برای پرمصرف‌ترین کاربران، دوران «توکن‌مکسینگ» روبه‌پایان است

عامل‌های هوش مصنوعی به حجم عظیمی از توان پردازشی نیاز دارند و همین موضوع باعث شده است هزینه‌های بسیار سنگینی به شرکت‌ها تحمیل شود. با گسترش استفاده از این عامل‌ها، این مشکل نیز ابعاد گسترده‌تری پیدا خواهد کرد. این مدیر توضیح می‌دهد که شرکت‌های بزرگ معمولاً از صدها نرم‌افزار مختلف استفاده می‌کنند و اگر هر یک از این نرم‌افزارها همان‌گونه که انتظار می‌رود عامل‌های هوش مصنوعی خود را ارائه دهند و به‌این‌ترتیب هزینه‌های هوش مصنوعی می‌تواند به‌سرعت از کنترل خارج شود.

مدیریت بودجه اکنون به یکی از دغدغه‌های تازه شرکت‌هایی تبدیل شده است که هوش مصنوعی را به کار گرفته‌اند. تا همین اواخر، کارکنان تشویق می‌شدند تا هرچه بیشتر از این فناوری استفاده کنند. مصرف حجم عظیمی از توکن‌ها (واحدهای متنی که مدل‌های زبانی آن‌ها را پردازش می‌کنند و معمولاً مبنای قیمت‌گذاری خدمات نیز هستند) به نشانه‌ای از افتخار تبدیل شده بود؛ به‌طوری که فعالان فناوری این رفتار را «توکن‌ماکسینگ» (Tokenmaxxing) می‌نامیدند. برخی شرکت‌ها حتی میزان استفاده کارکنان از هوش مصنوعی را در جدول‌های رتبه‌بندی داخلی به نمایش می‌گذاشتند. برای نمونه، متا به پرمصرف‌ترین کاربران خود لقب‌هایی مانند «اسطوره توکن» (Token Legend) اعطا می‌کرد.

چنین مشوق‌هایی تا حدی دلیل جهش هزینه‌های هوش مصنوعی هستند. عامل دیگر، تغییر در نحوه استفاده سازمان‌ها از این فناوری است. کاربردهایی که مصرف توکن بالایی دارند، مانند مدل‌های استدلالی (Reasoning Models) و عامل‌های هوش مصنوعی، روزبه‌روز محبوب‌تر می‌شوند. در برخی موارد، عامل‌های هوش مصنوعی حتی عامل‌های جدیدی برای خود ایجاد می‌کنند و همین مسئله هزینه‌ها را بیش‌ازپیش افزایش می‌دهد. شرکت Ramp، ارائه‌دهنده کارت اعتباری شرکتی، با تحلیل داده‌های تراکنش مشتریان خود تصویری از الگوی استفاده آن‌ها از هوش مصنوعی به دست آورده است. برآورد این شرکت نشان می‌دهد هزینه مشتریانش برای هوش مصنوعی طی یک سال گذشته ۱۳ برابر شده است. اوبر نیز در ماه آوریل اعلام کرد که تنها طی چهار ماه، کل بودجه سالانه هوش مصنوعی خود را مصرف کرده است. شرکت‌های دیگری نیز با مشکلات مشابهی روبه‌رو هستند؛ گزارش شده است که یکی از آن‌ها تنها در یک ماه، ۵۰۰ میلیون دلار صرف خرید توکن‌های هوش مصنوعی کرده است. سم آلتمن، مدیرعامل OpenAI، نیز افزایش هزینه‌های مشتریان را «یک مسئله بسیار بزرگ» توصیف کرده است.

در حال حاضر، این مشکل عمدتاً به گروه محدودی از شرکت‌ها محدود می‌شود. بزرگ‌ترین مصرف‌کنندگان معمولاً شرکت‌های فناوری هستند؛ زیرا هم از نخستین پذیرندگان هوش مصنوعی بوده‌اند و هم این فناوری در تولید نرم‌افزار عملکرد بسیار خوبی دارد. برآورد Ramp نشان می‌دهد یک درصد از مشتریانی که بیشترین هزینه هوش مصنوعی به‌ازای هر کارمند را پرداخت می‌کنند، به طور متوسط ماهانه حدود ۷۴۵۰ دلار برای هر نفر هزینه دارند؛ درحالی‌که هزینه ماهانه یک مشتری تنها ۱۱ دلار است. علاوه بر این، هرچند هزینه‌های هوش مصنوعی این شرکت‌های بزرگ هنوز در مقایسه با استخدام یک توسعه‌دهنده نرم‌افزار در سان‌فرانسیسکو پایین‌تر است، اما در مقایسه با هزینه استخدام یک برنامه‌نویس در دهلی بسیار بالاست.

