એક નવા રિપોર્ટ મુજબ, હવે એન્ટરપ્રાઇઝ AI માટે સૌથી મોટો પડકાર માત્ર તેને લાગુ કરવાનો નથી, પરંતુ સતત અપડેટ થતા મોડેલોને મેનેજ કરવાનો છે. આ બદલાવ રોકાણકારો માટે સૂચવે છે કે IT સર્વિસીસ અને કંપનીઓએ હવે ટોકન-આધારિત ખર્ચમાં થતી વધઘટ અને ટેકનિકલ માઈગ્રેશનની જટિલતાઓને મેનેજ કરવી પડશે.
AI મોડલ્સની જટિલતા અને વધતો ખર્ચ
હાલમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) માં પ્રયોગ કરવાનો સમય પૂરો થઈ ગયો છે અને હવે તેના સક્રિય લાઇફસાઇકલ મેનેજમેન્ટનો યુગ શરૂ થઈ રહ્યો છે. Straive દ્વારા પ્રકાશિત એક નવા રિપોર્ટમાં જણાવવામાં આવ્યું છે કે કંપનીઓ માટે હાલમાં સૌથી મોટો પડકાર AI ને પ્રોડક્શનમાં મૂકવાનો નથી, પરંતુ ફાઉન્ડેશન મોડેલોમાં સતત થતા અપડેટ્સ અને તેમના વર્તનમાં આવતા બદલાવોને મેનેજ કરવાનો છે.
આ ઉત્ક્રાંતિ ખાસ કરીને IT સર્વિસીસ અને ટેકનોલોજી ક્ષેત્રની કંપનીઓ માટે તેમના AI રોકાણ પરના વળતર (Return on Investment) ને માપવા માટે ગંભીર અસરો ધરાવે છે.
મોડેલ માઇગ્રેશનની જટિલતા
વર્ષો સુધી, સોફ્ટવેર અપડેટ્સ અનુમાનિત હતા. ડેવલપર્સ નવું વર્ઝન બહાર પાડતા અને સિસ્ટમ સામાન્ય રીતે અપેક્ષા મુજબ કામ કરતી. પરંતુ, રિપોર્ટ સૂચવે છે કે ફાઉન્ડેશન મોડેલો મૂળભૂત રીતે અલગ છે. જ્યારે કોઈ પ્રોવાઇડર અપડેટેડ મોડેલ રજૂ કરે છે - જેમ કે Large Language Model નું નવું વર્ઝન - ત્યારે તે તર્ક ક્ષમતા, ચોકસાઈ અને AI ડેટા સાથે કેવી રીતે ઇન્ટરેક્ટ કરે છે તેમાં નોંધપાત્ર ફેરફારો લાવી શકે છે. આનો અર્થ એ છે કે એક મોડેલ જનરેશનથી બીજામાં માઇગ્રેટ કરવું એ માત્ર એક સામાન્ય અપડેટ નથી. AI વિશ્વસનીય રહે તે સુનિશ્ચિત કરવા માટે સલામતી પ્રોટોકોલ, મૂલ્યાંકન ડેટાસેટ્સ અને બિઝનેસ વર્કફ્લોનું સંપૂર્ણ પુનઃમૂલ્યાંકન જરૂરી છે.
બદલાતા કોસ્ટ સ્ટ્રક્ચરનું જોખમ
એન્ટરપ્રાઇઝ માટે સૌથી મહત્વપૂર્ણ નાણાકીય જોખમોમાંનું એક કન્ઝમ્પશન-આધારિત પ્રાઇસિંગ (consumption-based pricing) ની અણધાર્યાપણું છે. પરંપરાગત સોફ્ટવેર કે જેમાં ફિક્સ્ડ લાઇસન્સિંગ ફી હોય છે તેનાથી વિપરીત, AI મોડેલો ઘણીવાર વપરાશના આધારે ચાર્જ કરે છે, જે ટોકન્સમાં માપવામાં આવે છે. આ એક કોસ્ટ સ્ટ્રક્ચર બનાવે છે જે દરેક ઇન્ટરેક્શન પ્રત્યે અત્યંત સંવેદનશીલ હોય છે. રિપોર્ટ નોંધે છે કે સેટિંગ્સ અથવા તર્કની ઊંડાઈમાં નાના ગોઠવણો નોંધપાત્ર ખર્ચના તફાવત તરફ દોરી શકે છે - કેટલીકવાર ચાર ગણા વધારે - અંતિમ એપ્લિકેશનના લક્ષ્યોમાં કોઈ ફેરફાર વિના.
તાજેતરના ઉદાહરણોનો ઉપયોગ કરીને, મોડેલ જનરેશન વચ્ચેના ભાવમાં મોટો વધારો નોંધપાત્ર હોઈ શકે છે. ઉદાહરણ તરીકે, Gemini 2.0 Flash થી Gemini 2.5 Flash માં સ્થળાંતર કરતી વખતે ઇનપુટ ટોકન ખર્ચ પ્રતિ મિલિયન $0.10 થી વધીને $0.30 થયો, જ્યારે આઉટપુટ ખર્ચ $0.40 થી વધીને $2.50 પ્રતિ મિલિયન થયો. આ ભાવ વધઘટ કંપનીઓ માટે AI બજેટની સચોટ આગાહી કરવાનું મુશ્કેલ બનાવે છે. જો IT સર્વિસ પ્રોવાઇડર્સ અને એન્ટરપ્રાઇઝ આ કન્ઝમ્પશન-આધારિત ખર્ચને અસરકારક રીતે મેનેજ કરી શકતા નથી, તો તે પ્રોજેક્ટની નફાકારકતા અને એકંદર માર્જિન પર દબાણ લાવી શકે છે.
રોકાણકારોનો દ્રષ્ટિકોણ: શું ટ્રૅક કરવું?
ટેકનોલોજી અને IT સર્વિસીસ સેક્ટરને અનુસરતા રોકાણકારો માટે, ફોકસ હવે "કંપની પાસે કેટલા AI પ્રોજેક્ટ્સ છે" થી બદલાઈને "કંપનીઓ કેટલા કાર્યક્ષમ રીતે મોટા પાયે AI મેનેજ કરી શકે છે" તેના પર આવી ગયું છે. જે કંપનીઓ ખર્ચ-કાર્યક્ષમ સિસ્ટમ ડિઝાઇન અને મજબૂત AI લાઇફસાઇકલ મેનેજમેન્ટ પ્રક્રિયાઓને પ્રાધાન્ય આપે છે, તેઓ તેમના ટેકનોલોજી રોકાણ પર વધુ સારું વળતર મેળવી શકે છે.
આગળ જતાં, મુખ્ય મોનિટર એ રહેશે કે એન્ટરપ્રાઇઝ નેતૃત્વ ટીમો અને IT સર્વિસીસ ફર્મ્સ તેમના કમાણી કોલ્સમાં AI જાળવણી અને ખર્ચ નિયંત્રણ માટેની તેમની વ્યૂહરચના વિશે કેવી રીતે ચર્ચા કરે છે. રોકાણકારો મેનેજમેન્ટની ટિપ્પણીઓ શોધી શકે છે કે આ ફર્મ્સ મોડેલ માઇગ્રેશન જોખમોને કેવી રીતે નેવિગેટ કરી રહ્યા છે અને શું તેઓ નવીનતમ મોડેલોનો ઉપયોગ કરવાને બદલે ટોકન વપરાશને ઓપ્ટિમાઇઝ કરવા માટે માળખા સ્થાપિત કર્યા છે.