تبدأ العديد من الشركات تبني الذكاء الاصطناعي باختبار يبدو بسيطًا. يقوم فريق بربط نموذج لغوي، أو تطوير مساعد داخلي، أو أتمتة جزء من خدمة العملاء. خلال الأسابيع القليلة الأولى، تبدو التكلفة تحت السيطرة نظرًا لقلة عدد المستخدمين، وانخفاض حجم الاستفسارات، ومحدودية البنية التحتية. يُظهر المشروع إمكانات واعدة، فتقرر المؤسسة توسيعه، وتبدأ أقسام جديدة بطلب حلولها الخاصة.
ثم تظهر المزيد من الوكلاء، وعمليات التكامل، ومصادر المستندات، واستدعاءات النماذج، والخدمات السحابية، والعمليات الآلية. ما بدأ كاختبار معزول يتحول تدريجيًا إلى طبقة تكنولوجية جديدة للشركة. تكمن المشكلة في أن الإنفاق لا ينمو دائمًا بشكل خطي، كما أنه ليس من السهل ربطه بمنتج أو عميل أو قسم محدد.
يمكن للذكاء الاصطناعي أن يُولّد قيمة استثنائية، ولكنه يُدخل أيضاً هيكلاً مختلفاً للتكاليف مقارنةً بالبرمجيات التقليدية. لهذا السبب، تحتاج المؤسسات إلى منهجية قادرة على ربط استهلاك التكنولوجيا، وهيكليتها، ونتائج الأعمال. هذه المنهجية هي العمليات المالية للذكاء الاصطناعي.
إن أوبس نموذج تشغيلي وممارسة ثقافية تهدف إلى تعظيم القيمة التجارية المستمدة من التكنولوجيا. ويتمثل مبدأها الأساسي في الجمع بين فرق الهندسة والمالية والمنتجات والأعمال لاتخاذ قرارات قائمة على البيانات بشأن الاستثمار والاستهلاك والتحسين. ولا يقتصر الأمر على خفض التكاليف فحسب، بل يتعلق بفهم أي النفقات تولد قيمة وأيها تمثل هدراً.
تطور الإطار الذي وضعته مؤسسة FinOps من التركيز بشكل أساسي على البنية التحتية السحابية إلى رؤية أوسع لإدارة قيمة التكنولوجيا. وتتضمن التحديثات الأخيرة بشكل أوضح فئات مثل البرمجيات ومراكز البيانات والترخيص والذكاء الاصطناعي، مع تعزيز الصلة بين الاستثمار في التكنولوجيا وأولويات الإدارة التنفيذية.
عند تطبيقها على الذكاء الاصطناعي، تسعى FinOps إلى الإجابة على أسئلة لا تزال العديد من الشركات غير قادرة على الإجابة عليها بدقة: كم تبلغ تكلفة كل حالة استخدام، وأي نموذج يقدم أفضل نسبة بين الجودة والسعر، وأي الوكلاء يستهلكون أكبر قدر من الموارد، وما هو الجزء من الإنفاق الذي يتوافق مع التجريب، وما هي الفوائد الملموسة التي يحصل عليها العمل.
في منصات البرمجيات كخدمة التقليدية، تُحسب التكلفة عادةً لكل مستخدم أو خطة أو اشتراك شهري. ورغم وجود رسوم متغيرة، إلا أن الشركة عادةً ما تعرف السعر التقريبي قبل زيادة عدد المستخدمين. أما في الذكاء الاصطناعي التوليدي، فقد تعتمد التكلفة على رموز الإدخال والإخراج، وحجم السياق، وعدد الاستعلامات، والنموذج المُختار، وبنية الاستدلال، والتخزين، وعمليات البحث المتجهة، والاستدعاءات للأدوات الخارجية.
قد يؤدي استخدام نفس الوكيل من قبل مستخدمين اثنين إلى تكاليف متفاوتة للغاية. فالاستعلام الموجز الذي يتطلب إجابة بسيطة لا يستهلك نفس الموارد التي يستهلكها تحليل مئات الصفحات المصحوب بعمليات بحث وتحقق متعددة، بالإضافة إلى الاتصال بأنظمة أخرى.
