LegalOn: نصف شدن هزینه‌های Codex بدون کاهش سرعت توسعه
LegalOn با انتخاب مدل‌های Astra، Sol و Luna متناسب با کارها و مدیریت راهبردی بودجه‌ها، هزینه‌ها را ۶۵٪ کاهش داد و سرعت توسعه را حفظ کرد.
نتایج
−۲۰٪
کاهش هزینه در بخش‌های تثبیت‌شدهٔ کسب‌وکار
نتایج
−۶۵٪
کاهش هزینه‌های روزانهٔ برآوردشده
LegalOn Technologies هوش مصنوعی حرفه‌ای را در سراسر جهان عرضه می‌کند و از آن برای پشتیبانی از امور حقوقی و دیگر فعالیت‌های کلیدی کسب‌وکار بهره می‌برد. این شرکت با ترکیب دانش تخصصی و هوش مصنوعی، به افراد امکان می‌دهد بر قضاوت‌ها و تصمیم‌گیری‌های پیچیده تمرکز کنند. هدف آن، مدیریت مبتنی بر هوش مصنوعی برای بهبود کیفیت و سرعت تصمیم‌گیری در کسب‌وکار است.
این رویکرد به محصولات محدود نمی‌شود؛ بلکه بازطراحی خود سازمان بر پایهٔ هوش مصنوعی را نیز در بر می‌گیرد. شرکت Codex را در فرایند توسعهٔ خود ادغام کرد و با استفادهٔ روزمره، به‌کارگیری آن را در سراسر سازمان گسترش داد.
با جا افتادن استفاده از آن، چالش تازه‌ای پدید آمد: کنترل هزینه. استفادهٔ نامحدود از مدل‌های قدرتمند می‌توانست هزینه‌ها را بالا ببرد، اما محدودیت‌های فراگیر نیز ممکن بود دستاوردهای هوش مصنوعی در بهره‌وری را تضعیف کند.
چطور می‌شد هزینه‌ها را بدون کاهش سرعت توسعه کم کرد؟ LegalOn Technologies برای حل این چالش، بر اساس پیچیدگی کار و مرحلهٔ توسعه، از میان GPT‑6 (Astra، Luna) و GPT‑6.1 Sol مدل مناسب را انتخاب کرد و بودجه‌ها را با مرحلهٔ رشد هر کسب‌وکار هماهنگ ساخت. شرکت با حفظ سرعت توسعه، هزینه‌ها را به نصف رساند.
شرکت در ابتدا به توسعه‌دهندگان دسترسی نامحدود به مدل اصلی خود، GPT‑5.5 در حالت سریع، داده بود. آن‌ها استفاده از این مدل را به طراحی، پیاده‌سازی و کارهای روزمره گسترش دادند و با آزمون‌وخطا، بهترین شیوهٔ تقسیم مسئولیت میان انسان و هوش مصنوعی را آموختند.
اما ادامهٔ استفادهٔ نامحدود از مدل‌های قدرتمند، ناگزیر هزینه‌ها را از بودجهٔ سالانه فراتر می‌برد. مرکز تعالی توسعه با هوش مصنوعی شرکت (AID CoE) تدوین دستورالعمل‌های انتخاب مدل را آغاز کرد. AID CoE مدل‌ها را آزمایش و پایش می‌کرد و مدیران یافته‌های آن را با تیم‌های خود به اشتراک می‌گذاشتند. به این ترتیب، هر مهندس می‌توانست مستقلاً مناسب‌ترین مدل را برای هر کار انتخاب کند.
دستورالعمل‌های جدید، رویکرد شرکت را از استفاده از توانمندترین مدل برای همهٔ کارها به انتخاب مدل مناسب هر کار تغییر داد. تیم‌ها با مدلی سبک شروع می‌کردند و با افزایش پیچیدگی کار به سراغ مدل‌های توانمندتر می‌رفتند.
شرکت برای تقویت حاکمیت سازمانی، از طریق تنظیمات مدیریتی، کنترل‌های سیستمی نیز اعمال کرد و برای واحدها و افراد سقف مصرف ماهانه تعیین کرد. AID CoE میزان مصرف را پایش می‌کند و سقف‌ها را متناسب با نیازهای کسب‌وکار تغییر می‌دهد.
