چگونه در عصر عامل‌های هوشمند، سرمایه‌گذاری در هوش مصنوعی را مدیریت کنیم

هدف OpenAI این است که هوش مصنوعی را به‌مرور زمان دسترس‌پذیرتر، توانمندتر و مقرون‌به‌صرفه‌تر کند. از GPT‑4 تا GPT‑5.4، قیمت به‌ازای هر یک میلیون توکن ۹۷٪ کاهش یافت. GPT‑5.6⁠ به این روند پیشرفت ادامه می‌دهد و در Artificial Analysis Coding Agent Index عملکرد بهتری ارائه می‌کند؛ با ۵۴٪ توکن خروجی کمتر و ۵۷٪ زمان کمتر برای انجام هر وظیفه.

اما قیمت توکن به‌تنهایی نشان نمی‌دهد که آیا هوش مصنوعی در حال ارزش‌آفرینی است یا نه. رهبران باید به کار مفید به‌ازای هر دلار توجه کنند: کارهای تکمیل‌شده، زمان صرفه‌جویی‌شده، تصمیم‌های بهتر و گردش‌کارهای آماده گسترش.

با گذار تیم‌ها از چت به گردش‌کارهای طولانی‌تر، مدیران به دید شفاف‌تری نسبت به تقاضا، هزینه‌ها و ریسک نیاز دارند. 

با این پنج راهکار، می‌توانید با اطمینان بیشتری سرمایه‌گذاری کنید.

رهبران سازمانی باید دیدی شفاف از نحوه استفاده از هوش مصنوعی داشته باشند: چه کسانی از آن استفاده می‌کنند، از کدام محصولات یا مدل‌ها استفاده می‌کنند، چه میزان ظرفیت مصرف می‌کنند و این استفاده در خدمت چه نوع کاری است. بدون چنین شفافیتی، تفسیر صورت‌حسابِ رو به افزایش دشوار است. این موضوع می‌تواند نشانهٔ اتلاف منابع، آزمایش‌های ثمربخش یا گردش‌کاری باشد که به‌تدریج برای کسب‌وکار اهمیت حیاتی پیدا می‌کند.

ChatGPT Work⁠ از کارهای طولانی‌تر و چندمرحله‌ای پشتیبانی می‌کند، بنابراین میزان استفاده می‌تواند بسته به گردش‌کار بسیار متفاوت باشد. مدیران باید بتوانند کارهایی را که این میزان استفاده به آن‌ها مربوط می‌شود ببینند، نه صرفاً میزان اعتبار مصرف‌شده را. چنین چیزی با داشتن دیدی مشترک نسبت به تقاضا در سراسر ChatGPT امکان‌پذیر است. قابلیت‌های به‌روزرسانی‌شدهٔ تحلیل میزان استفاده و کنترل هزینه‌ها⁠ در کنسول مدیریت⁠(در یک پنجره جدید باز می‌شود) به مدیران کمک می‌کنند میزان پذیرش، مصرف اعتبار و هزینه‌ها را به تفکیک کاربر، محصول و مدل مشاهده کنند؛ روندها را در طول زمان دنبال کنند؛ الگوهای نوظهور را شناسایی کنند؛ و دریابند چه زمانی میزان استفاده نشان‌دهندهٔ پذیرش گسترده، گردش‌کار یک کاربر حرفه‌ای یا فرایند تکرارشونده‌ای در کسب‌وکار است که شاید شایستهٔ سرمایه‌گذاری بیشتر باشد.

بینش‌ها در سطوح مختلف می‌توانند راهنمای تصمیم‌گیری درباره سرمایه‌گذاری و توانمندسازی باشند:

• فضای کاری: آیا میزان پذیرش و هزینه‌ها هم‌سو پیش می‌روند؟
• تیم و کاربر: تقاضا در کدام بخش‌ها رو به افزایش است و چه کسانی ممکن است به پشتیبانی بیشتری نیاز داشته باشند؟
• محصول و مدل: قابلیت‌های هوشمند پرهزینه‌تر کجا استفاده می‌شوند و آیا این تقاضا پایدار است؟

این دیدها در کنار هم به مدیران کمک می‌کنند مشخص کنند کجا سرمایه‌گذاری کنند، کجا راهنمایی ارائه دهند و کجا محدودیت بگذارند.

