LegalOn: Codex-ის ხარჯი განახევრდა, ტემპი შენარჩუნდა
LegalOn-მა Astra, Sol და Luna ამოცანებს მოარგო და ბიუჯეტები სტრატეგიულად მართა — შედეგად ხარჯები 65%-ით შეამცირა და შემუშავების ტემპი შეინარჩუნა.
შედეგები
-20%
ხარჯების შემცირება ბიზნესის დამკვიდრებულ მიმართულებებში
შედეგები
-65%
სავარაუდო დღიური ხარჯების შემცირება
LegalOn Technologies მთელ მსოფლიოში სთავაზობს პროფესიულ AI-ს იურიდიული საქმიანობისა და ბიზნესის სხვა ძირითადი ფუნქციების მხარდასაჭერად. დარგობრივი ცოდნისა და AI-ის შერწყმით ის ადამიანებს საშუალებას აძლევს, რთული საკითხების გააზრებასა და გადაწყვეტილებებზე კონცენტრირდნენ. მისი მიზანია AI-ზე დაფუძნებული მართვა, რომელიც ბიზნესგადაწყვეტილებების ხარისხსა და მიღების სისწრაფეს აუმჯობესებს.
ეს მიდგომა პროდუქტებს სცდება: თავად ორგანიზაციაც AI-ზე დაფუძნებულ მუშაობაზე გადადის. კომპანიამ Codex პროგრამული უზრუნველყოფის შემუშავების პროცესში ჩართო და ყოველდღიური გამოყენებით მთელ ორგანიზაციაში დანერგა.
გამოყენების დამკვიდრებასთან ერთად ახალი გამოწვევა გაჩნდა: ხარჯების კონტროლი. მძლავრი მოდელების შეუზღუდავი გამოყენება ხარჯებს გაზრდიდა, ერთიანი შეზღუდვები კი AI-ით მიღწეულ პროდუქტიულობის ზრდას საფრთხეს შეუქმნიდა.
როგორ შეემცირებინა ხარჯები ისე, რომ შემუშავების ტემპი არ შენელებულიყო? LegalOn Technologies-მა ამოცანის სირთულისა და შემუშავების ეტაპის მიხედვით დაიწყო GPT‑6‑ის (Astra, Luna) და GPT‑6.1 Sol-ის შერჩევა, ბიუჯეტები კი თითოეული ბიზნესის ზრდის ეტაპს მოარგო. კომპანიამ ხარჯები გაანახევრა და შემუშავების ტემპი შეინარჩუნა.
თავდაპირველად კომპანია დეველოპერებს ძირითად მოდელზე, GPT‑5.5‑ზე, სწრაფ რეჟიმში შეუზღუდავ წვდომას აძლევდა. ისინი მას პროექტირების, კოდის წერისა და ყოველდღიური მუშაობისთვის იყენებდნენ და ცდებით სწავლობდნენ, როგორ გაენაწილებინათ ფუნქციები ადამიანებსა და AI-ს შორის.
თუმცა მძლავრი მოდელების შეუზღუდავი გამოყენების გაგრძელება წლიური ბიუჯეტის გადაჭარბებას გარდაუვალს ხდიდა. კომპანიის AI-ით შემუშავების კომპეტენციის ცენტრმა (AID CoE) მოდელების შერჩევის სახელმძღვანელოს მომზადება დაიწყო. AID CoE მოდელებს ტესტავდა და აკვირდებოდა, მენეჯერები კი შედეგებს თავიანთ გუნდებს უზიარებდნენ. ამის წყალობით თითოეულ ინჟინერს შეეძლო, დამოუკიდებლად აერჩია ამოცანისთვის შესაფერისი მოდელი.
ახალი სახელმძღვანელოს მიხედვით, კომპანია ყველა ამოცანისთვის ყველაზე მძლავრი მოდელის გამოყენებიდან შესაფერისი მოდელის შერჩევაზე გადავიდა. გუნდები მსუბუქი მოდელით იწყებდნენ და ამოცანის გართულებასთან ერთად უფრო მძლავრ მოდელებზე გადადიოდნენ.
მართვის გასამყარებლად კომპანიამ ადმინისტრატორის პარამეტრებით სისტემური კონტროლიც დანერგა: განყოფილებებსა და თანამშრომლებს გამოყენების თვიური ლიმიტები დაუწესა. AID CoE გამოყენებას აკვირდება და ლიმიტებს ბიზნესის საჭიროებების მიხედვით ცვლის.
