Η τεχνητή νοημοσύνη γίνεται φθηνότερη. Τουλάχιστον με την πρώτη ματιά...
Το κόστος ενός token —της βασικής μονάδας με την οποία τα μεγάλα γλωσσικά μοντέλα επεξεργάζονται πληροφορίες— έχει υποχωρήσει θεαματικά τα τελευταία χρόνια. Την ίδια στιγμή όμως, επιχειρήσεις και καταναλωτές χρησιμοποιούν ολοένα περισσότερα tokens, καθώς η AI περνά από τις απλές συνομιλίες και την παραγωγή κειμένου σε πράκτορες που εκτελούν σύνθετες εργασίες αυτόνομα.
Και εδώ βρίσκεται το παράδοξο.
Η AI μπορεί να γίνεται φθηνότερη ανά token, αλλά ακριβότερη συνολικά.
Η Goldman Sachs εκτιμά ότι η μηνιαία κατανάλωση tokens θα μπορούσε να αυξηθεί περίπου 24 φορές έως το 2030, φθάνοντας τα 120 τρισ. tokens τον μήνα, καθώς η χρήση AI agents επεκτείνεται. Goldman Sachs – AI agents and token consumption
Αυτό δημιουργεί ένα νέο οικονομικό πρόβλημα για την αγορά τεχνητής νοημοσύνης: κανείς δεν γνωρίζει ακόμη με ακρίβεια πόσο θα κοστίζει η AI όταν θα αποτελεί βασικό κομμάτι των επιχειρησιακών διαδικασιών.
Από το ChatGPT στους AI agents
Η πρώτη γενιά της γενετικής AI ήταν σχετικά εύκολο να τιμολογηθεί.
Ο χρήστης έδινε μια ερώτηση και έπαιρνε μια απάντηση.
Σήμερα, όμως, τα πράγματα αλλάζουν.
Οι επιχειρήσεις χρησιμοποιούν AI agents που μπορούν να αναλύουν δεδομένα, να γράφουν και να ελέγχουν κώδικα, να αναζητούν πληροφορίες, να επικοινωνούν με άλλα συστήματα και να εκτελούν μια αλυσίδα ενεργειών χωρίς να απαιτείται ανθρώπινη παρέμβαση σε κάθε βήμα.
Κάθε ένα από αυτά τα βήματα μπορεί να απαιτεί επιπλέον υπολογιστική ισχύ και tokens.
Και όταν πολλοί agents συνεργάζονται μεταξύ τους, η κατανάλωση μπορεί να αυξηθεί πολύ περισσότερο από όσο θα περίμενε ένας χρήστης κοιτάζοντας απλώς τον αριθμό των ερωτήσεων που υποβάλλει.
Αυτό είναι το σημείο όπου το επιχειρηματικό μοντέλο της AI αρχίζει να γίνεται ιδιαίτερα περίπλοκο.
Το «φθηνότερο» token μπορεί να σημαίνει μεγαλύτερο λογαριασμό
Η πτώση της τιμής των tokens αποτελεί μία από τις σημαντικότερες εξελίξεις στην αγορά AI.
Η τεχνολογία γίνεται αποδοτικότερη, τα μοντέλα ανταγωνίζονται μεταξύ τους και οι πάροχοι μειώνουν το κόστος χρήσης.
Όμως η χαμηλότερη τιμή δημιουργεί και ένα ισχυρό κίνητρο για περισσότερη κατανάλωση.
Είναι η κλασική οικονομική αντίφαση:
όσο φθηνότερη γίνεται μια υπηρεσία, τόσο περισσότερο μπορεί να χρησιμοποιείται.
Κάτι ανάλογο συμβαίνει και στην AI.
Μια επιχείρηση που πριν από δύο χρόνια θα δίσταζε να χρησιμοποιήσει ένα μεγάλο γλωσσικό μοντέλο για μια συγκεκριμένη διαδικασία, σήμερα μπορεί να το χρησιμοποιεί σε δεκάδες ή εκατοντάδες σημεία της παραγωγικής της αλυσίδας.
