எண்டர்ப்ரைஸ் செலவுகள் உயருவதால் AI டோக்கன் செலவின்மீது கவனம் அதிகரிக்கிறது

AI-ஐ அதிகம் பயன்படுத்த வேண்டும் என்ற நிறுவனப் போட்டி மந்தமாகிறது

ஜெனரேட்டிவ் AI பயன்பாட்டை அதிகப்படுத்த வேண்டும் என்ற பணியிட மனப்பாங்கு இப்போது கடினமான ஒரு யதார்த்தத்தை எதிர்கொள்கிறது: செலவு கட்டுப்பாடு. ஜூலை 28 அன்று வெளியான Fast Company அறிக்கை “tokenmaxxing” எனப்படும், AI டோக்கன்களின் அதிகமான பயன்பாட்டை கருவிகள் மற்றும் பணிப்பாய்ச்சல்களில் தள்ளும் போக்கின் கவர்ச்சி குறைந்துவருவதை விவரித்தது; அதிக பயன்பாடு சிறந்த செயல்திறன், வேகமான வெளியீடு அல்லது வலுவான புதுமை என்பதற்கான சின்னம் என்ற நம்பிக்கையில் இந்தச் சொல் பயன்படுத்தப்படுகிறது.

OpenAI மற்றும் Anthropic போன்ற வழங்குநர்களின் அமைப்புகளை நிறுவனங்கள் செயல்பாட்டில் கொண்டு வர விரைந்து செயல்பட்டதால் இந்த மனப்பாங்கு வேகம் பெற்றது. நடைமுறையில், token usage என்பது adoption-ன் வலிமையை காட்டும் ஒரு rough proxy ஆக மாறியது. ஒரு நிறுவனம் உருவாக்கிய prompts, outputs, agents மற்றும் automated tasks எத்தனை அதிகமோ, அது அவ்வளவு மேம்பட்டதாகத் தோன்ற முடிந்தது. ஆனால் அறிக்கை, நிறுவன வாங்குபவர்கள் இப்போது செயல்பாடு மற்றும் மதிப்பு ஆகியவற்றை வேறுபடுத்தத் தொடங்கியுள்ளனர் என கூறுகிறது. உயரும் செலவுகள் எப்போதும் அதே அளவிலான உற்பத்தித்திறன் அல்லது வணிக முடிவுகளுடன் பொருந்தவில்லை.

Moody’s Ratings-இல் AI analytics தலைவரான Vincent Gusdorf, Fast Company மேற்கோளிட்ட ஒரு அறிக்கையின் ஆசிரியர், மேலும் கட்டுப்பாடான அணுகுமுறையை வலியுறுத்தினார். அவரது கருத்து எளிமையானது: ஜெனரேட்டிவ் AI work, summaries, drafts, process layers ஆகியவற்றை உருவாக்க எளிதாக்குகிறது; அவை உண்மையில் தேவையில்லாமலும் இருக்கலாம். ஒவ்வொரு தொடர்பும் tokens-ஐச் செலவழித்து, அது நிறுவன முழுவதும் அளவுக்கு விரிவடைந்தால், வீண் செலவு விரைவாக பெருகலாம்.

நிலைச் சின்னத்திலிருந்து செலவு மையமாக

சில மாதங்களுக்கு முன் token-heavy பயன்பாடு எவ்வாறு பாராட்டப்பட்டது என்பதையும் கட்டுரை பதிவு செய்கிறது. முக்கிய தொழில்நுட்பத் தலைவர்கள் உயர்ந்த AI பயன்பாட்டை, குழுக்கள் தீவிரமாக பரிசோதனை செய்து, தொழில்நுட்பத்தை seriously எடுத்துக் கொண்டுள்ளன என்பதற்கான அடையாளமாக சித்தரித்திருந்தனர். OpenAI CEO Sam Altman, மே மாதத்தில் “tokenmaxxing startups” என்ன உருவாக்கும், அவை உள்ளே எப்படி செயல்படும் என்பதைப் பார்க்கத் தான் ஆர்வமாக இருப்பதாகக் கூறினார். Nvidia CEO Jensen Huang, அதிக ஊதியம் பெறும் engineer ஒருவர் பெரிய அளவு tokens பயன்படுத்தவில்லை என்றால் ஏதோ தவறு உள்ளது என்று வாதிட்டார். அறிக்கையின்படி, Meta கூட token usage-க்கு பரிசளித்த ஒரு internal competition நடத்தியது.

