Développement à grande échelle de l'intelligence artificielle : l'urgence d'une nouvelle stratégie économique

الرواية السائدة حول L'intelligence artificielle في المؤسسات تتغير بسرعة من حماس المرحلة التجريبية إلى واقع الإنتاج الصارم. فبينما تتسابق المؤسسات لدمج الذكاء الاصطناعي التوليدي في سير عملها، فإنها تصطدم بعقبة لا تتعلق بقدرات التكنولوجيا بقدر ما تتعلق بكيفية نشر هذه النماذج.

تكتشف الشركات بشكل متزايد أن المشكلة ليست في الذكاء الاصطناعي بحد ذاته، بل في الافتراض بأن كل مهمة تتطلب النموذج الأقوى المتاح. وقد أدى ذلك إلى انتشار ظاهرة “tokenmaxxing” – وهي الميل إلى استخدام النماذج الأكبر والأكثر تكلفة بشكل افتراضي، حتى عندما يمكن لنموذج أصغر وأقل تكلفة إنجاز المهمة.

بدلاً من مطابقة النموذج المناسب للمهمة المناسبة، تفترض العديد من المؤسسات أن كل سير عمل يتطلب قوة استدلالية على مستوى النماذج الرائدة.

هذا الإفراط في هندسة الأتمتة يخلق عبئًا هيكليًا على الربحية. فعندما تتعامل الشركات مع كل مشكلة كما لو كانت تتطلب نموذجًا رائدًا، فإن تكاليف البنية التحتية تتجاوز حتمًا قيمة المخرجات.

يشهد السوق عواقب هذا النهج، مع تقارير تفيد بأن مؤسسات كبرى تستنزف ميزانيات الذكاء الاصطناعي بالكامل في غضون أشهر وتلغي التراخيص الداخلية مع تصاعد التكاليف.

بينما تواجه المؤسسات صدمة تكلفة الذكاء الاصطناعي، يتضح أن الإنفاق على الذكاء الاصطناعي غالبًا ما يتجاوز القيمة الملموسة التي يقدمها. هذا التحدي يتطلب استراتيجيات جديدة، كما نوقش في مقال سابق حول تراجع إنفاق الذكاء الاصطناعي.

تجاوز فخ المشاريع التجريبية

تكمن المشكلة الأساسية في أن نجاح المشاريع التجريبية المعزولة والمتحكم بها غالبًا ما يُعتبر المعيار لمبادرات الذكاء الاصطناعي الحالية في المؤسسات. ففي المشروع التجريبي، تكون المتغيرات محدودة، وتبدو التكلفة لكل عملية قابلة للإدارة. ولكن بمجرد فتح الأبواب للاستخدام على مستوى المؤسسة، يظهر الواقع الفوضوي للإنتاج، والحالات الهامشية، وإعادة المحاولات المتعددة الخطوات، والتقلبات الكبيرة في الحجم.

نظرًا لأن الذكاء الاصطناعي الاحتمالي يولد تكلفة مختلفة لكل تشغيل، فإنه يخلق نفقات غير متوقعة لا تستطيع الأقسام المالية التنبؤ بها. ومع البرمجيات التقليدية، تتوافق الميزانية الثابتة مع تكلفة متوقعة لكل مهمة. أما مع الذكاء الاصطناعي، فإن هذا الاستقرار مفقود. فعندما تكلف نفس العملية دولارًا واحدًا في يوم ومائة دولار في اليوم التالي، لا يمكن إدراجها بأمان ضمن الميزانية التشغيلية.

لهذا السبب، تعترف 80% من المؤسسات بأنها تخطئ في توقعات تكلفة الذكاء الاصطناعي بأكثر من 25%، وأن أكثر من 95% من المشاريع التجريبية للذكاء الاصطناعي التوليدي تفشل في الوصول إلى مرحلة الإنتاج الفعلي. لا تعمل المؤسسات حاليًا على تحسين نسبة التكلفة إلى القيمة؛ بل تكتشف هذه النسبة بالطريقة الصعبة، غالبًا بعد أن يكون الضرر المالي قد وقع بالفعل. وبالنسبة للعديد من القادة، فإن الرافعة الوحيدة المتبقية هي “الاستخدام الأقل”، أي تقييد الاستخدام ou حظر الوصول.

لكن هذا الرد معيب. الصدمة الحقيقية لا تكمن في حجم الفاتورة بحد ذاتها، بل في إدراك أن الأداة الوحيدة المتبقية للإدارة هي تقييد الاستهلاك. فمن خلال ترشيد الوصول، تعترف المؤسسة فعليًا بأن تطبيقها للذكاء الاصطناعي مكلف للغاية بحيث لا يمكن تشغيله على نطاق واسع، مما يحول ميزة تنافسية محتملة إلى تراجع دفاعي.

إعادة التفكير في اقتصاديات الأتمتة

تركز معظم المؤسسات اليوم على تحسين اختيار النموذج، أي تحديد النموذج الذي يجب أن يتعامل مع مهمة معينة، لكن الفرصة الأكبر تكمن في تحسين العمل بحد ذاته. فنظرًا لأن التكاليف تُعاد ضبطها في كل مرة يبدأ فيها طلب من الصفر داخل نموذج كبير، فإن افتراض أن كل مهمة تتطلب نموذج لغة كبير (LLM) من المستوى الرائد LLM سرعان ما يصبح خطأً مكلفًا.

