Revolut تنقل 2000 مهندس إلى نموذج GLM الخاص بها: الرمز أرخص 10 مرات

يتكرر الحوار نفسه، عاجلًا أم آجلًا، في كل فريق اعتمد مساعدي الذكاء الاصطناعي في كتابة الشيفرة: فاتورة الرموز (tokens) ترتفع أسرع مما ينبغي، ويقترح أحدهم «لنستخدمه في المهام المعقدة فقط». أما Revolut، إن صح ما جاء في منشور حديث على X، فقد اختارت مخرجًا آخر: اشترت وحدات GPU خاصة بها، وشغّلت عليها نموذج GLM المفتوح، وجعلته الأداة الافتراضية لنحو 2000 مهندس.

ما الذي فعلته Revolut بالضبط

بحسب ما نُقل عن المنشور، يبدو الإعداد كما يلي. تعمل في البنية التحتية الخاصة بالشركة 56 بطاقة رسوميات من Nvidia B200. وعليها يعمل GLM، وهو نموذج مفتوح يمكن نشره داخل البنية التحتية للمؤسسة. يبلغ السعر نحو $0.30 لكل مليون رمز، أي أقل 10 مرات مما كانت الشركة تدفعه لـ Anthropic وOpenAI. ومع ذلك لم تتخلَّ الشركة عن Claude Code وCodex: فقد انتقلا إلى قائمة الاستثناءات للمهام التي تتطلب أقوى نموذج متاح، ولم يعودا الأداة الافتراضية.

ويذكر كاتب المنشور رقمًا آخر: تحسّن زمن التطوير (lead time)، أي المدة من بدء العمل على المهمة حتى إطلاقها، بنسبة 70%. ولا يوضح ما نُقل عن المنشور كيف قِيس هذا الرقم، لذلك ينبغي التعامل معه على أنه ادعاء، لا نتيجة اختبار معياري (benchmark) جرى التحقق منها.

لماذا كسب الاقتصاد لا الجودة

أهم ما في القصة هو تفسير هذا الأثر. فبتقدير كاتب المنشور، يأتي GLM أضعف قليلًا من النماذج المغلقة الرائدة. لكن الذكاء الاصطناعي كان يُدَّخر سابقًا: يُربط بالتذاكر المعقدة، وتُنجز المهام الروتينية يدويًا حتى لا تتضخم الفاتورة. وحين صار الرمز شبه مجاني على المهندسين أنفسهم، بدأ تشغيل المساعد في كل شيء: التعديلات الصغيرة، والاختبارات، وتحليل السجلات (logs)، والمراجعة، والتوثيق.

والتشبيه اليومي هنا هو سيارة الأجرة والسيارة الخاصة. سيارة الأجرة أفضل وأريح، لكنك تستخدمها فقط حين «يستحق الأمر». أما سيارتك الخاصة فأبسط قليلًا، لكنك تتنقل بها في كل مكان دون حاسبة في رأسك. وفي المحصلة تقطع مسافة أكبر وتنجز أكثر. فنموذج «الحصص المقنّنة» يخسر أمام النموذج بلا قيود، حتى لو كان الأول أذكى.

لمن يناسب هذا النهج ولمن لا يناسب

يلزم هنا قدر من الرصانة. أولًا، هذا نقل لمنشور وليس بيانًا رسميًا من Revolut: لا توجد تفاصيل عن إصدار GLM، ولا عن كيفية احتساب الشركة لمبلغ $0.30 لكل مليون رمز، ولا عمّا إذا كان الرقم يشمل شراء B200 والكهرباء وعمل المهندسين الذين يديرون هذه المنظومة. وهذه بالذات هي بنود الإنفاق التي كثيرًا ما تُفسد الحساب الجميل القائل إن «العنقود الخاص أرخص من API».

ثانيًا، يصلح هذا النهج لشركة كبيرة لديها فريق بنية تحتية قوي. ويستدرك كاتب المنشور نفسه بأن API لا يزال أبسط وأرخص للفرق الصغيرة التي لا تملك وحدات GPU ولا الخبراء. أما المطوّر الفرد، فإن شراء Mac Studio مثلًا لتشغيل النماذج محليًا لن يعوّض كلفته مقارنةً بدفع ثمن API قبل نحو 10 سنوات.

والقصة غير مريحة كذلك للمختبرات التي تبني أعمالها على ارتفاع سعر الرمز: فإذا بدأ كبار العملاء باعتماد النماذج المفتوحة افتراضيًا، فلن يبقى للنماذج المغلقة الرائدة سوى دور «أخصائي الحالات المعقدة» الباهظ الثمن.

ماذا تفعل بهذا

إذا كان لديك مئات المهندسين وفريق DevOps خاص بك، فمن المجدي أن تقدّر ثلاثة أمور: عدد الرموز التي تذهب فعليًا إلى المزوّدين الخارجيين الآن، وحصة المهام التي تحتمل نموذجًا أضعف قليلًا، وكلفة تشغيل العنقود مع العاملين عليه. ثم اضبط التوجيه (routing): يكون النموذج المفتوح هو الافتراضي، وتُحال الحالات المعقدة، يدويًا أو تلقائيًا، إلى Claude Code أو Codex.

وإذا كنت فريقًا صغيرًا، فإن الدرس الرئيس من Revolut ينطبق حتى من دون B200: تحقق مما إذا كنت توفّر الرموز في مواضع كان الذكاء الاصطناعي سيزيل فيها العمل الروتيني. فأحيانًا يكون النموذج الرخيص بلا قيود أنفع من نموذج باهظ لا يُسمح بالرجوع إليه إلا مرة في اليوم.