ਵਧ ਰਹੀਆਂ ਲਾਗਤਾਂ ਅਤੇ ਸੀਮਤ ਉਤਪਾਦਕਤਾ ਕਾਰਨ ਕੰਪਨੀਆਂ AI ਟੋਕਨਾਂ ਦੀ ਜ਼ਿਆਦਾ ਵਰਤੋਂ ਘਟਾ ਰਹੀਆਂ ਹਨ। ਇਹ ਤਬਦੀਲੀ ਬਜਟ-ਅਨੁਕੂਲ AI ਮਾਡਲਾਂ ਅਤੇ ਸਮਾਰਟ ਟਾਸਕ ਰੂਟਿੰਗ ਵੱਲ ਹੈ, ਜਿਸ ਨਾਲ ਅਚਾਨਕ ਵਧ ਰਹੇ ਟੈਕਨਾਲਜੀ ਖਰਚਿਆਂ ਨੂੰ ਕਾਬੂ ਕੀਤਾ ਜਾ ਸਕੇਗਾ।
ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਵਰਤੋਂ ਦੇ ਤਰੀਕੇ ਵਿੱਚ ਇੱਕ ਵੱਡਾ ਬਦਲਾਅ ਆ ਰਿਹਾ ਹੈ। 'ਟੋਕਨਮੈਕਸਿੰਗ' (Tokenmaxxing) ਦਾ ਰੁਝਾਨ, ਜਿੱਥੇ ਕੰਪਨੀਆਂ ਤਰੱਕੀ ਦੇ ਨਿਸ਼ਾਨ ਵਜੋਂ ਵੱਧ ਤੋਂ ਵੱਧ AI ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਪਹਿਲ ਦਿੰਦੀਆਂ ਸਨ, ਹੁਣ ਛੱਡਿਆ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ ਕਦਮ ਇਸ ਲਈ ਚੁੱਕਿਆ ਜਾ ਰਿਹਾ ਹੈ ਕਿਉਂਕਿ ਕੰਪਨੀਆਂ ਨੂੰ ਅਹਿਸਾਸ ਹੋ ਰਿਹਾ ਹੈ ਕਿ ਜ਼ਿਆਦਾ ਵਰਤੋਂ ਹਮੇਸ਼ਾ ਬਿਹਤਰ ਉਤਪਾਦਕਤਾ ਵੱਲ ਨਹੀਂ ਲੈ ਜਾਂਦੀ, ਜਦੋਂ ਕਿ ਇਨ੍ਹਾਂ ਸੇਵਾਵਾਂ ਦਾ ਮਹੀਨਾਵਾਰ ਬਿੱਲ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ।
ਜ਼ਿਆਦਾ ਵਰਤੋਂ ਤੋਂ ਲਾਗਤ ਅਨੁਸ਼ਾਸਨ ਵੱਲ
ਸ਼ੁਰੂ ਵਿੱਚ, ਜ਼ਿਆਦਾ ਟੋਕਨਾਂ ਦੀ ਖਪਤ ਨੂੰ ਸਫਲਤਾ ਦਾ ਮਾਪਦੰਡ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ, ਅਤੇ ਕਈ ਵਾਰ ਇਸਨੂੰ ਟੈਕਨਾਲਜੀ ਖੇਤਰ ਦੇ ਨੇਤਾਵਾਂ ਦੁਆਰਾ ਉਤਸ਼ਾਹਿਤ ਵੀ ਕੀਤਾ ਜਾਂਦਾ ਸੀ। ਹਾਲਾਂਕਿ, ਇਸ ਪਹੁੰਚ ਕਾਰਨ ਅਕਸਰ ਟੈਕਨਾਲਜੀ ਬਜਟ ਵਿੱਚ ਬੇਲੋੜਾ ਵਾਧਾ ਹੋਇਆ, ਜਿਸਨੂੰ ਸਪੱਸ਼ਟ ਵਿੱਤੀ ਲਾਭਾਂ ਦਾ ਸਮਰਥਨ ਪ੍ਰਾਪਤ ਨਹੀਂ ਸੀ। Moody's Ratings ਦੇ ਮਾਹਰਾਂ ਸਮੇਤ ਵਿੱਤੀ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੇ ਨੋਟ ਕੀਤਾ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਹੁਣ ਇਨ੍ਹਾਂ ਲਾਗਤਾਂ ਨੂੰ ਪ੍ਰਬੰਧਿਤ ਕਰਨ ਲਈ ਵਧੇਰੇ ਅਨੁਸ਼ਾਸਿਤ ਨਿਯੰਤਰਣ ਲਾਗੂ ਕਰ ਰਹੀਆਂ ਹਨ। ਮੁੱਖ ਫੋਕਸ ਸਿਰਫ਼ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਹਟ ਕੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਖਰਚੇ ਅਸਲ ਵਪਾਰਕ ਨਤੀਜਿਆਂ ਦੁਆਰਾ ਜਾਇਜ਼ ਠਹਿਰਾਏ ਜਾਣ।
ਅਣ-ਯੋਜਨਾਬੱਧ AI ਖਰਚਿਆਂ ਦੀਆਂ ਚੁਣੌਤੀਆਂ
ਬਹੁਤ ਸਾਰੀਆਂ ਵੱਡੀਆਂ ਸੰਸਥਾਵਾਂ ਲਈ, AI ਦੀਆਂ ਲਾਗਤਾਂ ਚਿੰਤਾ ਦਾ ਵਿਸ਼ਾ ਬਣ ਗਈਆਂ ਹਨ। ਕਿਉਂਕਿ ਟੋਕਨਾਂ ਦੇ ਖਰਚੇ ਕਈ ਵਾਰ ਇੱਕ ਮਹੀਨੇ ਤੋਂ ਅਗਲੇ ਮਹੀਨੇ ਦੁੱਗਣੇ ਹੋ ਸਕਦੇ ਹਨ, ਇਹ ਕਾਰਜਕਾਰੀ ਬਜਟਾਂ 'ਤੇ ਇੱਕ ਵਧਦਾ ਬੋਝ ਪੇਸ਼ ਕਰਦੇ ਹਨ। Microsoft ਅਤੇ Palantir ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਦੇ ਅਧਿਕਾਰੀਆਂ ਨੇ ਇਨ੍ਹਾਂ ਸਾਧਨਾਂ ਦੀ ਉੱਚ ਕੀਮਤ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਦੌਰਾਨ ਡਾਟਾ ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮਾਂ ਬਾਰੇ ਚਿੰਤਾਵਾਂ ਉਠਾਈਆਂ ਹਨ। ਇਸ ਕਾਰਨ ਕੰਪਨੀਆਂ ਨੂੰ ਆਪਣੀ ਰਣਨੀਤੀ 'ਤੇ ਮੁੜ ਵਿਚਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਡਲ ਰੂਟਿੰਗ (model routing) ਨੂੰ ਅਪਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਅਭਿਆਸ ਵਿੱਚ ਆਮ ਕੰਮਾਂ ਲਈ ਸਸਤੇ, ਸਰਲ AI ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਸਿਰਫ਼ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਲਈ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ, ਮਹਿੰਗੇ ਮਾਡਲਾਂ ਨੂੰ ਰਾਖਵਾਂ ਰੱਖਣਾ ਸ਼ਾਮਲ ਹੈ।
ਵਿਕਲਪਕ AI ਮਾਡਲਾਂ ਦੀ ਭੂਮਿਕਾ
ਹਾਈ-ਕੋਸਟ ਪ੍ਰਦਾਤਾਵਾਂ 'ਤੇ ਦਬਾਅ ਵਧਾਉਣ ਦੇ ਨਾਲ-ਨਾਲ, ਵਿਕਲਪਕ AI ਮਾਡਲਾਂ ਤੋਂ ਮੁਕਾਬਲਾ ਵੀ ਵੱਧ ਰਿਹਾ ਹੈ। ਓਪਨ-ਸੋਰਸ ਹੱਲ ਅਤੇ ਨਵੇਂ ਮੁਕਾਬਲੇਬਾਜ਼, ਜਿਵੇਂ ਕਿ Moonshot ਅਤੇ Zhipu ਵਰਗੀਆਂ ਚੀਨੀ ਫਰਮਾਂ ਤੋਂ, ਘੱਟ ਲਾਗਤ 'ਤੇ ਟਾਪ-ਟਾਇਰ ਉਤਪਾਦਾਂ ਵਰਗੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰ ਰਹੇ ਹਨ। ਭਾਵੇਂ ਇਹ ਬਦਲ ਜ਼ਿਆਦਾ ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਸਸਤਾ ਬਣਾ ਸਕਦੇ ਹਨ, ਪਰ ਇੰਡਸਟਰੀ ਮਾਹਰਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ 'ਟੋਕਨਮੈਕਸਿੰਗ' ਦੀ ਬੁਨਿਆਦੀ ਰਣਨੀਤੀ ਅਜੇ ਵੀ ਅਕੁਸ਼ਲ ਹੈ। ਜਿਵੇਂ ਇੱਕ ਡਿਵੈਲਪਰ ਦੀ ਉਤਪਾਦਕਤਾ ਨੂੰ ਉਹਨਾਂ ਦੁਆਰਾ ਲਿਖੀਆਂ ਗਈਆਂ ਕੋਡ ਦੀਆਂ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਮਾਪਣਾ, ਇਸੇ ਤਰ੍ਹਾਂ ਟੋਕਨ ਵਾਲੀਅਮ ਨੂੰ ਤਰਜੀਹ ਦੇਣਾ ਇੱਕ ਨੁਕਸਦਾਰ ਮੈਟ੍ਰਿਕ ਮੰਨਿਆ ਜਾ ਰਿਹਾ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਮੁੱਖ ਨਿਗਰਾਨੀ ਇਹ ਹੋਵੇਗੀ ਕਿ ਸੌਫਟਵੇਅਰ ਅਤੇ ਸੇਵਾ ਕੰਪਨੀਆਂ ਇਨ੍ਹਾਂ ਵਧੇਰੇ ਕੁਸ਼ਲ AI ਲਾਗੂਕਰਨ ਰਣਨੀਤੀਆਂ ਵੱਲ ਵਧਦੇ ਹੋਏ ਆਪਣੇ ਮਾਰਜਿਨਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਬੰਧਿਤ ਕਰਦੀਆਂ ਹਨ। ਜਿਹੜੀਆਂ ਕੰਪਨੀਆਂ ਆਪਣੇ AI ਖਰਚਿਆਂ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਅਨੁਕੂਲ ਬਣਾਉਣਗੀਆਂ, ਉਹ ਬਿਹਤਰ ਕੈਸ਼ ਫਲੋ ਅਤੇ ਵਧੇਰੇ ਸਥਿਰ ਮੁਨਾਫਾ ਮਾਰਜਿਨ ਦੇਖ ਸਕਦੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਜਿਹੜੀਆਂ ਇਨ੍ਹਾਂ ਖਰਚਿਆਂ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿਣਗੀਆਂ, ਉਨ੍ਹਾਂ ਦੇ ਮੁਨਾਫਿਆਂ 'ਤੇ ਲਗਾਤਾਰ ਦਬਾਅ ਬਣਿਆ ਰਹਿ ਸਕਦਾ ਹੈ।