سرمایهگذاری در هوش مصنوعی؛ چگونه هزینههای AI را به ارزش واقعی تبدیل کنیم؟
سرمایهگذاری در هوش مصنوعی؛ چگونه هزینههای AI را به ارزش واقعی تبدیل کنیم؟
سرمایهگذاری شرکتها در حوزه هوش مصنوعی همچنان با قدرت ادامه دارد و روند رشد آن متوقف نشده است. این اتفاق در حالی رخ میدهد که بسیاری از سازمانها با افزایش قابل توجه هزینههای استفاده از مدلهای زبانی بزرگ (LLM) مواجه شدهاند و در برخی موارد، هزینههای مرتبط با این فناوری حتی تا سه برابر افزایش یافته است.
در چنین شرایطی، مدیران کسبوکار دیگر تصمیمگیری درباره هوش مصنوعی را صرفاً به تیمهای فناوری اطلاعات واگذار نمیکنند. آنها اکنون سؤال مهمتری مطرح میکنند: در ازای این حجم از هزینه، چه ارزش واقعی برای کسبوکار ایجاد میشود؟
تمرکز از کاهش هزینه به افزایش بازده تغییر کرده است
در نگاه اول، افزایش هزینههای هوش مصنوعی ممکن است سازمانها را به سمت کاهش مصرف یا محدود کردن سرمایهگذاری سوق دهد. اما مسئله اصلی صرفاً کم کردن هزینه نیست؛ بلکه افزایش بازده سرمایهگذاری در هوش مصنوعی اهمیت بیشتری پیدا کرده است.
یکی از حوزههایی که میتواند این تغییر را رقم بزند، هوش مصنوعی عاملگرا (Agentic AI) است. برخلاف ابزارهای هوش مصنوعی سنتی که عمدتاً به درخواست مستقیم کاربر پاسخ میدهند، سیستمهای عاملگرا میتوانند مجموعهای از وظایف را برنامهریزی کرده، بهصورت مرحلهای اجرا کنند و در برخی فرآیندهای کاری نقش فعالتری داشته باشند.
به همین دلیل، ارزیابی ارزش این فناوری تنها بر اساس هزینه هر درخواست یا میزان مصرف مدل نمیتواند تصویر کاملی ارائه دهد.
شکاف میان هزینه و ارزش هوش مصنوعی
بر اساس گزارشهای مککینزی درباره وضعیت هوش مصنوعی، تنها حدود ۶ درصد از شرکتها اعلام کردهاند که هوش مصنوعی تأثیر قابل توجهی بر سود پیش از بهره و مالیات (EBIT) آنها داشته است.
این آمار نشان میدهد که میان سرمایهگذاری در هوش مصنوعی و ارزش مالی ایجادشده برای سازمانها همچنان فاصله قابل توجهی وجود دارد.
در نتیجه، یکی از چالشهای اصلی مدیران در سالهای آینده این خواهد بود که مشخص کنند هر پروژه هوش مصنوعی دقیقاً چه بخشی از هزینهها یا نیروی کاری را تحت تأثیر قرار میدهد و در مقابل، چه میزان ارزش اقتصادی ایجاد میکند.
هزینه واقعی جایگزینی یک فعالیت چیست؟
برای ارزیابی درست یک سیستم هوش مصنوعی، نباید فقط هزینه استفاده از مدل را محاسبه کرد.
فرض کنید یک عامل هوش مصنوعی بتواند بخشی از کاری را که پیش از این توسط یک کارمند انجام میشده، خودکار کند. در این شرایط باید مجموعهای از هزینهها و عوامل را در نظر گرفت؛ از جمله زمان کارکنان، نرمافزارهای مورد استفاده، هزینه مدیریت فرآیند، خطاهای انسانی، زمان انتظار و هزینههای عملیاتی مرتبط.
بنابراین، سؤال اصلی این نیست که:
«هزینه استفاده از این مدل هوش مصنوعی چقدر است؟»
بلکه باید پرسید:
«این سیستم در مقایسه با هزینه کامل انجام همان کار به روش فعلی، چه میزان ارزش ایجاد میکند؟»
این تغییر زاویه دید میتواند نحوه تصمیمگیری سازمانها درباره سرمایهگذاری در هوش مصنوعی را به شکل قابل توجهی تغییر دهد.
چرا بودجهبندی سنتی فناوری اطلاعات کافی نیست؟
مدلهای سنتی بودجهبندی فناوری اطلاعات معمولاً بر اساس هزینه خرید نرمافزار، زیرساخت، نیروی انسانی و نگهداری سیستمها شکل گرفتهاند.
