முக்கிய உள்ளடக்கத்திற்கு செல்க
OpenAI

8 அக்டோபர், 2026

LegalOn: Codex செலவு பாதி; அதே உருவாக்க வேகம்

பணிக்கேற்ற Astra, Sol, Luna மாடல்களைத் தேர்ந்தெடுத்து, திட்டமிட்டு நிதி ஒதுக்கியதால், உருவாக்க வேகம் குறையாமல் LegalOn செலவை 65% குறைத்தது.

ஒரே வண்ணக் காகிதப் பரப்பின் நெருக்கக் காட்சியில் LegalOn சின்னம்.
நிறுவனத்தின் அளவு: தொடக்க நிறுவனம்
பிராந்தியம்: ஆசியா-பசிபிக் மற்றும் ஓஷியானியா
தொழில் துறை: தொழில்நுட்பம்
தயாரிப்புகள்: Codex

பலன்கள்

-20%

நிலைபெற்ற வணிகப் பிரிவுகளில் செலவுக் குறைப்பு

பலன்கள்

-65%

மதிப்பிடப்பட்ட தினசரிச் செலவுகளில் குறைப்பு

ஏற்றுகிறது…

LegalOn Technologies உலகளவில் தொழில்முறைச் செயற்கை நுண்ணறிவை வழங்கி, சட்டப் பணிகளையும் முக்கிய வணிகச் செயல்பாடுகளையும் ஆதரிக்கிறது. துறைசார் நிபுணத்துவத்துடன் செயற்கை நுண்ணறிவை இணைத்து, சிக்கலான மதிப்பீடுகளிலும் முடிவுகளிலும் மக்கள் கவனம் செலுத்த உதவுகிறது. செயற்கை நுண்ணறிவு சார்ந்த நிர்வாகத்தின் மூலம் வணிக முடிவுகளின் தரத்தையும் வேகத்தையும் மேம்படுத்துவதே அதன் இலக்கு.

இந்த அணுகுமுறை தயாரிப்புகளைக் கடந்து, நிறுவனத்தையே செயற்கை நுண்ணறிவை அடிப்படையாகக் கொண்டதாக மாற்றுகிறது. நிறுவனம் தனது மென்பொருள் உருவாக்கச் செயல்முறையில் Codex-ஐ இணைத்து, அன்றாடப் பயன்பாட்டின் மூலம் நிறுவனம் முழுவதும் விரிவுபடுத்தியது.

பயன்பாடு வேரூன்றியதும், செலவுக் கட்டுப்பாடு புதிய சவாலானது. உயர் செயல்திறன் மாடல்களின் வரம்பற்ற பயன்பாடு செலவை அதிகரிக்கலாம். அதேநேரம், பொதுவான கட்டுப்பாடுகள் செயற்கை நுண்ணறிவால் கிடைத்த உற்பத்தித்திறன் வளர்ச்சியைப் பாதிக்கலாம்.

உருவாக்க வேகத்தைக் குறைக்காமல் செலவை எப்படிக் குறைப்பது? பணியின் சிக்கல், உருவாக்க நிலைக்கு ஏற்ப GPT‑6 (Astra, Luna), GPT‑6.1 Sol ஆகியவற்றைத் தேர்ந்தெடுத்தும், ஒவ்வொரு வணிகத்தின் வளர்ச்சி நிலைக்கு ஏற்ப நிதி ஒதுக்கியும் LegalOn Technologies இச்சவாலை எதிர்கொண்டது. உருவாக்க வேகத்தைத் தக்கவைத்தபடியே நிறுவனம் செலவைப் பாதியாகக் குறைத்தது.

உருவாக்க வேகத்தைத் தக்கவைத்து செலவைக் குறைக்க மாடல்களை மேம்படுத்துதல்

தொடக்கத்தில், முதன்மை மாடலான GPT‑5.5‑ஐ விரைவுப் பயன்முறையில் வரம்பின்றிப் பயன்படுத்த உருவாக்குநர்களை நிறுவனம் அனுமதித்தது. வடிவமைப்பு, செயலாக்கம், அன்றாடப் பணிகளுக்கு அதன் பயன்பாட்டை விரிவுபடுத்தினர். சோதனைகள் மூலம் மனிதர்களுக்கும் செயற்கை நுண்ணறிவுக்கும் பொறுப்புகளைச் சிறப்பாகப் பிரிப்பதைக் கற்றனர்.

