AI યુગ માટેનું સ્કોરકાર્ડ

દરેક જગ્યાએ CFO પાસેથી મને એક સરળ પ્રશ્ન સાંભળવા મળે છે: AI પરના અમારા ખર્ચમાંથી વધુ મૂલ્ય કેવી રીતે મેળવવું?

વર્ષોથી બજારે સોફ્ટવેરની સફળતા અપનાવટથી માપી છે: ખરીદેલી સીટ્સ, સક્રિય વપરાશકર્તાઓ, નવીકૃત લાઇસન્સ. AIનું મૂલ્ય સમજવા માટે વધુ શક્તિશાળી માપદંડ જોઈએ: પૂરું થયેલું કામ.

CFO અને અન્ય બિઝનેસ અગ્રણીઓ સામેનો મૂળભૂત આર્થિક પ્રશ્ન એ છે કે AI જે કામ પૂરું કરે છે તેનું મૂલ્ય, તેને બનાવવાના ખર્ચ કરતાં વધુ ઝડપથી વધે છે કે નહીં.

આ પ્રશ્નનો જવાબ આપવા માટે પ્રતિ ટોકન ખર્ચ જેવા માપદંડથી વધુ ઊંડે જોવું જરૂરી છે. ઓછા ખર્ચવાળા મોડલમાં ટોકન સસ્તા હોઈ શકે, પરંતુ ઉત્તમ પરિણામો મેળવવા વધુ પ્રયાસો, વધુ સમય અથવા વધુ માનવીય સમીક્ષા જોઈએ. વધુ સક્ષમ મોડલમાં ટોકન મોંઘા હોઈ શકે, પરંતુ તે જ કાર્ય એક જ પ્રયત્નમાં પૂરું કરી શકે. મહત્ત્વનું એ છે કે સફળ પરિણામ બનાવવા માટેનો સંપૂર્ણ ખર્ચ, અને તેની સામે તે પરિણામ જે મૂલ્ય ઊભું કરે છે.

AIના યુગ માટેનું છેવટનું સ્કોરકાર્ડ “દર ડોલરે ઉપયોગી ઇન્ટેલિજન્સ” તરીકે જોઈ શકાય. આ માપદંડ ચાર મુખ્ય પ્રશ્નોના જવાબ આપે છે:

1. શું AI મહત્ત્વનું કામ પૂરું કરી રહ્યું છે?
2. દરેક સફળ કાર્યનો ખર્ચ કેટલો છે?
3. શું લોકો પરિણામ પર ભરોસો કરી શકે?
4. ઉપયોગ વધે તેમ દરેક AI ડોલર વધુ મૂલ્ય આપે છે?

શરૂઆત કામથી જ કરો.

AIએ કેટલા ગ્રાહક પ્રશ્નો ઉકેલવામાં મદદ કરી? તેની મદદથી કોડમાં કેટલા ફેરફારો રિલીઝ થયા? તે કેટલા કરારોની સમીક્ષા કરી શક્યું? તેણે લોકોને કેટલો સમય પાછો આપ્યો? યોગ્ય સંદર્ભ યોગ્ય સમયે ઉપલબ્ધ હોવાથી કેટલા નિર્ણયો સુધર્યા?

ટોકન ત્યારે મૂલ્ય બનાવે છે જ્યારે તે લોકો ઉપયોગ કરી શકે એવા કામમાં બદલાય છે. મોડલ વધુ સક્ષમ બનતાં જાય છે તેમ તે લાંબા અને વધુ જટિલ કાર્યો સંભાળી શકે છે: સંદર્ભ જાળવવો, અનેક પગલાંમાં રિઝનિંગ કરવું, ટૂલ્સમાં કામ કરવું અને આગળ વધતા અનુકૂળ થવું.

શરૂ કરવા માટે શ્રેષ્ઠ સ્થાન એક વર્કફ્લો છે. “પૂર્ણ”નો અર્થ શું છે તે નક્કી કરો અને જ્યાં કામ થાય છે તે સિસ્ટમમાં તે પરિણામ માપો.