آزمایش‌های داخلی در چارچوب این کنترل‌ها به دقیق‌تر شدن معیارهای انتخاب کمک کرد. GPT‑6 Luna، سبک‌ترین مدل، کدنویسی با نیازمندی‌های روشن را انجام می‌دهد؛ GPT‑6.1 Sol برای طراحی متداول، تحلیل داده و تهیهٔ اسناد به کار می‌رود؛ و GPT‑6 Astra، توانمندترین مدل، عهده‌دار قضاوت‌های پیچیده، از جمله طراحی معماری است. انتخاب مدل متناسب با کار به‌تدریج به رویه‌ای مشترک در میان تیم‌ها تبدیل شد.
GPT-6 Luna
Everyday execution and implementation; running everyday automations; delegating relatively simple tasks and analysis; code implementation, mainly as a subagent.
GPT-6.1 Sol
Standard design and analysis; relatively simple software design; routine numerical analysis and document creation; tasks requiring shorter completion times than with Luna.
GPT-6 Astra
Complex analysis, design, and orchestration; complex analysis and document creation; complex software design; coordinating agents as the orchestrator.
در کنار انتخاب مدل، شرکت حالت سریع را به‌صورت پیش‌فرض محدود کرد و فقط در صورت نیاز، درخواست‌های فردی برای استفاده از آن را مجاز دانست. هرچند این تغییر نگرانی‌هایی دربارهٔ سرعت توسعه ایجاد کرد، تیم‌ها با روش‌هایی مانند اجرای موازی کارها، عملکرد خود را حفظ کردند و به‌آرامی با شرایط جدید سازگار شدند.
شرکت همچنین برای هزینه‌های هوش مصنوعی در سطح واحد، گروه و فرد سقف بودجه تعیین کرد. از کسب‌وکار تثبیت‌شدهٔ LegalOn خواسته شد کارایی هزینه را تا حدود ۲۰٪ بهبود دهد، در حالی که کسب‌وکارهای جدید در مرحلهٔ راه‌اندازی، بودجه‌های سخاوتمندانه‌ای برای تشویق استفادهٔ فعال از هوش مصنوعی دریافت کردند.
یوتا توکیتاکه، مدیر ارشد مهندسی در LegalOn Technologies، توضیح می‌دهد که کسب‌وکارهای جدید، سرعت پیشبرد کسب‌وکار را بر کارایی هزینه مقدم می‌دانستند. هدف، استفادهٔ گسترده از هوش مصنوعی برای افزایش خروجی و در نهایت رشد کسب‌وکار بود.
ترکیب انتخاب مدل، محدودسازی قابلیت‌ها و بودجه‌بندی متناسب با هر کسب‌وکار، هزینه‌های روزانهٔ برآوردشده را حدود ۶۵٪ کاهش داد. این رویکرد ضمن کنترل بودجهٔ کل، منابع را به سوی کسب‌وکارهایی هدایت کرد که شرکت قصد رشد دادن آن‌ها را داشت.
بهینه‌سازی مدل‌ها و تخصیص راهبردی منابع، نتایج زیر را به همراه داشت:
گذار از استفاده از توانمندترین مدل برای همهٔ کارها به انتخاب GPT‑6 Astra، GPT‑6.1 Sol یا GPT‑6 Luna بر اساس پیچیدگی کار و مرحلهٔ توسعه.
حفظ عملکرد توسعه پس از محدودسازی پیش‌فرض حالت سریع، با اتکا به روش‌های تیمی مانند اجرای موازی کارها.
تعیین سقف‌های بودجه که حدود ۲۰٪ افزایش کارایی در کسب‌وکارهای تثبیت‌شده را با سرمایه‌گذاری فعال در کسب‌وکارهای جدید همراه کرد.
کاهش ۶۵٪ هزینه‌های روزانهٔ برآوردشده نسبت به GPT‑5.5، با انتخاب از میان مدل‌های GPT‑6 و 6.1.
شرکت با بهینه‌سازی مدل‌ها، هزینه‌ها را بدون افت سرعت یا کیفیت توسعه کاهش داد. تیم‌ها همچنین شاهدند که هوش مصنوعی پیوسته چرخهٔ توسعه تا عرضه را کوتاه‌تر می‌کند.