يؤثر تصميم النظام أيضاً على التكلفة. فقد يكلف نظامٌ يحاول إنجاز مهمةٍ ما في عشر خطوات أضعاف ما يكلفه نظامٌ قادرٌ على تحقيق النتيجة نفسها في ثلاث خطوات. لذا، لا يمكن تحليل التكلفة من منظورٍ ماليٍّ بحت، بل يتطلب الأمر فهم كيفية تصميم النظام والقرارات التقنية التي تُحرك كل وحدة استهلاك.
غالباً ما يركز النقاش حول تكاليف الذكاء الاصطناعي على الرموز لأنها وحدة مرئية وسهلة القياس نسبياً. مع ذلك، يتضمن تطبيق المؤسسة العديد من المكونات الأخرى. فقد يحتاج إلى استخراج المستندات، وإنشاء الملفات المضمنة، والاستعلام عن قواعد بيانات المتجهات، وتخزين المحادثات، وتنفيذ الوظائف، وصيانة بيئات الاختبار، وتطبيق عوامل التصفية الأمنية، وتسجيل بيانات التتبع.
هناك أيضًا تكاليف متعلقة بالعنصر البشري. إذ تحتاج الفرق إلى تصميم نماذج الاستجابة، وإعداد البيانات، وتقييم الردود، ومراجعة الأخطاء، وإدارة الأمن، وصيانة عمليات التكامل. وقد يصبح الحل الذي يبدو غير مكلف من منظور النموذج مكلفًا عندما يتطلب تدخلًا بشريًا مستمرًا لتصحيح النتائج.
توصي جوجل كلاود بتقييم تكلفة أنظمة الذكاء الاصطناعي طوال دورة حياتها، بدءًا من إعداد البيانات والتدريب وصولًا إلى الاستدلال والمراقبة والتحسين المستمر. كما تقترح AWS أن يشمل التحسين اختيار النموذج والبنية التحتية والبيانات والعمليات، وليس فقط سعر كل استدعاء.
تحتاج الشركة إلى حساب التكلفة الإجمالية للملكية. سعر النموذج ليس سوى جزء واحد من المعادلة.
يُعد اختيار النموذج أحد أهم القرارات التي تؤثر على التكلفة. فعند مواجهة تطبيق جديد، قد تميل الفرق إلى اختيار النموذج الأكثر تطورًا المتاح لأنه يُقدم نتائج أفضل في التقييمات الشاملة. مع ذلك، لا تتطلب جميع العمليات أقصى قدرة على الاستدلال.
يمكن إنجاز تصنيف الطلبات، واستخراج الحقول من الفواتير، واكتشاف النوايا، وتلخيص الرسائل القصيرة باستخدام نماذج أصغر حجمًا وأقل تكلفة. يتيح لك تخصيص نماذج ذات سعة أكبر للمهام المعقدة الحفاظ على الجودة حيثما تكون في غاية الأهمية دون دفع تكلفة إضافية لكل تفاعل.
يوصي دليل بنية AWS باختيار نماذج الاستدلال والبنية التحتية بناءً على دقة الأداء والاحتياجات الفعلية، وتجنب دفع مبالغ مقابل إمكانيات لا تُحقق قيمة متناسبة. يتضمن ذلك تقييم النماذج باستخدام بياناتك وسيناريوهاتك الخاصة، وليس فقط بالاعتماد على التصنيفات العامة.
السؤال الصحيح ليس أي نموذج هو الأقوى، بل أي نموذج يوفر المستوى المطلوب من الجودة، وزمن الاستجابة، والأمان، والتكلفة لوظيفة تجارية محددة. تبدأ الكفاءة بتخصيص النموذج المناسب لكل مشكلة.
لا يشترط في البنية المتطورة استخدام النموذج نفسه لكل مهمة. بل يمكنها دمج نظام توجيه يحلل كل طلب ويوجهه إلى الخيار الأنسب. تُعالج الاستعلامات البسيطة بنماذج أقل تكلفة، بينما تُوجّه الحالات الغامضة أو ذات التأثير الكبير إلى نماذج ذات سعة أعلى.
