Πολλοί έχουν αφιερώσει τα τελευταία χρόνια στην αναζήτηση απαντήσεων σε θεμελιώδη ερωτήματα σχετικά με την τεχνητή νοημοσύνη: Είναι αποτελεσματική; Μπορεί να βελτιώσει την παραγωγικότητα; Ποια οργανωτικά οφέλη προσφέρει;
Τώρα οι επιχειρήσεις αντιμετωπίζουν ένα νέο ερώτημα που θα καθορίσει τελικά την ικανότητά τους να αναπτύξουν τις δραστηριότητές τους και να παραμείνουν ανταγωνιστικές: Πώς μπορούν να επεκτείνουν τη χρήση της ΤΝ για 20.000 ή περισσότερα άτομα καθημερινά, με κόστος που η εταιρεία μπορεί να αντέξει;
Οι παραδοσιακές μέθοδοι κατάρτισης προϋπολογισμού δεν λειτουργούν πλέον στη σημερινή οικονομία της ΤΝ. Όσο γρήγορα έχει επιταχυνθεί η ΤΝ, τόσο γρήγορα έχουν αυξηθεί και τα κρυφά κόστη της τεχνολογίας.
Κάθε φορά που ένα μοντέλο τεχνητής νοημοσύνης επεξεργάζεται πληροφορίες, το μοντέλο αναλύει το κείμενο ή την εικόνα σε «token», τα οποία πολλοί προμηθευτές χρησιμοποιούν πλέον ως μέτρο για τη χρέωση της χρήσης της τεχνητής νοημοσύνης. Η Gartner ανέφερε τον Αύγουστο του 2026 ότι, ενώ τα μοντέλα τύπου «agentic» εκτελούν πολύ περισσότερες εργασίες από έναν άνθρωπο που χρησιμοποιεί GenAI, απαιτούν 5 έως 30 φορές περισσότερα «token» από ένα τυπικό chatbot GenAI.
Επιπλέον, η πρόκληση του κόστους θα συνεχίσει να αυξάνεται. Είναι δελεαστικό να πιστεύει κανείς ότι η πτώση των τιμών των token θα συμβάλει στη μείωση του κόστους. Ωστόσο, ακόμη και με χαμηλότερο κόστος token, η Gartner προβλέπει ότι η αυξημένη κατανάλωση token θα οδηγήσει σε αύξηση του συνολικού κόστους των συμπερασμάτων.
Ως αποτέλεσμα, τα στελέχη αλλάζουν τον τρόπο με τον οποίο σκέφτονται τους προϋπολογισμούς τους για την τεχνητή νοημοσύνη, με τα «tokenomics» να αποτελούν ένα ολοένα και πιο σημαντικό μέρος της στρατηγικής τους για το κόστος της τεχνητής νοημοσύνης.
Καθώς οι εταιρείες άρχισαν να υπερβαίνουν τους προϋπολογισμούς τους για την τεχνητή νοημοσύνη μόλις λίγους μήνες μετά την έναρξη του 2026, πολλοί έστρεψαν αμέσως την προσοχή τους στη χρήση από τους υπαλλήλους, περιορίζοντας τα token, μια κίνηση που γρήγορα αποδείχθηκε προβληματική. Αυτού του είδους η γενική προσέγγιση ενδέχεται να περιορίσει τους υπαλλήλους όχι μόνο από τη χρήση υπερβολικού αριθμού token για τη δημιουργία μιας εσωτερικής εργασίας, αλλά και από τη χρήση της τεχνητής νοημοσύνης για τον εντοπισμό νέων επιχειρηματικών ευκαιριών που θα μπορούσαν να αποφέρουν έσοδα εκατοντάδων χιλιάδων δολαρίων.