اما نگاه شرکت به افق‌های دورتری است. آیا توسعهٔ سریع‌تر به‌تنهایی به معنای موفقیت سرمایه‌گذاری در هوش مصنوعی است؟ رابطهٔ میان توسعهٔ سریع‌تر و ارزش ایجادشده برای مشتری همچنان روشن نبود. توکیتاکه می‌گوید: «اینکه هوش مصنوعی می‌تواند توسعه و به‌روزرسانی سیستم‌ها را سریع‌تر کند، تقریباً بدیهی است.» «آنچه واقعاً می‌خواهیم بفهمیم این است که آیا توسعهٔ سریع‌تر، در عمل برای مشتریان ارزش ایجاد می‌کند یا نه.»
این پرسش شرکت را به تدوین شاخصی اختصاصی سوق داد و مبنای ارزیابی سرمایه‌گذاری در هوش مصنوعی را از سرعت توسعه و میزان مصرف، به ارزش ایجادشده برای مشتری تغییر داد.
توکیتاکه توضیح می‌دهد: «هنگام استفاده از هوش مصنوعی، می‌توانیم هزینهٔ تک‌تک کارها را ردیابی کنیم، اما هزینهٔ کل یک کار کامل—یعنی عرضهٔ یک قابلیت—اغلب نامشخص می‌ماند. بنابراین، عرضهٔ هر قابلیت را یک واحد در نظر گرفتیم و سنجش را بر همان اساس طراحی کردیم. با مرتبط کردن ارزش حاصل از عرضهٔ آن قابلیت برای مشتری با هزینه‌های واقعی هوش مصنوعی صرف‌شده برای آن، می‌خواهیم بازده سرمایه‌گذاری را دقیق و شفاف نشان دهیم.»
شرکت اکنون در حال ساخت خط پردازش داده برای محاسبهٔ این شاخص است. پس از تکمیل، این خط پردازش بازده واقعی سرمایه‌گذاری را از نظر ارزش ایجادشده برای مشتری مشخص خواهد کرد. LegalOn Technologies از مدیریت هزینه‌های هوش مصنوعی فراتر می‌رود و به سوی پیوند مستقیم سرمایه‌گذاری در فناوری با ارزش‌آفرینی برای کسب‌وکار حرکت می‌کند.
هدف بعدی، تبدیل دانش عملی هر مهندس دربارهٔ هوش مصنوعی به قابلیتی در سطح کل سازمان است. در گام نخست، شرکت قصد دارد پایگاه دانشی برای گردآوری و به‌اشتراک‌گذاری تجربه‌های عملی بسازد. این پایگاه، دانشی مانند بهترین ترکیب مدل‌ها برای طراحی، پیاده‌سازی و بازبینی را ثبت می‌کند و موفقیت‌های فردی را به‌سرعت به بهترین رویه‌های مشترک در کل شرکت تبدیل خواهد کرد.
این تغییرات که از تجربهٔ عملی تیم‌ها سرچشمه می‌گیرند، بر سازمان و استخدام نیز اثر می‌گذارند. افزایش بهره‌وری به کمک هوش مصنوعی، شرکت را به بازنگری اساسی در نحوهٔ تقسیم کار میان انسان و هوش مصنوعی و همچنین برنامه‌ریزی نیروی انسانی سوق داده است. هم‌زمان با تحول راهبرد سرمایه‌گذاری و ساختار سازمانی، شرکت تأکید بر مهارت‌های هوش مصنوعی در استخدام را آغاز کرده است.
تبدیل به‌کارگیری هوش مصنوعی به مزیت رقابتی پایدار، مستلزم بهبود مداوم تعادل میان حاکمیت سازمانی و آزادی عمل تیم‌هاست. AID CoE و تیم امنیت با همکاری یکدیگر، عملکرد، هزینه و ریسک را از جنبه‌های مختلف بهینه می‌کنند و چارچوبی منعطف می‌سازند که از آزمودن روش‌های تازه در سراسر سازمان پشتیبانی کند.
«محدودیت‌های بیش‌ازحد از طریق مقررات و بودجه‌بندی می‌تواند آهنگ پیشرفت سازمان را کند کند. آنچه نیاز داریم، الگوی عملیاتی منعطفی است که میان کنترل ریسک و سرعت موردنیاز تیم‌ها تعادل مؤثری برقرار کند.»