સપોર્ટ ટીમ માટે, “પૂર્ણ”નો અર્થ ગ્રાહક સમસ્યા ઉકેલાઈ ગઈ એવો હોઈ શકે. એન્જિનિયરિંગ ટીમ માટે, તેનો અર્થ પરીક્ષણોમાં પાસ થતો કોડ ફેરફાર હોઈ શકે. કાનૂની ટીમ માટે, તેનો અર્થ સમયસર અને ચોક્કસ રીતે સમીક્ષા કરાયેલો કરાર હોઈ શકે.

ફોરકાસ્ટ સમીક્ષાની તૈયારી કરતી ફાઇનાન્સ ટીમનો વિચાર કરો. અંતિમ નિર્ણય લેવાય તે પહેલાં ઘણું કામ થાય છે: તાજેતરનું ફોરકાસ્ટ શોધવું, ડેટા Excel અથવા Sheetsમાં ખસેડવો, ફેરફારો ઓળખવા, ટૅબ્સનો મેળ કરવો, સ્લાઇડ્સ ફરી બનાવવી અને બધું ચોક્કસ રીતે જોડાય છે કે નહીં તે ચકાસવું.

ChatGPT વર્ક તે પ્રક્રિયાનો મોટો ભાગ સંભાળી શકે છે, જેથી ટીમને મહત્ત્વના પ્રશ્નો પર ધ્યાન આપવા વધુ સમય મળે: શું બદલાયું? શા માટે? હવે આગળ શું કરવું જોઈએ?

વાસ્તવિક ઉપયોગમાં દર ડોલરે ઉપયોગી ઇન્ટેલિજન્સ આ જ છે. વધુ કામ વધુ ઝડપથી પૂરું થાય છે, અને લોકો પોતાનો વધુ સમય નિર્ણયશક્તિ, સર્જનાત્મકતા અને નિષ્ણાતી લાગુ કરવામાં ખર્ચે છે.

આગળનો પ્રશ્ન એ છે કે આ કામ સારી રીતે પૂરું કરવા કેટલો ખર્ચ થાય છે.

AI કાર્યોમાં મોટો ફરક હોય છે. ઝડપી જવાબ માટે થોડું કમ્પ્યુટ પૂરતું હોઈ શકે. કોડિંગ, સંશોધન અથવા નાણાકીય વર્કફ્લોમાં વધુ ઊંડું રિઝનિંગ, ટૂલનો ઉપયોગ અને અનેક પગલાં સામેલ હોઈ શકે. આવા વધુ જટિલ કાર્યોને વધુ કમ્પ્યુટ જોઈએ, પરંતુ તે ઘણું વધુ મૂલ્ય ઊભું કરી શકે.

મોડલ સ્તરે, સફળ કાર્ય દીઠ ખર્ચ કિંમત, વપરાયેલા કમ્પ્યુટની માત્રા અને યોગ્ય પરિણામ સુધી પહોંચવાની શક્યતા પર આધાર રાખે છે. બિઝનેસ માટે, સંપૂર્ણ ખર્ચમાં કર્મચારીનો સમય, માનવીય સમીક્ષા, ફરી પ્રયાસો અને ફરી કામ કરવું પણ સામેલ છે.

ગણતરી સીધી-સરળ છે:

• કામ પૂરું કરવાની સંપૂર્ણ કિંમત ઉમેરો.
• જરૂરી ગુણવત્તા ધોરણ સુધી પહોંચેલા કાર્યોની ગણતરી કરો.
• સંપૂર્ણ ખર્ચનો સફળ કાર્યોની સંખ્યાથી ભાગાકાર કરો.

આથી જ પ્રતિ ટોકન સૌથી ઓછી કિંમત હંમેશા પ્રતિ પરિણામ સૌથી ઓછો ખર્ચ આપતી નથી. અત્યાધુનિક મોડલ સામાન્ય વિનંતી માટે પણ શ્રેષ્ઠ મૂલ્ય આપી શકે, જો તે એક જ પ્રયત્નમાં સાચો જવાબ આપે અને ફરી પ્રયાસો, વિલંબ, સમીક્ષા અને કુલ કમ્પ્યુટ ઘટાડે.

સ્તરીય મોડલ ફેમિલી ગ્રાહકોને આ સમીકરણ ઑપ્ટિમાઇઝ કરવાની વધુ રીતો આપે છે. ગયા અઠવાડિયે અમે રિલીઝ કરેલું GPT‑5.6 ત્રણ સ્તર ધરાવે છે: Sol અમારું ફ્લેગશિપ છે; Terra કામગીરી અને ખર્ચનું સંતુલન રાખે છે; Luna અમારું સૌથી ઝડપી અને સૌથી પરવડે તેવું મોડલ છે.

આ સ્તરો ઉપયોગી પ્રારંભિક બિંદુઓ આપે છે. અંતે સંપૂર્ણ કાર્યનું અર્થશાસ્ત્ર જ યોગ્ય મોડલ નક્કી કરવું જોઈએ. ગ્રાહક ઝડપી, મોટા પ્રમાણના વર્કફ્લો માટે Luna, વધુ ઊંડાણ માગતા કામ માટે Terra, અથવા ઓછા પ્રયાસોમાં મજબૂત રિઝનિંગ શ્રેષ્ઠ પરિણામ આપે ત્યારે Sol વાપરી શકે.

દરેક ટોકનમાંથી વધુ ઉપયોગી કામ મળે તે માટે અમે GPT‑5.6ને તાલીમ આપી. Artificial Analysis Coding Agent Index પર, મહત્તમ રિઝનિંગ સાથે GPT‑5.6 Solએ બીજી અગ્રણી મોડલ કરતાં 54% ઓછા આઉટપુટ ટોકન વાપરીને નવી અદ્યતન સિદ્ધિ સ્થાપી. નીચેનો ચાર્ટ તુલના બતાવે છે.

સમગ્ર GPT‑5.6 ફેમિલીમાં લક્ષ્ય એક જ છે: પ્રતિ ડોલર વધુ સફળ કામ. વધુ કાર્યક્ષમતા હાલના કાર્યોને વધુ પરવડે તેવા બનાવે છે. વધુ ક્ષમતા કામના સંપૂર્ણ નવા પ્રકારોને શક્ય બનાવે છે.

દરેક નવી મોડલ પેઢીએ આ સમીકરણના બંને પાસાં સુધારવા જોઈએ. ગ્રાહકો વધુ મૂલ્યવાન કામ પૂર્ણ કરી શકે અને સાથે સાથે દરેક કાર્ય પૂરું કરવાનો ખર્ચ ઘટતો રહે, એવું હોવું જોઈએ.

ત્રીજું માપદંડ વિશ્વસનીયતા છે.

AI અપનાવટ સામાન્ય રીતે તબક્કાવાર ઊંડી થાય છે. પહેલા, AI ડ્રાફ્ટ બનાવવામાં મદદ કરે છે. પછી તે સંદર્ભ શોધે છે અને ટૂલ્સ તથા ડેટા પર રિઝનિંગ કરે છે. સમય જતાં, તે પગલાં લેવાનું, અપવાદો સંભાળવાનું અને વર્કફ્લો પૂર્ણ કરવાનું શરૂ કરે છે, જ્યાં જરૂરી હોય ત્યાં લોકો નિર્ણયશક્તિ અને નિયંત્રણ આપે છે.

દરેક પગલું વધુ મૂલ્ય બનાવે છે અને સિસ્ટમ પાસેથી વધુ અપેક્ષા રાખે છે.

વિશ્વસનીયતાનું સીધું આર્થિક મૂલ્ય છે. પરિણામો ચોક્કસ, સારા સ્ત્રોતવાળા, સુસંગત અને યોગ્ય રીતે એસ્કલેટ થતા હોય ત્યારે લોકો સમીક્ષા, સુધારા અને કામ ફરી કરવામાં ઓછો સમય ખર્ચે છે. સફળ કાર્યોનો ખર્ચ ઘટે છે અને સંસ્થાઓને વધુ મહત્ત્વના વર્કફ્લોમાં AI વાપરવાનો વિશ્વાસ મળે છે.

