Anthropic-მა ახალი ხელსაწყოები წარადგინა: კომპანიები AI-ზე გაწეული ხარჯების ეფექტურობის კონტროლს შეძლებენ

Anthropic-ის მიერ ინვესტორებისთვის წარდგენილი ფინანსური მონაცემები მოწმობს, რომ კომპანიის AI კოდირების ხელსაწყო, Claude Code, ზუსტად ისეთი ბიზნეს წარმატებაა, როგორსაც ლაბორატორია ისურვებდა. მეორე კვარტალში კომპანიამ საოპერაციო მოგება დააფიქსირა, ხოლო წმინდა შემოსავლის შენარჩუნების მაჩვენებელმა (net revenue retention) 900%-ს მიაღწია. ეს ნიშნავს, რომ იმავე კლიენტების ხარჯები 2025 წლის მესამე კვარტალთან შედარებით, 2026 წლის მესამე კვარტალში ცხრაჯერ გაიზარდა.

Anthropic-ის მთავარი ფოკუსი კორპორაციული მომხმარებლების შენარჩუნებაა. ამ მიზნით, კომპანიამ ანგარიშგების ახალი ხელსაწყოები წარადგინა, რომლებიც კლიენტებს საშუალებას აძლევს, დეტალურად გააანალიზონ ტოკენებზე დახარჯული თანხის სანაცვლოდ მიღებული სარგებელი. შიდა ანალიტიკისა და თანამშრომელთა გამოკითხვების საფუძველზე, მენეჯერებს შეუძლიათ ნახონ გუნდის მუშაობა კონკრეტულ პერიოდში, შესრულებული სამუშაოს მოცულობა, მისი ღირებულება და ის წერტილები, სადაც სამუშაო პროცესი შეფერხდა.

Anthropic აცხადებს, რომ ნაგულისხმევი პარამეტრებით (by default) ამ მონაცემებს მოდელების მოსამზადებლად არ გამოიყენებს. ანგარიშები ასევე მოიცავს რეკომენდაციებს შედეგების გასაუმჯობესებლად. ეს ნაბიჯი აშკარა მცდელობაა, მომხმარებლებს Anthropic-ის ხელსაწყოებში ჩადებული ინვესტიციის უკუგება (ROI) და მისი გაუმჯობესების გზები აჩვენოს — რაც მსხვილი კლიენტებისთვის ერთ-ერთი მთავარი საფიქრალია.

ინვესტიციის უკუგების მართვა და ბიუჯეტირება

გარდა ანალიტიკური ხელსაწყოებისა, Anthropic ქმნის გაერთიანებულ ჯგუფურ ბიუჯეტებს, რაც გუნდებს ტოკენების ხარჯვის უკეთ მართვაში დაეხმარება. ბიზნესები აქტიურად ეძებენ მსგავს ინფორმაციას, რათა განსაზღვრონ, როგორ გამოიყენონ AI ხელსაწყოები ყველაზე ეფექტურად. მიუხედავად იმისა, რომ ვენჩურული კაპიტალის მქონე ფირმები აქტიურად ხარჯავენ ტოკენებს, Fortune 500-ის კომპანიების უმეტესობა AI-ს დანერგვისგან ჯერჯერობით დიდ სარგებელს ვერ ხედავს.

პროგრამული უზრუნველყოფის დეველოპერებისთვის განკუთვნილი ხელსაწყოების მწარმოებელმა კომპანიამ, Jellyfish-მა, გამოაქვეყნა ანგარიში, რომელიც 276,000 მომხმარებლის მიერ აგენტური კოდირების ხელსაწყოების გამოყენებას ეფუძნება. კვლევის მიხედვით, Claude Code და Anthropic-ის მოდელებზე დაფუძნებული სხვა ხელსაწყოები ყველაზე ფართოდ გამოყენებადია და მათზე მოდის განსახილველად წარდგენილი კოდის ცვლილებების თითქმის მესამედი.