يمكن أن يشمل هذا النهج أيضًا التوسع التدريجي. يبدأ النظام بخيار أقل تكلفة، ولا يستخدم نموذجًا أكثر تطورًا إلا عندما لا تفي الاستجابة الأولية بمستوى محدد من الثقة أو الجودة. وبهذه الطريقة، تتجنب الشركة دفع أعلى رسوم للطلبات التي لا تتطلب ذلك.
يجب تصميم التوجيه بعناية لأن إضافة خطوات غير ضرورية قد تزيد من استهلاك الموارد. والهدف ليس بناء بنية معقدة لذاتها، بل إيجاد الحد الأدنى من المكونات التي تحافظ على الجودة المطلوبة.
لا يتعلق التحسين الحقيقي باستخدام النموذج الأرخص دائمًا، بل يتعلق بتخصيص التكلفة المناسبة لكل مستوى من مستويات التعقيد والمخاطر والقيمة التجارية.
تتيح النماذج الحديثة معالجة سياقات أكبر فأوسع. هذه الإمكانية مفيدة لتحليل العقود، والسجلات، والوثائق، وقواعد المعرفة الضخمة. مع ذلك، فإن إرسال المزيد من المعلومات لا يضمن بالضرورة استجابة أفضل. في كثير من الحالات، يزيد ذلك التكاليف، ويطيل زمن الاستجابة، وقد يُدخل محتوى غير ذي صلة يؤثر على الدقة.
قد يؤدي تطبيق RAG سيئ التصميم إلى استرجاع عدد كبير جدًا من أجزاء المستندات في كل استعلام. وقد يسترجع الموظف سجل المحادثة بالكامل حتى لو كان يحتاج فقط إلى أحدث الرسائل. وقد يرسل مساعد داخلي سياسات كاملة عندما يتعلق السؤال بإجراء محدد.
تتطلب عمليات التمويل والتشغيل للذكاء الاصطناعي مراجعة جودة السياق. ما هو عدد المستندات الضرورية فعلاً؟ هل يمكن تلخيص المعلومات؟ هل هناك نتائج يمكن تخزينها مؤقتاً؟ هل تتكرر نفس المعلومات في كل استدعاء؟
لا ينبغي فهم تقليل عدد الرموز على أنه حذف عشوائي للمعلومات. الهدف هو تزويد النموذج بالسياق الدقيق الذي يحتاجه. يمكن للسياق المُختار بعناية أن يقلل التكاليف، وفي الوقت نفسه، يحسن جودة الاستجابة.
تتلقى العديد من تطبيقات المؤسسات استفسارات متشابهة باستمرار. فالسياسات الداخلية، ومعلومات المنتجات، وإجراءات الإرجاع، والأسئلة التشغيلية، كلها أسئلة يطرحها المستخدمون بشكل متكرر. وإذا أعاد النظام تشغيل سير عمل الذكاء الاصطناعي بالكامل في كل مرة، فإن الشركة تدفع تكاليف متكررة للحصول على نتائج متشابهة للغاية.
تتيح لك خاصية التخزين المؤقت إعادة استخدام الاستجابات أو الأجزاء المسترجعة أو النتائج الوسيطة عندما تسمح الظروف بذلك. كما يمكنها حفظ التعليمات المطولة أو السياق المتكرر بين الاستعلامات، وذلك بحسب إمكانيات مزود الخدمة والبنية المستخدمة.
مع ذلك، يتطلب تخزين البيانات قواعد واضحة. فالبيانات المالية أو بيانات المخزون قد تصبح قديمة بسرعة، بينما يمكن إعادة استخدام شرح سياسة ثابتة لفترة أطول. لذا، تحتاج الشركة إلى تحديد المحتوى الذي يمكن تخزينه، ومدة تخزينه، والشروط التي يجب بموجبها إعادة إنشائه.
لا يقتصر التخزين المؤقت على كونه تحسينًا تقنيًا فحسب، بل هو خيار بين التحديث والمخاطرة. عند استخدامه بشكل صحيح، فإنه يقلل من عدد المكالمات، ويحسن السرعة، ويمنع دفع تكاليف متعددة لنفس العمل الحسابي.
