ტოკენების გადასახადის დრო დადგა: როგორ ცდილობს ინდუსტრია ხელოვნური ინტელექტის უკონტროლო ხარჯების მართვას

ტექნოლოგიურ ინდუსტრიაში კომპანიები ხელოვნური ინტელექტის (AI) მაღალი ფასის გამო უკვე უკან იხევენ. მაგალითად, კომპანია Uber-მა 2026 წლისთვის AI კოდირებისთვის განკუთვნილი მთლიანი ბიუჯეტი მიმდინარე წლის აპრილისთვის უკვე სრულად აითვისა. Microsoft-მა კი საკუთარ დეველოპერებს Claude Code-ის ლიცენზიები მათი გააქტიურებიდან რამდენიმე თვეში გაუუქმა. Priceline-ის თანამშრომელმა TechCrunch-ს განუცხადა, რომ Cursor-ის რუტინული კონტრაქტის განახლება 4-5-ჯერ უფრო ძვირი დაჯდა.

მიუხედავად იმისა, რომ ერთი ტოკენის ფასი შემცირდა, AI-ის ფართო დანერგვამ და სულ უფრო ავტონომიური აგენტების გამოყენებამ ტოკენების მოხმარება მკვეთრად გაზარდა. კომპანიები, რომლებიც 2025 წლის დასაწყისში აქტიურად იყენებდნენ „ყველაფერი რაც გსურთ“ ტიპის გამოწერებს, ახლა ცდილობენ გაარკვიონ, სად მიდის მათი ფული, როგორ შეამცირონ ხარჯები და შესაძლებელია თუ არა ბიუჯეტის ნარჩენებიდან რაიმე სახის ინვესტიციის უკუგების (ROI) მიღება.

პარალელურად, ყალიბდება ახალი ბაზარი ამ პრობლემის მოსაგვარებლად. სტარტაპები, დამკვიდრებული ვენდორები და სტანდარტიზაციის ახალი ორგანოები ცდილობენ კომპანიებს მისცენ ინსტრუმენტები და ენა ხარჯების თვალყურის დევნებისთვის. OpenAI-ის კორპორატიული მიმართულების ხელმძღვანელმა, ალექსანდრე ემბირიკოსმა, ნიუ-იორკში გამართულ ღონისძიებაზე აღნიშნა, რომ თუ ექვსი თვის წინ კლიენტებთან საუბარი AI-ის შესაძლებლობებზე მიდიოდა, ახლა მთავარი კითხვები ხარჯების ხილვადობას, აუდიტს, ტოკენების კონტროლსა და მოდელების ეფექტურობას ეხება.

Tokenomics Foundation: ახალი სტანდარტები ხარჯების კონტროლისთვის

სწორედ ამ ფონზე, Linux Foundation-მა წარადგინა გეგმა Tokenomics Foundation-ის შექმნის შესახებ. ეს არის სტანდარტიზაციის ახალი ორგანო, რომლის მიზანია AI ტოკენების გარშემო ისეთივე ფინანსური დისციპლინის დამყარება, როგორიც FinOps-მა ღრუბლოვანი (cloud) ხარჯებისთვის შექმნა. FinOps Foundation-ის აღმასრულებელი დირექტორის, ჯეი არ სტორმენტის თქმით, კომპანიებისგან სულ უფრო ხშირად ისმის „ეგზისტენციალური კრიზისის“ შესახებ შეტყობინებები, რადგან მათი ხარჯები ბიუჯეტს მრავალჯერ აღემატება.

ინდუსტრიაში საუბარი „ტოკენების მაქსიმიზაციიდან“ და „სწრაფი განვითარებიდან“ გადავიდა „უსაფრთხოების ბარიერებისა და კონტროლის მექანიზმების“ საჭიროებაზე. ეს გამოწვეულია იმით, რომ აღმასრულებელმა დირექტორებმა გუნდებს საუკეთესო მოდელების გამოყენება და სწრაფი მოქმედება მოსთხოვეს, ხარჯების მიუხედავად. ნოემბერში გამოშვებულმა ახალმა მოდელებმა, როგორიცაა Anthropic-ის Claude Opus 4.5, OpenAI-ის GPT-5.1 და Google-ის Gemini 3 Pro, მნიშვნელოვნად გააუმჯობესა აგენტური ხელსაწყოები, რამაც მოხმარება კიდევ უფრო გაზარდა. გავრცელებული ინფორმაციით, ერთ-ერთმა კომპანიამ 500 მილიონი დოლარის ანგარიში მიიღო Claude-ისგან მას შემდეგ, რაც თანამშრომლებისთვის მოხმარების ლიმიტების დაწესება დაავიწყდა.