Και τότε η εξοικονόμηση ανά token μπορεί να εξαφανιστεί κάτω από την έκρηξη της συνολικής χρήσης.
Το πρόβλημα με τους AI agents είναι ότι η κατανάλωση δεν είναι πάντα προβλέψιμη
Ένα παραδοσιακό λογισμικό είναι σχετικά εύκολο να προϋπολογιστεί.
Μια εταιρεία μπορεί να γνωρίζει πόσες άδειες χρειάζεται, πόσους χρήστες διαθέτει και ποιο είναι το ετήσιο κόστος.
Στην AI, η εικόνα είναι διαφορετική.
Το κόστος μπορεί να εξαρτάται από:
- τον αριθμό των εισόδων και εξόδων,
- το μέγεθος των prompts,
- το μοντέλο που χρησιμοποιείται,
- το πόσα βήματα εκτελεί ένας agent,
- το πόσες φορές επαναλαμβάνει μια διαδικασία,
- τη χρήση εργαλείων και εξωτερικών υπηρεσιών,
- την ανάγκη ελέγχου και επανεπεξεργασίας,
- τον αριθμό των agents που συνεργάζονται.
Έτσι, μια εφαρμογή που φαίνεται αρχικά οικονομική μπορεί να αποδειχθεί πολύ ακριβότερη όταν χρησιμοποιηθεί μαζικά.
Το «token bill» γίνεται ο νέος πονοκέφαλος των CFO
Για τους οικονομικούς διευθυντές, αυτή η εξέλιξη δημιουργεί ένα πρωτόγνωρο πρόβλημα.
Πώς προϋπολογίζεται μια τεχνολογία όταν η κατανάλωσή της εξαρτάται από το πόσο «έξυπνα» και πόσο αυτόνομα λειτουργεί;
Η εταιρεία μπορεί να γνωρίζει πόσους εργαζομένους διαθέτει.
Δεν γνωρίζει όμως απαραίτητα πόσα tokens θα καταναλώσουν οι AI agents που θα χρησιμοποιούν οι εργαζόμενοι αυτοί.
Και το πρόβλημα γίνεται μεγαλύτερο όταν η AI ενσωματώνεται στο ίδιο το προϊόν μιας εταιρείας.
Ένας software provider μπορεί να έχει σχετικά ελεγχόμενο κόστος όταν χρησιμοποιεί AI εσωτερικά.
Αν όμως προσφέρει τη συγκεκριμένη δυνατότητα σε χιλιάδες ή εκατομμύρια πελάτες, η κατανάλωση μπορεί να πολλαπλασιαστεί απότομα.
Το παράδειγμα της Uber και το μάθημα για τις επιχειρήσεις
Η συζήτηση έχει ήδη περάσει από τη θεωρία στην πράξη.
Δημοσιεύματα έχουν αναφερθεί σε περιπτώσεις επιχειρήσεων που είδαν τη χρήση AI coding tools να αυξάνει πολύ ταχύτερα από τις αρχικές προβλέψεις.
Το παράδειγμα της Uber, που φέρεται να εξάντλησε μέσα σε λίγους μήνες προϋπολογισμό AI coding που είχε σχεδιαστεί για μεγαλύτερο χρονικό διάστημα, δείχνει ακριβώς το πρόβλημα: η παραγωγικότητα μπορεί να αυξηθεί, αλλά μαζί της μπορεί να αυξηθεί και η κατανάλωση υπολογιστικών πόρων.
Το ίδιο ισχύει για τις μεγάλες ομάδες software engineering.
Όσο καλύτερα γίνονται τα εργαλεία AI, τόσο περισσότερες εργασίες μπορούν να αναλάβουν.
Και όσο περισσότερες εργασίες αναλαμβάνουν, τόσο περισσότερα tokens καταναλώνουν.
Το παράδοξο της παραγωγικότητας
Εδώ βρίσκεται ίσως η σημαντικότερη οικονομική διάσταση της υπόθεσης.
