مع تسارع وتيرة تبني تقنيات الذكاء الاصطناعي، تواجه الشركات تحديًا جديدًا وغير متوقع: إدارة التكاليف المتزايدة لـ "توكنات" الذكاء الاصطناعي. فهل يمكننا تحقيق التوازن بين الاستفادة القصوى من هذه التقنيات والحفاظ على فرق العمل دون تقليصها؟ هذا المقال يستعرض حلولاً ذكية تضمن خفض النفقات وتعظيم العائد على الاستثمار.
.png "خفض تكلفة توكنات الذكاء الاصطناعي.. استراتيجيات عملية لتحسين الإنفاق دون تقليص فريق العمل")
لماذا ارتفعت تكاليف توكنات الذكاء الاصطناعي بشكل ملحوظ؟
شهدنا في الفترة الأخيرة تحولاً لافتًا في أولويات الميزانيات التشغيلية. فالأموال التي كانت تُخصص سابقًا لرواتب الموظفين بدأت تتوجه بشكل متزايد نحو تمويل استهلاك "توكنات" الذكاء الاصطناعي، وهو ما يثير قلق الكثيرين.
على سبيل المثال، كشف الرئيس التنفيذي لـ Nvidia، جنسن هوانغ، عن قلق عميق إذا كانت تكلفة استهلاك مهندس لتوكنات الذكاء الاصطناعي تقل عن نصف راتبه السنوي البالغ 500 ألف دولار. وتتوقع Nvidia فاتورة سنوية تصل إلى 2 مليار دولار لتوكنات الذكاء الاصطناعي لقوتها الهندسية.
هذا التحول يتزامن مع زيادة هائلة في الإنفاق الرأسمالي لمقدمي الخدمات السحابية الكبرى، حيث أشارت التقديرات إلى حوالي 700 مليار دولار مجمعة في عام 2026، وهو ضعف ما كان عليه العام الماضي تقريباً. وفي المقابل، تُظهر بيانات شركات التوظيف أن الذكاء الاصطناعي هو السبب الأكثر ذكرًا لخفض الوظائف في الولايات المتحدة لأربعة أشهر متتالية.
المشكلة تكمن في أن تخفيض القوى العاملة لا يؤدي بالضرورة إلى تحسين العائد على الاستثمار (ROI). دراسة لـ Gartner شملت 350 مديرًا تنفيذيًا في شركات تتجاوز إيراداتها مليار دولار وتستخدم وكلاء الذكاء الاصطناعي، وجدت أن 80% منهم خفضوا عدد الموظفين دون أي ارتباط بتحسين العوائد، تؤكد المحللة هيلين بواتفين أن "تخفيض القوى العاملة قد يوفر مساحة في الميزانية، لكنه لا يخلق عائدًا حقيقيًا".
شركة أوبر خير مثال على ذلك، فقد خصصت 5000 مهندس لأدوات برمجة الذكاء الاصطناعي في ديسمبر، لتستنفد ميزانيتها الكاملة للذكاء الاصطناعي لعام 2026 بحلول أبريل. ورغم أن 70% من الكود الملتزم به تم إنشاؤه بواسطة الذكاء الاصطناعي، إلا أن العملاء لم يلاحظوا فرقاً ملموساً.
كيف يمكن تحسين استهلاك توكنات الذكاء الاصطناعي بكفاءة؟
تكمن المفارقة في أن الشركات غالبًا ما تتعامل مع فاتورة توكنات الذكاء الاصطناعي على أنها ثابتة، بينما تعتبر القوى العاملة مرنة. والحقيقة هي العكس تمامًا؛ فميزانية التوكنات قابلة للانحناء والتقليص من عدة جوانب إذا ما تم التعامل معها هندسيًا بذكاء. إليك بعض الاستراتيجيات الفعالة:
- التخزين المؤقت للموجهات (Prompt Caching): هذه الطريقة، المتاحة حاليًا في معظم واجهات برمجة التطبيقات الرئيسية، تقلل تكلفة معالجة النصوص المتكررة بنسبة تصل إلى 90%. فهي تسمح بمعالجة المحتوى الثابت مثل تعليمات النظام والمستندات المرجعية مرة واحدة، ثم إعادة قراءتها بتكلفة أقل بكثير. شركة ProjectDiscovery مثلاً، رفعت معدل "إصابة" ذاكرة التخزين المؤقت لديها من 7% إلى 84%، مما خفض إجمالي إنفاقها على نماذج اللغة الكبيرة بنسبة تتراوح بين 59% و 70%.