تكلفة الاستشارة الواحدة لا تساوي تكلفة النتيجة الواحدة
قد يُظهر تطبيق ما تكلفة منخفضة للغاية لكل تفاعل، ومع ذلك يكون عائده ضعيفًا. على سبيل المثال، قد يُعالج مندوب مبيعات آلاف العملاء المحتملين ببضعة سنتات فقط لكل عميل، لكنه يُولّد فرصًا منخفضة الجودة ويزيد من عبء العمل على الفريق البشري. في هذه الحالة، تبدو التكلفة التقنية فعّالة، بينما تكون النتيجة التجارية سلبية.
ينبغي أن يربط المقياس الصحيح الإنفاق بالقيمة. في خدمة العملاء، يمكنك تحليل تكلفة حل كل حالة دون تدخل بشري. في المبيعات، تكلفة كل عميل محتمل مؤهل. في العمليات، الوفورات لكل عملية مكتملة. في التطوير، تكلفة كل تغيير يتم تنفيذه باستمرار.
تركز مؤسسة FinOps عملها في مجال الذكاء الاصطناعي على تقييم الاستثمار وإدارة الإنفاق على نطاق واسع، وربط الرؤية التقنية بنتائج الأعمال.[5] يمنع هذا النهج المنظمة من الاحتفال بتخفيضات الرموز مع فقدان التركيز على الهدف الأصلي.
تحسين الذكاء الاصطناعي يعني تحسين نسبة التكلفة إلى الفائدة، وليس مجرد تقليل الفاتورة الشهرية.
عندما تستخدم عدة أقسام نفس الحساب أو النموذج أو البنية التحتية، لا توضح الفاتورة الإجمالية المنتج أو الوكيل أو الفريق المسؤول عن التكلفة. وبدون تحديد المسؤول، لا يرى قسم المالية سوى عدد متزايد من النفقات، ولا يستطيع قادة التكنولوجيا تحديد الجهة التي يجب اتخاذ الإجراءات اللازمة بشأنها.
يجب أن تتضمن بنية النظام تصنيفات، ومشاريع، ومراكز تكلفة، أو مفاتيح مميزة تسمح بربط الاستهلاك بالمناطق والمنتجات وحالات الاستخدام. في التطبيقات متعددة المستخدمين، قد يكون من الضروري أيضًا قياس الإنفاق حسب العميل أو الوظيفة أو نوع العملية.
تتيح لك هذه الرؤية الإجابة على أسئلة جوهرية. هل تكلفة مساعد المبيعات تفوق الوفورات التي يحققها؟ أي عميل يستهلك موارد أكثر من اللازم؟ أي مندوب زاد إنفاقه بعد التحديث؟ أي فريق يُجري تجارب لم يعد يستخدمها؟
لا يتعلق تحديد الأثر المالي بخلق ثقافة العقاب، بل بتمكين اتخاذ قرارات مدروسة. فعندما تفهم الفرق الأثر المالي لتصاميمها، يمكنها المشاركة بفعالية في التحسين وتبرير الاستثمارات التي تُحقق قيمة حقيقية بشكل أفضل.
ينبغي تفعيل الميزانيات والتنبيهات قبل وصول الفاتورة.
يُعدّ انتظار نهاية الشهر لاكتشاف زيادة في التكاليف أمرًا بالغ الخطورة، لا سيما مع تقلبات أحمال العمل في مجال الذكاء الاصطناعي. فتعديل المنتج، أو دورة عمل داخل أحد الوكلاء، أو حملة ناجحة، كلها عوامل قد تُضاعف الاستهلاك في غضون ساعات قليلة.
تحتاج الشركات إلى ميزانيات وتنبيهات وحدود تعمل في الوقت الفعلي تقريبًا. ويمكن تفعيل هذه الضوابط عندما يتجاوز الإنفاق التوقعات اليومية، أو عندما يرتفع متوسط تكلفة المعاملة الواحدة، أو عندما يستخدم الموظف خطوات أكثر من المعتاد.
تقدم مايكروسوفت وAWS وجوجل أدوات لتحليل ومراقبة وتحسين الإنفاق السحابي، لكن الفعالية تعتمد على قيام المؤسسة بتكوين مؤشرات تتعلق بمنتجاتها وعملياتها الخاصة.[6] قد يأتي التنبيه العام بشأن الحساب متأخراً جداً إذا لم يحدد التطبيق الذي تسبب في التغيير.
