिए एक मापने योग्य ऑपरेटिंग सिस्टम की तरह देखती हैं, न कि एक अस्पष्ट नवाचार बजट की तरह।

जनरेटिव AI अब केवल क्षमता का प्रश्न नहीं है। कई संगठनों के लिए यह अब मापन का प्रश्न बनता जा रहा है। अंततः यही बदलाव तय कर सकता है कि कौन-से AI रोलआउट बड़े पैमाने पर जाएँगे, कौन-से रुक जाएँगे, और कौन-से अगले बजट चक्र की जांच में टिक पाएँगे।

यह लेख Wired की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.