هزینه‌های هوش مصنوعی با سرعت در حال افزایش‌اند، چطور کنترلشان کنیم؟

با ادامه رشد چشمگیر استفاده از خدمات ابری، هزینه‌های مرتبط با آن نیز افزایش می‌یابند، به‌ویژه هزینه‌هایی که از جانب هوش مصنوعی تحمیل می‌شوند. تحلیلگران گارتنر پیش‌بینی می‌کنند که مخارج کاربران نهایی برای خدمات عمومی ابری در سال ۲۰۲۵ به ۷۲۳.۴ میلیارد دلار خواهد رسید؛ رقمی که در مقایسه با کمتر از ۶۰۰ میلیارد دلار در سال ۲۰۲۴ رشد چشمگیری را نشان می‌دهد. طبق یک گزارش IBM، حدود ۷۰٪ از مدیران اجرایی گفته‌اند که هوش مصنوعی مولد (Generative AI) محرک اصلی این افزایش هزینه‌ است.

در عین حال، شرکت چینی DeepSeek با ادعای اینکه مدل هوش مصنوعی‌اش را تنها در عرض دو ماه و با ۶ میلیون دلار آموزش داده، سروصدا به پا کرد. هرچند تردیدهایی وجود دارد که این آمار ممکن است تصویر کاملی از ماجرا نباشد، اما واکنش سریع بازار سهام مایکروسافت و انویدیا نشان می‌دهد که این ادعا، غرب را نسبت به لزوم توسعه سیستم‌های هوش مصنوعی مقرون‌به‌صرفه، بیدار کرده است.

تا امروز، شرکت‌ها می‌توانستند هزینه‌های صعودی هوش مصنوعی را به‌عنوان مخارج تحقیق و توسعه (R&D) قلمداد کنند. اما هزینه‌های هوش مصنوعی ( به‌خصوص آنهایی که با محصولات و ویژگی‌های موفق مرتبط‌اند ) در نهایت وارد هزینه‌های تولید (COGS) شرکت‌ها خواهند شد و متعاقباً حاشیه سود ناخالص را تحت تأثیر قرار خواهند داد. از همان ابتدا هم معلوم بود که نوآوری‌های هوش مصنوعی زیر تیغ بررسی دقیق شاخص‌های اقتصادی قرار می‌گیرند؛ فقط بمب خبری DeepSeek این روند را سرعت بخشید.

همان‌طور که شرکت‌ها برای کل خدمات ابری خود برنامه مدیریت هزینه تعریف می‌کنند، هزینه‌های هوش مصنوعی، از جمله هزینه‌های آموزش مدل و استفاده (مصرف) از آن، نیز باید در همین چارچوب مدیریت شوند. آن‌ها ناگزیرند هزینه‌های هوش مصنوعی را به پیامدهای کسب‌وکاری مرتبط کنند، زیرساخت‌های خود را بهینه سازند، استراتژی‌های قیمت‌گذاری و بسته‌بندی را اصلاح و درنهایت بازگشت سرمایه (ROI) خود را حداکثر کنند.

راهکار چیست؟ اقتصاد واحد ابری (Cloud Unit Economics یا CUE)

اقتصاد واحد ابری (CUE) چیست؟

زیرساخت اصلی CUE، تخصیص هزینه (Cost Allocation) است، به این معنی که هزینه‌های ابری را بر اساس این‌که چه کسی یا چه چیزی باعث ایجاد آن هزینه شده، سازماندهی کنیم. ابعاد مرسوم این تخصیص عبارت‌اند از: هزینه به‌ازای هر مشتری، هزینه به‌ازای هر تیم مهندسی، هزینه به‌ازای هر محصول، هر قابلیت، یا هر سرویس میکرو (Microservice). شرکت‌هایی که از پلتفرم‌های مدرن مدیریت هزینه استفاده می‌کنند، معمولاً هزینه‌ها را مطابق با ساختار کسب‌وکار خود (مثلاً سلسله‌مراتب تیم‌های مهندسی یا زیرساخت پلتفرمشان) تفکیک می‌کنند.

سپس هسته اصلی CUE متریک هزینه‌واحد (Unit Cost) است؛ متریکی که هزینه‌ها را با داده‌های تقاضا مقایسه می‌کند و «هزینه کل ارائه سرویس» را نشان می‌دهد. به‌عنوان نمونه، ممکن است یک شرکت با مدل کسب و کاری B2B بخواهد هزینه‌اش به‌ازای هر ۱۰۰۰ پیامی که از طریق پلتفرمش ارسال می‌شود را محاسبه کند. برای این منظور باید هزینه ابری و تعداد پیام‌های ارسالی را دنبال کند، این داده‌ها را در یک سیستم واحد گردآوری کرده و سیستم را طوری پیکربندی کند که هزینه‌ ابری را تقسیم بر تعداد پیام‌ها کند و نتیجه را در یک داشبورد نمایش دهد.

ازآنجاکه شرکت ابتدا هزینه‌هایش را به‌درستی تخصیص داده، می‌تواند هزینه‌واحد را به تفکیک مشتری، محصول، قابلیت، تیم یا هر بُعد دیگری که ساختار کسب‌وکارش را منعکس می‌کند، ببیند.

