תקציב טוקנים לעובד: EY ממנה אחראי על עלויות הבינה המלאכותית

עד לא מזמן, השאלה שהעסיקה את הנהלות החברות הגדולות הייתה כמה מהר אפשר להכניס בינה מלאכותית לארגון. עובדים קיבלו גישה למודלים, מחלקות השיקו פיילוטים וחברות השקיעו סכומים גדולים בתשתיות, תוכנות וכוח חישוב. ככל שהשימוש מתרחב, מתחיל להגיע גם החשבון - ולעתים הוא גבוה מכפי שהחברות ציפו.

בתקופה האחרונה מתפתחת בארגונים שכבת ניהול חדשה שתפקידה להבין כמה באמת עולה ה-AI, מי צורך אותו, אילו משימות מצדיקות שימוש במודלים היקרים יותר ובעיקר - האם ההשקעה מייצרת חיסכון או הכנסה שמצדיקים אותה? אחת הדוגמאות לכך מגיעה מפירמת הייעוץ EY, שמגייסת לתפקיד חדש שכמעט לא היה קיים עד לאחרונה: "ראש כלכלת האג'נטים".

בעל התפקיד צפוי לפקח על מערך הולך וגדל של סוכני AI - תוכנות שמסוגלות לבצע משימות באופן עצמאי או כמעט עצמאי - ולהוביל משרד חדש, שמטרתו תהיה לתת להנהלה תמונה כוללת של המקומות שבהם ההשקעות בבינה מלאכותית מייצרות ערך עסקי מדיד. האדם הנושא בתפקיד ידווח לשותף המנהל הגלובלי לענייני תפעול עסקי, אנתוני קטרינו.

המינוי אולי נשמע כמו עוד תואר שנולד בגל ה-AI, אבל מאחוריו מסתתרת משימה מוכרת מאוד לכל סמנכ"ל כספים: לשלוט בהוצאות, למדוד תפוקה ולהחליט היכן כדאי להשקיע עוד והיכן ההוצאה אינה מצדיקה את עצמה.

לכתבות על מניות מומלצות.

אחרי ההטמעה מגיע החשבון

המינוי מסמן שינוי בשלב שבו נמצאות חברות גדולות מול הטכנולוגיה. אחרי תקופה של הטמעת AI מהירה, השאלה עוברת בהדרגה ל"כמה הוא עולה ומה הוא מחזיר". הסיבה פשוטה: קל יחסית להציג פיילוט מוצלח, להראות שעובד סיים משימה מהר יותר או לדווח לכמה עובדים נפתחה גישה למודל. קשה הרבה יותר להוכיח שהשיפור הזה מתגלגל בסופו של דבר לחיסכון בהוצאות או לגידול בהכנסות.

סקר של חברת הייעוץ ביין מיוני מצא כי רוב החברות חסכו פחות כסף מכפי שציפו מהשימוש בבינה מלאכותית. גם מחקרים נוספים הצביעו על פער בין קצב האימוץ המהיר לבין היכולת של ארגונים לתרגם את הטכנולוגיה לערך כספי מדיד.

מבחינת הנהלה, זהו הבדל מהותי. אם עובד מסיים משימה בשעתיים במקום בשלוש, החברה עדיין צריכה להבין מה נעשה בשעה שהתפנתה. אם הוא מבצע יותר עבודה, מטפל ביותר לקוחות או מאפשר לחברה לצמצם הוצאות - יש לכך ערך שניתן למדוד. אם הזמן שנחסך פשוט מתפזר למשימות אחרות, השיפור בפרודוקטיביות אינו בהכרח מופיע בדוח הכספי.

דן דיאסיו, שמוביל את תחום הבינה המלאכותית בייעוץ הגלובלי של EY, הסביר כי המשרד החדש נועד להעניק להנהלה "ראות מקצה לקצה על היכן וכיצד ההשקעות שלנו בבינה מלאכותית מייצרות השפעה מהותית ומוחשית בעסק שלנו".

במילים אחרות, הבינה המלאכותית מתחילה לקבל יחס דומה לכל סעיף השקעה גדול אחר. אם חברה מוציאה סכומים הולכים וגדלים על כוח חישוב, מודלים ורישיונות תוכנה, מישהו צריך לדעת מה התשואה שהיא מקבלת על ההוצאה הזאת.

