گزارش جدید مککنزی نشان میدهد با ورود هوش مصنوعی مولد (Gen AI) از مرحله آزمایش به استقرار در مقیاس سازمانی، تمرکز شرکتها از چالشهای فنی به ملاحظات اقتصادی استفاده از عاملهای هوش مصنوعی (Agentic AI) تغییر کرده است.
مدیران مالی و مدیران ارشد فناوری اطلاعات اکنون بیش از گذشته خواستار شواهدی هستند که نشان دهد سرمایهگذاری در هوش مصنوعی ارزش تجاری قابل اندازهگیری ایجاد میکند و سازمانها نیز به جای تمرکز صرف بر کاهش هزینههای هوش مصنوعی، در پی اثبات منافع اقتصادی آن هستند. با وجود افزایش استفاده از عاملهای هوش مصنوعی، مککنزی میگوید بسیاری از شرکتها هنوز سازوکار مناسبی برای سنجش تأثیر تصمیمهای مبتنی بر هوش مصنوعی بر نتایج کسبوکار در اختیار ندارند.
مککنزی شش عامل اصلی مؤثر بر هزینههای عملیاتی این سامانهها را معرفی میکند:
- زمینه (context) بلندمدت: وظایف عاملمحور میتوانند تا ۱۰۰۰ برابر بیشتر از وظایف معمول کدنویسی یا چت از توکن استفاده کنند. گزارش تأکید میکند که «قیمتگذاری بر مبنای هر توکن دیگر معیار مفیدی برای آنچه سازمانها واقعا برای Gen AI میپردازند نیست.»
- بازبینی و اصلاح پاسخها: حدود ۶۰ درصد از هزینههای یک وظیفه عاملمحور صرف اصلاح و راستیآزمایی پاسخهای تولیدشده میشود، هزینهای که حتی از تولید پاسخ اولیه هم بیشتر است.
- تغییرپذیری هزینه: سیستمهای خودمختار میتوانند برای یک وظیفه یکسان، بسته به ابزار مورد استفاده، مسیر استدلال انتخابشده و تعداد تلاشهای مجدد، هزینههای متفاوتی ایجاد کنند.
- استدلال پیشرفته برای وظایف ساده: استفاده از استدلال گسترده (extended reasoning) برای مسائل پیچیده ارزشآفرین است، اما در وظایف ساده و روتین هزینه محاسباتی غیرضروری تحمیل میکند.
- هماهنگی عاملها (orchestration): نحوه هماهنگی عاملهای هوش مصنوعی با یکدیگر و با ابزارها و مدلها میتواند تأثیر زیادی بر هزینهها بگذارد؛ تخصیص و هماهنگی کارآمد وظایف میتواند هزینهها را بدون آسیب به نتایج کسبوکاری کاهش دهد.
- ساختار اطلاعات: طراحی پرامپت، طول زمینه، قالببندی و ساختار داده بر میزان مصرف توکن اثر میگذارد. برای نمونه، متن غیرانگلیسی به توکنهای بیشتری در ازای هر واحد معنا تقسیم میشود؛ بنابراین همان گفتوگو در برخی زبانها هزینه بیشتری دارد.
منبع: به نقل از Economic Times، ۱۷ جولای ۲۰۲۶ (بر پایه گزارش مؤسسه مککنزی).