لا يهدف الأمر إلى إيقاف الابتكار تلقائياً عند زيادة الاستهلاك، بل إلى الكشف السريع عما إذا كانت هذه الزيادة تعكس قيمة أكبر، أو تغيراً متوقعاً، أو مشكلة تقنية تحتاج إلى تصحيح.
عادةً ما تراقب فرق الهندسة زمن الاستجابة والأخطاء والتوافر وجودة الاستجابة. بينما تتتبع الإدارة المالية الفواتير والميزانيات وفروقات الإنفاق. وعندما تعمل هذه المقاييس بشكل منفصل، تفقد الشركة سياقها.
قد يتطلب انخفاض زمن الاستجابة نموذجًا أكثر تكلفة. وقد يتزامن انخفاض الإنفاق مع انخفاض الدقة. قد يتمكن النظام من إنجاز مهام أكثر، لكنه يحتاج إلى عدد كبير جدًا من المكالمات. لا يُظهر أي مؤشر بمفرده الصورة الكاملة.
يجب أن تجمع مراقبة الذكاء الاصطناعي بين الجودة والأداء والسلامة والتكلفة. ينبغي تحليل كل تغيير ذي صلة باستخدام هذه المعايير. فإذا حسّن إصدار جديد الدقة بنسبة 1% ولكنه ضاعف التكلفة، فعلى الفريق تحديد ما إذا كانت هذه الزيادة مبررة بقيمة العملية.
يُسهّل هذا التكامل أيضًا اكتشاف الحالات الشاذة. فقد يرتبط الارتفاع المفاجئ في عدد الرموز بخطأ في استرجاع المستندات، أو تغيير في التعليمات، أو نمط استخدام غير متوقع. وبذلك، تصبح المعلومات المالية مؤشرًا تشغيليًا، وليس مجرد مؤشر محاسبي.
نموذج عرض الارتداد يوضح هذا التقرير مقدار الاستهلاك التكنولوجي الذي تولده كل منطقة، على الرغم من أن التكلفة لا تزال تُدفع مركزياً. استرداد المبلغ يُخصص هذا البند مباشرةً لميزانية الفريق أو الوحدة المعنية. وتهدف كلتا الآليتين إلى زيادة الشفافية والمساءلة.
في المراحل المبكرة، يكون عرض النتائج أكثر فائدة لأنه يتيح التعلم دون إحداث احتكاك فوري. قد يكتشف قسم ما أن مساعده يستخدم نموذجًا مكلفًا للغاية أو يُبقي العمليات نشطة خارج ساعات العمل الضرورية. وبناءً على هذه المعلومات، يمكنه تعديل القرارات بالتنسيق مع قسم الهندسة.
يمكن استخدام آلية استرداد التكاليف عندما تكون الممارسة أكثر نضجاً وتتمتع الأقسام بقدر كافٍ من التحكم في إنفاقها. مع ذلك، قد يؤدي سوء تصميم آلية التخصيص إلى تثبيط التجارب القيّمة أو نقل التكاليف التي لا يستطيع الفريق إدارتها.
لا يقتصر مفهوم إدارة العمليات المالية (FinOps) على تقديم فاتورة داخلية والتخلي عن المشكلة، بل يتطلب تعاوناً. يوفر قسم المالية الانضباط، ويشرح قسم الهندسة الأسباب التقنية، ويحدد قسم الأعمال ما إذا كانت القيمة المكتسبة تبرر الاستثمار.
ثمة خطر معاكس للإنفاق غير المنضبط، ألا وهو فرض قيود صارمة في وقت لا يزال المشروع بحاجة إلى التجريب. ففي المراحل الأولى، قد لا تعرف المؤسسة النموذج أو البنية أو حالة الاستخدام التي ستحقق أفضل النتائج. وقد يؤدي المطالبة بتحقيق ربحية فورية إلى ضياع فرص ثمينة قبل إدراكها.
يُفرّق منهج FinOps بين التجريب والتشغيل. تتطلب التجربة ميزانية محدودة، وهدفًا واضحًا، وتاريخًا للتقييم. ليس من الضروري أن تكون فعّالة منذ اليوم الأول، ولكن يجب أن تُنتج معلومات قابلة للتحقق.
