Стрімкий розвиток та впровадження штучного інтелекту в корпоративну інфраструктуру на початку року супроводжувалися сумнівною тенденцією, відомою як токенмаксинг, коли працівники змушені були генерувати штучну активність та давати нейромережам довільні завдання лише заради виконання спущених зверху нормативів. Проте перші ж масштабні рахунки за використання інноваційних технологій змусили бізнес докорінно переглянути свої стратегії, змінивши сліпе захоплення на прагматичну економію та ретельне планування витрат. Попри ці спроби адаптації, точне прогнозування бюджетів на штучний інтелект залишається надзвичайно складним завданням для більшості сучасних компаній через непередбачуваність поведінки алгоритмів.
Економічні парадокси сучасної токеноміки
Фінансова непередбачуваність штучного інтелекту зумовлена тим, що цифрові моделі у своїй роботі дедалі більше нагадують живих людей: вони самостійно ухвалюють рішення, аналізують контекст, допускають помилки та іноді повністю провалюють поставлені завдання, продовжуючи спалювати ресурс під час додаткових ітерацій. Як свідчать результати нещодавніх досліджень ринку, фінансові показники виглядають доволі тривожно:
- лише одинадцять відсотків із приблизно чотирьохсот опитаних підприємств змогли заздалегідь точно спрогнозувати свої витрати на штучний інтелект;
- тринадцять відсотків компаній помилилися у власних розрахунках майже на п’ятдесят відсотків;
- тридцять дев’ять відсотків респондентів схибили на показник від одинадцяти до двадцяти п’яти відсотків;
- тридцять п’ять відсотків організацій продемонстрували похибку у межах від двадцяти шести до п’ятдесяти відсотків.
“Unlike traditional software, AI behaves more like a human worker: It takes action, makes decisions, sometimes even makes mistakes—all on the clock”, — зазначається у масштабному аналітичному звіті щодо труднощів корпоративного бюджетування технологій.
Пастка дешевих моделей
Особливу увагу дослідники приділяють міфу про те, що використання менш потужних та дешевших моделей неминуче призводить до економії коштів. Масштабний експеримент, проведений провідними науковцями із Стенфордського університету, Університету Карнегі-Меллона, Каліфорнійського університету в Берклі спільно з фахівцями Microsoft Research, продемонстрував вельми неочікувані результати під час тестування понад шість тисяч завдань.
- У тридцяти двох відсотках випадків загальний рахунок за використання дешевеньких моделей виявлявся суттєво вищим, ніж залучення дорожчих та потужніших альтернатив.
- Причиною цього стає так зване надмірне обдумування та більша кількість кроків або агентних циклів, які робить простіша система для досягнення результату.
- Яскравим прикладом стало порівняння моделей Google, де дешевша Gemini Flash під час аналізу відеокадру витратила майже тисячу дій на суму чотирнадцять доларів і зазнала невдачі, тоді як дорожча Gemini Pro успішно впоралася із завданням за вісімдесят п’ять кроків вартістю всього в один долар.
На думку експертів, подібні ситуації виникають через те, що економія на номінальній вартості токенів часто нівелюється неефективністю виконання складних запитів. Корпораціям доводиться вибудовувати нові підходи до управління витратами, залучаючи фахівців з токеноміки та впроваджуючи суворий контроль за реальним споживанням ресурсів у режимі реального часу.