இந்த framing, AI-இல் செலவிடுவது ஒரு ambition badge போலக் கருதப்படும் பண்பாட்டை உருவாக்க உதவியது. மாதிரியாகக் காட்டப்பட்ட heavy user வெறும் வழக்கமான பணிகளை தானியங்கப்படுத்தவில்லை; தொடர்ந்து AI agents fleets-ஐ orchestrate செய்தார். saturation எங்காவது மதிப்பை வெளிப்படுத்தும் என்றுதான் கருதப்பட்டது: வேகமான coding, அதிக content generation, மேம்பட்ட research, அல்லது முற்றிலும் புதிய product features.

Model providers-க்கு, இந்த செயல்பாட்டு உயர்வு நேரடியாக வருவாயாக மாறியது. ஆனால் enterprise buyers-க்கு பொருளாதாரம் வேறு. அவர்கள் token bills, integration costs, governance burdens, data risks ஆகியவற்றை சுமக்கிறார்கள். இந்தச் செலவுகள் கோட்பாடாக இல்லாமல் உண்மையாகிவிட்டபோது, executives ஒரு குறைவான பிரபலமான கேள்வியை எழுப்ப வேண்டியிருந்தது: எந்த பயன்பாடுகள் உண்மையில் பணம் செலுத்தத் தகுந்தவை?

ஏன் சந்தேகம் அதிகரிக்கிறது

அறிக்கையில் விவரிக்கப்படும் backlash ஒரு anti-AI திருப்பமாக இல்லை. அது அதைவிட குறிப்பிட்டது. நிறுவனங்கள் இன்னும் ஜெனரேட்டிவ் models வாக்குறுதி அளிக்கும் லாபங்களை விரும்புகின்றன, ஆனால் அதிகபட்ச பயன்பாடே புத்திசாலித்தனமான பயன்பாடு என்ற முன்னூட்டத்தை ஏற்க அவை குறைவாகத் தயாராகின்றன. இது முக்கியம், ஏனெனில் token-based billing எளிதாக பெருக்கக்கூடிய, ஆனால் நியாயப்படுத்த கடினமான நடத்தை ஊக்குவிக்கலாம்.

Fast Company மேற்கோளிட்ட கருத்துகளில் Microsoft CEO Satya Nadella, tokenmaxxing அடிமைத்தனமாக மாறக்கூடும் என்று ஒப்புக்கொண்டார்; அதே நேரத்தில், வாடிக்கையாளர்கள் இருமுறை பணம் செலுத்தக்கூடும் என்றும் கூறினார்: முதலில் tokens-க்காகவும், பின்னர் providers-க்கு proprietary data அணுகலை வழங்குவதற்காகவும். Nadella தன் நிறுவனத்தின் மூலோபாயத்தையும் முன்னெடுத்தாலும், இந்த விமர்சனம் ஒரு பரந்த enterprise கவலையை வெளிப்படுத்துகிறது. செலவு என்பது ஒரு பக்கம். உணர்தகுந்த தகவல்மீது கட்டுப்பாடு மற்றொரு பக்கம்.

Palantir CEO Alex Karp இன்னும் கடுமையான சொற்களை பயன்படுத்தி, ஏதோ “completely wrong” ஆகிவிட்டது என்றார்; மேலும் குறைந்த வருவாய்க்காக அதிகம் செலவழிக்கிறோம் என்று உணர்ந்த வணிகங்களின் ஏமாற்றத்தை அவர் பிரதிபலித்தார். இந்தப் பதில்களின் பொதுவான நூல் AI-ஐ ஒரு category ஆக மறுப்பது அல்ல. அது திசைதெரியாத AI செலவின்மீது மறுப்பு.

Enterprise AI-இல் metric சிக்கல்

tokenmaxxing இவ்வளவு விரைவாக பரவியதற்கான காரணங்களில் ஒன்று, tokens அளக்கக்கூடியவை என்பதே. AI momentum-ஐ காட்ட வேண்டிய அழுத்தத்தில் இருந்த பல நிறுவனங்களுக்கு, usage counts ஒரு தெளிவான எண்ணை வழங்கின. Boards மற்றும் executives adoption figures, generated output volume, அல்லது விரிவடையும் internal use cases ஆகியவற்றைக் காட்டி நிறுவனம் வேகத்துடன் முன்னேறுகிறது என்பதற்கான ஆதாரமாகப் பயன்படுத்த முடிந்தது.

