बढ़ती लागत और सीमित उत्पादकता लाभ के चलते कंपनियां अब AI टोकन के भारी इस्तेमाल में कटौती कर रही हैं। यह कदम बजट-अनुकूल AI मॉडल और बेहतर टास्क रूटिंग की ओर एक बदलाव का संकेत है, जिसका मकसद अनियोजित टेक्नोलॉजी खर्चों को नियंत्रित करना है।
एंटरप्राइज के बीच आर्टिफिशियल इंटेलिजेंस (AI) के इस्तेमाल के तरीके में एक बड़ा बदलाव देखने को मिल रहा है। 'टोकनमैक्सिंग' का चलन, जिसमें कंपनियां प्रगति के संकेत के रूप में AI टोकन के अधिकतम उपयोग पर जोर देती थीं, अब धीरे-धीरे खत्म हो रहा है। ऐसा इसलिए है क्योंकि कंपनियों को एहसास हो रहा है कि ज्यादा इस्तेमाल से हमेशा बेहतर उत्पादकता नहीं मिलती, जबकि इन सेवाओं के मासिक बिल तेजी से बढ़ रहे हैं।
महंगे इस्तेमाल से लागत अनुशासन की ओर
शुरुआत में, AI टोकन की अधिक खपत को सफलता का पैमाना माना जाता था, और कभी-कभी इसे टेक्नोलॉजी क्षेत्र के लीडर्स द्वारा प्रोत्साहित भी किया जाता था। हालांकि, इस तरीके के कारण टेक्नोलॉजी बजट काफी बढ़ गए, जिनके पीछे स्पष्ट वित्तीय लाभ नहीं दिख रहा था। फिच रेटिंग्स (Fitch Ratings) सहित वित्तीय विश्लेषकों और विशेषज्ञों ने देखा है कि कंपनियां अब इन लागतों को प्रबंधित करने के लिए अधिक अनुशासित नियंत्रण लागू कर रही हैं। ध्यान सिर्फ AI का उपयोग करने से हटकर यह सुनिश्चित करने पर आ गया है कि खर्च वास्तविक व्यावसायिक परिणामों से उचित है।
अनियोजित AI खर्चों की चुनौतियां
कई बड़ी संस्थाओं के लिए, AI की लागत चिंता का विषय बन गई है। टोकन के खर्च कभी-कभी एक महीने से अगले महीने दोगुने हो सकते हैं, जिससे परिचालन बजट पर एक बड़ा बोझ पड़ रहा है। माइक्रोसॉफ्ट (Microsoft) और पालंतिर (Palantir) जैसी कंपनियों के एग्जीक्यूटिव नेतृत्व ने इन टूल्स की ऊंची कीमतों और संवेदनशील जानकारी को व्यापक टोकन उपयोग के माध्यम से संसाधित करते समय डेटा गोपनीयता के जोखिमों दोनों पर चिंता जताई है। इसने कंपनियों को अपनी रणनीति पर पुनर्विचार करने के लिए मजबूर किया है, जिससे मॉडल रूटिंग को अपनाया जा रहा है। इस प्रैक्टिस में नियमित कार्यों के लिए सस्ते, सरल AI मॉडल का उपयोग करना और केवल अत्यधिक जटिल समस्याओं के लिए सबसे शक्तिशाली, महंगे मॉडल को आरक्षित करना शामिल है।
वैकल्पिक AI मॉडल की भूमिका
उच्च-लागत प्रदाताओं पर दबाव बढ़ाते हुए, वैकल्पिक AI मॉडल से प्रतिस्पर्धा बढ़ रही है। ओपन-सोर्स समाधान और मूनशॉट (Moonshot) और जीपू (Zhipu) जैसी चीनी फर्मों के नए प्रतिस्पर्धी, कम लागत पर टॉप-टियर उत्पादों के समान सुविधाएँ प्रदान कर रहे हैं। हालांकि ये विकल्प अधिक टोकन का उपयोग सस्ता बना सकते हैं, उद्योग विशेषज्ञों का तर्क है कि 'टोकनमैक्सिंग' की अंतर्निहित रणनीति अभी भी अक्षम है। जिस तरह एक डेवलपर की उत्पादकता को उनके द्वारा लिखी गई कोड की लाइनों की संख्या से मापना, टोकन वॉल्यूम को प्राथमिकता देना एक त्रुटिपूर्ण मीट्रिक माना जा रहा है।
निवेशकों के लिए मुख्य निगरानी यह होगी कि सॉफ्टवेयर और सेवा कंपनियां इन अधिक कुशल AI कार्यान्वयन रणनीतियों की ओर बढ़ते हुए अपने मार्जिन का प्रबंधन कैसे करती हैं। जो कंपनियां अपने AI खर्चों को सफलतापूर्वक अनुकूलित करती हैं, वे बेहतर नकदी प्रवाह और अधिक स्थिर लाभ मार्जिन देख सकती हैं, जबकि जो इन खर्चों को नियंत्रित करने में विफल रहती हैं, वे अपनी बॉटम लाइनों पर लगातार दबाव का सामना कर सकती हैं।