ਇੱਕ ਨਵੀਂ ਰਿਪੋਰਟ ਸਾਹਮਣੇ ਆਈ ਹੈ ਕਿ ਹੁਣ ਕੰਪਨੀਆਂ ਲਈ AI ਨੂੰ ਸਿਰਫ ਵਰਤੋਂ ਵਿੱਚ ਲਿਆਉਣਾ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਇਸਦੇ ਲਗਾਤਾਰ ਅਪਡੇਟਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਵੀ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਬਣ ਗਿਆ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ (Investors) ਨੂੰ ਹੁਣ IT ਸੇਵਾਵਾਂ ਅਤੇ ਕਾਰਪੋਰੇਟਾਂ ਲਈ ਅਸਥਿਰ ਟੋਕਨ-ਆਧਾਰਿਤ ਲਾਗਤਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਤਕਨੀਕੀ ਮਾਈਗ੍ਰੇਸ਼ਨਾਂ ਤੋਂ ਬਚ ਕੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਮੁੱਲ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣਾ ਹੋਵੇਗਾ।
ਇਹ ਸਮਾਂ ਹੁਣ ਸਿਰਫ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨ ਦਾ ਨਹੀਂ ਰਿਹਾ, ਬਲਕਿ ਇਸਦੇ ਪੂਰੇ ਲਾਈਫਸਾਈਕਲ (Lifecycle) ਦੇ ਪ੍ਰਬੰਧਨ ਦਾ ਯੁੱਗ ਸ਼ੁਰੂ ਹੋ ਗਿਆ ਹੈ। Straive ਦੁਆਰਾ ਜਾਰੀ ਇੱਕ ਨਵੀਂ ਰਿਪੋਰਟ ਦੱਸਦੀ ਹੈ ਕਿ ਅੱਜ ਕਾਰੋਬਾਰਾਂ ਸਾਹਮਣੇ ਮੁੱਖ ਮੁਸ਼ਕਲ AI ਨੂੰ ਪ੍ਰੋਡਕਸ਼ਨ ਵਿੱਚ ਲਿਆਉਣਾ ਨਹੀਂ, ਸਗੋਂ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲਾਂ (Foundation Models) ਵਿੱਚ ਲਗਾਤਾਰ ਹੋ ਰਹੇ ਬਦਲਾਵਾਂ ਅਤੇ ਅਪਡੇਟਸ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੈ। ਇਸ ਬਦਲਾਅ ਦਾ ਸਿੱਧਾ ਅਸਰ ਇਸ ਗੱਲ 'ਤੇ ਪਵੇਗਾ ਕਿ ਕੰਪਨੀਆਂ, ਖਾਸ ਕਰਕੇ IT ਸੇਵਾਵਾਂ ਅਤੇ ਟੈਕਨਾਲੋਜੀ ਸੈਕਟਰ ਵਿੱਚ, ਆਪਣੇ AI ਨਿਵੇਸ਼ਾਂ 'ਤੇ ਰਿਟਰਨ (Return) ਨੂੰ ਕਿਵੇਂ ਮਾਪਣਗੀਆਂ।
ਮਾਡਲ ਮਾਈਗ੍ਰੇਸ਼ਨ ਦੀ ਗੁੰਝਲਤਾ (Complexity of Model Migration)
ਕਈ ਸਾਲਾਂ ਤੱਕ, ਸੌਫਟਵੇਅਰ ਅਪਡੇਟਸ ਆਮ ਤੌਰ 'ਤੇ ਪੂਰਵ-ਅਨੁਮਾਨਯੋਗ (Predictable) ਹੁੰਦੇ ਸਨ। ਡਿਵੈਲਪਰ ਇੱਕ ਨਵਾਂ ਵਰਜਨ ਜਾਰੀ ਕਰਦੇ ਸਨ, ਅਤੇ ਸਿਸਟਮ ਆਮ ਤੌਰ 'ਤੇ ਉਮੀਦ ਮੁਤਾਬਕ ਕੰਮ ਕਰਦਾ ਸੀ। ਹਾਲਾਂਕਿ, ਰਿਪੋਰਟ ਇਸ ਗੱਲ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ ਕਿ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਹਨ। ਜਦੋਂ ਕੋਈ ਪ੍ਰਦਾਤਾ ਇੱਕ ਅਪਡੇਟ ਕੀਤਾ ਹੋਇਆ ਮਾਡਲ ਜਾਰੀ ਕਰਦਾ ਹੈ – ਜਿਵੇਂ ਕਿ ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (LLM) ਦਾ ਨਵਾਂ ਵਰਜਨ – ਤਾਂ ਇਸ ਵਿੱਚ ਅਕਸਰ ਰੀਜ਼ਨਿੰਗ ਸਮਰੱਥਾ (Reasoning Capabilities), ਸ਼ੁੱਧਤਾ (Accuracy), ਅਤੇ AI ਡਾਟਾ ਨਾਲ ਕਿਵੇਂ ਇੰਟਰੈਕਟ ਕਰਦਾ ਹੈ, ਇਸ ਵਿੱਚ ਵੱਡੇ ਬਦਲਾਅ ਆਉਂਦੇ ਹਨ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ ਮਾਡਲ ਜਨਰੇਸ਼ਨ ਤੋਂ ਦੂਜੀ ਵਿੱਚ ਮਾਈਗ੍ਰੇਟ ਕਰਨਾ ਇੱਕ ਆਮ ਅਪਡੇਟ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ ਸੁਰੱਖਿਆ ਪ੍ਰੋਟੋਕੋਲ, ਇਵੈਲੂਏਸ਼ਨ ਡਾਟਾਸੈੱਟ (Evaluation Datasets), ਅਤੇ ਬਿਜ਼ਨਸ ਵਰਕਫਲੋਜ਼ (Business Workflows) ਦਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੁੜ-ਮੁਲਾਂਕਣ ਕਰਨਾ ਪੈਂਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ AI ਭਰੋਸੇਮੰਦ ਰਹੇ।
ਤਰਲ ਲਾਗਤ ਢਾਂਚੇ ਦਾ ਜੋਖਮ (Risk of Fluid Cost Structures)
ਕਾਰਪੋਰੇਟਾਂ ਲਈ ਸਭ ਤੋਂ ਗੰਭੀਰ ਵਿੱਤੀ ਜੋਖਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਵਰਤੋਂ-ਆਧਾਰਿਤ ਕੀਮਤਾਂ (Consumption-based pricing) ਦੀ ਅਨਿਸ਼ਚਿਤਤਾ। ਰਵਾਇਤੀ ਸੌਫਟਵੇਅਰ, ਜਿਸ ਵਿੱਚ ਫਿਕਸਡ ਲਾਇਸੈਂਸਿੰਗ ਫੀਸ ਹੁੰਦੀ ਹੈ, ਦੇ ਉਲਟ, AI ਮਾਡਲ ਅਕਸਰ ਵਰਤੋਂ ਦੇ ਆਧਾਰ 'ਤੇ ਚਾਰਜ ਕਰਦੇ ਹਨ, ਜਿਸਨੂੰ ਟੋਕਨਾਂ (Tokens) ਵਿੱਚ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਲਾਗਤ ਢਾਂਚਾ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਹਰ ਇੰਟਰੈਕਸ਼ਨ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ। ਰਿਪੋਰਟ ਨੋਟ ਕਰਦੀ ਹੈ ਕਿ ਸੈਟਿੰਗਜ਼ ਜਾਂ ਰੀਜ਼ਨਿੰਗ ਡੈਪਥ (Reasoning Depth) ਵਿੱਚ ਛੋਟੇ ਬਦਲਾਵਾਂ ਨਾਲ ਵੀ ਲਾਗਤ ਵਿੱਚ ਵੱਡਾ ਫਰਕ ਆ ਸਕਦਾ ਹੈ – ਕਈ ਵਾਰ ਚਾਰ ਗੁਣਾ ਤੱਕ ਵੱਧ – ਬਿਨਾਂ ਅੰਤਿਮ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਟੀਚਿਆਂ ਵਿੱਚ ਕੋਈ ਬਦਲਾਅ ਕੀਤੇ।
ਹਾਲੀਆ ਉਦਾਹਰਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਮਾਡਲ ਜਨਰੇਸ਼ਨਾਂ ਵਿਚਕਾਰ ਕੀਮਤ ਵਿੱਚ ਵਾਧਾ ਕਾਫ਼ੀ ਹੋ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, Gemini 2.0 Flash ਤੋਂ Gemini 2.5 Flash ਵਿੱਚ ਤਬਦੀਲੀ ਨਾਲ ਇਨਪੁਟ ਟੋਕਨ ਲਾਗਤ $0.10 ਤੋਂ $0.30 ਪ੍ਰਤੀ ਮਿਲੀਅਨ ਅਤੇ ਆਊਟਪੁੱਟ ਲਾਗਤ $0.40 ਤੋਂ $2.50 ਪ੍ਰਤੀ ਮਿਲੀਅਨ ਹੋ ਗਈ। ਇਹ ਕੀਮਤੀ ਉਤਰਾਅ-ਚੜ੍ਹਾਅ ਕੰਪਨੀਆਂ ਲਈ AI ਬਜਟ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਬਣਾਉਂਦੇ ਹਨ। ਜੇਕਰ IT ਸੇਵਾ ਪ੍ਰਦਾਤਾ ਅਤੇ ਕਾਰਪੋਰੇਟ ਇਹਨਾਂ ਵਰਤੋਂ-ਆਧਾਰਿਤ ਲਾਗਤਾਂ ਦਾ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਨ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਤਾਂ ਇਹ ਪ੍ਰੋਜੈਕਟ ਮੁਨਾਫੇਬਾਜ਼ੀ (Project Profitability) ਅਤੇ ਕੁੱਲ ਮਾਰਜਿਨ (Overall Margins) 'ਤੇ ਦਬਾਅ ਪਾ ਸਕਦਾ ਹੈ।
ਨਿਵੇਸ਼ਕਾਂ ਦਾ ਨਜ਼ਰੀਆ: ਕੀ ਟਰੈਕ ਕਰਨਾ ਹੈ?