ამ კონტროლის პირობებში შიდა ტესტირებამ შერჩევის კრიტერიუმების დაზუსტებას შეუწყო ხელი. ყველაზე მსუბუქი მოდელი, GPT‑6 Luna, მკაფიო მოთხოვნებით კოდს წერს; GPT‑6.1 Sol სტანდარტულ პროექტირებას, მონაცემთა ანალიზსა და დოკუმენტების მომზადებას ემსახურება; ყველაზე მძლავრი GPT‑6 Astra კი რთულ გადაწყვეტილებებს, მათ შორის არქიტექტურის პროექტირებას, უმკლავდება. ამოცანებზე მოდელების მორგება თანდათან ყველა გუნდის საერთო პრაქტიკად იქცა.
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.
მოდელების შერჩევასთან ერთად კომპანიამ ნაგულისხმევად შეზღუდა სწრაფი რეჟიმი და მასზე ინდივიდუალურ მოთხოვნებს მხოლოდ საჭიროებისას აკმაყოფილებდა. ცვლილებამ შემუშავების ტემპის შენელების შიში გააჩინა, თუმცა ამოცანების პარალელურად შესრულებითა და სხვა მიდგომებით გუნდებმა წარმადობა შეინარჩუნეს და ახალ წესებზე შეუფერხებლად გადავიდნენ.
კომპანიამ AI-ზე ხარჯვის ბიუჯეტიც შეზღუდა განყოფილებების, ჯგუფებისა და თანამშრომლების დონეზე. LegalOn-ის დამკვიდრებულ ბიზნესს ხარჯეფექტიანობის დაახლოებით 20%-მდე გაუმჯობესება დაევალა, ახალ, საწყის ეტაპზე მყოფ ბიზნესებს კი AI-ის აქტიური გამოყენებისთვის უხვი ბიუჯეტები გამოეყოთ.
LegalOn Technologies-ის ინჟინერიის უფროსი მენეჯერი იუტა ტოკიტაკე განმარტავს, რომ ახალი ბიზნესებისთვის პრიორიტეტული იყო მუშაობის ტემპი და არა ხარჯეფექტიანობა. მიზანი იყო AI-ის ფართოდ გამოყენება მეტი შედეგის მისაღებად და, საბოლოოდ, ბიზნესის ზრდის ხელშესაწყობად.
მოდელების შერჩევამ, ფუნქციების შეზღუდვამ და თითოეულ ბიზნესზე მორგებულმა ბიუჯეტებმა ერთად სავარაუდო დღიური ხარჯები დაახლოებით 65%-ით შეამცირა. ამ მიდგომამ საერთო ბიუჯეტი კონტროლის ქვეშ მოაქცია და რესურსები იმ ბიზნესებისკენ მიმართა, რომელთა გაზრდაც კომპანიას სურდა.
მოდელების ოპტიმიზაციამ და რესურსების სტრატეგიულმა განაწილებამ შემდეგი შედეგები მოიტანა:
ყველა ამოცანისთვის ყველაზე მძლავრი მოდელის გამოყენება ჩაანაცვლა GPT‑6 Astra-ს, GPT‑6.1 Sol-ის ან GPT‑6 Luna-ს შერჩევამ ამოცანის სირთულისა და შემუშავების ეტაპის მიხედვით.
სწრაფი რეჟიმის ნაგულისხმევად შეზღუდვის შემდეგ შემუშავების წარმადობა შენარჩუნდა გუნდური პრაქტიკების, მათ შორის ამოცანების პარალელურად შესრულების, დახმარებით.
საბიუჯეტო ლიმიტებმა დამკვიდრებულ ბიზნესებში დაახლოებით 20%-ით გაზრდილი ეფექტიანობა ახალ ბიზნესებში აქტიურ ინვესტირებას შეუთავსა.
GPT‑6‑ისა და 6.1-ის მოდელებს შორის არჩევით სავარაუდო დღიური ხარჯები GPT‑5.5‑თან შედარებით 65%-ით შემცირდა.
მოდელების ოპტიმიზაციით კომპანიამ ხარჯები შემუშავების ტემპისა და ხარისხის შეუმცირებლად შეამცირა. გუნდები იმასაც ხედავენ, რომ AI შემუშავებიდან გამოშვებამდე ციკლს თანმიმდევრულად ამოკლებს.
