एंटरप्राइज़ लागत बढ़ने के साथ AI टोकन खर्च की जांच बढ़ी

AI के अधिक उपयोग की कॉर्पोरेट दौड़ धीमी पड़ रही है

जेनरेटिव AI के उपयोग को अधिकतम करने की कार्यस्थल-स्तरीय प्रवृत्ति अब एक कठोर वास्तविकता से टकराने लगी है: लागत अनुशासन। 28 जुलाई को प्रकाशित Fast Company की एक रिपोर्ट में “tokenmaxxing” के घटते आकर्षण का वर्णन किया गया, यह शब्द AI टोकनों की भारी खपत को टूल्स और वर्कफ़्लोज़ में बढ़ाने की प्रवृत्ति के लिए इस्तेमाल होता है, इस विश्वास के साथ कि अधिक उपयोग बेहतर प्रदर्शन, तेज़ आउटपुट या मज़बूत नवाचार का संकेत है।

यह सोच तब लोकप्रिय हुई जब कंपनियाँ OpenAI और Anthropic जैसे प्रदाताओं के सिस्टम को परिचालन में लाने की दौड़ में थीं। व्यवहार में, टोकन उपयोग अपनाने की तीव्रता का एक मोटा पैमाना बन गया। जितने अधिक prompts, outputs, agents और automated tasks कोई संगठन उत्पन्न करता, वह उतना अधिक उन्नत दिख सकता था। लेकिन रिपोर्ट बताती है कि कॉर्पोरेट खरीदार अब गतिविधि और मूल्य के बीच अंतर करने लगे हैं। बढ़ते बिल हमेशा उत्पादकता या व्यावसायिक परिणामों में समान बढ़त से मेल नहीं खाए।

Moody’s Ratings में AI analytics के प्रमुख Vincent Gusdorf, जिनके एक report का Fast Company ने हवाला दिया, ने अधिक अनुशासित दृष्टिकोण का पक्ष लिया। उनका तर्क सीधा है: जेनरेटिव AI work, summaries, drafts और process layers बनाना आसान कर देता है, जिनकी वास्तव में आवश्यकता भी न हो। जब हर interaction tokens खर्च करता है और यह पूरे संगठन में फैलता है, तो waste तेज़ी से बढ़ सकता है।

स्थिति-संकेतक से लागत-केंद्र तक

रिपोर्ट यह बताती है कि token-heavy उपयोग कुछ ही महीनों पहले कैसे सराहा जा रहा था। प्रमुख तकनीकी नेताओं ने उच्च AI consumption को इस बात का संकेत बताया था कि टीमें आक्रामक रूप से प्रयोग कर रही हैं और तकनीक को गंभीरता से ले रही हैं। OpenAI के chief executive Sam Altman ने मई में कहा था कि वह यह देखने के लिए उत्साहित हैं कि “tokenmaxxing startups” क्या बनाएंगी और वे अंदर से कैसे काम करेंगी। Nvidia के chief executive Jensen Huang ने तर्क दिया था कि यदि कोई उच्च वेतन पाने वाला engineer बड़ी मात्रा में tokens का उपयोग नहीं कर रहा है, तो कुछ गलत है। रिपोर्ट के अनुसार, Meta ने भी एक internal competition चलाई थी जिसमें token usage को पुरस्कृत किया गया।

इस framing ने एक ऐसी संस्कृति बनाई जिसमें AI पर खर्च को महत्वाकांक्षा के बैज की तरह देखा जाने लगा। आदर्श भारी उपयोगकर्ता केवल नियमित काम स्वचालित नहीं कर रहा था, बल्कि लगातार AI agents के fleets को orchestration कर रहा था। धारणा यह थी कि saturation कहीं न कहीं मूल्य खोलेगी: तेज़ coding, अधिक content generation, बेहतर research, या बिल्कुल नए product features।

Model providers के लिए, इस गतिविधि की उछाल सीधे revenue में बदल गई। लेकिन enterprise buyers के लिए अर्थशास्त्र अलग है। उन्हें token bills, integration costs, governance burdens और data risks उठाने पड़ते हैं। जब ये खर्च काल्पनिक न रहकर ठोस हो गए, तो executives को एक कम लोकप्रिय सवाल पूछना पड़ा: वास्तव में किन उपयोगों के लिए भुगतान करना उचित है?

संदेह क्यों बढ़ रहा है

रिपोर्ट में वर्णित backlash किसी anti-AI मोड़ के बराबर नहीं है। यह उससे अधिक विशिष्ट है। कंपनियाँ अब भी जेनरेटिव models से मिलने वाले लाभ चाहती हैं, लेकिन वे यह मानने के लिए कम तैयार हैं कि अधिकतम उपयोग ही स्मार्ट उपयोग है। यह अंतर मायने रखता है, क्योंकि token-based billing ऐसा व्यवहार प्रोत्साहित कर सकती है जिसे बढ़ाना आसान है, लेकिन उचित ठहराना कठिन।

Microsoft के chief executive Satya Nadella ने, Fast Company द्वारा उद्धृत टिप्पणियों में, स्वीकार किया कि tokenmaxxing नशे की तरह हो सकता है, जबकि उन्होंने यह तर्क भी दिया कि ग्राहक दो बार भुगतान कर सकते हैं: एक बार tokens के लिए और दूसरी बार providers को proprietary data तक पहुंच देकर। Nadella अपनी कंपनी की रणनीति भी बढ़ावा दे रहे थे, लेकिन यह आलोचना एक व्यापक enterprise चिंता की ओर इशारा करती है। लागत केवल एक पक्ष है। संवेदनशील जानकारी पर नियंत्रण दूसरा पक्ष है।

Palantir के chief executive Alex Karp ने इससे भी तीखी भाषा इस्तेमाल की, यह कहते हुए कि कुछ “completely wrong” हो गया है, और उन्होंने व्यवसायों के बीच उस हताशा को आवाज़ दी, जिन्हें लगता था कि वे कम प्रतिफल के लिए भारी खर्च कर रहे हैं। इन प्रतिक्रियाओं में समान सूत्र AI को एक category के रूप में खारिज करना नहीं है। यह अनियंत्रित AI खर्च को खारिज करना है।

Enterprise AI में metric की समस्या

tokenmaxxing इतनी तेजी से इसलिए फैला क्योंकि tokens मापे जा सकते हैं। उस अवधि में जब कई कंपनियों पर AI momentum दिखाने का दबाव था, usage counts एक स्पष्ट संख्या प्रदान करते थे। बोर्ड और executives adoption figures, generated output की मात्रा, या बढ़ते internal use cases को यह दिखाने के लिए इस्तेमाल कर सकते थे कि संगठन गति बनाए हुए है।

लेकिन measurable होना ज़रूरी नहीं कि meaningful भी हो। Token totals गुणवत्ता, बचाए गए समय, error rates, customer outcomes या revenue impact के बारे में बहुत कम बताते हैं। वे गतिविधि को प्रगति जैसा दिखाकर waste को भी छिपा सकते हैं। कोई टीम AI के साथ अधिक drafts, अधिक analyses और अधिक synthetic research बना सकती है, जबकि core performance में बहुत कम सुधार कर सकती है। परिणाम वही पुराना enterprise trap है: उस metric को optimize करना जिसे रिपोर्ट करना सबसे आसान है, न कि उस metric को जो मूल्य को सबसे बेहतर दर्शाती है।

यहीं Moody’s द्वारा वर्णित बदलाव रणनीतिक रूप से महत्वपूर्ण हो जाता है। यदि संगठन consumption अधिकतम करने से हटकर return का मूल्यांकन करने लगें, तो procurement और product निर्णय तेज़ी से बदल सकते हैं। विजेता केवल सबसे बड़े raw usage numbers वाले model vendors नहीं होंगे, बल्कि वे कंपनियाँ होंगी जो ग्राहकों को models का चयनात्मक, सुरक्षित और अधिक स्पष्ट आर्थिक तर्क के साथ उपयोग करने में मदद करती हैं।

आगे क्या

संभावित परिणाम enterprise AI demand का पतन नहीं होगा। यह अधिक कड़े controls, अधिक लक्षित deployments और tokens कहाँ खर्च हो रहे हैं, इस पर अधिक जांच की ओर बदलाव होगा। संगठन सीधे लाभ वाले use cases को प्राथमिकता दे सकते हैं, जैसे coding सहायता, document workflows जिनमें measurable cycle-time reduction हो, या revenue-generating processes में integrated domain-specific copilots। ऐसे प्रयोग जो प्रभावशाली मात्रा पैदा करते हैं लेकिन व्यावसायिक लाभ अस्पष्ट रखते हैं, उन्हें अधिक तीव्र आंतरिक प्रतिरोध का सामना करना पड़ सकता है।

यह enterprise adoption के अधिक परिपक्व चरण को दर्शाएगा। कई कार्यस्थलों में जेनरेटिव AI का शुरुआती दौर उत्साह और स्पष्ट प्रयोग को पुरस्कृत करता था। अगला दौर अनुशासन, मापन और ऐसी architecture choices को पुरस्कृत कर सकता है जो लागत को अनुमानित रखें। उस अर्थ में, tokenmaxxing का पतन पीछे हटना नहीं, बल्कि सामान्यीकरण है। तकनीक अपने प्रदर्शन-प्रधान चरण से निकलकर उस procurement logic में प्रवेश कर रही है जो अधिकांश enterprise software को नियंत्रित करती है।

Fast Company रिपोर्ट से महत्वपूर्ण संकेत यह नहीं है कि कंपनियाँ AI कम इस्तेमाल कर रही हैं क्योंकि रुचि खत्म हो गई है। बल्कि यह कि वे यह पूछना शुरू कर रही हैं कि क्या खर्च किया गया हर token स्थायी मूल्य पैदा करता है। एक ऐसे उद्योग के लिए जो scale पर आधारित है, यही वह प्रश्न बन सकता है जो सबसे अधिक मायने रखेगा।

यह लेख Fast Company की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.