ਟੈਕਨਾਲੋਜੀ ਅਤੇ IT ਸੇਵਾਵਾਂ ਸੈਕਟਰ ਨੂੰ ਫਾਲੋ ਕਰਨ ਵਾਲੇ ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਫੋਕਸ ਇਸ ਗੱਲ ਤੋਂ ਬਦਲ ਰਿਹਾ ਹੈ ਕਿ 'ਕੋਈ ਕੰਪਨੀ ਕਿੰਨੇ AI ਪ੍ਰੋਜੈਕਟ ਕਰ ਰਹੀ ਹੈ' ਤੋਂ 'ਕੰਪਨੀਆਂ ਕਿੰਨੀ ਕੁਸ਼ਲਤਾ ਨਾਲ AI ਨੂੰ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਪ੍ਰਬੰਧਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ'। ਜਿਹੜੀਆਂ ਕੰਪਨੀਆਂ ਲਾਗਤ-ਕੁਸ਼ਲ ਸਿਸਟਮ ਡਿਜ਼ਾਈਨ (Cost-efficient system design) ਅਤੇ ਮਜ਼ਬੂਤ AI ਲਾਈਫਸਾਈਕਲ ਪ੍ਰਬੰਧਨ ਪ੍ਰਕਿਰਿਆਵਾਂ (Robust AI lifecycle management processes) ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਦੇ ਤਕਨਾਲੋਜੀ ਨਿਵੇਸ਼ਾਂ 'ਤੇ ਬਿਹਤਰ ਰਿਟਰਨ ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।
ਅੱਗੇ ਵਧਦੇ ਹੋਏ, ਮੁੱਖ ਟਰੈਕ ਕਰਨ ਵਾਲੀ ਚੀਜ਼ ਇਹ ਹੋਵੇਗੀ ਕਿ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਲੀਡਰਸ਼ਿਪ ਟੀਮਾਂ ਅਤੇ IT ਸੇਵਾ ਫਰਮਾਂ ਆਪਣੀਆਂ ਕਮਾਈ ਕਾਲਾਂ (Earnings Calls) ਵਿੱਚ AI ਦੇ ਰੱਖ-ਰਖਾਅ ਅਤੇ ਲਾਗਤ ਨਿਯੰਤਰਣ ਲਈ ਆਪਣੀ ਰਣਨੀਤੀ ਬਾਰੇ ਕਿਵੇਂ ਚਰਚਾ ਕਰਦੀਆਂ ਹਨ। ਨਿਵੇਸ਼ਕ ਪ੍ਰਬੰਧਨ ਦੀਆਂ ਟਿੱਪਣੀਆਂ (Management commentary) ਦੇਖ ਸਕਦੇ ਹਨ ਕਿ ਇਹ ਫਰਮਾਂ ਮਾਡਲ ਮਾਈਗ੍ਰੇਸ਼ਨ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਕਿਵੇਂ ਨੈਵੀਗੇਟ ਕਰ ਰਹੀਆਂ ਹਨ ਅਤੇ ਕੀ ਉਹਨਾਂ ਨੇ ਸਿਰਫ ਨਵੀਨਤਮ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਬਜਾਏ, ਟੋਕਨਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਅਨੁਕੂਲ (Optimize) ਬਣਾਉਣ ਲਈ ਢਾਂਚੇ (Frameworks) ਸਥਾਪਿਤ ਕੀਤੇ ਹਨ।