Uber استنفدت ميزانيتها للذكاء الاصطناعي، وإنفاق الشركات على الحوسبة يتجاوز الرواتب

ينتقل الذكاء الاصطناعي بسرعة من فئة النفقات التجريبية إلى واحد من أثقل بنود ميزانيات الشركات. ففي عدد من الشركات، لم تعد تكاليف النماذج والرموز (التوكنات) والحوسبة تنافس تراخيص البرمجيات، بل تنافس صندوق الرواتب. وجاءت إشارة دالّة من Uber: فقد أعلن المدير التقني للشركة أن الميزانية السنوية المخصصة للذكاء الاصطناعي لعام 2026 استُنفدت بالفعل، وأن السبب الرئيسي هو ارتفاع تكلفة الرموز. وما كان يُنظر إليه حتى وقت قريب كأداة مرنة لتسريع عمل الفرق، أصبح اليوم بنداً كاملاً من بنود التكاليف التشغيلية، لا يمكن تجاهله.

تكمن المشكلة في أن اقتصاديات الذكاء الاصطناعي لا تتوسع بالطريقة نفسها التي تتوسع بها البرمجيات المؤسسية التقليدية. فاشتراك الخدمة المعتادة غالباً ما يكون قابلاً للتوقع، أما تكاليف النماذج التوليدية فتنمو مع كل طلب، ومع كل مستخدم جديد، ومع كل سيناريو استخدام إضافي. وكلما دمجت الشركة الذكاء الاصطناعي أكثر في البحث والدعم والتحليلات والبرمجة والمساعدين الداخليين والمنتجات الموجهة للعملاء، ارتفعت فاتورة الرموز ومعالجات GPU السحابية وتخزين البيانات والمراقبة والأمن. وفي مرحلة التجارب قد تبدو هذه المبالغ مقبولة، لكن بعد الانتقال إلى مرحلة الإنتاج (production) تبدأ الميزانية بالتغير على نحو قفزات، خصوصاً عندما يبدأ آلاف الموظفين أو العملاء باستخدام الخدمة.

وفي الوقت نفسه، لا تتركز نسبة كبيرة من التكاليف في عقد واحد، بل تتوزع على عدة بنود: واجهات API، والسحابة، وقواعد البيانات المتجهية، وتسجيل الأحداث (logging)، وحماية البيانات، وإعادة التدريب، والتكامل، والصيانة. ولهذا السبب يتبين أكثر فأكثر أن الذكاء الاصطناعي في بيئة الشركات أغلى مما يبدو في العرض التقديمي الأول أو في الفاتورة الأولى.

وفي ضوء ذلك تبدو التوقعات الخاصة بالإنفاق العالمي على تقنية المعلومات منطقية: ففي 2026 يُتوقع أن يبلغ 6.31 تريليون دولار، أي بزيادة 13.5 % عن مستوى 2025.

ويُسهم في جزء كبير من هذا النمو تحديداً بنية الذكاء الاصطناعي التحتية والبرمجيات والخدمات السحابية. ولا تذهب الأموال إلى الوصول إلى النماذج فحسب، بل إلى كل ما يحيط بها: القدرات الحاسوبية للخوادم، وعمليات التكامل، وأدوات المراقبة (observability)، ووسائل ضبط جودة الإجابات، وآليات حماية البيانات. وهذا يعني للشركات أنه لم يعد من الممكن اعتبار تبنّي الذكاء الاصطناعي مبادرة محلية لفريق بعينه، فالأمر يتعلق بمراجعة منهجية لميزانية تقنية المعلومات.

ومن هنا يتغير النهج الإداري أيضاً. فلم يعد يكفي أن تسمح الشركات لموظفيها باستخدام الشبكات العصبية أو أن تربط API بمنتجين. المطلوب حدود مالية، ومراقبة لتكلفة كل سيناريو، واختيار بين النماذج الباهظة والنماذج الأصغر حجماً، وتخزين مؤقت (caching) للطلبات المتكررة، وتقييم صارم للمواضع التي يخلق فيها الذكاء الاصطناعي قيمة فعلية. وتتزايد الاستعانة بتوجيه الطلبات بحسب مستوى تعقيدها، وبوضع قيود على طول السياق، وباستخدام نماذج صغيرة للمهام النمطية، وبحلول محلية حيثما تكون السرية وثبات التكلفة أمرين مهمين. وفي حالات كثيرة يكون من الأرخص إبقاء جزء من العمليات بيد البشر أو أتمتتها بالطرق التقليدية، بدلاً من دفع ثمن كل عملية توليد دون ضوابط.

ولهذا تحديداً يكتسب مثال Uber أهميته: فحتى شركة تقنية كبرى ذات ثقافة هندسية قوية لا تواجه مشكلة الوصول إلى الذكاء الاصطناعي، بل مشكلة جدواه الاقتصادية. والمرحلة التالية للسوق ليست سباقاً نحو أكبر عدد من ميزات الذكاء الاصطناعي، بل الانتقال إلى الانضباط في الاستخدام. ولن تفوز الشركات التي تربط نماذج أكثر، بل تلك التي تتعلم حساب تكلفة الإجابة الواحدة، ومقارنتها بالإيرادات أو بالوقت الموفَّر، وإيقاف السيناريوهات الباهظة التي لا أثر واضحاً لها في الوقت المناسب.

ولم يعد الذكاء الاصطناعي إضافة عصرية فوق الأعمال، بل أصبح بنية تحتية. والبنية التحتية، كما تبيّن قصة Uber، تتطلب الطموح، لكنها تتطلب أيضاً رقابة صارمة جداً على الميزانية.