Εάν μια επιχείρηση δαπανά 1 εκατ. ευρώ για AI και εξοικονομεί 3 εκατ. ευρώ σε ανθρώπινη εργασία, υποδομές και χρόνο, η επένδυση έχει νόημα.
Αν όμως η κατανάλωση AI αυξάνεται χωρίς αντίστοιχη αύξηση της παραγωγικότητας, τότε το χαμηλό κόστος ανά token μπορεί να αποτελεί παραπλανητικό δείκτη.
Δεν έχει σημασία πόσο φθηνό είναι το token. Σημασία έχει πόσα tokens χρειάζεται τελικά η επιχείρηση για να παραγάγει μία μονάδα οικονομικής αξίας.
Αυτό είναι το πραγματικό «tokenomics» της τεχνητής νοημοσύνης.
Ποιος θα πληρώσει τελικά τον λογαριασμό;
Το επόμενο πρόβλημα είναι ακόμη πιο δύσκολο.
Οι εταιρείες που χρησιμοποιούν AI πρέπει τελικά να αποφασίσουν πώς θα μετακυλήσουν το κόστος στους πελάτες τους.
Υπάρχουν αρκετές επιλογές.
Σταθερή συνδρομή.
Ο πελάτης πληρώνει ένα συγκεκριμένο ποσό ανεξάρτητα από τη χρήση.
Το μοντέλο είναι εύκολο για τον πελάτη, αλλά επικίνδυνο για τον πάροχο εάν η χρήση AI αυξηθεί απότομα.
Χρέωση βάσει κατανάλωσης.
Ο πελάτης πληρώνει ανάλογα με τα tokens ή τις AI ενέργειες.
Αυτό προστατεύει περισσότερο τον πάροχο, αλλά δημιουργεί αβεβαιότητα στον πελάτη.
Χρέωση βάσει αποτελέσματος.
Ο πελάτης πληρώνει για το αποτέλεσμα που παράγει η AI και όχι για την υπολογιστική διαδικασία που βρίσκεται από πίσω.
Είναι ίσως το πιο ελκυστικό μοντέλο για τον πελάτη, αλλά πολύ δυσκολότερο να εφαρμοστεί.
Και εδώ εμφανίζεται ένα ακόμη πρόβλημα: οι ίδιοι οι πάροχοι αλλάζουν τις τιμές
Ακόμη και αν μια εταιρεία καταφέρει να δημιουργήσει ένα λειτουργικό μοντέλο τιμολόγησης, υπάρχει ένας παράγοντας που δεν ελέγχει:
τους ίδιους τους παρόχους των LLMs.
Εάν ένας πάροχος μειώσει σημαντικά την τιμή ενός μοντέλου, το επιχειρηματικό μοντέλο ενός AI application μπορεί να αλλάξει.
Εάν αυξήσει τις τιμές ή εισαγάγει διαφορετικό τρόπο χρέωσης, μπορεί να συμβεί το αντίθετο.
Και όταν οι εταιρείες χρησιμοποιούν περισσότερα του ενός μοντέλα, η κατάσταση γίνεται ακόμη πιο περίπλοκη.
Ουσιαστικά, δημιουργείται μια νέα μεταβλητή κόστους μέσα στον επιχειρηματικό σχεδιασμό.
Η μεγάλη μετάβαση: από το software στο «AI as a utility»
Η αγορά φαίνεται να κινείται σταδιακά προς ένα μοντέλο όπου η AI θα μοιάζει περισσότερο με υπολογιστική κοινής ωφέλειας παρά με παραδοσιακό software.
Η επιχείρηση δεν αγοράζει απλώς ένα πρόγραμμα.
Αγοράζει υπολογιστική νοημοσύνη.
Και η κατανάλωση μπορεί να αυξομειώνεται ανάλογα με το τι ζητά από αυτήν.
Αυτό σημαίνει ότι τα οικονομικά της AI θα μπορούσαν να μοιάζουν περισσότερο με εκείνα του cloud computing ή της ηλεκτρικής ενέργειας:
όσο περισσότερο χρησιμοποιείς, τόσο περισσότερο πληρώνεις.