تكمن المشكلة عندما لا تنتهي التجارب أبداً. فالنماذج الأولية التي تم إنشاؤها منذ أشهر تستمر في استهلاك الموارد، وتبقى نماذج الاختبار نشطة، وتكرر مجالات متعددة دراسات مماثلة دون تبادل النتائج.
تتيح الممارسات الراسخة إجراء تجارب حرة ضمن حدود معروفة. يجب أن يكون لكل مبادرة جهة مسؤولة، وميزانية، وفرضيات، ومعيار للاستمرارية. إذا أثبتت المبادرة جدواها، تنتقل إلى مرحلة التحسين والتوسع. وإذا لم تثبت جدواها، تتوقف.
لا يعني التحكم في الإنفاق تجنب المخاطر، بل يعني تمويل التعلم بوعي.
غالباً ما تحاول الشركات خفض التكاليف عن طريق التفاوض على الأسعار، أو إبرام العقود، أو السعي للحصول على خصومات على الكميات الكبيرة. قد تُضيف هذه الإجراءات قيمة، لكنها لا تُصلح بنية غير فعّالة.
سيظل إجراء ثماني مكالمات غير ضرورية من قِبل الموظف مكلفًا حتى مع وجود خصم على كل مكالمة. وسيستمر تطبيق إرسال المستندات كاملةً في إهدار الرموز حتى مع تخفيض الرسوم من قِبل المزوّد. وسيظل النموذج المُضخّم خيارًا سيئًا حتى مع وجود عقد مُناسب.
تشير جوجل كلاود إلى أن التحسين يجب أن يبدأ بتحديد حالات الاستخدام، وفهم التكلفة الإجمالية، واتخاذ قرارات معمارية متوافقة مع أهداف العمل. وتقدم AWS توصيات مماثلة فيما يتعلق باختيار النموذج، والاستدلال، وتصميم التطبيق.
غالباً ما تتحقق أكبر الوفورات من خلال التخلص من العمليات الحسابية التي لم يكن ينبغي القيام بها أصلاً. إن تبسيط سير العمل، وتقليل السياق، واستخدام النماذج المناسبة، وتطبيق التخزين المؤقت، والحد من الدورات، كلها عوامل تُسهم في تحقيق تحسينات مستدامة تفوق أي تخفيض مؤقت.
التفاوض يقلل السعر. الهندسة المعمارية تقلل الاستهلاك.
لا يمكن لأي فريق بمفرده حل هذه المشكلة. فالقسم المالي يفهم الميزانيات والأهداف المالية، لكنه لا يستوعب دائمًا القرارات التقنية الكامنة وراء الإنفاق. أما القسم الهندسي فيفهم النماذج والبنية، لكنه قد يفتقر إلى رؤية واضحة لهوامش الربح والأولويات والعائد على الاستثمار. بينما يعرف قسم الأعمال النتائج المتوقعة، لكنه يحتاج إلى مقاييس تربط هذه النتائج بالإنفاق على التكنولوجيا.
تُنشئ منهجية العمليات المالية لغة مشتركة. فبدلاً من مجرد مناقشة مقدار الزيادة في الفاتورة، تقوم الفرق بتحليل المنتجات التي ولّدت الاستهلاك، والقيمة التي قدمتها، والبدائل المتاحة.
يُسهم هذا التعاون أيضاً في تحسين التخطيط. فإذا كانت الشركة تتوقع زيادة قاعدة مستخدميها، يمكن لفريق الهندسة توقع الأثر بناءً على الرموز والبنية التحتية وسلوك المستخدمين. ويمكن لفريق المالية تقييم السيناريوهات وتحديد العتبات قبل الإطلاق.
تُعرّف مؤسسة FinOps هذه الممارسة تحديداً بأنها تعاون متعدد الوظائف لاتخاذ قرارات سريعة ومبنية على البيانات بشأن قيمة التكنولوجيا. وفي مجال الذكاء الاصطناعي، حيث تتسم التكاليف بالديناميكية وصعوبة التنبؤ بها، لم يعد هذا التعاون خياراً.
تتمثل الخطوة الأولى في إنشاء قائمة بالتطبيقات والوكلاء والنماذج والتجارب النشطة. تحتاج المؤسسة إلى معرفة المسؤول عن كل حل، وما هو هدفه، والموردين الذين تستخدمهم، وكيفية قياس استهلاكه.
