AI டோக்கன் செலவுகள் புதிய நிறுவனப் போராக மாறுகின்றன

AI ஏற்றுக்கொள்ளுதல், நிர்வாகிகள் இனி புறக்கணிக்க முடியாத புதிய செலவுக் கணக்குப் பொருளை உருவாக்குகிறது

கடந்த ஆண்டின் பெரும்பகுதியில், ஜெனரேட்டிவ் AI-க்கு வணிக காரணம் பரந்த சொற்களில் வடிவமைக்கப்பட்டது: வேகமான கோடிங், விரைவான வாடிக்கையாளர் ஆதரவு, சிறந்த உள் தேடல், மற்றும் குறைவான திரும்பத் திரும்ப வரும் அலுவலக வேலை. இப்போது தெளிவாகி வருவது, அந்த மாற்றத்தின் பொருளாதாரம் இனி கோட்பாடாக இல்லை என்பதாகும். மேலும் பல ஊழியர்கள் ஒவ்வொரு நாளும் பெரிய மொழி மாதிரிகளை நம்பிக்கையுடன் பயன்படுத்துவதால், நிறுவனங்கள் பில் ஒரு மென்பொருள் சந்தாவாக மட்டுமே வருவதில்லை என்பதை கண்டறிகின்றன. அது டோக்கன்களின் ஓட்டமாக வருகிறது.

அடிக்கடி “tokenomics” என்று குறிப்பிடப்படும் இந்த உருவாகும் துறை, தொழில்நுட்ப அணிகளிலிருந்து நிதி அலுவலகத்துக்குள் நகர்கிறது. அடிப்படை பிரச்சினை எளிதானது. ஒரு ஊழியர் மாதிரிக்கு அனுப்பும் ஒவ்வொரு prompt, மாதிரி படிக்கும் ஒவ்வொரு ஆவணம், அது உருவாக்கும் ஒவ்வொரு பதிலும் பயன்பாட்டை அதிகரிக்கிறது. சிறிய அளவில் செலவுகள் நிர்வகிக்கக்கூடியதாக தோன்றலாம். நிறுவன அளவில், குறிப்பாக AI கருவிகள் coding, analytics, sales, மற்றும் support workflows-இல் பொருத்தப்படும்போது, மொத்தம் வேகமாக உயர்ந்து பட்ஜெட் மற்றும் அணுகல் குறித்து கடுமையான முடிவுகளை எடுக்கத் தூண்டலாம்.

WIRED-இன் செய்திப்பரப்பல் இந்த மாற்றத்தை நேரடியாகப் பதிவு செய்கிறது. business software firm 8x8-இல், ஊழியர்கள் ஏற்கனவே Anthropic-இன் Claude-ஐ பயன்படுத்தி emails draft செய்வது, customer feedback-ஐ பகுப்பாய்வு செய்வது, மற்றும் code எழுதுவது ஆகியவற்றைச் செய்கிறார்கள். Claude பகுதியளவில் மாற்றக்கூடிய பிற கருவிகளுக்கான subscriptions-ஐ ரத்து செய்ததன் மூலம், கடந்த 18 மாதங்களில் வருடத்திற்கு சுமார் $5 million சேமித்ததாக நிறுவனம் கூறுகிறது. தற்போதைக்கு, 8x8-ன் annualized Claude செலவு அந்த சேமிப்பு அளவுக்கு மிகவும் கீழே இருப்பதாக அது கூறுகிறது.

முதல் வெற்றியாளர்களும் சமநிலை மாறும் என எதிர்பார்க்கிறார்கள்

இதன் அர்த்தம் பொருளாதாரம் உறுதியாகிவிட்டது என்பதல்ல. 8x8 executive Joel Neeb, adoption விரிவடையும் போது மற்றும் அதிக சிக்கலான வேலை model-க்கு மாறும் போது, சேமிப்பும் AI செலவுகளும் காலப்போக்கில் ஒன்றுக்கொன்று நெருக்கமாக வரும் என WIRED-இற்கு தெரிவித்தார். இதுவே இப்போது enterprise AI-யில் உள்ள முக்கியமான இழுபறி. பைலட் குழுக்கள் உற்பத்தி திறன் காட்டி, பழைய software ஒப்பந்தங்கள் நீக்கப்படும்போது நிறுவனங்கள் தற்போதைய செலவுகளை நியாயப்படுத்த முடியும்; ஆனால் விரிவான deployment கணக்கை மாற்றுகிறது.

இந்த pattern தொழில்துறையில் முழுவதும் தெளிவாகக் காணப்படுகிறது. Royal Bank of Canada ஆறு மாதங்களில் token usage 500 percent உயர்ந்ததாக வெளிப்படுத்தியது. Cisco, தனது ஊழியர்களில் மூன்றில் ஒருவர் தினமும் ஒரு internal AI chatbot-ஐ பயன்படுத்துகிறார்கள் என்றும், usage “pretty crazy” ஆகிவிட்டதாகவும் கூறியது. Amplitude-ன் CEO, சில top engineers மாதத்திற்கு ஆயிரக்கணக்கான dollars அல்லது அதற்கும் அதிகமாக டோக்கன்களுக்காக செலவிடுவதாகக் கூறினார். Box-ன் CEO, token budgeting இப்போது நடைபெறும் மிக முக்கியமான மற்றும் தீவிரமான உரையாடல்களில் ஒன்றாக விவரித்தார்.