Η διαφορά είναι ότι η AI μπορεί να αποφασίζει η ίδια πόσα βήματα χρειάζεται για να ολοκληρώσει μια εργασία.
Και αυτό κάνει την πρόβλεψη του κόστους ακόμη δυσκολότερη.
Οι επιχειρήσεις πρέπει να μάθουν να μετρούν όχι μόνο την AI, αλλά και την κατανάλωσή της
Το επόμενο στάδιο της αγοράς δεν θα αφορά μόνο το ποιο μοντέλο είναι «εξυπνότερο».
Θα αφορά και το ποιο μοντέλο είναι οικονομικά αποδοτικότερο για μια συγκεκριμένη εργασία.
Για μια απλή εργασία μπορεί να αρκεί ένα φθηνότερο μοντέλο.
Για μια σύνθετη ανάλυση μπορεί να αξίζει ένα ακριβότερο μοντέλο.
Για μια διαδικασία που εκτελείται εκατομμύρια φορές, ακόμη και μια μικρή διαφορά στην τιμή ανά token μπορεί να μετατραπεί σε τεράστιο ποσό.
Έτσι, η νέα γενιά των AI managers θα πρέπει να γνωρίζει όχι μόνο από τεχνητή νοημοσύνη αλλά και από AI cost management.
Η τεχνητή νοημοσύνη βρίσκεται σε ένα παράδοξο σημείο.
Τα μοντέλα γίνονται ισχυρότερα.
Τα tokens γίνονται φθηνότερα.
Η υπολογιστική ισχύς γίνεται αποδοτικότερη.
Και όμως, ο συνολικός λογαριασμός για τις επιχειρήσεις μπορεί να αυξάνεται.
Ο λόγος είναι απλός: η χρήση μεγαλώνει πολύ γρηγορότερα από την πτώση του κόστους ανά μονάδα.
Και η μετάβαση από τα απλά chatbots στους AI agents μπορεί να επιταχύνει ακόμη περισσότερο αυτή την τάση.
Το μεγάλο στοίχημα για την αγορά δεν είναι επομένως μόνο να κάνει την τεχνητή νοημοσύνη πιο έξυπνη.
Είναι να βρει έναν τρόπο ώστε η αύξηση της ευφυΐας να μην οδηγήσει σε ανεξέλεγκτη αύξηση του κόστους.
Γιατί στην εποχή των AI agents, το ερώτημα δεν θα είναι πλέον μόνο:
«Τι μπορεί να κάνει η AI;»
Θα είναι και:
«Πόσα tokens χρειάζεται για να το κάνει και ποιος θα πληρώσει τον λογαριασμό;»
Μείνετε μπροστά στις εξελίξεις — κάντε Like στο Facebook
Από το newsroom
Γράφει o Θέογνις Αιγίσιος
-Posted by Anexartitos.Ta.Neα
Αν θέλετε να μαθαίνετε παράλληλα όσα σημαντικά διαδραματίζονται στα ελληνικά και ξένα media κάντε like στην σελίδα στο Facebook πατώντας εδώ.click here
Δημοσίευση σχολίου
.Τα σχόλια υπάρχουν για να συνεισφέρουν οι αναγνώστες στο διάλογο.
. Ο καθένας έχει δικαίωμα να εκφράζει ελεύθερα τις απόψεις του.
. Αυτό δεν σημαίνει ότι υιοθετούμε τις απόψεις αυτές.
. Συκοφαντικά ή υβριστικά σχόλια και greeklish αφαιρούνται όπου εντοπίζονται.
. Η ευθύνη των σχολίων (αστική και ποινική) βαρύνει τους σχολιαστές και μόνον αυτούς.
. Η ταυτότητα των σχολιαστών είναι γνωστή μόνο στην Google.
. Όποιος θίγεται μπορεί να επικοινωνεί στο email μας.
. Περισσότερα στους όρους χρήσης.. Ευχαριστούμε για την κατανόησή σας.
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου