AI టోకెన్ ఖర్చులు కొత్త కార్పొరేట్ పోరుబూమిగా మారుతున్నాయి

AI స్వీకరణ ఎగ్జిక్యూటివ్‌లు ఇక నిర్లక్ష్యం చేయలేని కొత్త ఖర్చు అంశాన్ని సృష్టిస్తోంది

గత ఏడాదిలో ఎక్కువ భాగం, generative AIకి ఉన్న వ్యాపార కారణం విస్తృత పదాల్లో చెప్పబడింది: వేగవంతమైన coding, త్వరితమైన customer support, మెరుగైన internal search, మరియు తక్కువ పునరావృత office work. ఇప్పుడు స్పష్టమవుతున్నది ఏమిటంటే, ఆ మార్పు యొక్క ఆర్థిక శాస్త్రం ఇక సిద్ధాంతపరమైనది కాదు. మరింత మంది ఉద్యోగులు ప్రతిరోజూ large language modelsపై ఆధారపడుతున్న కొద్దీ, కంపెనీలు బిల్ ఒకే software subscription‌గా రాదని తెలుసుకుంటున్నారు. అది tokens ప్రవాహంగా వస్తోంది.

“tokenomics” అని తరచుగా పిలవబడే ఈ ఎదుగుతున్న discipline, technical teams నుంచి finance officeకి మారుతోంది. మూల సమస్య సులభం. ఒక employee modelకి పంపే ప్రతి prompt, model చదివే ప్రతి document, మరియు అది తయారుచేసే ప్రతి answer usageను పెంచుతుంది. చిన్న స్థాయిలో ఖర్చులు నిర్వహించదగినట్లుగా అనిపించవచ్చు. enterprise స్థాయిలో, ముఖ్యంగా AI tools coding, analytics, sales, మరియు support workflowsలో embeddedగా ఉన్నప్పుడు, మొత్తం వేగంగా పెరిగి budgets మరియు access గురించి కఠిన నిర్ణయాలను తీసుకోవాల్సిన పరిస్థితి వస్తుంది.

WIRED reporting ఈ మార్పును real timeలో చూపిస్తుంది. business software firm 8x8లో, employees ఇప్పటికే Anthropic యొక్క Claudeను ఉపయోగించి emails draft చేయడం, customer feedback విశ్లేషించడం, మరియు code రాయడం చేస్తున్నారు. Claude కొంతవరకు భర్తీ చేయగల ఇతర tools subscriptions‌ను రద్దు చేయడం ద్వారా గత 18 నెలల్లో కంపెనీ సుమారు $5 million annually ఆదా చేసిందని చెబుతోంది. ప్రస్తుతం, 8x8 యొక్క annualized Claude spending ఆ savings figure కంటే బాగా తక్కువగానే ఉందని కంపెనీ అంటోంది.

మొదటి విజేతలు కూడా సమతౌల్యం మారుతుందని భావిస్తున్నారు

దాని అర్థం economics స్థిరపడిపోయిందని కాదు. adoption విస్తరించి మరింత సంక్లిష్టమైన పని modelపైకి మారేకొద్దీ savings మరియు AI costs కాలక్రమేణా దగ్గరవుతాయని 8x8 executive Joel Neeb WIREDకు చెప్పారు. ఇదే ప్రస్తుతం enterprise AIలో ప్రధాన tension. pilot groups productiveగా ఉండి పాత software contracts తొలగించబడినప్పుడు companies current spendingను సమర్థించగలవు, కానీ broader deployment mathను మార్చేస్తుంది.

ఈ pattern industry అంతటా కనిపిస్తోంది. Royal Bank of Canada ఆరు నెలల్లో token usage 500 percent పెరిగిందని వెల్లడించింది. Cisco తన employeesలో మూడో వంతు dailyగా internal AI chatbot ఉపయోగిస్తున్నారని, usage “pretty crazy”గా మారిందని చెప్పింది. Amplitude CEO కొందరు top engineers నెలకు thousands of dollars లేదా అంతకంటే ఎక్కువను tokensపై ఖర్చు చేస్తున్నారని చెప్పారు. Box CEO token budgeting ప్రస్తుతం జరుగుతున్న అత్యంత ముఖ్యమైన, వేడెక్కిన conversationsలో ఒకటిగా వర్ణించారు.

