AI चा 'Tokenmaxxing' ट्रेंड बंद? कंपन्यांचा वाढत्या खर्चावर लगाम

'Tokenmaxxing' ट्रेंडला फाटा

एंटरप्राइज स्तरावर आर्टिफिशियल इंटेलिजन्स (AI) वापरण्याच्या पद्धतीत मोठा बदल होत आहे. 'Tokenmaxxing' हा ट्रेंड, ज्यामध्ये कंपन्या प्रगतीचे प्रतीक म्हणून सर्वाधिक AI टोकन वापरण्यावर भर देत होत्या, आता मागे पडत आहे. कंपन्यांना हे लक्षात येत आहे की जास्त वापरामुळे नेहमीच चांगली उत्पादकता मिळत नाही, तर या सेवांवरील मासिक खर्च वेगाने वाढत आहे.

जास्त वापराऐवजी खर्चावर नियंत्रण

सुरुवातीला, जास्त टोकन वापरणे हे यशाचे मापक मानले जात होते, अनेकदा तंत्रज्ञान क्षेत्रातील नेत्यांकडून त्याला प्रोत्साहनही दिले जात होते. मात्र, यामुळे तंत्रज्ञान बजेट फुगले, ज्याला स्पष्ट आर्थिक परतावा मिळाला नाही. Moody's Ratings च्या विश्लेषकांसह अनेक तज्ज्ञांनी नमूद केले आहे की, कंपन्या आता खर्चावर नियंत्रण ठेवण्यासाठी अधिक शिस्तबद्ध उपाययोजना करत आहेत. केवळ AI वापरण्याऐवजी, प्रत्यक्ष व्यावसायिक परिणामांद्वारे खर्चाचे समर्थन करणे यावर लक्ष केंद्रित केले जात आहे.

अनियोजित AI खर्चाचे आव्हान

अनेक मोठ्या संस्थांसाठी, AI चा खर्च चिंतेचा विषय बनला आहे. टोकनचा खर्च दर महिन्याला दुप्पट होऊ शकतो, ज्यामुळे ऑपरेशनल बजेटवर मोठा ताण येतो. Microsoft आणि Palantir सारख्या कंपन्यांमधील वरिष्ठ व्यवस्थापनाने या साधनांच्या उच्च किमती आणि संवेदनशील माहितीवर प्रक्रिया करताना डेटा गोपनीयतेच्या धोक्यांबद्दल चिंता व्यक्त केली आहे. यामुळे कंपन्यांना त्यांच्या धोरणांचा पुनर्विचार करण्यास भाग पाडले आहे, ज्यामुळे मॉडेल रूटिंगचा अवलंब केला जात आहे. या पद्धतीमध्ये, सामान्य कामांसाठी स्वस्त आणि सोपे AI मॉडेल्स वापरले जातात आणि केवळ अत्यंत क्लिष्ट समस्यांसाठी सर्वात शक्तिशाली, महाग मॉडेल्स राखीव ठेवले जातात.

पर्यायी AI मॉडेल्सची भूमिका

उच्च-खर्चिक सेवा पुरवणाऱ्या कंपन्यांवरील दबाव वाढवण्यासाठी, पर्यायी AI मॉडेल्सकडून स्पर्धा वाढत आहे. ओपन-सोर्स सोल्युशन्स आणि Moonshot आणि Zhipu सारख्या चिनी कंपन्यांकडून नवीन स्पर्धक, टॉप-टियर उत्पादनांसारखीच वैशिष्ट्ये कमी किमतीत देत आहेत. जरी हे पर्याय जास्त टोकन वापरणे स्वस्त करू शकतात, तरीही उद्योग तज्ञांचा युक्तिवाद आहे की 'Tokenmaxxing' ची मूळ रणनीती अकार्यक्षम आहे. ज्याप्रमाणे डेव्हलपरने लिहिलेल्या कोडच्या ओळींवरून त्याची उत्पादकता मोजली जाते, त्याचप्रमाणे टोकन व्हॉल्यूमवर लक्ष केंद्रित करणे एक सदोष मापक मानले जात आहे.

गुंतवणूकदारांसाठी मुख्य गोष्ट म्हणजे सॉफ्टवेअर आणि सेवा कंपन्या या अधिक कार्यक्षम AI अंमलबजावणी धोरणांमध्ये संक्रमण करताना त्यांच्या मार्जिनचे व्यवस्थापन कसे करतात हे पाहणे महत्त्वाचे ठरेल. ज्या कंपन्या त्यांच्या AI खर्चाचे यशस्वीपणे ऑप्टिमायझेशन करतील, त्यांना चांगला कॅश फ्लो आणि अधिक स्थिर प्रॉफिट मार्जिन दिसू शकेल, तर जे खर्च नियंत्रित करण्यात अयशस्वी ठरतील त्यांना त्यांच्या बॉटम लाइन्सवर सतत दबाव जाणवू शकतो.