რაც კიდევ უფრო მნიშვნელოვანია, ამ ხელსაწყოებზე გაწეული ხარჯები წლის დასაწყისიდან 10-ჯერ გაიზარდა და მათი ღირებულება ახლა მთლიანი საინჟინრო ხარჯების დაახლოებით 2%-ს შეადგენს.

„მაშინაც კი, თუ იტყვით, რომ 2% მცირეა, ეს 10-ჯერადი ზრდა არის ის, რასაც ფინანსური დირექტორების (CFO) უმეტესობა არ გეგმავდა. მივედით იმ წერტილამდე, როდესაც ადამიანები აცნობიერებენ, რომ მხოლოდ ბევრი ფულის დახარჯვა საკმარისი არ არის. ახლა საჭიროა მისი ოპტიმიზაცია და მუშაობის ეფექტურობის უზრუნველყოფა“, — განუცხადა TechCrunch-ს ნიკოლას არკოლანომ, Jellyfish-ის მთავარმა მეცნიერმა.

კონკურენცია და მომხმარებლის შენარჩუნება

Anthropic ლიდერობს კორპორაციულ მომხმარებლებს შორის, თუმცა რთული სათქმელია, კონკრეტულად რა ხდის აგენტურ კოდირების ხელსაწყოს „მიმზიდველს“ გრძელვადიან პერსპექტივაში. OpenAI-ს Astra მოდელის გამოჩენა ზაფხულში Anthropic-ისთვის პოტენციურ საფრთხედ აღიქმებოდა, თუმცა ამას ჯერჯერობით კომპანიის ზრდის ტემპი არ შეუნელებია.

ნიკოლას ალბარანი, Jellyfish-ის AI პროდუქტების ხელმძღვანელი, აღნიშნავს, რომ მიუხედავად იმისა, რომ სოციალურ ქსელებში (X) შეიძლება შეიქმნას შთაბეჭდილება, თითქოს კონკურენცია ძალიან მძაფრია და სხვების მოდელები უკეთესია, რეალობა განსხვავებულია. Anthropic-მა შეძლო კორპორაციული პროცესების სწორად აწყობა და სამუშაო ნაკადების სტანდარტიზება, რაც მომხმარებლისთვის პლატფორმის შეცვლის მიზეზს ამცირებს.

საკითხი მხოლოდ მოდელებსა და სამუშაო პროცესებს არ ეხება. ბიზნეს რეალობა ისეთია, რომ როდესაც მსხვილი ლაბორატორია კლიენტს „მოიხელთებს“, პლატფორმის შეცვლა გაცილებით რთულია, ვიდრე ინდივიდუალური პროგრამისტისთვის ან მცირე ორგანიზაციისთვის. ალბარანი ყურადღებას ამახვილებს იმაზე, რომ AI ლაბორატორიები ინვესტიციას დებენ საინჟინრო გუნდებში (Forward-Deployed Engineering - FDE), რომლებიც კლიენტ კომპანიებში AI კონსულტანტების სახით მუშაობენ.

Anthropic-ის ახალი ანგარიშგების ხელსაწყოები შეიძლება ჩაითვალოს FDE-ს ერთგვარ გამარტივებულ ვერსიად. „მივედით იმ ეტაპამდე, როდესაც ტექნოლოგია საკმარისად მომწიფებულია. მას შემდეგ, რაც სისტემაში ჩაერთვებით, გადასვლა სულ უფრო რთული გახდება, რადგან უკვე დიდი ძალისხმევა გაქვთ დახარჯული. მაშინაც კი, თუ ყველა მოდელი მეტ-ნაკლებად ერთნაირია, მათ მაინც აქვთ მცირე თავისებურებები აგენტებთან მუშაობისას, ამიტომ გადასვლის ღირებულება ნულის ტოლი არ არის“, — დასძენს ალბარანი.