ટીમો ત્રણ પરિણામો ટ્રૅક કરીને આને સ્પષ્ટ બનાવી શકે છે:

• ઉપયોગ માટે તૈયાર: મળેલા પરિણામે ગુણવત્તા ધોરણ પૂરું કર્યું.
• સુધારો જરૂરી: પરિણામ માટે બીજો પ્રયાસ અથવા માનવીય ફેરફારો જરૂરી હતા.
• એસ્કલેશન જરૂરી: કોઈ વ્યક્તિએ આગળ આવીને કામ પૂરું કરવું પડ્યું.

આ માપદંડો માત્ર મોડલની ચોકસાઈ કરતાં વધુ સમૃદ્ધ કહાની કહે છે. તે બતાવે છે કે પ્રોજેક્ટ પૂર્ણ કરવામાં લાગતું કામ AI ખરેખર ઘટાડે છે કે નહીં.

નિર્ભર રહેવા માટે સ્પષ્ટ સીમાઓ પણ જરૂરી છે. AI ડ્રાફ્ટ બનાવવાથી પગલાં લેવા તરફ વધે તે પહેલાં, સંસ્થાઓએ નક્કી કરવું જોઈએ:

• સિસ્ટમ કયા ડેટાને ઍક્સેસ કરી શકે.
• તે કઈ સિસ્ટમો વાપરી અથવા બદલી શકે.
• ક્યારે કોઈ વ્યક્તિએ કોઈ પગલાની સમીક્ષા અથવા મંજૂરી કરવી જોઈએ.

સલામતી, સુરક્ષા, ગોપનીયતા અને નિયંત્રણ વધુ ઊંડા ઉપયોગનો પાયો બનાવે છે. લોકોએ સમજવું જરૂરી છે કે સિસ્ટમ કેવી રીતે વર્તે છે, તેમના ડેટાને કેવી રીતે સંભાળવામાં આવે છે અને તેની ક્રિયાઓ કેવી રીતે નિયંત્રિત થાય છે.

ChatGPT વર્ક, ChatGPT Enterpriseની સુરક્ષા, ગોપનીયતા, અનુપાલન અને વર્કસ્પેસ-વ્યવસ્થાપન પાયાને આગળ વધારે છે. આથી સંસ્થાઓ યોગ્ય દેખરેખ જાળવી રાખીને AIને વધુ સંદર્ભ અને વધુ મૂલ્યવાન વર્કફ્લોનો ઍક્સેસ આપી શકે છે.

ક્ષમતા પ્રથમ ઉપયોગ મેળવે છે. વિશ્વસનીયતા AIને કામ કરવાની રીતનો ભાગ બનાવે છે.

અંતિમ પ્રશ્ન એ છે કે મોટા પાયે અર્થશાસ્ત્ર સુધરે છે કે નહીં.

કંપનીઓ સમય સાથે એક જ વર્કફ્લોને અનુસરીને આ માપી શકે છે. કેટલા કાર્યો ગુણવત્તા ધોરણ સુધી પહોંચ્યા, તેમને પૂર્ણ કરવાનો કુલ ખર્ચ અને સફળ કાર્ય દીઠ ખર્ચ ટ્રૅક કરો. જો ગુણવત્તા જળવાય કે સુધરે અને પૂર્ણ થયેલું કામ કુલ ખર્ચ કરતાં ઝડપથી વધે, તો દરેક AI ડોલર વધુ મૂલ્ય આપી રહ્યો છે.

આ સમીકરણના કેન્દ્રમાં કમ્પ્યુટ છે.

કમ્પ્યુટ સંશોધન અને AI પૂરું કરે છે તે દરેક કાર્યને શક્તિ આપે છે. તે પ્રોડક્ટની ગુણવત્તા, ઝડપ, વિશ્વસનીયતા, ઉપલબ્ધતા અને ખર્ચને આકાર આપે છે. ટ્રેનિંગ કમ્પ્યુટ ભવિષ્યની ક્ષમતા બનાવે છે. ઇન્ફરન્સ કમ્પ્યુટ આજે ઉપયોગી કામ આપે છે. બંને ગ્રાહકો માટે વધુ સારા પરિણામોમાં બદલાવા જોઈએ.