„ეს ნარკოდამოკიდებულებას ჰგავს. ჯერ გაძლევენ საშუალებას გასინჯო, რომ შეგაჩვიონ, შემდეგ კი მათზე ხდები დამოკიდებული“, — აცხადებს კრის რიდი, Priceline-ის IT ფინანსების უფროსი დირექტორი.

პროდუქტიულობა ხარჯების წინააღმდეგ

Faros AI-ის მიერ ჩატარებულმა კვლევამ აჩვენა, რომ 20,000 დეველოპერს შორის პროდუქტიულობა გაიზარდა, თუმცა გაიზარდა შეცდომების (bugs) და კოდის გადაწერის რაოდენობაც. Jellyfish-ის პლატფორმამ დაადგინა, რომ ინჟინრები, რომლებიც ყველაზე მეტ ტოკენს იყენებდნენ, ორჯერ უფრო პროდუქტიულები იყვნენ, ვიდრე სხვები, თუმცა ამ შედეგის მისაღწევად მათ 10-ჯერ მეტი ტოკენი დახარჯეს.

ხელოვნურ ინტელექტზე დანახარჯების ზრდა დიდწილად აგენტურ ფუნქციებს უკავშირდება. ერთ დეველოპერზე გათვლილი მოხმარება ცხრა თვეში დაახლოებით 18.6-ჯერ გაიზარდა. ეს სტატისტიკა პროდუქტიულობის არგუმენტს უფრო ბუნდოვანს ხდის, რადგან კომპანიების უმეტესობას ჯერ კიდევ არ შეუძლია გაზომოს დაწერილი კოდის რეალური ბიზნეს ღირებულება.

მონაცემთა მასშტაბის პრობლემა

ხარჯების თვალყურის დევნება ტექნიკურადაც რთულია. თუ ღრუბლოვანი ხარჯების მონიტორინგი თვეში ასობით მილიონი სტრიქონის დამუშავებას მოითხოვს, ტოკენების შემთხვევაში საქმე ტრილიონობით სტრიქონთან გვაქვს. ეს მოითხოვს აღრიცხვის სისტემებისა და ინსტრუმენტების ფუნდამენტურ გადააზრებას.

ბაზარზე უკვე ჩნდებიან მოთამაშეები, რომლებიც ამ პრობლემის მოგვარებას ცდილობენ:

• Pay-i: აკონტროლებს, ზომავს და ახდენს GenAI ინვესტიციების ოპტიმიზაციას.
• Paid: საშუალებას აძლევს დეველოპერებს თვალი ადევნონ ხარჯებს და მომხმარებლებს ანგარიში რეალური ღირებულების მიხედვით წარუდგინონ.
• Jellyfish, Waydev და Faros AI: უზრუნველყოფენ AI აგენტების მონიტორინგს ROI-ის დასამტკიცებლად.
• Ramp, Datadog და New Relic: ამატებენ AI ხარჯების მართვისა და GPU მონიტორინგის სერვისებს.

მოსალოდნელია, რომ AWS-იც წარადგენს ახალ ფინანსურ ფუნქციებს, რომლებიც ორიენტირებული იქნება კორპორატიულ AI დანახარჯებზე. ზოგიერთი სტარტაპი, მაგალითად Factory, უკვე იყენებს „მოდელების როუტერს“, რომელიც ავტომატურად ირჩევს ყველაზე ოპტიმალურ და იაფ მოდელს კონკრეტული დავალებისთვის.

მომავლის პერსპექტივა

Tokenomics Foundation გეგმავს შექმნას საერთო ენა და ჩარჩო AI ეკონომიკისთვის, მათ შორის ისეთი მეტრიკები, როგორიცაა „ინტელექტის ღირებულება“ (cost-per-intelligence) ან „ტოკენები ერთ ვატზე“ (tokens-per-watt). ჯგუფის ოფიციალური გაშვება ივლისში იგეგმება.

Goldman Sachs-ის პროგნოზით, 2030 წლისთვის ტოკენების გლობალური მოხმარება 24-ჯერ გაიზრდება. კომპანიებს, რომლებმაც ბიუჯეტს უკვე გადააჭარბეს, გადაწყვეტილებები ახლავე სჭირდებათ. ექსპერტების აზრით, ამ ეტაპზე ყველაზე გონივრული ნაბიჯი AI-ის ზომიერი და ფართო დანერგვაა, ნაცვლად იმისა, რომ ისედაც აქტიურ მომხმარებლებს მოხმარების კიდევ უფრო გაზრდისკენ ვუბიძგოთ.