نتیجه این کار:

• دسترسی به ابعاد مختلف کسب‌وکار در متریک هزینه‌واحد و شناسایی بخش‌هایی که موجب هزینه‌های ابری بالاتری می‌شوند

• مشاهده کارایی در پاسخگویی به تقاضای مشتریان

• امکان بهبودهای هدفمند در زمینه‌های مختلف؛ مثلاً اصلاح زیرساخت، بازنگری قراردادهای مشتری یا اصلاح استراتژی‌های قیمت‌گذاری و پکیجینگ

جایگاه CUE در عصر هوش مصنوعی

در مدل CUE، هزینه‌های هوش مصنوعی فقط یکی دیگر از منابع هزینه‌های ابری هستند که می‌توان در قالب چارچوب تخصیص هزینه یک شرکت قرار داد. شیوه انتشار داده‌های هزینه از سوی شرکت‌های هوش مصنوعی هنوز در حال تکامل است، اما از نظر اصول، پلتفرم‌های مدیریت هزینه ابری عملاً این هزینه‌ها را مشابه هزینه‌های AWS، Azure، GCP و SaaS‌ها در نظر می‌گیرند.

پلتفرم‌های مدرن مدیریت هزینه ابری قادرند هزینه‌های هوش مصنوعی را تخصیص داده و سپس تأثیر آنها را بر شاخص‌های کارایی در قالب متریک هزینه‌واحد نشان دهند.

شرکت‌ها باید هزینه‌های هوش مصنوعی خود را بر اساس چند بُعد شهودی تخصیص دهند. یکی از این ابعاد، هزینه به‌ازای هر تیم است که در اکثر منابع هزینه‌های ابری هم به کار می‌رود و نشان می‌دهد هر تیم مهندسی چه میزان هزینه ایجاد می‌کند. این کار مفید است؛ چرا که مدیران دقیقاً می‌دانند وقتی هزینه‌های یک تیم خاص افزایش یافت، باید از چه کسی توضیح بخواهند.

همچنین، ممکن است شرکت‌ها بخواهند هزینه‌اشان را به تفکیک نوع سرویس هوش مصنوعی بررسی کنند، مثلاً مدل‌های یادگیری ماشین (ML)، مدل‌های پایه (Foundation Models) یا مدل‌های شخص ثالث مانند OpenAI. یا ممکن است بخواهند هزینه‌ به‌ازای مراحل مختلف چرخه توسعه نرم‌افزار (SDLC) را زیر نظر بگیرند تا بفهمند زمانی که یک ویژگی مبتنی بر هوش مصنوعی از فاز توسعه تا تست، استیجینگ و در نهایت تولید پیش می‌رود، چطور این هزینه‌ها تغییر می‌کند. حتی می‌توان جزئی‌تر شد و هزینه‌ها را در مراحل مختلف چرخه توسعه هوش مصنوعی، از جمله پاک‌سازی داده، ذخیره‌سازی، ساخت مدل، آموزش مدل و استنتاج (Inference) اندازه گرفت.

اگر کمی از این جزئیات فاصله بگیریم، مفهوم CUE به‌طور خلاصه یعنی: مقایسه داده‌های هزینه ابری سازمان‌یافته با داده‌های تقاضای مشتری، و سپس شناسایی فرصت‌های بهینه‌سازی. هزینه‌های هوش مصنوعی هم فقط یک منبع دیگر برای داده‌های هزینه ابری هستند که در صورت داشتن پلتفرم مناسب، به‌سادگی در استراتژی کلی CUE یک شرکت گنجانده می‌شوند.

چگونه از «سونامی هزینه‌های تولید» جلوگیری کنیم؟

در سال ۲۰۲۴، تنها ۶۱٪ از شرکت‌ها، سامانه‌های رسمی مدیریت هزینه ابری داشتند. هزینه‌های کنترل‌نشده ابری به‌سرعت از کنترل خارج می‌شوند: ۳۱٪ از شرکت‌ها از ضربه‌های سنگین به هزینه‌های تولید‌شان خبر می‌دهند و می‌گویند هزینه‌های ابری بیش از ۱۱٪ از درآمدشان را می‌بلعد. عدم مدیریت هزینه‌های هوش مصنوعی به‌طور قطع این وضعیت را تشدید خواهد کرد.

سازمان‌های پیشرو در عصر کنونی، هزینه‌های ابری را مانند هر مخارج عمده دیگری ارزیابی می‌کنند، بازگشت سرمایه را محاسبه کرده و آن را بر اساس مهم‌ترین ابعاد کسب‌وکارشان تفکیک می‌کنند. آن‌ها داده‌های ضروری را در اختیار اعضای تیم می‌گذارند تا بتوانند بازگشت سرمایه را بهینه کنند. پلتفرم‌های نسل جدید مدیریت هزینه ابری مجموعه کاملی از جریان کاری (Workflow) مبتنی بر CUE را ارائه می‌دهند و به شرکت‌ها کمک می‌کنند از «سونامی هزینه‌های تولید» در امان بمانند و بقای بلندمدت خود را تقویت کنند.