- توجيه المهام إلى النموذج المناسب: تظهر قوائم أسعار مزودي الخدمات أن النماذج الرائدة قد تكلف خمسة أضعاف تكلفة النماذج الأصغر لكل توكن. ومع ذلك، لا يزال الكثير من أعباء العمل الإنتاجية ترسل مهام التصنيف والتكثيف الروتينية إلى الفئة الأغلى بشكل افتراضي. توجيه المهام البسيطة إلى نماذج أصغر وأقل تكلفة يمكن أن يوفر الكثير.
- المعالجة الدفعية (Batch Processing): توفر هذه الطريقة خصمًا إضافيًا يصل إلى 50% لأي مهمة لا تتطلب إجابة فورية، مما يجعلها خيارًا ممتازًا للمهام غير الحساسة للوقت.
- الجيل المعزز بالاسترجاع (Retrieval-Augmented Generation - RAG): بدلاً من إرسال قاعدة المعارف بأكملها إلى النموذج، تقوم هذه التقنية بإرسال الشريحة ذات الصلة فقط من قاعدة البيانات، مما يقلل بشكل كبير من عدد التوكنات المعالجة.
- ضغط الموجهات (Prompt Compression): تُعنى هذه التقنية بتقليم الأمثلة الزائدة عن الحاجة التي تزيد من حجم كل استدعاء للنموذج، مما يقلل التكلفة الإجمالية.
- النماذج مفتوحة الوزن (Open-Weight Models): بالنسبة للفرق المستعدة لإدارة البنية التحتية، توفر هذه النماذج تكلفة أقل بكثير لمعالجة أعباء العمل الروتينية مقارنة بأسعار واجهات برمجة التطبيقات الرائدة.
تُعد هذه الإجراءات بمثابة "إطفاء الأنوار في الغرف الفارغة" بالنسبة للذكاء الاصطناعي. فالتزام أوبر بوضع حد أقصى شهري قدره 1500 دولار لكل مهندس بعد تجاوز الميزانية في أبريل هو دليل مبكر على أن الانضباط في الإنفاق سيأتي حتمًا. الشركات الناجحة هي تلك التي تختار هذا الانضباط قبل أن تفرضه عليها الميزانية.
ما أهمية الاستثمار في العنصر البشري رغم تطور الذكاء الاصطناعي؟
لا جدوى من توفير النفقات إذا لم يتم توجيه هذه المدخرات نحو مسارات منتجة، وتشير أقوى الأدلة إلى أن الأشخاص هم الاستثمار الأجدى. أظهرت أبحاث بواتفين أن المنظمات التي حققت تحسينًا في العائد على الاستثمار كانت تلك التي استخدمت الذكاء الاصطناعي لتضخيم قدرات قواها العاملة بدلاً من استبدالها.
أجرت شركة Klarna تجربة محكومة، حيث استبدلت حوالي 700 وظيفة لخدمة العملاء بمساعد يعمل بتقنية OpenAI، قبل أن ينخفض رضا العملاء بشكل ملحوظ. اعترف الرئيس التنفيذي سيباستيان سيمياتكوفسكي بأن "النتيجة كانت جودة أقل، وهذا غير مستدام". تعتمد Klarna الآن نموذجًا هجينًا، حيث يستوعب الذكاء الاصطناعي المهام الروتينية بينما يتولى الموظفون الذين أعيد توظيفهم كل ما يتطلب حُكمًا بشريًا. تتوقع Gartner أن ينتشر هذا النمط، حيث ستعيد نصف الشركات التي خفضت موظفي خدمة العملاء بسبب الذكاء الاصطناعي توظيفهم بحلول عام 2027.