اما اقتصاد هوش مصنوعی متفاوت است.
هزینه استفاده از مدلهای زبانی میتواند بر اساس تعداد درخواستها، حجم داده، نوع مدل و پیچیدگی وظایف تغییر کند. از طرف دیگر، ارزش ایجادشده نیز الزاماً در همان بخش سازمانی که هزینه را پرداخت میکند، ظاهر نمیشود.
برای مثال، ممکن است یک سیستم هوش مصنوعی هزینهای را به بخش فناوری اطلاعات تحمیل کند اما در بخش فروش، خدمات مشتریان یا عملیات باعث صرفهجویی قابل توجهی شود.
به همین دلیل، سازمانها به روشهای جدیدی برای اندازهگیری هزینه، ارزش و بازده هوش مصنوعی نیاز دارند.
چگونه سرمایهگذاری در هوش مصنوعی را بهتر مدیریت کنیم؟
یکی از رویکردهای مهم، بررسی هر پروژه هوش مصنوعی بر اساس ارزش اقتصادی واقعی آن است.
سازمانها میتوانند پیش از افزایش سرمایهگذاری، چند سؤال کلیدی را بررسی کنند:
- این سیستم دقیقاً چه فرآیندی را بهبود میدهد؟
- چه میزان از زمان کارکنان را آزاد میکند؟
- هزینه اجرای سیستم در مقیاس موردنظر چقدر خواهد بود؟
- چه میزان خطا یا دوبارهکاری کاهش پیدا میکند؟
- آیا کیفیت یا سرعت ارائه خدمات افزایش مییابد؟
- ارزش اقتصادی ایجادشده چگونه قابل اندازهگیری است؟
- آیا افزایش مقیاس استفاده از سیستم همچنان توجیه اقتصادی دارد؟
پاسخ به این سؤالات کمک میکند تصمیمگیری درباره هوش مصنوعی از یک تصمیم صرفاً فناورانه به یک تصمیم اقتصادی و کسبوکاری تبدیل شود.
هوش مصنوعی و تحول در بازار کار
گسترش هوش مصنوعی عاملگرا تنها به کاهش یا افزایش هزینههای فناوری محدود نمیشود و میتواند نحوه انجام بسیاری از فعالیتهای سازمانی را نیز تغییر دهد.
با خودکار شدن بخشی از وظایف تکراری، مهارتهای موردنیاز سازمانها نیز میتوانند تغییر کنند. در چنین شرایطی، دسترسی به نیروی انسانی متخصص و توسعه مهارتهای مرتبط با فناوریهای جدید اهمیت بیشتری پیدا میکند.
در همین راستا، مجموعههایی مانند افتخار تلنت میتوانند در ایجاد ارتباط میان نیروی متخصص و فرصتهای شغلی، بهویژه در فضای در حال تغییر بازار کار، نقش داشته باشند.
همچنین برای آشنایی بیشتر با فعالیت این مجموعه، میتوان به خبر رونمایی از افتخار تلنت در وبسایت افتخار مدیران مراجعه کرد.
آینده سرمایهگذاری در AI
با گسترش مدلهای زبانی بزرگ و سیستمهای عاملگرا، انتظار میرود سازمانها بیش از گذشته درباره رابطه میان هزینه و ارزش هوش مصنوعی حساس شوند.
مسئله آینده احتمالاً این نخواهد بود که یک شرکت چقدر برای هوش مصنوعی هزینه میکند؛ بلکه این خواهد بود که آیا این هزینه توانسته است به افزایش بهرهوری، کاهش هزینههای عملیاتی، افزایش درآمد یا ایجاد قابلیتهای جدید منجر شود یا خیر.
در چنین شرایطی، شرکتهایی که بتوانند هزینه واقعی استفاده از AI را در کنار ارزش اقتصادی آن اندازهگیری کنند، ابزار دقیقتری برای تصمیمگیری درباره ادامه، افزایش یا کاهش سرمایهگذاریهای خود خواهند داشت.
در نهایت، مدیریت اقتصاد هوش مصنوعی به یکی از موضوعات مهم مدیریت کسبوکار تبدیل خواهد شد؛ موضوعی که در آن هدف صرفاً کاهش هزینه هوش مصنوعی نیست، بلکه دستیابی به بیشترین ارزش ممکن از سرمایهگذاری انجامشده است.
منبع
این مطلب با استفاده از گزارشها و پژوهشهای McKinsey & Company درباره وضعیت هوش مصنوعی و اقتصاد استفاده از هوش مصنوعی تهیه و بازنویسی شده است.
قوانین ارسال دیدگاه در سایت