• הריצה הבאה אל הבנק יכולה להגיע מה-AI, בלי פאניקה ובלי תור בסניף
• מנכ"ל מונגוDB עוזב אחרי פחות משנה לטובת מטא - והמניה צונחת 17%

איך נראה תקציב טוקנים בפועל

אחד המקומות שבהם השינוי כבר מורגש הוא ברמת העובד הבודד. באפריל החלה EY להקצות תקציבי טוקנים לעובדים בתחומים שבהם צריכת הבינה המלאכותית גבוהה במיוחד, ובהם פיתוח תוכנה.

טוקן הוא יחידת המדידה הבסיסית של העבודה שמבצע מודל שפה. עבור המשתמש הפרטי המנגנון כמעט בלתי נראה, אבל בארגון שבו אלפי או עשרות אלפי עובדים שולחים שאילתות, מנתחים מסמכים, כותבים קוד ומפעילים סוכני AI, הטוקנים מצטברים במהירות לחשבון ממשי.

התקציב נועד לוודא שעובדים משתמשים ברמת המודל שמתאימה למשימה. לא כל פעולה דורשת את המודל החזק והיקר ביותר. סיכום של מסמך פשוט, למשל, עשוי להתבצע באמצעות מודל קטן וזול יחסית, בעוד שמשימת תכנות מורכבת יכולה להצדיק שימוש במודל מתקדם ויקר יותר. עובד שחורג מהמכסה שהוקצתה לו נדרש לקבל אישור לתוספת.

המשמעות היא שצריכת AI מתחילה להפוך ממשאב שעובדים כמעט אינם חושבים על מחירו לסעיף תקציבי שמנוהל ברמת העובד והמחלקה. מבחינת ההנהלה, השאלה עברה מ"כמה עובדים משתמשים בבינה מלאכותית?" ל-"כמה עולה השימוש שלהם ומה הוא מייצר?".

כשה-AI מתחיל להיראות כמו חשבון חשמל

הצורך בבקרה גדל ככל שיותר שירותי AI מתומחרים לפי שימוש. במקום לשלם מחיר קבוע וידוע מראש על רישיון תוכנה, ארגון עשוי לשלם בהתאם למספר הטוקנים שנצרכו, להיקף החישוב ולמודל שבו השתמש.

• 279 התרעות לפני הפרישה: מבקר הפד מזהיר מכשלי אבטחת מידע בבנק המרכזי
• יעד של 2,000 דולר למיקרון: האנליסט שרואה כמעט 100% אפסייד

מכאן נוצרת תופעה מעט פרדוקסלית: ככל שהטמעת ה-AI מצליחה והשימוש מתרחב, כך גם ההוצאה יכולה לעלות. אלף עובדים שמפעילים מודל מדי פעם הם דבר אחד; אלפי סוכנים ממוחשבים שמבצעים פעולות לאורך היום, מנתחים מידע ומתקשרים עם מערכות אחרות הם כבר מודל הוצאות אחר לגמרי.

EY אינה היחידה שמתמודדת עם השאלה הזאת. גופים גדולים נוספים, ובהם אובר ו-וולמארט, כבר הטילו מגבלות על שימוש עובדים בכלי בינה מלאכותית בניסיון לרסן את ההוצאות.

מבחינה חשבונאית מדובר בשינוי חשוב. רישיון תוכנה מסורתי הוא בדרך כלל הוצאה שקל יחסית לחזות: מספר עובדים כפול מחיר קבוע. צריכת AI דומה יותר לחשבון חשמל - ככל שמשתמשים יותר, משלמים יותר. כאשר סוכני AI מתחילים לפעול באופן עצמאי, ההוצאה יכולה לגדול גם בלי שעובד יושב מול המחשב ומקליד בקשה. מכאן נולד הצורך במי שינהל את הכלכלה של הטכנולוגיה הזו.

הענן כבר לימד את החברות מה קורה כשלא מסתכלים על המונה

למצב הזה יש תקדים. המעבר לענן בעשור הקודם הבטיח לחברות גמישות, מהירות וחיסכון בהשקעה בתשתיות פיזיות. במקום לרכוש שרתים מראש, אפשר היה לשלם רק על המשאבים שבהם משתמשים.

אבל היתרון הזה יצר גם בעיה חדשה. כאשר כל צוות יכול להפעיל שרתים ומשאבי מחשוב במהירות, ארגונים החלו לגלות בסוף החודש חשבונות גדולים בהרבה מכפי שתכננו. סביב הבעיה הזאת התפתח תחום שלם של ניהול עלויות ענן, שמטרתו למדוד שימוש, לזהות משאבים מבוזבזים ולהתאים את ההוצאה לצרכים בפועל.

