भारतातील मोठ्या IT कंपन्या क्लायंटसाठी AI डिप्लॉयमेंट (AI Deployment) अधिक कार्यक्षम करत आहेत. 'टोकन'च्या वाढत्या खर्चामुळे कंपन्यांचे तंत्रज्ञान बिल वाढत आहे. TCS, HCLTech आणि Wipro सारख्या कंपन्या आता खर्च आणि परफॉर्मन्स (Performance) यांचा समतोल साधण्यासाठी हायब्रिड मॉडेल (Hybrid Model) वापरत आहेत, ज्यामुळे साध्या कामांसाठी लहान आणि स्वस्त AI मॉडेल्सचा (AI Models) वापर केला जात आहे.
AI चा वाढता खर्च आणि IT कंपन्यांची नवी वाटचाल
आर्टिफिशियल इंटेलिजन्स (AI) क्षेत्रात एक नवीन आव्हान उभे राहिले आहे, ते म्हणजे 'टोकन'च्या वाढत्या वापरामुळे येणारा खर्च. जसजसे उद्योग त्यांच्या AI उपक्रमांना गती देत आहेत, तसतसे 'टोकन'मध्ये मोजल्या जाणाऱ्या डेटाचे प्रमाण वेगाने वाढत आहे, ज्यामुळे ऑपरेशनल खर्च वाढत आहे. याला प्रतिसाद म्हणून, टाटा कन्सल्टन्सी सर्व्हिसेस (TCS), एचसीएल टेक्नॉलॉजीज (HCL Technologies) आणि विप्रो (Wipro) सारख्या कंपन्या ग्राहकांना एकाच मॉडेलवर अवलंबून न राहता, हायब्रिड किंवा टायर्ड (Tiered) धोरण स्वीकारायला मदत करत आहेत, जेणेकरून हा खर्च अधिक प्रभावीपणे व्यवस्थापित करता येईल.
हायब्रिड AI मॉडेलकडे वाटचाल
सध्याच्या इंडस्ट्रीतील बदलांमध्ये, कमी किमतीत काम करणारी छोटी भाषा मॉडेल्स (Language Models) साधी कामे सोपवण्यासाठी वापरली जात आहेत. तर, मोठी आणि जास्त संसाधने वापरणारी लार्ज लँग्वेज मॉडेल्स (LLMs) केवळ क्लिष्ट कामांसाठी राखीव ठेवली जात आहेत. या दृष्टिकोनाचा उद्देश तंत्रज्ञान बजेट नियंत्रणात ठेवणे आणि त्याच वेळी प्रोजेक्टचा परफॉर्मन्स (Performance) टिकवून ठेवणे हा आहे. मोठ्या IT कंपन्यांच्या अधिकाऱ्यांनी सांगितले की, कॉस्ट ऑप्टिमायझेशन (Cost Optimization) हे आता चीफ फायनान्शियल ऑफिसर्ससाठी (CFOs) एक प्राधान्य बनले आहे, जे AI खर्चातून मिळणाऱ्या प्रत्यक्ष परताव्यावर (ROI) लक्ष केंद्रित करत आहेत.
HCLTech ने विशिष्ट गरजांसाठी योग्य AI मॉडेल्स जुळविण्यासाठी टायर्ड सर्व्हिस स्ट्रक्चर (Tiered Service Structure) सादर केले आहे. त्याचप्रमाणे, विप्रो (Wipro) आणि कॉग्निझंट (Cognizant) सारख्या कंपन्या मापनीय व्यावसायिक परिणाम (Measurable Business Outcomes) देण्याला प्राधान्य देत आहेत, ज्यामुळे जास्त खर्चिक 'वन-साईज-फिट्स-ऑल' (One-size-fits-all) अंमलबजावणीपासून दूर जात आहेत. हे या व्यापक ट्रेंडचे प्रतिबिंब आहे की, कंपन्या पारंपरिक IT पायाभूत सुविधांवरील खर्चाप्रमाणेच AI बिलांचेही बारकाईने मूल्यांकन करत आहेत, जे आर्थिक सावधगिरीमुळे प्रभावित झाले आहे.
IT सेवा आणि व्यावसायिक परिणामांवर परिणाम
भारतीय IT कंपन्यांसाठी, हा बदल एक आव्हान आणि संधी दोन्ही आहे. AI वापराचा वाढलेला वेग सुरुवातीला महसुलासाठी फायदेशीर वाटत असला तरी, 'टोकन' खर्चावर नियंत्रण ठेवण्याच्या दबावामुळे या कंपन्यांना आता चांगली खर्च-कार्यक्षमता (Cost-efficiency) आणि तांत्रिक चपळता (Technical Agility) सिद्ध करावी लागेल. ब्रोकरेज फर्मच्या विश्लेषकांच्या मते, लहान आणि शक्तिशाली मॉडेल्सचे मिश्रण असलेल्या टायर्ड AI स्टॅकवर (Tiered AI Stack) लक्ष केंद्रित केल्याने विशेष सेवांची नवीन मागणी निर्माण होत आहे, विशेषतः डेटा तयारी (Data Preparation) आणि या लहान, कस्टम-निर्मित मॉडेल्सना प्रशिक्षण (Training) देण्याच्या क्षेत्रांमध्ये.
हा धोरणात्मक बदल अशा वेळी आला आहे जेव्हा प्रमुख IT निर्यातदार आव्हानात्मक आर्थिक वर्षाच्या सुरुवातीला नेव्हिगेट करत आहेत. शेअर बाजारातील कामगिरी अनेकदा गुंतवणूकदारांच्या अनिश्चिततेचे प्रतिबिंब दर्शवते की, AI नफा (Margins) किती वेगाने वाढवू शकते. गुंतवणूकदार या कंपन्या कशा प्रकारे उच्च-तंत्रज्ञान AI क्षमतांमध्ये गुंतवणूक करणे आणि नफा राखणे यातील समतोल साधतात यावर लक्ष ठेवून आहेत, कारण ग्राहक अधिक किफायतशीर उपायांसाठी दबाव टाकत आहेत. नफ्यावर होणारा दीर्घकालीन परिणाम IT कंपन्यांच्या कार्यक्षम, स्केलेबल AI इंटिग्रेशन (Scalable AI Integrations) वितरीत करण्याच्या क्षमतेवर अवलंबून असेल, ज्यामुळे त्यांच्या ग्राहकांना स्पष्ट खर्च बचत किंवा उत्पादकता सुधारणा मिळतील. पुढील महत्त्वाचा मुद्दा व्यवस्थापनाच्या टिप्पणीमध्ये असेल की, या AI मॉडेल ऑप्टिमायझेशनचा (AI Model Optimizations) आगामी तिमाही निकालांमध्ये डील मार्जिन (Deal Margins) आणि महसूल वाढीवर (Revenue Growth) कसा परिणाम होतो.