رموز الذكاء الاصطناعي ترفع فواتير السحابة في الشركات — ZDNet ترصد الاتجاه

تتحول نفقات الشركات على رموز الذكاء الاصطناعي (AI tokens) إلى بند جديد في الميزانية لا يعرف أحد كيف يضبطه. وترصد ZDNet اتجاهاً مقلقاً: فمنحنى التكاليف يكرر التاريخ المبكر للسحابة، أي نمواً سريعاً دون أدوات واضحة للتحسين ودون إجابة عن السؤال: ما الذي تحصل عليه الشركة في المقابل تحديداً؟

ديجا فو من عام 2012

في بدايات عصر السحابة، كان مديرو تقنية المعلومات يتلقون فواتير EC2 وS3 وRDS تنمو أسرع من أي توقعات. ولم يكن أحد يعرف حينها كيف يحتسب النفقات لكل وحدة من القيمة التجارية. واستغرق الأمر سنوات وعشرات أدوات FinOps وأقساماً كاملة لإدارة تكاليف السحابة (cloud cost management) حتى جرى ضبط هذه النفقات.

ويتكرر المشهد نفسه مع رموز الذكاء الاصطناعي، لكن بوتيرة مضغوطة. فالمطورون يربطون GPT-4o وClaude Opus ونماذجهم المخصصة المدرَّبة إضافياً بأنظمة المنتجات. وقد يستهلك كل سير عمل وكيلي (agentic workflow) يتضمن استدعاءات أدوات وبحث RAG وسياقاً طويلاً ما بين 20 000 و100 000 رمز في معاملة واحدة. وإذا ضُرب هذا الرقم في آلاف المستخدمين يومياً، تكون النتيجة فاتورة لم ترد في أي ميزانية، وما زالت تتزايد كل ربع سنة.

«ستذكّر رموز الذكاء الاصطناعي كثيراً من العملاء من الشركات بتسعير

السحابة المبكر»، بحسب ZDNet.

مشكلة بلا حل: كيف تُقاس القيمة

المشكلة الرئيسية التي ترصدها ZDNet ليست في النفقات بحد ذاتها، بل في أن الشركات لا تعرف كيف تقيس القيمة التي تنتجها رموز الذكاء الاصطناعي. ففي عالم السحابة كانت الصورة شفافة نسبياً: النسخة (instance) تنفّذ مهمة، وللمهمة تكلفة بساعات العمل البشرية، والفارق هو الوفر. أما مع الذكاء الاصطناعي فينهار هذا المنطق في كل خطوة:

• يسرّع مساعد الذكاء الاصطناعي كتابة الرسائل، لكن لم يقِس أحد بصورة منهجية مقدار هذا التسريع
• يؤتمت الوكيل (agent) إحدى العمليات، لكن جودة عمله ذاتية وغير ثابتة
• يخفف روبوت الدردشة العبء عن الدعم، لكن مؤشرات الرضا في الحالات المعقدة تتراجع
• يقلص مساعد الكود زمن التطوير، لكن الدين التقني لا يختفي
• يحسّن نظام RAG دقة الإجابات، لكن نتائج الاختبارات المعيارية (benchmarks) تعتمد على مجموعة البيانات وعلى المهمة المحددة

وخلافاً لساعات CPU أو جيجابايتات حركة البيانات، لا تقابل الرموز نتيجة تجارية واضحة. فلا يستطيع المدير المالي (CFO) أن يقول: «مقابل هذا المليون رمز حصلنا على قيمة محددة قابلة للقياس بهذا الشكل». وما دامت هذه المشكلة بلا حل، ستُقرّ ميزانيات الذكاء الاصطناعي على أساس الثقة لا على أساس البيانات.

كيف يتفاعل السوق

رصدت بعض كبار عملاء AWS وAzure وGoogle Cloud من الشركات نمواً في نفقات الذكاء الاصطناعي بمقدار 3-10 أضعاف سنوياً. وردّاً على ذلك، أطلق مزودو الخدمة أدوات لمراقبة استهلاك الرموز، لكنها حتى الآن تعرض الأرقام في الغالب ولا تساعد على تحسين النفقات.

ويتشكل اختصاص جديد هو AI FinOps، تتمثل مهمته في إدارة تكلفة استدلال LLM في بيئة الإنتاج (production). ومن أولى الأدوات التكتيكية:

• التخزين المؤقت للأوامر (prompt caching) للاستعلامات المتكررة
• توجيه المهام إلى نماذج أرخص بحسب درجة التعقيد
• تحديد عمق السياق وعدد خطوات سلاسل الوكلاء
• تجميع الطلبات على دفعات (batching) بدلاً من الاستدعاءات الفردية في الزمن الفعلي
• تدقيق دوري لتكاملات الذكاء الاصطناعي غير المستخدمة أو قليلة الفاعلية

لكن هذه تكتيكات لا استراتيجية. فليس لدى القطاع حتى الآن إجابة عن سؤال: «كم رمزاً يجدر إنفاقه للحصول على نتيجة تجارية محددة؟»

ماذا يعني ذلك

يقع الذكاء الاصطناعي المؤسسي في الفخ نفسه الذي وقعت فيه السحابة عام 2012: التقنية معتمدة على نطاق واسع، والنفقات تنمو بسرعة، وقياس عائد الاستثمار (ROI) صعب. وينبغي للشركات التي نشرت LLM فعلاً في بيئة الإنتاج أن تستثمر في أدوات الرؤية الشاملة للتكاليف وأن تبني مقاييس القيمة الآن، وإلا تحوّل الحديث مع المدير المالي إلى امتحان محرج لم يستعد له أحد.