بعد ذلك، يجب تحديد توزيع التكاليف. ينبغي ربط كل تكلفة ذات صلة بمنتج أو قطعة من المعدات أو حالة استخدام. ثم يُنصح بتحديد مقاييس الوحدة الاقتصادية: التكلفة لكل تفاعل، أو مستند، أو مهمة، أو عميل مُخدّم، أو نتيجة مُحققة.
الخطوة التالية هي وضع الميزانيات وتفعيل التنبيهات. لا يكفي مجرد الحد من الإنفاق الإجمالي؛ بل يجب رصد أي خلل في التطبيقات والتغيرات في متوسط التكلفة. وأخيرًا، يمكن للشركة وضع دورات تحسين دورية يراجع فيها كل من أقسام الهندسة والمنتج والمالية النتائج.
ليس من الضروري بناء نظام مثالي من الصفر. فجدول بيانات تحكم موثوق ومجموعة صغيرة من المقاييس قد توفر قيمة أكبر من منصة متطورة تفتقر إلى المساءلة. ويزداد نضج النظام عندما تبدأ المعلومات بالتأثير على القرارات الفعلية.
في مجموعة ذا كلاود، نساعد المؤسسات على تصميم بنى تحتية للذكاء الاصطناعي تركز على الأداء والقيمة التجارية على حد سواء. نحلل النماذج، والوكلاء، وعمليات التكامل، والبيانات، والبنية التحتية، وأنماط الاستهلاك لتحديد مصادر التكاليف وكيفية ربطها بنتائج ملموسة.
يجمع نهجنا بين بنية الحوسبة السحابية، والأتمتة، والمراقبة، وتكامل الأنظمة، والحوكمة، وتطوير البرمجيات المخصصة. لا يُلجأ إلى التحسين إلا بعد تلقي فاتورة باهظة، بل يجب أن يكون جزءًا لا يتجزأ من التصميم منذ البداية.
نساعد أيضاً في وضع حدود تشغيلية، ومقاييس لكل حالة استخدام، واستراتيجيات متعددة النماذج، وآليات إسناد تُمكّن من نمو أكثر تحكماً. تحتاج الشركة إلى معرفة الحلول التي تُحقق قيمة، وتلك التي تحتاج إلى تعديل، وتلك التي لا تُبرر استثماراً إضافياً.
لا ينبغي تقييم الذكاء الاصطناعي بناءً على عدد العملاء المُستخدمين أو حجم الرموز المُستهلكة، بل يجب قياسه بقدرته على اتخاذ قرارات وعمليات ونتائج أعمال أفضل.
إنها تطبيق لمبادئ التعاون والشفافية والمساءلة والتحسين المالي على أنظمة الذكاء الاصطناعي. وتسعى إلى فهم تكلفة كل حل، والعوامل التي تدفع الاستهلاك، وما إذا كانت القيمة التجارية الناتجة تبرر الاستثمار التكنولوجي.
بالإضافة إلى النموذج، يجب مراعاة التخزين، وإعداد البيانات، والتضمينات، وقواعد بيانات المتجهات، والبنية التحتية، واستدعاءات الأدوات، وإمكانية المراقبة، والأمان، والتقييم، والصيانة، والجهد البشري. إن التكلفة الإجمالية للملكية أوسع من مجرد سعر الرمز المميز.
من خلال اختيار السياق الدقيق، والملخصات، والتخزين المؤقت، واسترجاع المستندات بكفاءة، وحدود الإخراج، وإزالة التعليمات المتكررة، يجب أن يحافظ الاختزال على الجودة اللازمة للعملية.
لا. قد يؤدي النموذج المحدود للغاية إلى أخطاء، أو زيادة الحاجة إلى مراجعة بشرية، أو يتطلب محاولات أكثر. ينبغي أن يراعي الاختيار الجودة، وزمن الاستجابة، والأمان، والتكلفة، والقيمة التجارية، وليس فقط سعر كل مكالمة على حدة.
يمكنك تحديد حدود للخطوات، والرموز، ووقت التنفيذ، واستدعاءات الأدوات، والميزانية المخصصة لكل مهمة. ومن المهم أيضًا اكتشاف الحلقات، والإجراءات المتكررة، والاختلافات غير الطبيعية في الاستهلاك.
