هزینه‌های پنهان هوش مصنوعی سازمانی؛ چرا استقرار مدل‌های زبانی از برآورد اولیه گران‌تر تمام می‌شود؟

شرط اساسی برای موفقیت هر پروژه هوش مصنوعی سازمانی، دسترسی به داده‌های باکیفیت و بودجه‌ای واقع‌بینانه برای نگهداری مداوم آن است. با این حال، در حال حاضر بیشتر سازمان‌ها فاقد این زیرساخت حیاتی هستند و تنها به هزینه‌های اولیه توسعه فکر می‌کنند. همین مسئله باعث شده تا استقرار مدل‌های زبانی بسیار گران‌تر از پیش‌بینی‌ها تمام شود.

گزارش‌های اخیر نشان می‌دهند که شرکت‌ها در محاسبه هزینه‌های واقعی هوش مصنوعی دچار خطای محاسباتی شدیدی شده‌اند. در واقع، بودجه‌بندی تنها بر اساس سخت‌افزار یا هزینه اشتراک نرم‌افزار، یک تصویر ناقص و گمراه‌کننده ارائه می‌دهد. هزینه‌های پنهان به سرعت روی هم انباشته می‌شوند و توجیه اقتصادی پروژه را زیر سؤال می‌برند.

بر اساس تحقیقات موسسه فناوری ماساچوست (MIT)، حدود ۹۵ درصد از پروژه‌های آزمایشی هوش مصنوعی مولد در سازمان‌ها نمی‌توانند بازگشت سرمایه (ROI) ملموسی ایجاد کنند. این شکست معمولاً به دلیل ضعف فناوری نیست، بلکه ناشی از نادیده گرفتن هزینه‌های عملیاتی و عدم طراحی مجدد جریان‌های کاری است.[2]

توهم هزینه اولیه و واقعیت بودجه

بسیاری از مدیران فناوری اطلاعات، بودجه پروژه‌های هوش مصنوعی را بر اساس پیش‌فاکتورهای اولیه فروشندگان تنظیم می‌کنند. اما زمانی که این سیستم‌ها وارد فاز تولید نهایی می‌شوند، هزینه‌های واقعی خود را نشان می‌دهند. این اختلاف قیمت اغلب مدیران ارشد را غافلگیر می‌کند و پروژه‌ها را به تعطیلی می‌کشاند.

داده‌های منتشر شده توسط «دن کامبرلند لبز» (Dan Cumberland Labs) در آگوست ۲۰۲۶ نشان می‌دهد که پروژه‌های هوش مصنوعی در محیط تولید، بین ۳ تا ۵ برابر بیشتر از برآوردهای اولیه فروشندگان هزینه دارند. این افزایش قیمت ناشی از یک هزینه ناگهانی نیست، بلکه مجموعه‌ای از هزینه‌های پیش‌بینی‌نشده است.[3]

در واقع، ۸۵ درصد از سازمان‌ها در برآورد هزینه‌های پروژه‌های هوش مصنوعی خود بیش از ۱۰ درصد خطا دارند. جالب‌تر اینکه تقریباً از هر چهار شرکت، یک شرکت با خطای محاسباتی بیش از ۵۰ درصد مواجه می‌شود. این آمار نشان‌دهنده یک بحران سیستماتیک در برنامه‌ریزی مالی فناوری است.[3]

شرکت مشاوره «نومتک» (Nomtek) در تحلیل خود تأکید می‌کند که هزینه اجرای سال اول یک پروژه، تقریباً برابر با هزینه ساخت اولیه آن است. در یک بازه زمانی سه‌ساله، مجموع هزینه‌ها به دو تا سه برابر هزینه ساخت می‌رسد، زیرا استنتاج، حاکمیت داده و نگهداری، هزینه‌هایی دائمی هستند.[2]

پاک‌سازی داده‌ها؛ چاه ویل بودجه

بیشتر پیش‌بینی‌های مالی از لایه مدل هوش مصنوعی آغاز می‌شوند و کارهایی که باید پیش از اولین پردازش انجام شوند را نادیده می‌گیرند. با این حال، کیفیت خروجی هر مدل زبانی مستقیماً به داده‌هایی بستگی دارد که با آن‌ها تغذیه شده است. داده‌های کثیف و ساختارنیافته، بزرگترین دشمن هوش مصنوعی هستند.

سازمان‌ها باید سرمایه‌گذاری عظیمی در پاک‌سازی، برچسب‌گذاری و حاکمیت داده‌ها انجام دهند تا از دقت و انطباق خروجی‌ها اطمینان حاصل کنند. این فرآیند یک سرمایه‌گذاری یک‌باره نیست، بلکه نیازمند پالایش مداوم و همگام‌سازی با منطق در حال تغییر کسب‌وکار است.