თუმცა კომპანია უფრო შორს იყურება. კმარა მხოლოდ უფრო სწრაფი შემუშავება იმისთვის, რომ AI-ში ინვესტიცია წარმატებულად ჩაითვალოს? სწრაფ შემუშავებასა და მომხმარებლისთვის მიღებულ სარგებელს შორის კავშირი ჯერ კიდევ ბუნდოვანი იყო. „თითქმის უდავოა, რომ AI-ს სისტემების შემუშავებისა და განახლების დაჩქარება შეუძლია“, — ამბობს ტოკიტაკე. „ჩვენ ნამდვილად გვინდა გავიგოთ, მოაქვს თუ არა ამ აჩქარებას რეალური სარგებელი მომხმარებლისთვის“.
ამ კითხვამ კომპანიას საკუთარი საზომის შექმნისკენ უბიძგა: AI-ში ინვესტიციის შეფასება შემუშავების ტემპისა და გამოყენების მოცულობის ნაცვლად მომხმარებლის სარგებელს დაეფუძნებოდა.
ტოკიტაკე განმარტავს: „AI-ის გამოყენებისას ცალკეული ამოცანების ხარჯს ვხედავთ, მაგრამ დასრულებული სამუშაოს — ფუნქციის გამოშვების — სრული ხარჯი ხშირად გაურკვეველი რჩება. ამიტომ გაზომვის ერთეულად თითოეული ფუნქციის გამოშვება ავიღეთ. როცა მომხმარებლისთვის მის მიერ მოტანილ სარგებელს მასზე გაწეულ AI-ის რეალურ ხარჯებს დავუკავშირებთ, ინვესტიციის უკუგება თვალსაჩინო და ზუსტად გაზომვადი გახდება“.
კომპანია ამჟამად ამ მაჩვენებლის გამოსათვლელად მონაცემთა დამუშავების სისტემას ქმნის. დასრულების შემდეგ ის ინვესტიციის რეალურ უკუგებას მომხმარებლის სარგებლის ჭრილში წარმოაჩენს. LegalOn Technologies AI-ის ხარჯების მართვას სცდება და ტექნოლოგიურ ინვესტიციას უშუალოდ ბიზნესისთვის შექმნილ ღირებულებას უკავშირებს.
შემდეგი მიზანია, ცალკეული ინჟინრების AI-ის პრაქტიკული ცოდნა მთელი ორგანიზაციის შესაძლებლობად იქცეს. პირველ ნაბიჯად კომპანია პრაქტიკული გამოცდილების შესაგროვებლად და გასაზიარებლად ცოდნის ბაზის შექმნას გეგმავს. ბაზაში დაგროვდება, მაგალითად, პროექტირების, კოდის წერისა და შემოწმებისთვის მოდელების საუკეთესო კომბინაციები, რათა ინდივიდუალური წარმატებები სწრაფად იქცეს კომპანიის საერთო საუკეთესო პრაქტიკად.
გუნდების პრაქტიკული გამოცდილებით ნაკარნახევი ეს ცვლილებები ორგანიზაციის მოწყობასა და თანამშრომელთა შერჩევაზეც აისახება. AI-ით გაზრდილი პროდუქტიულობა კომპანიას უბიძგებს, საფუძვლიანად გადახედოს ადამიანებსა და AI-ს შორის სამუშაოს განაწილებას და საკადრო გეგმებს. საინვესტიციო სტრატეგიისა და ორგანიზაციული სტრუქტურის განვითარებასთან ერთად, კომპანია თანამშრომელთა შერჩევისას უკვე მეტ ყურადღებას უთმობს AI-ის გამოყენების უნარებს.
AI-ის დანერგვა ხანგრძლივ კონკურენტულ უპირატესობად რომ იქცეს, საჭიროა მართვასა და გუნდების მოქმედების თავისუფლებას შორის ბალანსის მუდმივი დახვეწა. AID CoE და უსაფრთხოების გუნდი წარმადობის, ხარჯებისა და რისკების სხვადასხვა კუთხით ოპტიმიზაციაზე ერთობლივად მუშაობენ და ქმნიან მოქნილ ჩარჩოს, რომელიც მთელ ორგანიზაციაში ექსპერიმენტირებას უწყობს ხელს.
„წესებითა და ბიუჯეტებით ზედმეტმა შეზღუდვამ შეიძლება ორგანიზაციის წინსვლა შეაფერხოს. ჩვენ გვჭირდება მუშაობის მოქნილი მოდელი, რომელიც რისკების კონტროლსა და გუნდებისთვის საჭირო ტემპს ეფექტიანად დააბალანსებს“.