يقيس سعر الاستشارة الواحدة التفاعل التقني. أما سعر النتيجة فيربط الإنفاق بفائدة تجارية، مثل حل قضية، أو الحصول على عميل محتمل مؤهل، أو إتمام عملية بنجاح.
تُظهر هذه الممارسة لكل فريق أو قسم التكاليف التقنية المترتبة، حتى بدون فوترة مباشرة. فهي تزيد من الشفافية وتعزز اتخاذ قرارات أكثر مسؤولية دون تحميل النفقات على الفور.
لا، هدفها هو تحقيق أقصى قيمة. في بعض الحالات، قد توصي بخفض الإنفاق، وفي حالات أخرى، بزيادة الاستثمار في حلٍّ يُظهر نتائج قوية. يعتمد القرار على نسبة التكلفة إلى المخاطرة إلى الفائدة.
يُدخل الذكاء الاصطناعي هيكلاً جديداً للتكاليف داخل الشركات. تتكامل النماذج والرموز والوكلاء والأدوات والبيانات والبنية التحتية في أنظمة يختلف استهلاكها تبعاً للمستخدم والمهمة. وبدون شفافية، تتزايد التكاليف بوتيرة أسرع من القدرة على شرح القيمة المُضافة.
توفر منهجية FinOps طريقة لربط التكنولوجيا بالأعمال. فهي تتيح لك فهم تكلفة كل حالة استخدام، والقرارات المعمارية التي تؤدي إلى هذه التكلفة، والنتائج التي تبرر استمرار الاستثمار.
لا يكمن الهدف في تقييد الابتكار بشكل مصطنع أو إجبار جميع الفرق على استخدام الخيار الأرخص دائمًا، بل في بناء مؤسسة قادرة على التجريب ضمن حدود معينة، والتوسع بناءً على الأدلة، والتحسين دون المساس بالجودة.
قد تكتشف الشركات التي تفشل في قياس تكاليف الذكاء الاصطناعي أنها قامت بأتمتة العمليات، ولكنها قامت أيضاً بأتمتة النمو غير المنضبط لإنفاقها على التكنولوجيا. أما الشركات التي تدمج منهجية إدارة العمليات المالية (FinOps) منذ مرحلة التصميم، فستتمكن من مقارنة النماذج، والتحكم في العوامل، وتحديد أنماط الاستهلاك، وتوجيه الاستثمار نحو حلول تُحدث تحولاً جذرياً في أعمالها.
لأن نجاح الذكاء الاصطناعي لن يُقاس بعدد الرموز التي تستطيع الشركة معالجتها.
سيتم قياس ذلك من خلال مقدار القيمة التي يمكن أن يولدها مع كل منهم.
ليس من الضروري أن يصل إلى الخادم. يمكنك إخفاء التعليمات داخل مستند أو بريد إلكتروني أو صفحة ويب يطلع عليها البرنامج كجزء من نشاطه المعتاد.
يزداد الخطر عندما يُمنح النموذج إذنًا بالتصرف. قد لا يكون الرد المُتلاعب به مجرد موضوع نقاش، بل قد يتحول إلى إجراء يؤثر على البيانات أو العملاء أو الاتصالات أو العمليات الداخلية.
لذا، لا يمكن للدفاع الاعتماد على عبارة واحدة ضمن الموجه أو على مرشح واحد. بل يحتاج إلى بنية تفصل بين البيانات والتعليمات والصلاحيات؛ وتتحقق من صحة الإجراءات؛ وتراقب السلوك؛ وتحد من عواقب أي تلاعب.
قد تكتشف الشركات التي تربط البرامج الوسيطة بأنظمتها مباشرةً دون هذه الضوابط أنها قد أتمتت أكثر بكثير من مجرد مهمة، بل أتمتت أيضاً سطحاً جديداً للهجوم.
لم يعد السؤال الأمني يقتصر على ما إذا كان بإمكان شخص ما الدخول إلى بنيتك التحتية.
والآن يجب علينا أيضاً أن نسأل:
هل يستطيع أحد إقناع نظام الذكاء الاصطناعي الخاص بك باستخدام صلاحياته بشكل مشروع ضد شركتك؟
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