ایزابل آلمیدا، مدیر ارشد تحول در شرکت «ناو نکست لیتر» (Now Next Later AI)، در این باره می‌گوید: «هر قطعه داده‌ای که توسط یک مدل دریافت می‌شود، در تعیین رفتار آن نقش دارد. انصاف، شفافیت و جامع بودن داده‌ها مستقیماً در خروجی‌های مدل‌های زبانی منعکس می‌شود.»[1]

به همین دلیل است که طبق برآوردهای مختلف، آماده‌سازی داده‌ها می‌تواند بین ۳۰ تا ۷۰ درصد از کل هزینه یک پروژه هوش مصنوعی را به خود اختصاص دهد. در محیط‌های به شدت تنظیم‌شده مانند بانکداری یا بهداشت و درمان، این هزینه‌ها به دلیل الزامات قانونی حتی بیشتر هم می‌شوند.[1]

هزینه‌های پنهان استنتاج و زیرساخت

پس از استقرار مدل، هزینه استنتاج (Inference) یا همان پردازش درخواست‌های کاربران، به سرعت به بزرگترین بخش هزینه‌ها تبدیل می‌شود. برخلاف نرم‌افزارهای سنتی که استفاده بیشتر از آن‌ها تأثیر مالی محدودی دارد، در مدل‌های زبانی هر پرسش و پاسخ و هر توکن تولید شده، هزینه مستقیمی در بر دارد.[1]

گزارش جدید موسسه ارزش تجاری آی‌بی‌ام (IBM) نشان می‌دهد که میانگین هزینه‌های پردازشی بین سال‌های ۲۰۲۳ تا ۲۰۲۵ حدود ۸۹ درصد افزایش یافته است. هفتاد درصد از مدیران اجرایی تأیید کرده‌اند که هوش مصنوعی مولد عامل اصلی این افزایش شدید در هزینه‌های زیرساختی بوده است.[6]

انتخاب معماری استقرار نیز تأثیر شگرفی بر هزینه‌های بلندمدت دارد. استفاده از رابط‌های برنامه‌نویسی (API) مدیریت‌شده در ابتدا ارزان‌تر و ساده‌تر به نظر می‌رسد، اما در مقیاس بالا، هزینه‌های مبتنی بر مصرف به شدت افزایش می‌یابند. این انتخاب نیازمند تحلیل دقیق حجم درخواست‌ها است.

به عنوان مثال، هزینه استفاده از یک مدل ۷۰ میلیارد پارامتری در یک دوره چهار ساله، در صورت استقرار در زیرساخت داخلی (On-prem) حدود ۶.۹ میلیون دلار است. همین مدل در فضای ابری ۱۸.۸ میلیون دلار و از طریق API حدود ۲۹.۳ میلیون دلار هزینه در پی خواهد داشت.[1]

امنیت، انطباق و جریمه‌های قانونی

کنترل‌های امنیتی پیرامون مدل‌های هوش مصنوعی، هزینه‌های قابل‌توجهی را فراتر از هزینه‌های صدور مجوز به سازمان تحمیل می‌کنند. ارزیابی‌های امنیتی، آزمایش آسیب‌پذیری‌ها و استقرار مجدد ابزارهای هوش مصنوعی، نیازمند زیرساخت‌ها و استعدادهای گران‌قیمتی هستند که اغلب در بودجه‌بندی اولیه لحاظ نمی‌شوند.

قوانین جدید مانند قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) ریسک‌های مالی را به شدت افزایش داده‌اند. جریمه‌های مربوط به شیوه‌های ممنوعه هوش مصنوعی می‌تواند تا ۷ درصد از گردش مالی سالانه جهانی یک شرکت یا ۳۵ میلیون یورو برسد.[8]

برای یک شرکت با درآمد ۱۰ میلیارد دلاری، این جریمه معادل ۷۰۰ میلیون دلار خواهد بود. بنابراین، ایجاد چارچوب‌های حاکمیتی و انطباق قانونی دیگر یک انتخاب نیست، بلکه یک الزام حیاتی است که خود هزینه‌های عملیاتی سالانه بین ۳۰ هزار تا بیش از ۱۰۰ هزار دلار به همراه دارد.[2][8]