شرکت‌ها برای مقابله با این وضعیت، رویکردهای مختلفی در پیش گرفته‌اند. اگرچه شرکت‌هایی که هنوز در پذیرش هوش مصنوعی عقب هستند همچنان با سرعت در حال استفاده از این فناوری‌اند، اما برای پرمصرف‌ترین کاربران، دوران «توکن‌مکسینگ» به پایان رسیده است. برخی شرکت‌ها از جمله متا و آمازون، جدول‌های رتبه‌بندی داخلی خود را حذف کرده‌اند. بسیاری از سازمان‌ها نیز اکنون با دقت بیشتری درباره انتخاب مدل تصمیم می‌گیرند. بسیاری از وظایف اساساً نیازی به استفاده از مدل‌های پیشرفته و گران‌قیمت ندارند. «آران خانا» از شرکت Archera.ai که به سازمان‌ها در کاهش هزینه‌های رایانش ابری کمک می‌کند می‌گوید در برخی کاربردها، مدل Claude Sonnet که در رده مدل‌های نسل قبلی قرار می‌گیرد، تنها یک‌بیستم هزینه مدل پیشرفته Opus را دارد. از آن هم ارزان‌تر، مدل متن‌باز Kimi متعلق به استارتاپ چینی Moonshot AI است که هزینه استفاده از آن تنها یک‌بیستم Sonnet برآورد می‌شود.

راهکار دیگر، تعیین سقف مصرف است. اوبر میزان استفاده کارکنان خود را برای هر ابزار برنامه‌نویسی به سقف ماهانه معادل ۱۵۰۰ دلار توکن محدود کرده است. «ریچل لیکاک» از شرکت مشاوره Thoughtworks می‌گوید نحوه تخصیص توکن‌ها در هر شرکت به این بستگی دارد که هوش مصنوعی در کدام بخش می‌تواند بیشترین ارزش اقتصادی را ایجاد کند. به گفته او، این موضوع معمولاً باعث می‌شود بیشترین سهم توکن‌ها به واحد اصلی کسب‌وکار اختصاص یابد؛ برای مثال، در یک شرکت فناوری، مهندسان نرم‌افزار بیشترین سهم را دریافت می‌کنند.

برخی عرضه‌کنندگان نرم‌افزار نیز برای کاهش نگرانی مشتریان درباره هزینه‌ها، مدل‌های قیمت‌گذاری جدیدی را آزمایش می‌کنند. شرکت Intercom، یکی از این ارائه‌دهندگان، سرویسی عرضه کرده است که در آن مشتری تنها برای درخواست‌هایی هزینه پرداخت می‌کند که توسط عامل پشتیبانی فناوری اطلاعات این شرکت با موفقیت حل‌وفصل شده باشند. ارائه‌دهندگان بزرگ خدمات رایانش ابری نیز ابزارهای مدیریت هزینه متنوعی معرفی کرده‌اند؛ از جمله ابزارهای بودجه‌بندی و سامانه‌هایی که درخواست‌ها را متناسب با نوع آن‌ها به مناسب‌ترین مدل هوش مصنوعی هدایت می‌کنند.

بااین‌حال، ایجاد تعادل برای توسعه‌دهندگان مدل‌های هوش مصنوعی بسیار دشوارتر است. آن‌ها می‌خواهند بزرگ‌ترین مشتریانشان تاحدامکان توکن مصرف کنند، اما درعین‌حال از هزینه‌ها دلسرد نشوند. در حال حاضر بخش قابل‌توجهی از هزینه ارائه خدمات هوش مصنوعی عملاً از سوی آزمایشگاه‌های توسعه‌دهنده مدل، به‌عنوان یارانه داده می‌شود. حتی گزارش شده است که OpenAI برای جذب مشتریان آنتروپیک قصد دارد قیمت خدمات خود را به طور چشمگیری کاهش دهد. اما در نهایت، توسعه‌دهندگان مدل ناگزیر خواهند بود به سودآوری برسند و این به معنای افزایش قیمت‌ها خواهد بود. اگر همان‌گونه که انتظار می‌رود آنتروپیک و OpenAI در ادامه سال جاری وارد بازار بورس شوند، فشار برای افزایش قیمت‌ها بیش‌ازپیش شدت خواهد گرفت. در نتیجه، مشتریان این شرکت‌ها باید خود را برای قبض‌های هوش مصنوعی حتی سنگین‌تر و شگفت‌آورتر آماده کنند.

گزارش حاضر در نسخه June 20th 2026 نشریه The Economist منتشر شده است.