ה-AI עשוי לעבור מסלול דומה, ואולי בקצב מהיר יותר. אם לכל עובד אנושי מצטרפים בעתיד כמה סוכנים דיגיטליים, וכל אחד מהם צורך כוח חישוב בכל פעולה שהוא מבצע, נוצר למעשה כוח עבודה נוסף שגם לו יש עלות תפעולית.

כאן מתחיל לקבל משמעות המונח כלכלת האג'נטים - חברה שתפעיל בעתיד אלפי סוכנים תצטרך להחליט לא רק כמה עובדים להעסיק, אלא כמה עבודה ממוחשבת היא מוכנה לקנות, כמה היא מוכנה לשלם עבורה ואילו משימות מצדיקות את המחיר.

מקצוע חדש ושוק חדש סביב ה-AI

המעבר הזה עשוי ליצור גם שכבה חדשה של תוכנות ושירותים. ארגונים יצטרכו מערכות שימדדו צריכת AI לפי עובד ומחלקה, ינתבו משימות בין מודלים שונים, יזהו שימוש מיותר ויחברו בין ההוצאה על המודל לבין התוצאה העסקית שהתקבלה.

במקום שעובד יבחר בכל פעם בעצמו באיזה מודל להשתמש, מערכת ארגונית יכולה למשל לשלוח משימה פשוטה למודל זול ולהעביר רק משימות מורכבות למודל מתקדם ויקר יותר. כאשר ארגון מבצע מיליוני פעולות כאלה בחודש, אפילו הפרש קטן בעלות של פעולה בודדת יכול להצטבר לסכומים משמעותיים.

זה גם מסביר מדוע תפקידים כמו זה ש-EY מבקשת לאייש עשויים להפוך לנפוצים יותר. עד היום האחריות על AI התחלקה בדרך כלל בין מנהלי טכנולוגיה, מערכות מידע, חדשנות ויחידות עסקיות. ככל שההוצאה גדלה, נכנסת לתמונה גם שכבה פיננסית שמבקשת למדוד את העלות מול התועלת.

התייעלות יוצרת ביקוש חדש

עבור המשקיעים, המעבר משלב ההטמעה לשלב בקרת העלויות פועל לשני הכיוונים. מצד אחד, פיקוח הדוק יותר על טוקנים, מעבר למודלים זולים יותר והצבת מגבלות שימוש יכולים לרסן את קצב הגידול בהכנסות של ספקיות המודלים ושל חברות תוכנה שמחייבות לפי צריכה.

ההנחה שלפיה שימוש גובר ב-AI יתורגם כמעט אוטומטית ליותר הכנסות, עשויה להתברר כפשוטה מדי. לקוחות עסקיים אינם משתמשים פרטיים. ברגע שסעיף ההוצאה נעשה משמעותי, מחלקות הכספים מתחילות לחפש דרכים להוריד אותו.

מצד שני, אותה דרישה להתייעלות יוצרת בעצמה ביקוש חדש. מישהו צריך לספק את התשתיות שמודדות שימוש, מנתבות משימות, משוות בין מודלים ומאפשרות לארגון לדעת כמה הוא משלם עבור כל יחידת עבודה. בדומה למה שקרה בענן, ניהול העלויות יכול להפוך מקושי של הלקוחות לשוק בפני עצמו.

ומתחת לכל שכבות הניהול האלה נמצא עדיין כוח החישוב. כל שאילתה, כל שורת קוד שנוצרת וכל פעולה שמבצע סוכן AI דורשות שרתים, מאיצים, זיכרון, ציוד תקשורת וחשמל. ההוצאה על מרכזי נתונים ממשיכה לגדול, והיא מזינה את ההכנסות של יצרניות השבבים ושל ספקיות תשתיות המחשוב. השאלה עבור המשקיעים היא כאיזה שיעור מהצריכה יצליח לשרוד את המעבר משלב ההתלהבות לשלב שבו מנהלי הכספים מתחילים לבדוק את החשבון.

במובן הזה, ראש כלכלת האג'נטים הוא יותר משם יוצא דופן למשרה חדשה. הוא סימן לכך שהבינה המלאכותית מתחילה להתבגר מבחינה עסקית. אחרי המרוץ להכניס AI לכל מחלקה ולכל תהליך, החברות מגיעות לשלב שבו הן צריכות להוכיח שהוא גם משתלם.