عقب‌نشینی از هوش مصنوعی؟ نه، فقط بازتنظیم بودجه
هوش مصنوعیخلاصهٔ کامل‌تر
وقتی می‌شنویم شرکت‌ها دارن از هوش مصنوعی عقب‌نشینی می‌کنن، باید بپرسیم کدوم بخش از بازار هوش مصنوعی؟ نویسنده این مقاله چهار سطح مجزا رو شناسایی می‌کنه: سرمایه‌گذاری زیرساختی غول‌های ابری (هایپراسکیلرها)، هزینه‌های نرم‌افزاری سازمانی، بودجه‌های پایلوت آزمایشی، و مصرف توکن در جریان‌های کاری واقعی. این چهار بخش رفتار کاملاً متفاوتی دارن و ریختن‌شون توی یه سبد، تحلیل رو خراب می‌کنه.
در سطح هایپراسکیلرها — آمازون، گوگل، مایکروسافت، متا، اوراکل — نه‌تنها کاهشی وجود نداره، بلکه محدودیت سمت عرضه داریم نه تقاضا. هزینه سرمایه‌ای این شرکت‌ها از زمان GPT-4 با نرخ سالانه ۷۲٪ رشد کرده. بک‌لاگ قرارداد AWS به ۲۴۴ میلیارد دلار رسیده و مایکروسافت ۸۰ میلیارد دلار سفارش Azure داره که به خاطر کمبود زیرساخت برق هنوز نمی‌تونه تحویل بده.
در سطح سازمانی، عدد واقعی اینه که ۴۲٪ از شرکت‌ها در ۲۰۲۵ اکثر پروژه‌های هوش مصنوعی‌شون رو کنار گذاشتن (در مقابل ۱۷٪ در ۲۰۲۴). فارستر پیش‌بینی کرده ۲۵٪ از هزینه‌های برنامه‌ریزی‌شده به سال ۲۰۲۷ موکول بشه. اما گارتنر همزمان پیش‌بینی می‌کنه هزینه اپلیکیشن‌های سازمانی هوش مصنوعی در ۲۰۲۶ به ۲۷۰ میلیارد دلار برسه — یعنی تقریباً سه‌برابر سال قبل. پایلوت‌ها کنسل می‌شن، اما استقرارهای تولیدی رشد می‌کنن.
ماجرای اوبر بهترین نمونه برای فهمیدن اتفاق واقعیه. اوبر بودجه کل ۲۰۲۶ هوش مصنوعیش رو در چهار ماه تموم کرد. Claude Code و Cursor از ۳۲٪ از مهندسا در فوریه به ۹۵٪ در آوریل رسید. هر مهندس ماهانه ۱۵۰ تا ۲۵۰۰ دلار توکن مصرف می‌کرد و CTO شرکت شخصاً در یه دمو دو ساعته ۱۲۰۰ دلار خرج کرد. ۷۰٪ از کدهای کامیت‌شده الان توسط هوش مصنوعی تولید میشه. بودجه از سر شکست نریخت — از سر واقعی بودن استفاده ریخت.
مشکل اصلی اینه که شرکت‌ها هوش مصنوعی رو مثل SaaS صندلی‌محور (سرویس اشتراکی با هزینه ثابت ماهانه) بودجه‌بندی کردن، اما چیزی که مستقر شده یه کالای مصرفی اندازه‌گیری‌شده (metered consumption) با تقاضای غیرخطیه. وقتی ابزار واقعاً کار می‌کنه، مصرف انفجاری میشه — مخصوصاً در کارهای چند مرحله‌ای عامل‌محور (agentic) که می‌تونه هزار برابر بیشتر توکن بسوزونه. CEO شرکت Box هم اشاره کرده این الگو از مهندسی شروع میشه و به سراغ تیم‌های حقوقی، فروش، و سایر کارهای دانشی می‌ره.
در سطح کلان، متا ۸ٰ۰۰۰ نفر رو اخراج کرد و همزمان بودجه سرمایه‌ای ۲۰۲۶ رو به ۱۱۵ تا ۱۳۵ میلیارد دلار رسوند. آمازون ۱۶٬۰۰۰ کارمند اداری رو حذف کرد و ۱۸۵ تا ۲۰۰ میلیارد دلار برای زیرساخت هوش مصنوعی متعهد شد. سرمایه داره از نیروی انسانی به پردازش‌گر منتقل میشه.
جمع‌بندی نویسنده اینه که پارادوکس جونز (Jevons paradox) داره در هوش مصنوعی اتفاق می‌افته: ابزارهای ارزان‌تر و قوی‌تر به جای کاهش مصرف، مصرف رو بیشتر می‌کنن. محدودیت واقعی اینجا اندازه‌گیری نه تقاضاست.
نکات کلیدی:
- بازار هوش مصنوعی چهار لایه داره که رفتار کاملاً متفاوتی دارن
- کنسل‌شدن پایلوت‌ها با کاهش کلی سرمایه‌گذاری یکی نیست
- اوبر نمونه‌ای از بودجه‌ریزی اشتباه برای مصرف توکنه، نه شکست هوش مصنوعی
- شرکت‌ها هنوز هوش مصنوعی رو مثل SaaS قیمت‌گذاری می‌کنن، نه مثل یه کالای مصرفی
- جابجایی سرمایه از نیروی انسانی به GPU در شرکت‌های بزرگ قابل مشاهده‌ست
