नवीन रिपोर्टनुसार, कंपन्यांसाठी आता AI केवळ डिप्लॉय (Deploy) करणेच नाही, तर त्यातील सतत होणारे बदल आणि मॉडेल्सचे व्यवस्थापन करणे हे मोठे आव्हान बनले आहे. गुंतवणूकदारांसाठी, आयटी (IT) सेवा आणि कंपन्यांना आता अस्थिर 'टोकन-आधारित' खर्च आणि तांत्रिक स्थलांतराचा सामना करावा लागणार आहे.
AI मॉडेल्सचे व्यवस्थापन बनले कठीण
आर्टिफिशियल इंटेलिजन्स (AI) सोबत प्रयोग करण्याची वेळ आता संपली असून, त्याच्या 'ॲक्टिव्ह लाइफसायकल मॅनेजमेंट'चा (Active Lifecycle Management) काळ सुरू झाला आहे. Straive च्या नवीन रिपोर्टनुसार, कंपन्यांसमोरील सर्वात मोठे आव्हान केवळ AI प्रोडक्शनमध्ये आणणे नाही, तर फाउंडेशन मॉडेल्समध्ये (Foundation Models) होणारे सततचे बदल आणि व्यवहार व्यवस्थापित करणे हे आहे. विशेषतः आयटी (IT) सेवा आणि टेक्नॉलॉजी क्षेत्रातील कंपन्यांसाठी, AI गुंतवणुकीवरील परतावा (Return) मोजण्याची पद्धत आता बदलणार आहे.
मॉडेल स्थलांतराची गुंतागुंत
पूर्वी सॉफ्टवेअर अपडेट्स (Software Updates) सोपे असायचे. पण फाउंडेशन मॉडेल्स पूर्णपणे वेगळे आहेत. जेव्हा एखादे मोठे लँग्वेज मॉडेल (LLM) अपडेट होते, तेव्हा त्याच्या विचार करण्याच्या क्षमतेत, अचूकतेत आणि डेटाशी संवाद साधण्याच्या पद्धतीत मोठे बदल होतात. त्यामुळे एका मॉडेलमधून दुसऱ्या मॉडेलमध्ये जाणे हे साध्या अपडेटसारखे नाही. यासाठी सुरक्षा प्रोटोकॉल (Safety Protocols), डेटा मूल्यांकन (Evaluation Datasets) आणि व्यावसायिक कार्यप्रणाली (Business Workflows) यांचे पूर्णपणे पुनर्मूल्यांकन करावे लागते, जेणेकरून AI विश्वासार्ह राहील.
खर्चातील अस्थिरतेचा धोका
एंटरप्राइजसाठी (Enterprise) सर्वात मोठा आर्थिक धोका म्हणजे 'वापर-आधारित किंमत' (Consumption-based pricing) मधील अनिश्चितता. पारंपरिक सॉफ्टवेअरच्या फिक्स्ड लायसन्स फी (Fixed Licensing Fees) प्रमाणे नाही, तर AI मॉडेल्स अनेकदा 'टोकन्स'च्या (Tokens) वापरावर आधारित आकारले जातात. यामुळे प्रत्येक इंटरॅक्शन (Interaction) खर्चावर परिणाम करते. रिपोर्टमध्ये असे म्हटले आहे की, सेटिंग्जमध्ये (Settings) छोटे बदल केल्यासही खर्चात मोठा फरक दिसू शकतो, जो कधीकधी 4 पट जास्त असू शकतो.
अलीकडील उदाहरणे पाहिल्यास, मॉडेल पिढ्यांमधील (Model Generations) किमतीतील वाढ लक्षणीय आहे. उदाहरणार्थ, Gemini 2.0 Flash वरून Gemini 2.5 Flash वर जाताना इनपुट टोकनचा खर्च $0.10 वरून $0.30 प्रति दशलक्ष (Million) झाला, तर आउटपुटचा खर्च $0.40 वरून $2.50 प्रति दशलक्ष झाला. या किमतीतील चढ-उतारामुळे कंपन्यांना AI बजेटचा अंदाज लावणे कठीण होत आहे. जर आयटी सेवा प्रदाते आणि कंपन्या या खर्चाचे प्रभावीपणे व्यवस्थापन करू शकल्या नाहीत, तर त्यांच्या नफ्यावर (Profitability) आणि मार्जिन्सवर (Margins) दबाव येऊ शकतो.
गुंतवणूकदारांसाठी काय महत्त्वाचे?
टेक्नॉलॉजी (Technology) आणि आयटी (IT) सेवा क्षेत्रातील गुंतवणूकदारांसाठी, 'कंपनीकडे किती AI प्रोजेक्ट्स आहेत' याऐवजी 'कंपन्या मोठ्या प्रमाणावर AI चे किती कार्यक्षमतेने व्यवस्थापन करू शकतात' यावर लक्ष केंद्रित केले जात आहे. ज्या कंपन्या खर्च-कार्यक्षम प्रणाली डिझाइन (Cost-efficient System Design) आणि मजबूत AI लाइफसायकल मॅनेजमेंट प्रक्रिया (AI Lifecycle Management Processes) यांना प्राधान्य देतील, त्यांना त्यांच्या तंत्रज्ञान गुंतवणुकीवर चांगला परतावा मिळण्याची शक्यता आहे.
भविष्यात, एंटरप्राइज लीडरशिप टीम्स (Enterprise Leadership Teams) आणि आयटी सेवा कंपन्या त्यांच्या अर्निंग कॉल्समध्ये (Earnings Calls) AI देखभाल आणि खर्च नियंत्रणासाठी काय रणनीती (Strategy) वापरत आहेत, यावर गुंतवणूकदारांचे लक्ष असेल. कंपन्या मॉडेल स्थलांतराचे धोके कसे हाताळत आहेत आणि केवळ नवीन मॉडेल्सचा वापर न करता, आर्थिक परिणामांचा विचार करून टोकन वापराला कसे ऑप्टिमाइझ (Optimize) करत आहेत, हे पाहणे महत्त्वाचे ठरेल.