مصرف بیشتر هوش مصنوعی یعنی نتیجهٔ بهتر؟ نه لزوماً
هوش مصنوعیخلاصهٔ کاملتر
به گفتهٔ نویسندههای این مقاله در IBM، سال گذشته خیلی از سازمانها دیدن AI عاملی (agentic) چطور کارها رو سریعتر میکنه و تصمیم گرفتن استفاده ازش رو رسمی و حداکثری کنن. بعضی مدیرها بدون تعریف معیار موفقیت یا سقف هزینه گفتن «تا میتونید از AI استفاده کنید». اسمی که روی این رفتار گذاشته شد: tokenmaxxing.
تو فاز آزمایش این منطقی بود، ولی به نقل از نیل دار از IBM Consulting، در نبود معیار واقعی سازمانها لیدربورد مصرف درست کردن و آدمها هم خیلی زود یاد گرفتن چطور اون لیدربوردها رو دور بزنن — یعنی مصرف تبدیل شد به جانشین ارزش.
مشکل اینجا بود که ورکفلوی عاملی فقط کد تولید نمیکنه؛ برنامهریزی میکنه، ریپو رو تحلیل میکنه، ابزار صدا میزنه، تست میکنه و چند مرحله رو هماهنگ میکنه. هرچی مقیاس بالاتر میره، مصرف توکن هم باهاش بالا میره. مقاله به گزارشی اشاره میکنه که اوبر بودجهٔ AI سال ۲۰۲۶ خودش رو تو چهار ماه روی Claude Code سوزونده.
واکنش طبیعی خیلی از شرکتها این بوده که بریزن سراغ تنها عدد قابلمشاهده: مصرف توکن. محدودکردن استفاده، ممنوعکردن مدلهای جدیدتر، کوچیککردن context window و کوتاهکردن پرامپتها. نویسندهها میگن این «توکنمینیمایزینگ» دقیقاً تو همون تلهٔ قبلی میافته: هر دو طرف فرض میکنن توکن معیار اصلیه، یکی میخواد زیادش کنه و اون یکی کمش، و هیچکدوم خروجی کسبوکار رو اندازه نمیگیرن.
نکتهٔ ظریفتر اینه که کمکردن توکنِ دیدهشده با کمشدن هزینهٔ واقعی یکی نیست. بعد از حذف ناکارآمدیهای آشکار — کاتالوگ ابزار بیشازحد بزرگ، پیلودهای اضافی، کانتکست بیات — قیچی میره سراغ همون چیزی که به مدل کمک میکرد موفق بشه: شرح دقیق تسک، محدودیتهای کسبوکار، کانتکست معماری. دستور مبهم یعنی reasoning بیشتر، retry، فراخوانی ابزار اضافه و دوبارهکاری آدمها. هزینه از بین نمیره، فقط جابهجا میشه.
پیشنهاد مقاله valuemaxxingـه، اصطلاحی از مارک بورودیتسکی (CRO شرکت Nebius): بهجای «چند توکن مصرف کردیم؟» بپرسیم چند تسک تموم شد، چقدر وقت توسعهدهنده آزاد شد، چقدر کار مدرنسازی جلو افتاد، چند آسیبپذیری بسته شد و چقدر دوبارهکاری حذف شد. توکن یه سیگنال هزینهست، نه معیار ارزش.
نویسندهها معتقدن مدلها دارن به زیرساخت تبدیل میشن و مزیت رقابتی از خود مدل داره میره سمت سیستمی که دورش ساخته میشه: مدیریت کانتکست، ارکستراسیون، حافظه، گاورننس و ارزیابی. طبق پیشبینی IDC که تو مقاله اومده، تا ۲۰۲۸ حدود ۷۰٪ سازمانهای پیشروی AI بهجای تکیه بر یه مدل، بین چند مدل روتینگ پویا انجام میدن. بخش پایانی مقاله هم عملاً معرفی IBM Bob بهعنوان پلتفرم خود IBMه، پس با همون دید تبلیغاتی بخونیدش.
نکات کلیدی:
- tokenmaxxing یعنی حداکثر مصرف AI به امید نتیجهٔ بهتر؛ بدون معیار، به هزینهٔ کنترلنشده رسید
- سقفگذاشتن روی توکن هم همون اشتباهه از سمت مخالف: باز هم توکن معیار فرض میشه
- حذف کانتکست مفید، هزینه رو حذف نمیکنه؛ به retry و دوبارهکاری منتقلش میکنه
- valuemaxxing معیارها رو میبره سمت تسک تمامشده، زمان آزادشده و آسیبپذیری رفعشده
- مزیت رقابتی داره از انتخاب مدل به ارکستراسیون و مدیریت کانتکست منتقل میشه
- بخش آخر مقاله معرفی محصول خود IBM (Bob)ـه، نه تحلیل بیطرف