ஆனால் உயர் செயல்திறன் மாடல்களை வரம்பின்றித் தொடர்ந்து பயன்படுத்தினால், ஆண்டுக்கான நிதி வரம்பை மீறுவது தவிர்க்க முடியாதது. நிறுவனத்தின் செயற்கை நுண்ணறிவு சார்ந்த உருவாக்கச் சிறப்பு மையம் (AID CoE), மாடல் தேர்வுக்கான வழிகாட்டுதல்களை உருவாக்கத் தொடங்கியது. AID CoE மாடல்களைச் சோதித்துக் கண்காணித்தது. அதன் கண்டறிதல்களை மேலாளர்கள் தங்கள் குழுக்களுடன் பகிர்ந்தனர். இதனால் ஒவ்வொரு பொறியாளரும் பணிக்கேற்ற மாடலைத் தாங்களே தேர்ந்தெடுக்க முடிந்தது.

பணிக்கேற்ற மாடல்களும் திட்டமிட்ட வள ஒதுக்கீடும்

எல்லாப் பணிகளுக்கும் மிகத் திறன்வாய்ந்த மாடலைப் பயன்படுத்துவதற்குப் பதில், பணிக்கேற்ற மாடலைத் தேர்ந்தெடுக்கப் புதிய வழிகாட்டுதல்கள் வழிவகுத்தன. குழுக்கள் குறைந்த வளம் தேவைப்படும் மாடலில் தொடங்கி, பணியின் சிக்கல் அதிகரிக்கும்போது அதிகத் திறனுள்ள மாடல்களுக்கு மாறின.

நிர்வாகத்தை ஆதரிக்க, நிர்வாகி அமைப்புகள் வழியாகத் துறைகளுக்கும் தனிநபர்களுக்கும் மாதாந்திரப் பயன்பாட்டு வரம்புகளையும் நிறுவனம் அறிமுகப்படுத்தியது. AID CoE பயன்பாட்டைக் கண்காணித்து, வணிகத் தேவைகளுக்கு ஏற்ப வரம்புகளை மாற்றுகிறது.

இக்கட்டுப்பாடுகளின்கீழ் நடந்த உள் சோதனைகள், தேர்வு அளவுகோல்களை மேலும் துல்லியமாக்க உதவின. மிகக் குறைந்த வளம் தேவைப்படும் GPT‑6 Luna, தெளிவான தேவைகளுக்குக் குறியீடு எழுதுகிறது. GPT‑6.1 Sol வழக்கமான வடிவமைப்பு, தரவுப் பகுப்பாய்வு, ஆவணத் தயாரிப்பை ஆதரிக்கிறது. மிகத் திறன்வாய்ந்த GPT‑6 Astra, கட்டமைப்பு வடிவமைப்பு உள்ளிட்ட ஆழ்ந்த மதிப்பீடுகளைக் கையாளுகிறது. பணிக்கேற்ற மாடலைத் தேர்ந்தெடுப்பது படிப்படியாக அனைத்துக் குழுக்களின் பொதுவான நடைமுறையானது.

வெவ்வேறு பணிகளுக்கு மூன்று மாடல்களில் ஒன்றைத் தேர்ந்தெடுத்தல்

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.

மாடல் தேர்வுடன், விரைவுப் பயன்முறையை இயல்பாகக் கட்டுப்படுத்தவும் நிறுவனம் தொடங்கியது. தேவைப்படும்போது மட்டுமே தனிப்பட்ட கோரிக்கைகளை அனுமதித்தது. உருவாக்க வேகம் குறித்த கவலைகள் எழுந்தாலும், பணைகளை இணையாக இயக்குவது போன்ற அணுகுமுறைகளால் குழுக்கள் செயல்திறனைத் தக்கவைத்து, மாற்றத்தைச் சீராகக் கடந்து சென்றன.

துறை, குழு, தனிநபர் அளவிலும் செயற்கை நுண்ணறிவுச் செலவுக்கான நிதி வரம்புகளை அறிமுகப்படுத்தியது. நிலைபெற்ற LegalOn வணிகத்தில் செலவுத் திறனைச் சுமார் 20% வரை மேம்படுத்தக் கோரப்பட்டது. தொடக்கநிலை வணிகங்களில் செயற்கை நுண்ணறிவுப் பயன்பாட்டை ஊக்குவிக்கத் தாராளமாக நிதி ஒதுக்கப்பட்டது.