વધુ સારા મોડલ, વધુ કાર્યક્ષમ ઇન્ફરન્સ, હેતુસર બનાવેલ હાર્ડવેર, વધુ ઉપયોગ, વધુ સ્માર્ટ રૂટિંગ અને મજબૂત પ્રોડક્ટ ડિઝાઇન બધું કમ્પ્યુટ પરના વળતરને સુધારે છે. ઇન્ફ્રાસ્ટ્રક્ચરની દરેક પેઢી વધુ સક્ષમ મોડલ તાલીમમાં મદદ કરે છે. પછી વધુ સારા અલ્ગોરિધમ, હાર્ડવેર અને સોફ્ટવેર તે મોડલને વધુ કાર્યક્ષમ રીતે સેવા આપવા મદદ કરે છે.

ગ્રાહકો આ સુધારાઓને માનવીય રીતે અનુભવે છે: વધુ સારા જવાબો, ઝડપી પરિણામો, ઓછા સુધારા, વધુ વિશ્વસનીય પ્રોડક્ટ્સ અને તેમને કરાવવાના કામ માટે ઓછો ખર્ચ.

લાભો સંચિત થાય છે. વધુ સારું ઇન્ફ્રાસ્ટ્રક્ચર સંશોધનને ગતિ આપે છે. સંશોધન વધુ સક્ષમ અને કાર્યક્ષમ મોડલ બનાવે છે. વધુ સારા મોડલ પ્રોડક્ટ્સ સુધારે છે. વધુ સારા પ્રોડક્ટ્સ અપનાવટ, શીખવું અને આવક વધારે છે. આ વૃદ્ધિ સંશોધન, કમ્પ્યુટ, ડિપ્લોયમેન્ટ અને સલામતીની આગલી પેઢીમાં સતત રોકાણને આધાર આપે છે.

OpenAI આ ઘટકોને એક શેર કરેલા ઇન્ટેલિજન્સ પ્લેટફોર્મ મારફતે એકસાથે લાવે છે. લોકો તેનો ઉપયોગ ChatGPT અને ChatGPT વર્ક દ્વારા કરે છે. ડેવલપર્સ તેનો ઉપયોગ Codex અને API દ્વારા બિલ્ડ કરવા માટે કરે છે. એન્ટરપ્રાઇઝ તેને જ્યાં કામ થાય છે તે સિસ્ટમોમાં ડિપ્લોય કરે છે.

એક સ્તર સુધરે ત્યારે દરેક પ્રોડક્ટ અને ગ્રાહકને લાભ મળી શકે છે.

એકસાથે જોતા, આ ચાર માપદંડો બતાવે છે કે દર ડોલરે ઉપયોગી ઇન્ટેલિજન્સ સુધરી રહી છે કે નહીં.

ઉપયોગી કામ અમને જણાવે છે કે AI શું બનાવે છે. સફળ કાર્ય દીઠ ખર્ચ બતાવે છે કે પરિણામ સુધી પહોંચવા શું જોઈએ. નિર્ભરતા બતાવે છે કે લોકો કામનો કેટલો ભાગ આત્મવિશ્વાસથી વાપરી શકે. મોટા પાયે મૂલ્ય બતાવે છે કે સમય સાથે દરેક ડોલર અને કમ્પ્યુટની દરેક એકમ વધુ સિદ્ધ કરે છે કે નહીં.

લક્ષ્ય એવું AI બનાવવાનું છે જે લોકોને વધુ અર્થસભર કામ કરવા, વધુ સારા નિર્ણયો લેવા અને તેમની નોકરીના ખાસ માનવીય નિર્ણયશક્તિ અને સર્જનાત્મકતા માંગતા ભાગો પર વધુ સમય આપવા મદદ કરે.

અમારું કામ દરેક પેઢી સાથે આ સમીકરણ સુધારવાનું છે: વધુ સક્ષમ મોડલ, ઝડપી અને વધુ વિશ્વસનીય પરિણામો, અને ગ્રાહકોને કરાવવાના કામ માટે ઓછો ખર્ચ.

આ રીતે AI સમય સાથે વધુ લોકો અને સંસ્થાઓ માટે વધુ ઉપયોગી બને છે.