پایین‌ترین قیمت توکن همیشه به کمترین هزینه کل منجر نمی‌شود. یک مدل ارزان‌تر ممکن است با شکست مواجه شود، نیاز به تلاش مجدد داشته باشد یا خروجی‌ای تولید کند که به اصلاح نیاز دارد. ممکن است یک مدل توانمندتر به‌ازای هر توکن گران‌تر باشد، اما با دفعات تلاش کمتر و نیاز کمتر به بازبینی، زودتر به نتیجه‌ای قابل‌قبول برسد.

مدل‌ها را بر اساس کاری که باید انجام دهند ارزیابی کنید. از ارزیابی‌هایی که کارهای واقعی را بازتاب می‌دهند⁠، از جمله سناریوهای خاص، استفاده کنید و پیش از آزمایش مشخص کنید چه نتیجه‌ای «به‌اندازهٔ کافی خوب» است. در ادامه، هزینهٔ کامل دستیابی به آن معیار را اندازه‌گیری کنید: استفاده از مدل و ابزار، تعداد تلاش‌ها، نرخ تکمیل، تأخیر و میزان بازبینی انسانی.

برای گردش‌کارهای اولویت‌دار، هزینهٔ هر نتیجهٔ پذیرفته‌شده را پیگیری کنید. در حوزه‌ی پشتیبانی مشتریان، این نتیجه ممکن است یک درخواست رسیدگی‌شده باشد. در مهندسی، ممکن است یک تغییرِ تست‌شده باشد که بازبینی را با موفقیت پشت سر می‌گذارد. آن هزینه را در کنار ارزش کسب‌وکاری آن بسنجید؛ مانند زمان صرفه‌جویی‌شده، کاهش زمان چرخه، درآمد حفظ‌شده، ریسک کاهش‌یافته یا ظرفیت ایجادشده.

انتخاب مدل تنها بخشی از معادله است. دستورالعمل‌های روشن، ابزارهای متمرکز، زمینهٔ قابل‌استفادهٔ مجدد و شرایط توقف مشخص می‌توانند چرخه‌های تکراری و هزینه‌های هدررفته را کاهش دهند. هدف این است که مدل و گردش‌کار را با وظیفه متناسب کنید: وقتی مدل‌های کوچک‌تر یا سریع‌تر آستانهٔ کیفیت را برآورده می‌کنند، از آن‌ها استفاده کنید و هوشمندی پیشرفته را برای کارهای پیچیده، مبهم یا حساس نگه دارید.

رهبران سازمانی باید حاکمیت را به‌عنوان لایه‌ای عملیاتی در نظر بگیرند که تعیین می‌کند کدام کارهای مبتنی بر هوش مصنوعی می‌توانند در مقیاس گسترده اجرا شوند. کار عملی این است که مشخص شود ChatGPT از چه اطلاعات زمینه‌ای می‌تواند استفاده کند، به کدام ابزارها دسترسی داشته باشد، چه اقداماتی انجام دهد، چه کسی گام‌های پرریسک‌تر را تأیید کند و وقتی تیم‌ها گردش‌کارهای ارزشمند را شناسایی می‌کنند، ظرفیت اضافی چگونه به آن‌ها اختصاص داده شود.

اهمیت این موضوع زمانی بیشتر می‌شود که تیم‌ها افزونه‌ها، رابط‌ها، قابلیت استفاده از رایانه و دیگر قابلیت‌های پیشرفته‌ای را به کار می‌گیرند که امکان فعالیت در سامانه‌های گوناگون سازمانی را دارند. ChatGPT Work⁠ کنترل‌های متمرکزی در اختیار مدیران می‌گذارد تا دسترسی، اطلاعات زمینه‌ای تأییدشده، ابزارهای متصل، اقدامات مجاز، میزان استفاده و هزینه‌ها را مدیریت کنند. کنترل‌های هزینه‌کرد، مانند پیش‌فرض‌های فضای کاری، محدودیت‌های گروهی، استثناهای فردی و درخواست‌های بازبینی همراه با اطلاعات زمینه‌ای پروژه، به رهبران کمک می‌کنند از کارهای ارزش‌آفرین پشتیبانی کنند، بدون آنکه ناچار باشند محدودیت‌ها را به‌صورت گسترده افزایش دهند.