இந்த எடுத்துக்காட்டுகள் முக்கியமானவை, ஏனெனில் பிரச்சினை ஒரு துறைக்கு மட்டும் கட்டுப்பட்டது அல்ல என்பதை அவை காட்டுகின்றன. வங்கிகள், network infrastructure vendors, analytics platforms, மற்றும் cloud software companies அனைத்தும் ஒரே கட்டுப்பாட்டை எதிர்கொள்கின்றன: AI-க்கான demand அதை நிர்வகிக்க உருவாக்கப்பட்ட controls-ஐ விட வேகமாக வளர்கிறது.

டோக்கன் மேலாண்மை செயல்பாட்டு உத்தியாக மாறுகிறது

பயன்பாடு அதிகரித்தவுடன், நிர்வாகிகளுக்கு சில நடைமுறை levers மட்டுமே இருக்கும். அவர்கள் access-ஐ வரம்பிடலாம், premium models-ஐ கட்டுப்படுத்தலாம், எளிய பணிகளை குறைந்த செலவிலான models-க்கு மாற்றலாம், waste-ஐ குறைக்க prompts-ஐ மறுவடிவமைக்கலாம், அல்லது செலவுக்கு எதிராக productivity gains-ஐ நிரூபிக்க teams-களை வலியுறுத்தலாம். இந்த விருப்பங்களில் எதுவும் purely technical அல்ல. ஒவ்வொன்றும் ஊழியர்கள் எப்படி வேலை செய்கிறார்கள் என்பதையும் AI திறந்த platform போல உணரப்படுகிறதா அல்லது கடுமையாக ஒதுக்கீடு செய்யப்பட்ட resource போல உணரப்படுகிறதா என்பதையும் பாதிக்கிறது.

அதனால்தான் tokenomics procurement விவரத்திலிருந்து operational question-ஆக மாறுகிறது. ஒரு நிறுவனம் developers code generation-க்கு AI-யைப் பயன்படுத்த வேண்டும், marketers content drafts-க்கு அதை பயன்படுத்த வேண்டும், support teams customer workflows-க்கு அதை பயன்படுத்த வேண்டும் என்று விரும்பினால், யாருக்கு எந்த model, எந்த task-க்கு, எந்த cost threshold-இல் வழங்கப்பட வேண்டும் என்ற விதிகள் தேவை. அந்த ஒழுங்குமுறை இல்லையெனில், சிறிய முயற்சிகள் கட்டுப்பாடற்ற நிறுவனச் செலவாக மாறலாம்.

அதே நேரத்தில், கடுமையான caps தங்களுக்கே உரிய risk-ஐ கொண்டுள்ளன. அங்கீகரிக்கப்பட்ட internal tool மிக மெதுவாகவோ, மிகக் கட்டுப்படுத்தப்பட்டதாகவோ, அல்லது சுதந்திரமாகப் பயன்படுத்த மிகவும் விலை உயர்ந்ததாகவோ இருந்தால், ஊழியர்கள் அதைத் தவிர்க்கலாம் அல்லது adoption-ஐ குறைந்த மதிப்புள்ள பணிகளுக்கு மட்டுமே வரையறுக்கலாம். இது நிறுவனங்கள் பெற விரும்பும் productivity gains-ஐயே பலவீனப்படுத்தும்.

AI செலவீட்டின் அடுத்த கட்டம் இன்னும் கடுமையாக மதிப்பிடப்படும்

corporate AI முதலீட்டின் முதல் அலை அவசரத்தால் இயக்கப்பட்டது. நிர்வாகிகள் பின்னடைந்து விடுவோமோ என்று பயந்தனர், vendors ஒவ்வொரு workflow-இலும்மாதிரிகளை இணைக்கப் போட்டியிட்டனர், மற்றும் boards மேலாண்மை ஒரு திட்டம் வைத்திருப்பதற்கான தெளிவான அடையாளங்களை விரும்பின. அடுத்த கட்டம் மேலும் கடுமையானதாக இருக்கும். finance teams, எந்த workloads உண்மையில் expensive inference-ஐ நியாயப்படுத்துகின்றன, எந்த use cases நம்பகமாக automate செய்யப்படலாம், மற்றும் AI மற்ற software-ஐ மாற்றுகிறதா அல்லது வெறும் இரண்டாவது bill-ஐ சேர்க்கிறதா என்று கேட்கும்.

8x8 எடுத்துக்காட்டு consolidation மூலம் செலவுகளை சமன்செய்ய சில நிறுவனங்கள் ஏற்கனவே இடம் கண்டுபிடித்து வருவதை சுட்டிக்காட்டுகிறது. ஆனால் பரந்த market ஒரு கடினமான உண்மையை வெளிப்படுத்துகிறது: AI போதுமான அளவு பயனுள்ளதாகி பரவத் தொடங்கும் தருணமே token usage உயரத் தொடங்குகிறது. அந்த சூழலில், அதிக நன்மை பெறும் நிறுவனங்கள் மிகவும் உற்சாகமான adoption கொண்டவை அல்ல. AI பயன்பாட்டை ஒரு அளவிடக்கூடிய operating system for work எனக் கருதும் நிறுவனங்களாக இருக்கலாம்; மங்கலான innovation budget ஆக அல்ல.

ஜெனரேட்டிவ் AI இனி capability கேள்வி மட்டும் அல்ல. பல நிறுவனங்களுக்கு, அது metering கேள்வியாக மாறுகிறது. அந்த மாற்றமே எந்த AI rollouts scale ஆகும், எது தடைபடும், மற்றும் எது அடுத்த பட்ஜெட் சுழற்சியின் scrutiny-யை தப்பிக்கும் என்பதை தீர்மானிக்கலாம்.

இந்தக் கட்டுரை Wired-இன் செய்திப்பரப்பலை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.