AI 'Tokenmaxxing' નો ખર્ચાળ ટ્રેન્ડ છોડી રહી છે કંપનીઓ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ના ઉપયોગમાં મોટો ફેરફાર જોવા મળી રહ્યો છે. 'Tokenmaxxing' નો ટ્રેન્ડ, જેમાં કંપનીઓ પ્રગતિના સંકેત તરીકે AI ટોકન્સનો મહત્તમ ઉપયોગ કરતી હતી, તેને હવે છોડી દેવામાં આવી રહ્યો છે. આ પગલું એટલા માટે ભરવામાં આવી રહ્યું છે કારણ કે કંપનીઓને સમજાયું છે કે વધુ ઉપયોગ હંમેશા વધુ ઉત્પાદકતા તરફ દોરી જતો નથી, જ્યારે આ સેવાઓનું માસિક બિલ ઝડપથી વધી રહ્યું છે.

વધુ ઉપયોગથી ખર્ચ શિસ્ત તરફ

શરૂઆતમાં, વધુ ટોકનનો ઉપયોગ સફળતાનું માપદંડ ગણાતું હતું અને ટેકનોલોજી ક્ષેત્રના નેતાઓ દ્વારા તેને પ્રોત્સાહન પણ આપવામાં આવતું હતું. જોકે, આ અભિગમને કારણે ટેકનોલોજી બજેટ વધી ગયું હતું, જે સ્પષ્ટ નાણાકીય વળતર દ્વારા સમર્થિત નહોતું. Moody's Ratings સહિતના નાણાકીય વિશ્લેષકો અને નિષ્ણાતોએ નોંધ્યું છે કે કંપનીઓ હવે આ ખર્ચાઓને નિયંત્રિત કરવા માટે વધુ શિસ્તબદ્ધ નિયંત્રણો લાગુ કરી રહી છે. હવે AI નો માત્ર ઉપયોગ કરવાને બદલે, ખર્ચ વાસ્તવિક વ્યવસાયિક પરિણામો દ્વારા યોગ્ય ઠેરવવામાં આવે તેના પર ધ્યાન કેન્દ્રિત કરવામાં આવ્યું છે.

અણધાર્યા AI ખર્ચાઓ સાથેના પડકારો

ઘણી મોટી સંસ્થાઓ માટે, AI ખર્ચ ચિંતાનો સ્ત્રોત બની ગયો છે. ટોકનના ખર્ચાઓ ક્યારેક એક મહિનાથી બીજા મહિનામાં બમણા થઈ શકે છે, જે ઓપરેશનલ બજેટ પર વધતું જતું ભારણ દર્શાવે છે. Microsoft અને Palantir જેવી કંપનીઓના એક્ઝિક્યુટિવ નેતૃત્વે આ સાધનોની ઊંચી કિંમત અને સંવેદનશીલ માહિતીની પ્રક્રિયા કરતી વખતે ડેટા ગોપનીયતાના જોખમો બંને અંગે ચિંતા વ્યક્ત કરી છે. આના કારણે કંપનીઓને તેમની વ્યૂહરચના પર પુનર્વિચાર કરવા મજબૂર થવું પડ્યું છે, જેના પગલે 'મોડલ રૂટીંગ' (model routing) અપનાવવામાં આવ્યું છે. આ પ્રથામાં, સામાન્ય કાર્યો માટે સસ્તા, સરળ AI મોડલ્સનો ઉપયોગ કરવામાં આવે છે અને ફક્ત અત્યંત જટિલ સમસ્યાઓ માટે જ સૌથી શક્તિશાળી, મોંઘા મોડલ્સનો ઉપયોગ આરક્ષિત રાખવામાં આવે છે.

વૈકલ્પિક AI મોડલ્સની ભૂમિકા

ઊંચા ખર્ચવાળા પ્રદાતાઓ પર દબાણ વધારતા, વૈકલ્પિક AI મોડલ્સ તરફથી સ્પર્ધા વધી રહી છે. ઓપન-સોર્સ સોલ્યુશન્સ અને Moonshot અને Zhipu જેવી ચાઇનીઝ ફર્મ્સના નવા સ્પર્ધકો, ટોચના ઉત્પાદનો જેવી જ સુવિધાઓ નીચા ખર્ચે પ્રદાન કરી રહ્યા છે. જ્યારે આ વિકલ્પો વધુ ટોકન્સનો ઉપયોગ સસ્તો બનાવી શકે છે, ત્યારે ઉદ્યોગ નિષ્ણાતો દલીલ કરે છે કે 'Tokenmaxxing' ની મૂળભૂત વ્યૂહરચના બિનકાર્યક્ષમ રહે છે. જેમ ડેવલપરની ઉત્પાદકતાને તેઓ લખે છે તે કોડની લાઇનોની સંખ્યા દ્વારા માપવામાં આવે છે, તે જ રીતે ટોકન વોલ્યુમને પ્રાધાન્ય આપવું એ ખામીયુક્ત મેટ્રિક તરીકે જોવામાં આવે છે.

રોકાણકારો માટે મુખ્ય નિરીક્ષણ એ રહેશે કે સોફ્ટવેર અને સેવા કંપનીઓ આ વધુ કાર્યક્ષમ AI અમલીકરણ વ્યૂહરચના તરફ સંક્રમણ કરતી વખતે તેમના માર્જિનનું સંચાલન કેવી રીતે કરે છે. જે કંપનીઓ તેમના AI ખર્ચને સફળતાપૂર્વક ઑપ્ટિમાઇઝ કરશે તેઓ વધુ સારો કેશ ફ્લો અને સ્થિર નફાના માર્જિન જોઈ શકે છે, જ્યારે જેઓ આ ખર્ચાઓને નિયંત્રિત કરવામાં નિષ્ફળ જશે તેઓ તેમના બોટમ લાઇન પર સતત દબાણનો સામનો કરી શકે છે.