AI टोकन खर्च हा नवा कॉर्पोरेट रणांगण ठरत आहे

AI स्वीकारामुळे कार्यकारी आता दुर्लक्ष करू शकणार नाहीत अशी नवी खर्चाची ओळ निर्माण होत आहे

गेल्या वर्षभरात बहुतेक काळ जेनरेटिव्ह AI साठीचा व्यवसायिक युक्तिवाद व्यापक शब्दांत मांडला गेला: जलद coding, तत्काळ customer support, चांगले internal search, आणि कमी पुनरावृत्तीचे office work. आता जे अधिक स्पष्ट होत आहे ते म्हणजे त्या बदलामागील economics आता सैद्धांतिक राहिलेले नाहीत. अधिक कर्मचारी रोज large language modelsवर अवलंबून राहू लागल्याने, कंपन्या हे ओळखत आहेत की बिल एकाच software subscriptionच्या रूपात येत नाही. ते टोकन्सच्या प्रवाहाच्या रूपात येते.

“tokenomics” असे अनेकदा म्हटले जाणारे हे उदयोन्मुख discipline, technical teamsमधून finance officeकडे सरकत आहे. मूलभूत समस्या सोपी आहे. कर्मचारी modelला पाठवतो तो प्रत्येक prompt, model वाचतो तो प्रत्येक document, आणि तो निर्माण करतो तो प्रत्येक answer usageमध्ये भर घालतो. लहान स्तरावर खर्च नियंत्रणात असल्यासारखे वाटू शकतात. enterprise scaleवर, विशेषतः AI tools coding, analytics, sales, आणि support workflowsमध्ये embedded असताना, एकूण खर्च झपाट्याने इतका वाढू शकतो की budgets आणि accessबाबत कठोर निर्णय घ्यावे लागतात.

WIREDचे reporting हा बदल प्रत्यक्ष वेळेत दाखवते. business software firm 8x8 मध्ये, कर्मचारी आधीच Anthropicच्या Claudeचा वापर emails draft करण्यासाठी, customer feedback analyze करण्यासाठी, आणि code लिहिण्यासाठी करत आहेत. Claude अंशतः बदलू शकणाऱ्या इतर toolsच्या subscriptions रद्द करून गेल्या 18 महिन्यांत कंपनीने सुमारे $5 million वार्षिक बचत केल्याचे ती सांगते. सध्या, 8x8चे म्हणणे आहे की Claudeवरील annualized spending त्या बचत रकमेपेक्षा बरेच कमी आहे.

सुरुवातीचे विजेतेही समतोल बदलणारच अशी अपेक्षा ठेवतात

याचा अर्थ economics निश्चित झाली आहे असे नाही. adoption वाढेल आणि अधिक गुंतागुंतीचे काम modelवर येईल तशी savings आणि AI costs वेळेनुसार जवळ येतील, अशी अपेक्षा 8x8 executive Joel Neeb यांनी WIREDला सांगितली. हाच आता enterprise AIमधील मुख्य ताण आहे. pilot groups उत्पादक असताना आणि जुने software contracts काढून टाकले जात असताना कंपन्या सध्याचा खर्च समर्थनीय ठरवू शकतात, पण व्यापक deployment मुळे गणित बदलते.

हा pattern उद्योगभर दिसतो आहे. Royal Bank of Canada ने जाहीर केले की सहा महिन्यांत token usage 500 percent वाढला. Cisco ने सांगितले की त्याच्या एक-तृतीयांश कर्मचाऱ्यांनी रोज एक internal AI chatbot वापरायला सुरुवात केली आहे, आणि usage “pretty crazy” झाला आहे. Amplitudeच्या CEOने सांगितले की काही top engineers दरमहा हजारो dollars किंवा त्याहून अधिक रक्कम टोकन्सवर खर्च करत आहेत. Boxच्या CEOने token budgeting हा सध्या चालू असलेल्या सर्वात महत्त्वाच्या आणि तापलेल्या चर्चांपैकी एक असल्याचे म्हटले.

ही उदाहरणे महत्त्वाची आहेत, कारण समस्या एका क्षेत्रापुरती मर्यादित नाही हे ती दाखवतात. banks, network infrastructure vendors, analytics platforms, आणि cloud software companies सर्वांना एकच अडथळा दिसत आहे: AIची demand तिला सांभाळण्यासाठी तयार केलेल्या controlsपेक्षा वेगाने वाढते.

टोकन व्यवस्थापन आता operational strategy बनत आहे

usage वाढू लागल्यावर, कार्यकारींकडे काहीच practical levers उरतात. ते access मर्यादित करू शकतात, premium modelsवर बंधने आणू शकतात, सोपी कामे स्वस्त modelsकडे वळवू शकतात, waste कमी करण्यासाठी prompts पुन्हा डिझाइन करू शकतात, किंवा teamsनी खर्चाच्या तुलनेत productivity gains सिद्ध करावेत अशी मागणी करू शकतात. यापैकी कोणताही पर्याय केवळ technical नाही. प्रत्येक निर्णय कर्मचारी कसे काम करतात आणि AI खुला platform वाटतो की काटेकोरपणे ration केलेला resource वाटतो, यावर परिणाम करतो.

म्हणूनच tokenomics procurement detail न राहता operational question बनत आहे. एखादी company developersनी code generationसाठी AI वापरावे, marketersनी content draftsसाठी वापरावे, आणि support teamsनी customer workflowsसाठी वापरावे असे इच्छित असेल, तर कोणाला कोणता model, कोणत्या कामासाठी, आणि कोणत्या cost thresholdवर मिळेल याचे नियम हवेत. असा discipline नसल्यास, लहान प्रयोग अनियंत्रित enterprise expenseमध्ये बदलू शकतात.

त्याच वेळी, आक्रमक capsचे स्वतःचे धोकेही आहेत. मंजूर internal tool खूप संथ, खूप मर्यादित, किंवा मुक्तपणे वापरण्यास खूप महाग झाले, तर कर्मचारी त्याला बाजूला सारू शकतात किंवा adoption फक्त कमी-मूल्याच्या कामांपुरती मर्यादित ठेवू शकतात. त्यामुळे कंपन्या मिळवू इच्छित असलेले productivity gainsच कमकुवत होतील.

AI spendingचा पुढचा टप्पा अधिक कठोरपणे तपासला जाईल

corporate AI investmentची पहिली लाट urgencyमुळे आली होती. कार्यकारी मागे पडण्याच्या भीतीने होते, vendors प्रत्येक workflowमध्ये models एकत्र करण्यासाठी धावत होते, आणि boardsना व्यवस्थापनाकडे योजना आहे याचे स्पष्ट पुरावे हवे होते. पुढचा टप्पा अधिक मागणी करणारा ठरण्याची शक्यता आहे. finance teams विचारतील की कोणते workloads खरोखर expensive inferenceचे समर्थन करतात, कोणते use cases विश्वासार्हपणे automate होऊ शकतात, आणि AI इतर softwareची जागा घेत आहे की फक्त दुसरा bill जोडत आहे.

8x8चे उदाहरण सूचित करते की consolidationद्वारे खर्च भरून काढण्यासाठी काही कंपन्या आधीच जागा शोधत आहेत. पण व्यापक market एक कठोर वास्तव दाखवतो: AI पुरेसा उपयोगी झाला आणि पसरू लागला की token usage वाढते. अशा वातावरणात, सर्वाधिक फायदा मिळवणाऱ्या कंपन्या सर्वाधिक उत्साही adoption असलेल्या नसतील कदाचित. त्या कंपन्या असू शकतात ज्या AI usageला कामासाठी एक measurable operating system म्हणून पाहतात, vague innovation budget म्हणून नाही.

जेनरेटिव्ह AI आता फक्त capabilityचा प्रश्न नाही. अनेक संस्थांसाठी, तो आता meteringचा प्रश्न बनत आहे. तो बदल कोणत्या AI rolloutsना scale होऊ देईल, कोणते थांबतील, आणि कोणते पुढील budget cycleच्या scrutinyतून वाचतील, हे ठरवू शकतो.

हा लेख Wired च्या reportingवर आधारित आहे. मूळ लेख वाचा.