இந்தியாவின் முன்னணி IT நிறுவனங்களான TCS, HCLTech, Wipro ஆகியவை, வாடிக்கையாளர்களின் AI தேவைகளை நிர்வகிப்பதில் புதிய சவாலை சந்தித்து வருகின்றன. AI-ல் டோக்கன் பயன்பாடு அதிகரிப்பதால் ஏற்படும் செலவு உயர்வைக் கட்டுப்படுத்த, செலவு குறைந்த மற்றும் செயல்திறன் மிக்க கலப்பு (Hybrid) மாடல் யுக்திகளை இப்போது செயல்படுத்துகின்றன.
AI-ல் டோக்கன் செலவுகள் ஒரு புதிய சவால்
தற்போது, பெரிய நிறுவனங்கள் AI தொழில்நுட்பத்தைப் பயன்படுத்துவது அதிகரித்து வருகிறது. இதனால், தரவுகளைப் பகுப்பாய்வு செய்யப் பயன்படுத்தப்படும் 'டோக்கன்கள்' (Tokens) அதிக அளவில் தேவைப்படுகின்றன. இந்த டோக்கன்களின் அதிகப்படியான பயன்பாடு, நிறுவனங்களின் தொழில்நுட்பச் செலவுகளை கணிசமாக உயர்த்தியுள்ளது. இந்தச் சூழலைச் சமாளிக்க, Tata Consultancy Services (TCS), HCL Technologies, மற்றும் Wipro போன்ற முன்னணி IT நிறுவனங்கள், வாடிக்கையாளர்களுடன் இணைந்து, ஒரே ஒரு பெரிய AI மாடலைப் பயன்படுத்துவதற்குப் பதிலாக, பலதரப்பட்ட AI மாடல்களை (Hybrid or Tiered Strategy) பயன்படுத்தும் புதிய யுக்திகளுக்கு மாறியுள்ளன.
கலப்பு AI மாடல் யுக்திக்கு மாறுதல்
இந்த புதிய யுக்தியின்படி, அன்றாட மற்றும் அதிக சிக்கலில்லாத வேலைகளை, குறைந்த செலவுள்ள சிறிய AI மாடல்கள் மூலம் செய்யப்படுகின்றன. அதிக கணினி சக்தி தேவைப்படும் முக்கிய மற்றும் சிக்கலான பணிகளுக்கு மட்டும், பெரிய மற்றும் சக்திவாய்ந்த Large Language Models (LLMs) பயன்படுத்தப்படுகின்றன. இதன் மூலம், தொழில்நுட்ப பட்ஜெட்டை கட்டுப்பாட்டில் வைத்திருக்கும் அதே வேளையில், திட்டங்களின் செயல்திறனையும் உறுதி செய்ய முடியும். முக்கியமாக, Chief Financial Officers (CFOs) AI பயன்பாட்டில் இருந்து கிடைக்கும் முதலீட்டின் மீதான வருவாயை (ROI) அதிகம் வலியுறுத்துவதால், இந்த செலவு மேலாண்மை ஒரு முக்கிய முன்னுரிமையாக மாறியுள்ளது.
HCLTech நிறுவனம், வாடிக்கையாளர்களின் குறிப்பிட்ட தேவைகளுக்கு ஏற்ப, பலதரப்பட்ட AI மாடல்களை வழங்கும் ஒரு படிநிலை சேவை கட்டமைப்பை (Tiered Service Structure) அறிமுகப்படுத்தியுள்ளது. இதேபோல், Wipro மற்றும் Cognizant போன்ற நிறுவனங்களும், அதிக செலவு பிடிக்கும் 'எல்லாவற்றுக்கும் ஒரே தீர்வு' (One-size-fits-all) அணுகுமுறையிலிருந்து மாறி, அளவிடக்கூடிய வணிக முடிவுகளை (Measurable Business Outcomes) மையமாகக் கொண்ட சேவை விநியோகத்தை சரிசெய்து வருகின்றன. பொருளாதார மந்தநிலை குறித்த அச்சம் காரணமாக, நிறுவனங்கள் தங்களது AI செலவினங்களையும், பாரம்பரிய IT உள்கட்டமைப்பு செலவினங்களையும் உன்னிப்பாகக் கவனித்து வருகின்றன.
IT சேவைகள் மற்றும் வணிக முடிவுகளில் தாக்கம்
இந்திய IT நிறுவனங்களுக்கு, இந்த மாற்றம் ஒரு சவாலாகவும் அதே சமயம் ஒரு வாய்ப்பாகவும் அமைந்துள்ளது. AI பயன்பாட்டில் ஏற்பட்ட திடீர் வளர்ச்சி ஆரம்பத்தில் வருவாய்க்குச் சாதகமாக இருந்தாலும், டோக்கன் செலவுகளைக் கட்டுப்படுத்தும் அழுத்தம் காரணமாக, இந்த நிறுவனங்கள் இப்போது மேம்பட்ட செலவுத் திறன் மற்றும் தொழில்நுட்ப சுறுசுறுப்பை வெளிப்படுத்த வேண்டிய கட்டாயத்தில் உள்ளன. தரவு தயாரிப்பு (Data Preparation) மற்றும் தனிப்பயனாக்கப்பட்ட சிறிய AI மாடல்களைப் பயிற்றுவித்தல் போன்ற சிறப்பு சேவைகளுக்கான புதிய தேவையை இந்த கலப்பு AI மாதிரி யுக்தி உருவாக்குகிறது என ஆய்வாளர்கள் தெரிவிக்கின்றனர்.
தற்போதைய நிதி ஆண்டின் தொடக்கத்தில், முக்கிய IT ஏற்றுமதியாளர்கள் ஒரு சவாலான சூழலை எதிர்கொண்டுள்ளனர். AI தொழில்நுட்பம் எவ்வளவு விரைவாக லாப வரம்புகளை (Profit Margins) அதிகரிக்கும் என்பது குறித்த முதலீட்டாளர்களின் நிச்சயமற்ற தன்மையை பங்குச் சந்தை செயல்திறன் பிரதிபலிக்கிறது. அதிக-செயல்திறன் கொண்ட AI திறன்களில் முதலீடு செய்வதற்கும், வாடிக்கையாளர்கள் செலவு குறைந்த தீர்வுகளை வலியுறுத்தும் போது லாப வரம்புகளைப் பராமரிப்பதற்கும் இடையிலான சமநிலையை இந்த நிறுவனங்கள் எவ்வாறு கையாளுகின்றன என்பதை முதலீட்டாளர்கள் உன்னிப்பாகக் கவனித்து வருகின்றனர். எதிர்கால காலாண்டு முடிவுகளில், இந்த AI மாடல் மேம்படுத்தல்கள், ஒப்பந்த லாபங்கள் மற்றும் வருவாய் வளர்ச்சியை எவ்வாறு பாதிக்கின்றன என்பதைப் பொறுத்தே இதன் நீண்டகால லாபத் தாக்கம் அமையும்.