Whalesbook
உற்பத்தித்திறன் முரண்பாடு
Generative AI-யின் ஆரம்பகட்ட உற்சாகம், இப்போது நிறுவனங்களின் நிதிநிலை அறிக்கைகளை உற்றுநோக்க வைத்துள்ளது. சிறிய ப்ராஜெக்ட்களில் இருந்து முழு நிறுவனப் பயன்பாட்டிற்கு AI-ஐ விரிவுபடுத்துவது, எதிர்பாராத செலவினங்களை உருவாக்கியுள்ளது. பெரிய மொழி மாதிரிகள் (Large Language Models) எப்படி விலை நிர்ணயிக்கப்படுகின்றன என்பதே முக்கியப் பிரச்சனையாக உள்ளது: ஒவ்வொரு Prompt மற்றும் Output-க்கும் 'டோக்கன்' அடிப்படையில் கட்டணம் வசூலிக்கப்படுகிறது. பாரம்பரிய மென்பொருள் சந்தாக்களைப் போலல்லாமல், இந்த சிறிய செலவுகள் பல பயனர்களுக்கும் பணிகளுக்கும் வேகமாக அதிகரித்து, கணிக்கப்பட்ட தொழிலாளர் சேமிப்பை பெரும்பாலும் அழித்துவிடுகின்றன.
உள்கட்டமைப்புச் சுமை
மாடல் பயன்பாட்டுக் கட்டணங்களுக்கு அப்பால், வணிகங்கள் குறிப்பிடத்தக்க உள்கட்டமைப்புச் செலவுகளை எதிர்கொள்கின்றன. AI-ஐ திறம்படச் செயல்படுத்த சக்திவாய்ந்த GPU-கள், வலுவான கிளவுட் சேமிப்பு (cloud storage) மற்றும் நம்பகமான API அணுகல் ஆகியவை தேவைப்படுகின்றன. கூடுதலாக, முக்கியத் தரவைப் பாதுகாக்க, சைபர் பாதுகாப்பு (cybersecurity) மற்றும் இணக்க கண்காணிப்பு (compliance monitoring) உள்ளிட்ட உள் நிர்வாகச் செலவுகளும் இதில் அடங்கும். இது இரட்டைச் செலவை உருவாக்குகிறது: AI விற்பனையாளர்களுக்குச் பணம் செலுத்துவது மற்றும் AI-ஐப் பயன்படுத்தக்கூடியதாகவும் பாதுகாப்பாகவும் மாற்ற உள்நாட்டில் முதலீடு செய்வது.
நிதிநிலை அபாயங்கள்
நிறுவன AI-க்கான தற்போதைய நிதி மாதிரி ஆபத்தானது. ஏனெனில், இது உற்பத்தித்திறன் ஆதாயங்கள் நுகர்வுச் செலவுகளைத் தொடர்ந்து மிஞ்சும் என்று கருதுகிறது. இருப்பினும், வரலாறு காட்டுகிறபடி, செயல்திறன் நன்மைகள் பெரும்பாலும் வாடிக்கையாளர்களுக்கு அல்ல, தொழில்நுட்ப வழங்குநர்களுக்கே செல்கின்றன. உயர்தர தனியுரிம மாதிரிகளைப் பயன்படுத்தும் நிறுவனங்கள், விற்பனையாளர்களுடன் பிணைக்கப்பட்டுள்ளன. பயன்பாடு அதிகரிக்கும்போது விலைகளைப் பேச்சுவார்த்தை நடத்த அவர்களுக்கு அதிகாரம் இல்லை. தெளிவான ROI அளவீடுகள் இல்லாததால், பல AI முயற்சிகள் ஊகத்தின் அடிப்படையில் நிதியளிக்கப்படுகின்றன. இது நிறுவனங்களை பாதிக்கக்கூடியது; பொருளாதார மந்தநிலை AI-ஐ அதிகம் சார்ந்திருக்கும் பணிப்பாய்வுகளை சீர்குலைத்து, செலவினங்களைக் குறைக்க கட்டாயப்படுத்தலாம்.
எதிர்காலப் பாதைகள்
வணிகங்கள் இப்போது செலவு-பகுத்தறிவின் (cost-rationalization) ஒரு முக்கிய கட்டத்தில் நுழைகின்றன. பெரிய நிறுவனங்கள், குறைந்த கணினி சக்தி தேவைப்படும் சிறிய, சிறப்பு AI மாதிரிகளை நோக்கி அதிகமாகச் செல்கின்றன. மேலும், விற்பனையாளர் டோக்கன் கட்டணங்களைத் தவிர்க்க, முக்கியமான அல்லது அடிக்கடி நிகழும் பணிகளை ஆன்-பிரமிஸில் (on-premise) கையாளும் கலப்பின வரிசைப்படுத்தல் (hybrid deployment) ஒரு வளர்ந்து வரும் போக்கு ஆகும். இந்த மாற்றம் வெறும் மலிவான விருப்பங்களைக் கண்டுபிடிப்பதை விட, நிலையான வளர்ச்சியை அடைவதைப் பற்றியது. நிதி ஆய்வாளர்கள் இப்போது AI-to-revenue விகிதத்தை மதிப்பிடுகின்றனர், வெறும் விளம்பரத்தால் ஏற்பட்ட மதிப்பீடுகளை விட, செயல்பாட்டுத் திறன் மற்றும் நேரடி அடிமட்ட பாதிப்பில் கவனம் செலுத்துகின்றனர்.