नई रिपोर्ट के अनुसार, कंपनियों के लिए अब AI को तैनात करना ही नहीं, बल्कि लगातार मॉडल अपडेट को मैनेज करना एक बड़ी चुनौती बन गया है। निवेशकों के लिए, इसका मतलब है कि IT सेवाओं और कंपनियों को अब अस्थिर 'टोकन-आधारित' लागतों और जटिल तकनीकी बदलावों से निपटना होगा ताकि मुनाफे को बचाया जा सके।
AI पर प्रयोग का दौर खत्म, अब मैनेजमेंट का समय
आर्टिफिशियल इंटेलिजेंस (AI) के साथ सिर्फ प्रयोग करने का दौर अब खत्म हो रहा है, और इसके सक्रिय जीवनचक्र (lifecycle) को मैनेज करने का युग शुरू हो गया है। Straive की एक नई रिपोर्ट बताती है कि आज व्यवसायों के लिए सबसे बड़ी बाधा सिर्फ AI को प्रोडक्शन में लाना नहीं है, बल्कि फाउंडेशन मॉडल में लगातार होने वाले अपडेट्स और व्यवहारिक बदलावों को संभालना है। इस विकास का सीधा असर इस बात पर पड़ेगा कि कंपनियां, खासकर IT सर्विसेज और टेक्नोलॉजी सेक्टर की कंपनियां, अपने AI निवेश पर रिटर्न (Return) को कैसे मापेंगी।
मॉडल माइग्रेशन की जटिलताएं
कई सालों तक, सॉफ्टवेयर अपडेट्स अनुमानित होते थे। डेवलपर्स एक नया वर्जन जारी करते थे, और सिस्टम आम तौर पर वैसा ही व्यवहार करता था जैसा उम्मीद की जाती थी। हालांकि, रिपोर्ट में बताया गया है कि फाउंडेशन मॉडल मौलिक रूप से अलग हैं। जब कोई प्रदाता अपडेटेड मॉडल जारी करता है—जैसे कि किसी बड़े भाषा मॉडल (Large Language Model) का नया वर्जन—तो यह अक्सर तर्क क्षमता (reasoning capabilities), सटीकता (accuracy) और AI डेटा के साथ कैसे इंटरैक्ट करता है, इसमें महत्वपूर्ण बदलाव लाता है। इसका मतलब है कि एक मॉडल जनरेशन से दूसरे में माइग्रेट करना एक सामान्य अपडेट नहीं है। AI के भरोसेमंद बने रहने के लिए सुरक्षा प्रोटोकॉल (safety protocols), मूल्यांकन डेटासेट (evaluation datasets) और व्यावसायिक वर्कफ़्लो (business workflows) का पूरी तरह से पुनर्मूल्यांकन करने की आवश्यकता होती है।
अस्थिर लागत संरचना का जोखिम
उद्यमों (enterprises) के लिए सबसे महत्वपूर्ण वित्तीय जोखिमों में से एक उपभोग-आधारित मूल्य निर्धारण (consumption-based pricing) की अप्रत्याशितता है। पारंपरिक सॉफ्टवेयर के विपरीत जिसमें फिक्स्ड लाइसेंसिंग शुल्क होता है, AI मॉडल अक्सर उपयोग के आधार पर चार्ज करते हैं, जिसे टोकन में मापा जाता है। यह एक ऐसी लागत संरचना बनाता है जो हर इंटरैक्शन के प्रति अत्यधिक संवेदनशील होती है। रिपोर्ट में कहा गया है कि सेटिंग्स या रीजनिंग डेप्थ में छोटे समायोजन से लागत में काफी अंतर आ सकता है—कभी-कभी चार गुना अधिक—बिना अंतिम एप्लिकेशन के लक्ष्यों में कोई बदलाव आए।
हाल के उदाहरणों का उपयोग करते हुए, मॉडल पीढ़ियों के बीच मूल्य वृद्धि काफी हो सकती है। उदाहरण के लिए, Gemini 2.0 Flash से Gemini 2.5 Flash में जाने पर इनपुट टोकन की लागत $0.10 प्रति मिलियन से बढ़कर $0.30 प्रति मिलियन हो गई, और आउटपुट लागत $0.40 से बढ़कर $2.50 प्रति मिलियन हो गई। ये मूल्य उतार-चढ़ाव कंपनियों के लिए AI बजट का सटीक अनुमान लगाना मुश्किल बनाते हैं। यदि IT सेवा प्रदाता और उद्यम इन उपभोग-आधारित लागतों को प्रभावी ढंग से प्रबंधित नहीं कर पाते हैं, तो यह परियोजना की लाभप्रदता (profitability) और समग्र मार्जिन पर दबाव डाल सकता है।
निवेशकों के लिए क्या है महत्वपूर्ण
टेक्नोलॉजी और IT सर्विसेज सेक्टर पर नजर रखने वाले निवेशकों के लिए, फोकस इस बात से हटकर 'कंपनी के पास कितने AI प्रोजेक्ट हैं' से 'कंपनियां बड़े पैमाने पर AI को कितनी कुशलता से प्रबंधित कर सकती हैं' पर केंद्रित हो रहा है। जो कंपनियां लागत-कुशल सिस्टम डिजाइन और मजबूत AI जीवनचक्र प्रबंधन प्रक्रियाओं को प्राथमिकता देती हैं, उन्हें अपने प्रौद्योगिकी निवेश पर बेहतर रिटर्न मिलने की संभावना है।
आगे बढ़ते हुए, मुख्य निगरानी यह होगी कि एंटरप्राइज लीडरशिप टीमें और IT सर्विसेज फर्म अपनी कमाई कॉल (earnings calls) में AI रखरखाव और लागत नियंत्रण के लिए अपनी रणनीति पर कैसे चर्चा करती हैं। निवेशक उन प्रबंधकीय टिप्पणियों की तलाश कर सकते हैं कि ये फर्म मॉडल माइग्रेशन जोखिमों को कैसे नेविगेट कर रही हैं और क्या उन्होंने नवीनतम मॉडल का आँख बंद करके उपभोग करने के बजाय टोकन उपयोग को अनुकूलित करने के लिए फ्रेमवर्क स्थापित किए हैं।