تعمل أدوات التوجيه القياسية على مستوى الطلب: فهي تنظر إلى المهمة الواردة وتوجهها إلى النموذج الذي يبدو مناسبًا، لكن هذا النموذج لا يزال يؤدي المهمة بأكملها كتوليد واحد وغير شفاف. الشيء الوحيد الذي يتم تحسينه هو النموذج الذي يقدم الإجابة، ولا شيء مما ينتج يجعل التشغيل التالي أقل تكلفة. تتطلب قابلية التوسع الحقيقية التعمق خطوة إضافية.

يتطلب هذا التحول نحو هيكلية تمتلك عملية الأعمال بدلاً من الاعتماد كليًا على النموذج الأساسي. فبدلاً من مجرد توجيه العمل إلى نقطة نهاية، يدير هذا النهج المعماري العملية نفسها. إنه يقع فوق النماذج الفردية، ويقسم سير العمل إلى خطوات منفصلة ومدعومة بالتعليمات البرمجية لتوليد مسار تدقيق في كل مرحلة.

هذا الاختيار المعماري الواحد هو ما يفصل التحسين الهيكلي عن إدارة التكاليف السطحية، مما يوفر عمقًا في الكفاءة لا يمكن لأدوات التوجيه التقليدية الوصول إليه. يؤدي هذا التحول إلى هيكل تكلفة أكثر كفاءة. فبدلاً من الاعتماد على نموذج واحد لأداء كل مهمة، يتم توزيع العمليات الحسابية عبر خطوات متخصصة ومدعومة بالتعليمات البرمجية، مما يحسن استخدام الموارد ويغير طريقة تنفيذ سير العمل.

في سير عمل معالجة القروض ذات الحجم الكبير، على سبيل المثال، يحسن هذا النهج الاقتصاديات العامة عن طريق تقليل الاعتماد على استدلال النماذج المكلف حيث لا يكون ضروريًا. يوفر الانتقال نحو هذه الهيكلية المعيارية والموجهة بالعمليات مسارًا مستدامًا لإدارة تكاليف العمليات ذات الحجم الكبير.

نظرًا لأن العملية مفصولة عن أي مزود معين، تحتفظ المؤسسات بمرونة كاملة. يمكنها تطبيق استراتيجيات التحسين بحرية، والتبديل بين نماذج LLM الرائدة، والأوزان مفتوحة المصدر، والنماذج المتخصصة الأصغر مع تطور احتياجات الأداء والتكلفة، دون الحاجة إلى إعادة بناء بنيتها التحتية الأساسية. لمعرفة Plus عن كيفية إدارة تكاليف الذكاء الاصطناعي، يمكنك قراءة مقالنا حول تراجع إنفاق الذكاء الاصطناعي.

ولأن كل عملية تنفيذ تنتج مسارًا محددًا وقابلًا للتدقيق لخطوات التفكير، واستدعاءات الأدوات، والنتائج، تصبح هذه السجلات أصول بيانات قيّمة، مما يحسن البدائل المتخصصة التي تعرف بالفعل كيفية التعامل مع المهام المتوقعة دون اللجوء إلى الاستدعاءات العامة.

رفع القدرات البشرية من خلال الدقة

الهدف من هذا النهج الجديد هو الانتقال Avec l'intelligence artificielle من كونه تجربة محدودة إلى وسيلة قياسية لأداء العمل. عندما تتولى العمالة الرقمية المؤتمتة المهام المعرفية المتكررة، مثل التحقق من البيانات ou تأكيد الإفصاحات، يتغير الدور البشري بالكامل. لم يعد المحللون مضطرين لقضاء يومهم في فتح الملفات يدويًا وإدخال البيانات؛ بل ينتقل تركيزهم إلى الاستثناءات التي تتطلب حكمًا عاليًا، والاستراتيجيات المعقدة، وحل المشكلات الإبداعي.

هذا هو وعد التبني المستدام للذكاء الاصطناعي. من خلال تحويل النفقات غير المتوقعة إلى قاعدة تكلفة معروفة والتركيز على إعادة هندسة سير العمل بدلاً من مجرد تبديل النماذج، يمكن للشركات أخيرًا فتح الأبواب على مصراعيها. يمنح هذا المنظمات مسارًا نحو عائد استثمار مستدام وقابل للقياس مع توسع التبني، مما يمكّن القوى العاملة لديها من التركيز على العمل التقييمي عالي القيمة الذي لا يمكن للتكنولوجيا تكراره.

مستقبل الذكاء الاصطناعي في المؤسسات لن يتحدد بقدرة النموذج وحدها، بل بالقدرة على نشر أنظمة ذكاء اصطناعي متكاملة تجعل التكنولوجيا مجدية اقتصاديًا على نطاق واسع. لقد حان الوقت لترك عصر التجارب غير المستدامة وتبني نهج معماري منضبط لتبني الذكاء الاصطناعي. بالنسبة للمؤسسات المستعدة لتجاوز المرحلة التجريبية، لم يعد التحدي يكمن في إثبات أن الذكاء الاصطناعي يعمل، بل في جعله اقتصاديًا بما يكفي للتوسع.