ஆனால் அளக்கக்கூடியது என்பது அவசியமாக அர்த்தமுள்ளதாக இருப்பதில்லை. Token totals தரம், சேமிக்கப்பட்ட நேரம், error rates, customer outcomes, revenue impact ஆகியவற்றைப் பற்றி மிகக் குறைவாகவே சொல்கின்றன. அவை செயல்பாட்டை முன்னேற்றமாகக் காட்டுவதன் மூலம் வீணை மறைத்துவிடவும் முடியும். ஒரு குழு AI மூலம் மேலும் drafts, analyses, synthetic research ஆகியவற்றை உருவாக்கிக் கொண்டு, core performance-ஐ மிகவும் குறைவாகவே மேம்படுத்தலாம். இதன் விளைவு பழக்கப்பட்ட enterprise trap: மதிப்பை மிகச் சிறப்பாக பிரதிபலிக்கும் metric-ஐ அல்ல, report செய்ய எளிதான metric-ஐ optimize செய்வது.

Moody’s விவரிக்கும் இந்த மாற்றம் இங்கேயே மூலோபாய ரீதியாக முக்கியமாகிறது. நிறுவனங்கள் consumption-ஐ அதிகப்படுத்துவதிலிருந்து return-ஐ மதிப்பிடுவதற்குப் போனால், procurement மற்றும் product முடிவுகள் விரைவாக மாறலாம். வெற்றிபெறுபவர்கள் மிகப் பெரிய raw usage numbers கொண்ட model vendors மட்டும் அல்ல; வாடிக்கையாளர்கள் models-ஐ தேர்ந்தெடுத்து, பாதுகாப்பாக, மேலும் தெளிவான பொருளாதார தர்க்கத்துடன் பயன்படுத்த உதவும் நிறுவனங்களாக இருக்கும்.

அடுத்தது என்ன

எதிர்பார்க்கப்படும் விளைவு enterprise AI demand-இன் வீழ்ச்சி அல்ல. அது கடுமையான controls, குறிவைக்கப்பட்ட deployments, மற்றும் tokens எங்கு செலவிடப்படுகின்றன என்பதற்கான கூடுதல் கண்காணிப்பு நோக்கான மாற்றமாக இருக்கும். நிறுவனங்கள் நேரடியாக பலன் தரும் use cases-ஐ முன்னுரிமைப்படுத்தலாம்; உதாரணமாக coding assistance, measurable cycle-time reductions தரும் document workflows, அல்லது revenue-generating processes-இல் இணைக்கப்பட்ட domain-specific copilots. மிகுந்த அளவு உருவாக்கும், ஆனால் வணிகப் பயன் தெளிவற்ற experiments-க்கு கடுமையான உள்நிலை எதிர்ப்பு ஏற்படலாம்.

இது enterprise adoption-இன் மேலும் முதிர்ச்சியான கட்டத்தை குறிக்கும். பல பணியிடங்களில் ஜெனரேட்டிவ் AI-யின் ஆரம்ப காலம் உற்சாகத்தையும் வெளிப்படையான பரிசோதனைகளையும் பாராட்டியது. அடுத்த கட்டம் கட்டுப்பாடு, அளவீடு, மற்றும் செலவை கணிக்கத்தக்க வகையில் வைத்திருக்கும் architecture choices ஆகியவற்றை பாராட்டக்கூடும். அந்த அர்த்தத்தில், tokenmaxxing-இன் வீழ்ச்சி பின்வாங்கல் அல்ல, இயல்பாக்கம். தொழில்நுட்பம் அதன் செயல்முறை-நாடகப் பருவத்திலிருந்து வெளியேறி, பெரும்பாலான enterprise software-ஐ நிர்ணயிக்கும் procurement logic-இல் நுழைகிறது.

Fast Company அறிக்கையில் உள்ள முக்கியச் சிக்னல் AI-யை நிறுவனங்கள் ஆர்வம் குறைந்ததால் குறைவாகப் பயன்படுத்துகின்றன என்பதல்ல. ஒவ்வொரு token செலவினாலும் நிலையான மதிப்பு உருவாகிறதா என்பதை அவர்கள் கேட்கத் தொடங்கியுள்ளனர் என்பதே முக்கியம். scale மீது கட்டமைக்கப்பட்ட ஒரு துறைக்கு, அதுவே மிக முக்கியமான கேள்வியாக மாறக்கூடும்.

இந்தக் கட்டுரை Fast Company செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.