هناك استثمار حاسم في القوى العاملة يصبح عاجلاً وغير اختياري بفضل منطق التحسين. فقد وجد معهد ستانفورد للذكاء الاصطناعي الموجه نحو الإنسان أن فرص العمل للمطورين تتراوح أعمارهم بين 22 و 25 عامًا انخفضت بنحو 20% من مستويات عام 2024، حتى مع نمو فئات عمرية أكبر. هذا يعني أن الشركات تزيل ساحة التدريب للمهندسين الكبار الذين ستحتاجهم لتوجيه كل هذه الأنظمة في غضون خمس سنوات.
الشركة التي نجحت في خفض فاتورة توكناتها بنسبة 60% تمتلك الآن مساحة في الميزانية للحفاظ على التوظيف في المستويات الدنيا. وسواء قامت بذلك أم لا، فهو قرار قيادي وليس ماليًا بحتًا.
ستظل رؤى جنسن هوانغ من Nvidia تتردد في تقارير الأرباح، وستستمر أرقام الإنفاق الرأسمالي في الارتفاع. لكن الشركات التي ستخرج منتصرة لن تكون تلك التي أنفقت أكبر قدر على التوكنات أو خفضت أكبر عدد من الموظفين لتمويلها، بل ستكون تلك التي أدركت أن ميزانية التوكنات كانت هي العنصر المرن طوال الوقت، ونجحت في تقليصها من خلال الهندسة الذكية بدلاً من تقليص عدد الموظفين، وأنفقت الفرق على الأشخاص الذين يمنحون هذه التوكنات قيمتها الحقيقية.
جدول ملخص: الحقائق والأرقام الرئيسية
| البيان | القيمة/التفصيل |
|---|---|
| ميزانية توكنات Nvidia السنوية (المتوقعة) | 2 مليار دولار |
| الإنفاق الرأسمالي لمقدمي الخدمات السحابية الكبرى (2026) | حوالي 700 مليار دولار |
| نسبة الشركات التي خفضت عدد الموظفين ولم تحقق ROI (Gartner) | 80% |
| نسبة التوفير المتوقعة من التخزين المؤقت للموجهات | تصل إلى 90% |
| خفض إنفاق ProjectDiscovery على LLM بفضل التخزين المؤقت | 59% إلى 70% |
| الحد الأقصى الشهري لأوبر لكل مهندس بعد تجاوز الميزانية | 1500 دولار |
| توقعات Gartner لإعادة توظيف موظفي خدمة العملاء بحلول 2027 | 50% من الشركات |
| انخفاض توظيف مطوري البرمجيات الشباب (22-25 عامًا) منذ 2024 | تقريباً 20% |
الأسئلة الشائعة حول إدارة تكاليف توكنات الذكاء الاصطناعي
- ما هو المقصود بـ "توكنات الذكاء الاصطناعي" في هذا السياق؟
- هي وحدات معالجة النصوص أو البيانات التي تستخدمها نماذج الذكاء الاصطناعي (خاصة نماذج اللغة الكبيرة) للقيام بمهامها. تُحسب التكلفة عادةً بناءً على عدد التوكنات التي يتم إدخالها ومعالجتها بواسطة النموذج.
- هل يعني الاعتماد على الذكاء الاصطناعي الاستغناء التام عن الموظفين؟
- لا، تشير الدراسات والتجارب العملية إلى أن الشركات التي تستخدم الذكاء الاصطناعي لتضخيم قدرات موظفيها وتحسين إنتاجيتهم تحقق عائدًا أفضل على الاستثمار بدلاً من تلك التي تستخدمه للاستغناء عنهم.
- ما هي أبرز استراتيجية لخفض تكلفة التوكنات بشكل فوري؟
- يعتبر التخزين المؤقت للموجهات (Prompt Caching) أحد أكثر الاستراتيجيات فعالية وفورية، حيث يمكن أن يخفض تكلفة معالجة النصوص المتكررة بنسبة تصل إلى 90%.
أنت في موقع ترند اليوم، نحاول بكل جهد مساعدتك في المواضيع التي تبحث عنها، فأنت الآن تريد التعليق برجاء إرفاق كامل تفاصيل ما تريد بإيجاز لسهولة الرد عليك ♥♥