پدیده «هوش مصنوعی سایه» (Shadow AI) یکی دیگر از عوامل افزایش هزینه‌های پنهان است. زمانی که فرآیندهای مرکزی فناوری اطلاعات به کندی پیش می‌روند، تیم‌های مختلف سازمان به صورت مستقل اقدام به خرید و استفاده از ابزارهای هوش مصنوعی می‌کنند که منجر به هزینه‌های موازی و کنترل‌نشده می‌شود.[5]

علاوه بر هزینه‌های مالی، مصرف انرژی و ردپای کربن مدل‌های زبانی نیز به یک چالش جدی تبدیل شده است. آموزش و استنتاج مدل‌های بزرگ نیازمند سرورهای قدرتمندی است که برق بسیار زیادی مصرف می‌کنند و هزینه‌های پنهانی را در قالب قبوض انرژی و مالیات‌های زیست‌محیطی به سازمان تحمیل می‌کنند.[6]

نیروی کار و تغییر شکل وظایف

یکی از بزرگترین خطاهای محاسباتی در مدل‌های بازگشت سرمایه، نادیده گرفتن هزینه‌های پنهان نیروی کار است. معیارهایی مانند «ساعات صرفه‌جویی شده» فرض می‌کنند که با اتوماسیون، کار به طور کامل ناپدید می‌شود. اما در واقعیت، ماهیت کار تغییر می‌کند و اغلب به سمت کارمندان ارشدتر و گران‌تر سوق می‌یابد.[4]

تحقیقات شرکت «ورک‌دی» (Workday) نشان می‌دهد که سازمان‌ها نزدیک به ۴۰ درصد از دستاوردهای بهره‌وری مورد انتظار خود را از دست می‌دهند. دلیل این امر، زمانی است که کارمندان باید صرف اصلاح و ویرایش خروجی‌های بی‌کیفیت یا نادرست مدل‌های هوش مصنوعی کنند.[4]

علاوه بر این، کمبود متخصصان مسلط به هوش مصنوعی باعث افزایش شدید دستمزدها شده است. یک تیم کوچک متشکل از دو تا سه متخصص یکپارچه‌سازی و بهینه‌سازی مدل، می‌تواند سالانه بیش از ۵۰۰ هزار دلار برای سازمان هزینه داشته باشد. این رقم با پیچیده‌تر شدن سیستم‌ها افزایش می‌یابد.[1]

برای کنترل این هزینه‌های سرسام‌آور، استفاده از تکنیک‌های فشرده‌سازی و بهینه‌سازی مدل‌ها ضروری است. روش‌هایی مانند کوانتیزه‌سازی (Quantization) می‌توانند هزینه‌های پردازشی را بین ۴۰ تا ۸۰ درصد کاهش دهند، در حالی که افت دقت مدل در این حالت بسیار ناچیز و قابل چشم‌پوشی است.

همچنین، انتخاب اندازه مناسب مدل برای هر وظیفه خاص، تأثیر مستقیمی بر بازگشت سرمایه دارد. بسیاری از کارهای اداری نیازی به مدل‌های غول‌پیکر ندارند؛ یک مدل ۷ میلیارد پارامتری با دقت ۹۲ درصد، بسیار ارزان‌تر از مدل‌های پیشرفته‌ای است که تنها ۳ درصد دقت بیشتری ارائه می‌دهند.

چارچوب محاسبه بازگشت سرمایه

برای دستیابی به بازگشت سرمایه واقعی، سازمان‌ها باید نحوه انجام کار در کنار فناوری را از نو طراحی کنند. اضافه کردن هوش مصنوعی به فرآیندهای ناکارآمد قدیمی، تنها باعث افزایش هزینه‌ها می‌شود. طراحی مجدد نیروی کار و جریان‌های کاری، عامل تعیین‌کننده در موفقیت این پروژه‌ها است.[4]

مدیران مالی باید زیرساخت‌هایی ایجاد کنند که پیش از تبدیل شدن هزینه‌های پنهان به ضررهای جبران‌ناپذیر، دید کاملی نسبت به آن‌ها ارائه دهند. استفاده از پلتفرم‌های یکپارچه امنیتی و حاکمیتی، به تیم‌ها کمک می‌کند تا ریسک‌های مدیریت‌نشده را محدود کرده و هزینه‌های موازی را کاهش دهند.[8]

در نهایت، موفق‌ترین سازمان‌ها آن‌هایی هستند که به جای پیاده‌سازی‌های گسترده و پرریسک، بر روی بردهای کوچک تمرکز می‌کنند. آن‌ها یک جریان کاری با ارزش بالا را انتخاب کرده، آن را بهینه‌سازی می‌کنند و پس از اثبات بازگشت سرمایه، از آن برای تأمین مالی طرح‌های بعدی بهره می‌برند.[3]