புதிய வணிகங்கள் செலவுத் திறனைவிட வணிக வேகத்திற்கே முன்னுரிமை அளித்ததாக LegalOn Technologies-இன் மூத்த பொறியியல் மேலாளர் யூட்டா டோகிடாகே விளக்குகிறார். செயற்கை நுண்ணறிவைப் பரவலாகப் பயன்படுத்தி உற்பத்தியை அதிகரித்து, இறுதியில் வணிக வளர்ச்சியை ஊக்குவிப்பதே நோக்கம்.

மாடல் தேர்வு, அம்சக் கட்டுப்பாடுகள், வணிகத்திற்கேற்ற நிதி ஒதுக்கீடு ஆகியவை இணைந்து மதிப்பிடப்பட்ட தினசரிச் செலவைச் சுமார் 65% குறைத்தன. இந்த அணுகுமுறை மொத்த நிதியைக் கட்டுக்குள் வைத்தபடி, நிறுவனம் வளர்க்க விரும்பிய வணிகங்களுக்கு வளங்களை ஒதுக்கியது.

பலன்கள் ஒரு பார்வையில்

மாடல் மேம்பாடும் திட்டமிட்ட வள ஒதுக்கீடும் தந்த பலன்கள்:

  • எல்லாப் பணிகளுக்கும் மிகத் திறன்வாய்ந்த மாடலைப் பயன்படுத்துவதற்குப் பதிலாக, பணியின் சிக்கல், உருவாக்க நிலைக்கு ஏற்ப GPT‑6 Astra, GPT‑6.1 Sol அல்லது GPT‑6 Luna தேர்வு.

  • விரைவுப் பயன்முறையை இயல்பாகக் கட்டுப்படுத்திய பின்னரும், இணையாகப் பணிகளை இயக்குவது போன்ற குழு நடைமுறைகளால் உருவாக்கச் செயல்திறன் தக்கவைப்பு.

  • நிலைபெற்ற வணிகங்களில் சுமார் 20% கூடுதல் செலவுத் திறனையும் புதிய வணிகங்களில் தீவிர முதலீட்டையும் இணைத்த நிதி வரம்புகள்.

  • GPT‑6, 6.1 மாடல்களில் தேர்ந்தெடுத்ததன் மூலம், GPT‑5.5 உடன் ஒப்பிடுகையில் மதிப்பிடப்பட்ட தினசரிச் செலவில் 65% குறைப்பு.

அம்ச வெளியீடுகள் மூலம் செயற்கை நுண்ணறிவு முதலீட்டின் உண்மைப் பலனை அளவிடுதல்

மாடல் பயன்பாட்டை மேம்படுத்தியதால், உருவாக்க வேகத்தையும் தரத்தையும் குறைக்காமல் நிறுவனம் செலவைக் குறைத்தது. உருவாக்கத்திலிருந்து வெளியீடு வரையிலான காலத்தைச் செயற்கை நுண்ணறிவு தொடர்ந்து குறைப்பதையும் குழுக்கள் காண்கின்றன.

ஆனால் நிறுவனத்தின் பார்வை அதையும் தாண்டிச் செல்கிறது. வேகமான உருவாக்கம் மட்டுமே செயற்கை நுண்ணறிவு முதலீட்டின் வெற்றியாகுமா? வேகமான உருவாக்கத்திற்கும் வாடிக்கையாளருக்குக் கிடைக்கும் பயனுக்கும் உள்ள தொடர்பு தெளிவாகவில்லை. “மென்பொருள் உருவாக்கத்தையும் புதுப்பிப்புகளையும் செயற்கை நுண்ணறிவு விரைவுபடுத்தும் என்பது கிட்டத்தட்ட உறுதியானது,” என்கிறார் டோகிடாகே. “அந்த வேகம் உண்மையில் வாடிக்கையாளர்களுக்குப் பயனளிக்கிறதா என்பதையே அறிய விரும்புகிறோம்.”

இக்கேள்வியே நிறுவனம் தனக்கென ஓர் அளவீட்டை உருவாக்கத் தூண்டியது. செயற்கை நுண்ணறிவு முதலீட்டை மதிப்பிடும் அடிப்படை, உருவாக்க வேகம் மற்றும் பயன்பாட்டு அளவிலிருந்து வாடிக்கையாளர் பயனுக்கு மாறியது.