برای استقرارهای اولویت‌دار، مهندسان استقرار⁠(در یک پنجره جدید باز می‌شود) هوش مصنوعی OpenAI می‌توانند مستقیماً با مشتریان روی ارزیابی‌ها، معماری، تأخیر، قابلیت اطمینان و طراحی گردش‌کار همکاری کنند تا هم عملکرد بهبود یابد و هم هزینه‌ها بهینه‌تر شوند. حریم خصوصی و سازوکارهای حاکمیتی باید از همان ابتدا در این کار لحاظ شوند: پیش از آنکه گردش‌کارهای حساس گسترش پیدا کنند، باید کنترل‌های دسترسی مناسب، سیاست‌های روشن برای نگهداشت داده‌ها، دید کافی نسبت به الزامات انطباق و مسیرهای مشخص تأیید برای آن‌ها تعریف شده باشد. در مواردی که کاربرد داشته باشد، کنترل‌های حریم خصوصی سازمانی OpenAI، از جمله گزینه‌های عدم نگهداشت داده‌ها⁠(در یک پنجره جدید باز می‌شود)، به مشتریان کمک می‌کنند هوش مصنوعی را در محیط‌هایی مستقر کنند که الزامات بالایی برای اعتماد دارند.

رهبران سازمانی باید سرمایه‌گذاری در هوش مصنوعی را مانند یک سبد سرمایه‌گذاری مدیریت کنند: دسترسی گسترده برای بهره‌وری روزمره، گردش‌کارهای ویژهٔ هر حوزهٔ کاری برای بهبود کارهای تکرارپذیر، و شمار محدودتری از ابتکارهای راهبردی که بر پایهٔ زمینه و دانش اختصاصی شرکت شکل می‌گیرند. قوی‌ترین گزینه‌ها، گردش‌کارهایی هستند که به‌طور مکرر و در مقیاسی معنادار انجام می‌شوند، مالک مشخصی دارند و امکان سنجش آن‌ها از نظر کیفیت، ریسک و ارزش کسب‌وکاری وجود دارد.

تأمین مالی باید متناسب با میزان بلوغ انجام شود. در مرحلهٔ اکتشاف، باید توانایی مدل برای انجام وظیفه بررسی شود؛ در مرحلهٔ اعتبارسنجی، نمونه‌های نماینده باید بر اساس معیاری روشن برای کیفیت سنجیده شوند؛ و بودجهٔ مرحلهٔ عملیاتی‌سازی باید از یکپارچه‌سازی‌ها، کنترل‌ها، قابلیت اطمینان و مدیریت تغییرِ لازم برای گسترش در مقیاس بزرگ پشتیبانی کند. قابلیت‌های مشترکی مانند هویت، رابط‌های مورداعتماد، دانش پالایش‌شده، ارزیابی‌ها، مشاهده‌پذیری، مسیریابی مدل و الگوهای بازاستفاده‌پذیر برای عامل‌ها باید به‌صورت متمرکز تأمین بودجه شوند تا راه‌اندازی هر گردش‌کار جدید آسان‌تر و ایمن‌تر شود.

هنگامی که ارزش یک گردش‌کار ثابت شد، رهبران باید محصول، ظرفیت و مدل پشتیبانی مناسب را بر اساس میزان تقاضای آن انتخاب و تنظیم کنند. ChatGPT Work⁠ قابلیت‌های آماده‌ای برای چت، کدنویسی، گردش‌کارهای عامل‌محور، رابط‌ها، افزونه‌ها، استفاده از رایانه و مدیریت ارائه می‌دهد. شرکت‌ها می‌توانند آن بنیان را، در جاهایی که چنین عناصری ارزش متمایز می‌آفرینند، با داده‌های اختصاصی، مجوزها، ارزیابی‌ها و منطق گردش‌کار تقویت کنند.

برای بارهای کاری عملیاتی، ساختار تجاری باید با الگوهای استفاده متناسب باشد: ظرفیت تضمین‌شده⁠ برای سیستم‌ها و عامل‌های عملیاتی که به دسترسی مطمئن نیاز دارند، سطح مقیاس⁠ برای بارهای کاری API با حجم بالا و قابل‌پیش‌بینی، و API دسته‌ای⁠(در یک پنجره جدید باز می‌شود)، پردازش انعطاف‌پذیر⁠(در یک پنجره جدید باز می‌شود) یا ذخیره‌سازی موقت پرامپت⁠ برای کارهای ناهمگام یا اطلاعات زمینه‌ای تکرارشونده.

در استقرارهای راهبردی بزرگ‌تر، OpenAI Frontier⁠ و Deployment Company⁠(در یک پنجره جدید باز می‌شود) می‌توانند به سازمان‌ها در ساخت، استقرار و مدیریت همکاران هوش مصنوعی در سراسر سامانه‌های سازمانی کمک کنند. این رویکرد به رهبران امکان می‌دهد کارهای اثبات‌شده را با محصول، ظرفیت و مدل پشتیبانی مناسب گسترش دهند، به‌جای آنکه هر گردش‌کار ناچار باشد زیرساخت خود را از نو بسازد.