Καθώς τα μικρομεσαίου μεγέθους μοντέλα έχουν βελτιώσει σημαντικά την ακρίβεια και την απόδοσή τους, οι επιχειρήσεις επανεξετάζουν ότι τα φορτία εργασίας τεχνητής νοημοσύνης πρέπει εξ ορισμού να εκτελούνται στο cloud. Η Gartner συνιστά στις εταιρείες να χρησιμοποιούν μικρά, εξειδικευμένα σε συγκεκριμένο τομέα γλωσσικά μοντέλα για ρουτίνες εργασίες υψηλής συχνότητας, τα οποία συνήθως αποδίδουν καλύτερα με ένα κλάσμα του κόστους, ειδικά όταν συντονίζονται με εξειδικευμένες ροές εργασίας. Η έρευνα συνιστά επίσης στους οργανισμούς να περιορίσουν σημαντικά τη χρήση δαπανηρών μοντέλων τεχνολογίας αιχμής και να τα διατηρήσουν για εργασίες σύνθετης συλλογιστικής με υψηλά περιθώρια κέρδους.
Οι οργανισμοί που επιθυμούν να μειώσουν την κατανάλωση ενέργειας και το συνολικό περιβαλλοντικό αποτύπωμα της τεχνητής νοημοσύνης τους στρέφονται όλο και περισσότερο στη χρήση τεχνητής νοημοσύνης επί της συσκευής για αυτά τα μοντέλα, αποφεύγοντας εντελώς το cloud.
Εκτός από τη μείωση του κόστους ανά token, η τεχνητή νοημοσύνη εντός της συσκευής αντιμετωπίζει τις αυξανόμενες ανησυχίες σχετικά με την τεχνητή νοημοσύνη και την κατανάλωση ενέργειας. Η Έκθεση για την Κατανάλωση Ενέργειας των Κέντρων Δεδομένων των ΗΠΑ εκτιμά ότι τα κέντρα δεδομένων θα μπορούσαν να αντιπροσωπεύουν το 9,5% έως 15,3% της συνολικής κατανάλωσης ηλεκτρικής ενέργειας στις ΗΠΑ έως το 2030.
Ενώ τα tokens καθιστούν πολύ εύκολο για τις επιχειρήσεις να υπερβούν τον προϋπολογισμό τους όσον αφορά τα έξοδα τεχνητής νοημοσύνης, η αγορά terminals στις εταιρείες πραγματοποιείται μόνο μία φορά. Στη συνέχεια, οι επιχειρήσεις αποκομίζουν οφέλη για ολόκληρο τον κύκλο ζωής της συσκευής.
Επειδή κάθε επιχείρηση είναι μοναδική, με διαφορετικά πρότυπα χρήσης, προφίλ εργαζομένων και φόρτους εργασίας, δεν υπάρχει μια καθολική φόρμουλα για την αρχιτεκτονική της τεχνητής νοημοσύνης. Αντ’ αυτού, κάθε επιχείρηση πρέπει να δημιουργήσει το δικό της πλαίσιο για την ανάπτυξη της τεχνητής νοημοσύνης σε μεγάλη κλίμακα.
Πολλοί ηγέτες επιχειρήσεων λαμβάνουν αποφάσεις σχετικά με την τεχνητή νοημοσύνη που επηρεάζουν το μέλλον των εταιρειών τους, με στόχο απλώς τη μείωση του κόστους. Οι οργανισμοί που, αντίθετα, εστιάζουν στη δημιουργία μιας αρχιτεκτονικής και μιας διαδικασίας που προσφέρει αξία με βιώσιμο κόστος μπορούν να επιτύχουν αυτό που λίγες άλλες επιχειρήσεις καταφέρνουν: την οικονομικά προσιτή ανάπτυξη της τεχνητής νοημοσύνης σε μεγάλη κλίμακα, όπως αναφέρει το Business Insider.
Διαβάστε ακόμη
ΤτΕ: Τριπλή αύξηση επιτοκίων προβλέπει η αγορά – Ποιες οι επιπτώσεις σε επιχειρήσεις και νοικοκυριά
Σαουδική Αραβία: Χωρίς σύστημα προειδοποίησης το αεροδρόμιο του Ριάντ πριν από τις φονικές επιθέσεις
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφθείτε το Πρώτο ΘΕΜΑ
Σχολίασε εδώ
Για να σχολιάσεις, χρησιμοποίησε ένα ψευδώνυμο.