ఈ ఉదాహరణలు ముఖ్యమైనవి, ఎందుకంటే సమస్య ఒక్క sectorకే పరిమితం కాదని అవి చూపిస్తున్నాయి. banks, network infrastructure vendors, analytics platforms, మరియు cloud software companies అన్నీ ఒకే constraintను ఎదుర్కొంటున్నాయి: AIకి demand దాన్ని నిర్వహించడానికి రూపొందించిన controls కంటే వేగంగా పెరగడం.

టోకెన్ నిర్వహణ ఆపరేషనల్ స్ట్రాటజీగా మారుతోంది

usage పెరిగిన తర్వాత, executives వద్ద కొన్ని practical levers మాత్రమే ఉంటాయి. వారు access‌ను cap చేయవచ్చు, premium models‌ను restrict చేయవచ్చు, సులభమైన పనులను తక్కువ ఖర్చు modelsకి route చేయవచ్చు, waste తగ్గేలా prompts‌ను తిరిగి రూపొందించవచ్చు, లేదా teams spendకు వ్యతిరేకంగా productivity gains‌ను నిరూపించమని అడగవచ్చు. ఈ ఎంపికలలో ఏదీ pure technical కాదు. ప్రతి దానితో ఉద్యోగులు ఎలా పని చేస్తారన్నది, AI open platformలా అనిపిస్తుందా లేదా tightly rationed resourceలా అనిపిస్తుందా అన్నది ప్రభావితమవుతుంది.

అందుకే tokenomics procurement detail కాకుండా operational questionగా మారుతోంది. ఒక company developers code generation కోసం AI వాడాలని, marketers content drafts కోసం వాడాలని, support teams customer workflows కోసం వాడాలని కోరుకుంటే, ఎవరు ఏ modelను, ఏ task కోసం, ఏ cost threshold వద్ద పొందాలి అనే నియమాలు కావాలి. ఆ discipline లేకపోతే, చిన్న ప్రయోగాలు uncontrolled enterprise expenseగా మారవచ్చు.

అదే సమయంలో, aggressive caps తమకంటూ risk‌ను తెస్తాయి. approved internal tool చాలా slowగా, చాలా restrictedగా, లేదా freely use చేయడానికి చాలా expensiveగా మారితే, employees దాన్ని తప్పించుకోవచ్చు లేదా adoptionను low-value tasksకే పరిమితం చేయవచ్చు. అది companies unlock చేయాలని ఆశించే productivity gains‌ను బలహీనపరుస్తుంది.

AI spending యొక్క తదుపరి దశ మరింత కఠినంగా పరిశీలించబడుతుంది

corporate AI investment యొక్క మొదటి wave urgencyతో నడిచింది. executives వెనుకబడిపోతామనే భయంతో ఉన్నారు, vendors ప్రతి workflowలో modelsను integrate చేయడానికి పోటీపడ్డారు, boards management వద్ద ప్రణాళిక ఉందని చూపే కనిపించే సంకేతాలను కోరుకున్నారు. తదుపరి దశ మరింత demandingగా ఉండే అవకాశం ఉంది. finance teams ఏ workloads నిజంగా expensive inferenceను సమర్థిస్తాయో, ఏ use cases నమ్మకంగా automate చేయవచ్చో, మరియు AI ఇతర softwareను భర్తీ చేస్తోందా లేక కేవలం second billను జోడిస్తున్నదా అని అడుగుతాయి.

8x8 ఉదాహరణ consolidation ద్వారా costsను offset చేయడానికి కొన్ని companies ఇప్పటికే స్థలం కనుగొంటున్నాయని సూచిస్తుంది. కానీ broader market ఒక కఠినమైన వాస్తవాన్ని సూచిస్తోంది: AI ఉపయోగకరంగా మారి వ్యాప్తి చెందడం మొదలైన వెంటనే token usage పెరుగుతుంది. ఆ వాతావరణంలో, అత్యధిక లాభం పొందే companies అత్యంత enthusiastic adoption కలిగినవే కాకపోవచ్చు. AI usageను work కోసం measurable operating systemగా చూసే సంస్థలే అవి కావచ్చు; vague innovation budgetలా కాదు.

Generative AI ఇక capability question మాత్రమే కాదు. అనేక organizations కోసం, అది ఇప్పుడు metering questionగా మారుతోంది. ఆ మార్పే ఏ AI rollouts scale అవుతాయో, ఏవి ఆగిపోతాయో, మరియు ఏవి తదుపరి budget cycle scrutinyను తట్టుకుంటాయో నిర్ణయించవచ్చు.

ఈ వ్యాసం Wired నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.