شركات عيّنة Ramp زادت إنفاقها على الذكاء الاصطناعي في أكتوبر بنسبة 1.65% فقط

فاتورة الذكاء الاصطناعي لم تتغير تقريبًا — فهل توقف الفريق عن استخدامه؟ تُظهر بيانات Ramp لماذا قد يكون هذا الاستنتاج خاطئًا. في أكتوبر ارتفع إنفاق عملاء الخدمة في الولايات المتحدة على الذكاء الاصطناعي بنسبة 1.65% خلال شهر ووصل إلى مستوى قياسي جديد. وفي الوقت نفسه انخفض متوسط تكلفة معالجة مليون رمز نصي في عيّنة منفصلة بنسبة 21%. وبالنسبة إلى المطوّر أو مدير المنتج، هذه مشكلة مألوفة: لم يعد مبلغ الدفع يفسّر حجم العمل الذي أنجزه المنتج ومدى فائدته.

ينقل The Decoder هذه الأرقام استنادًا إلى Ramp AI Index. والمغزى العملي هنا هو إعادة النظر في نظام المحاسبة الخاص بكم. فإذا كنتم تتابعون نفقات API فقط، فقد يمر ارتفاع الحمل دون أن يلاحظه أحد. كما أن زيادة الميزانية وحدها لا تعني أن المستخدمين يحصلون على فائدة أكبر.

فاتورة واحدة تُخفي سيناريوهات مختلفة

لنتخيل خدمة تساعد المشغّلين على الرد على العملاء. هذا مثال افتراضي: كانت الخدمة تعالج ألف طلب، وأصبحت تعالج عددًا أكبر بوضوح. وإذا أصبحت معالجة النصوص أرخص، فقد يبقى المبلغ النهائي كما هو. وسيظهر في التقرير المالي بند إنفاق هادئ، رغم أن الحمل على النظام ازداد.

وهناك سيناريو آخر: بدأ الوكيل يرسل سجلات مراسلة طويلة، ويكرر الطلبات بعد الأخطاء، ويلجأ أكثر إلى نموذج مكلف. تُنفق أموال أكثر، لكن عدد الطلبات التي حُلّت يبقى ثابتًا. ومن المستحيل التمييز بين هاتين الحالتين دون بيانات عن العمل المنجز.

لذلك من المفيد أن تُبقوا بجانب الميزانية عدد المهام، ونسبة الإجابات الناجحة، وزمن الاستجابة، وتكرار التحويل إلى موظف بشري. وبالنسبة إلى الدعم، فالوحدة الواضحة هي تكلفة الطلب الذي حُلّ بجودة مقبولة. أما بالنسبة إلى أداة البرمجة فسيتعين اختيار مقياس خاص، مثل تكلفة التغيير المقبول مع احتساب المراجعة والتعديلات.

كما أن انخفاض متوسط سعر الرموز النصية في التقرير يتطلب الحذر. فقد يعكس تغيّر التعرفات وتركيبة النماذج وطبيعة الطلبات. ولا يمكن أن نستنتج من هذا الرقم أن واجهة API بعينها أصبحت أرخص بنسبة 21% بالضبط، أو أن منتجكم سيحقق تلقائيًا الوفر نفسه.

الدعم يحصل على ميزانية أكبر

استحوذ تطوير البرمجيات على 72% من إجمالي إنفاق الذكاء الاصطناعي المتتبَّع. وفي الوقت نفسه ارتفعت حصة الدعم ومرافقة العملاء من 0.8% في يونيو إلى 13.3% في أكتوبر. وهذا تغيّر ملحوظ في بنية التكاليف، رغم أنه لا يثبت بعد أن روبوتات الدردشة مجدية ماليًا على نطاق واسع.

وأمام مؤسس منتج في هذا المجال تظهر فرضية محددة: الشركات مستعدة لتخصيص أموال أكبر لأتمتة العمل مع الطلبات. وينبغي اختبارها على عملية ضيقة ذات نتيجة قابلة للقياس. مثلًا، الإجابات عن حالة الطلب أو البحث عن البند المناسب في قاعدة المعرفة. وبعد ذلك يمكن مقارنة الجودة والسرعة والتكلفة الكاملة للمعالجة بالعملية السابقة.

ويشير The Decoder إلى أن مثل هذه المهام تناسب في الغالب النماذج الرخيصة والسريعة. والخلاصة العملية هي اختبار عدة خيارات على المجموعة نفسها من الطلبات. فقد يبرر النموذج المكلف نفسه في الحالات المعقدة، لكن الاختيار يجب أن يستند إلى نتائج الاختبار.

لماذا هذه ليست صورة السوق كله بعد

يستند المؤشر إلى بيانات الدفع لأكثر من 85 ألف شركة أمريكية. غير أن عملاء Ramp غالبًا ما يركزون على النمو، وهم أكثر دراية بالتقنيات وأكبر حجمًا من الشركات الأمريكية عمومًا. وقد تغيب عن الرصد الأدوات المجانية والاستخدام عبر الحسابات الشخصية.

وهناك حد آخر مستقل: مؤشرات حجم الرموز النصية والنفقات المرتبطة بها مستمدة من مستخدمي Ramp Token Spend Management. ولا يمكن تعميمها تلقائيًا على قاعدة العملاء كلها. أما الادعاء الوارد في المادة بأن 1% من الشركات تُوفّر 80% من إيرادات OpenAI وAnthropic، فينبغي أيضًا قراءته في سياق ملاحظات Ramp، لا بوصفه كشفًا للإيرادات الكاملة للمزوّدين.

هذه البيانات مفيدة كدافع لفحص اقتصادياتكم الخاصة. ويمكن البدء بعملية عمل واحدة: ربط المدفوعات بعدد المهام المنجزة، وفحص الجودة، ومعرفة أين تنشأ الطلبات المتكررة. عندها ستصبح الفاتورة الشهرية القادمة أوضح — حتى لو لم تتغير مرة أخرى تقريبًا.