டோகிடாகே விளக்குகிறார்: “செயற்கை நுண்ணறிவைப் பயன்படுத்தும்போது தனிப்பட்ட பணிகளின் செலவைக் கண்காணிக்கலாம். ஆனால் ஒரு முழுப் பணியின்—ஓர் அம்ச வெளியீட்டின்—மொத்தச் செலவு பெரும்பாலும் தெரிவதில்லை. எனவே ஒவ்வொரு அம்ச வெளியீட்டையும் ஓர் அலகாகக் கொண்டு அளவீட்டை வடிவமைத்தோம். அந்த வெளியீடு வாடிக்கையாளருக்குத் தரும் பயனை, அதற்கான உண்மையான செயற்கை நுண்ணறிவுச் செலவுடன் இணைத்து, முதலீட்டுப் பலனைத் தெளிவாகவும் துல்லியமாகவும் காட்டுவதே எங்கள் நோக்கம்.”

இந்த அளவீட்டைக் கணக்கிடுவதற்கான செயல்முறையை நிறுவனம் தற்போது உருவாக்குகிறது. அது முடிந்ததும், வாடிக்கையாளர் பயனின் அடிப்படையில் உண்மையான முதலீட்டுப் பலன் தெளிவாகும். LegalOn Technologies, செயற்கை நுண்ணறிவுச் செலவு நிர்வாகத்தைக் கடந்து, தொழில்நுட்ப முதலீட்டை வணிகப் பலனுடன் நேரடியாக இணைக்கும் திசையில் நகர்கிறது.

செயற்கை நுண்ணறிவு யுகத்திற்கான நிறுவனமும் நிர்வாகமும்

தனிப்பட்ட பொறியாளர்களின் செயற்கை நுண்ணறிவு அனுபவ அறிவை, நிறுவனம் முழுவதற்குமான திறனாக மாற்றுவதே அடுத்த இலக்கு. முதற்படியாக, நடைமுறை அனுபவங்களைச் சேகரித்துப் பகிர ஓர் அறிவுக் களஞ்சியத்தை உருவாக்க நிறுவனம் திட்டமிடுகிறது. வடிவமைப்பு, செயலாக்கம், மதிப்பாய்வுக்கான சிறந்த மாடல் சேர்க்கைகள் போன்ற அறிவைச் சேகரித்து, தனிநபர் வெற்றிகளை நிறுவனம் முழுவதற்குமான சிறந்த நடைமுறைகளாக விரைவில் மாற்றும்.

குழுக்களின் நடைமுறை அனுபவத்தால் உருவாகும் இம்மாற்றங்கள், நிறுவன அமைப்பையும் ஆட்சேர்ப்பையும் வடிவமைக்கின்றன. செயற்கை நுண்ணறிவால் உயரும் உற்பத்தித்திறன், மனிதர்களுக்கும் செயற்கை நுண்ணறிவுக்கும் பணிகளைப் பிரிப்பதையும் பணியாளர் திட்டங்களையும் அடிப்படையில் மறுபரிசீலனை செய்யத் தூண்டுகிறது. முதலீட்டுத் திட்டமும் நிறுவன அமைப்பும் மாறிவரும் நிலையில், ஆட்சேர்ப்பில் செயற்கை நுண்ணறிவுத் திறன்களுக்கு ஏற்கெனவே முக்கியத்துவம் தரத் தொடங்கியுள்ளது.

செயற்கை நுண்ணறிவுப் பயன்பாட்டை நீடித்த போட்டி அனுகூலமாக்க, நிர்வாகத்திற்கும் குழுக்களின் செயல்பாட்டுச் சுதந்திரத்திற்கும் இடையிலான சமநிலையைத் தொடர்ந்து செம்மைப்படுத்த வேண்டும். AID CoE-யும் பாதுகாப்புக் குழுவும் இணைந்து செயல்திறன், செலவு, இடர் ஆகியவற்றைப் பல கோணங்களில் மேம்படுத்துகின்றன. நிறுவனம் முழுவதும் சோதனைகளை ஆதரிக்கும் நெகிழ்வான கட்டமைப்பை உருவாக்குகின்றன.

“விதிகள், நிதி வரம்புகள் மூலம் விதிக்கப்படும் அளவுக்கு மீறிய கட்டுப்பாடுகள் ஒரு நிறுவனத்தின் முன்னேற்ற வேகத்தைப் பாதிக்கலாம். இடர் கட்டுப்பாட்டையும் குழுக்களுக்குத் தேவையான வேகத்தையும் திறம்படச் சமநிலைப்படுத்தும் நெகிழ்வான செயல்பாட்டு முறையே நமக்குத் தேவை.”
யூட்டா டோகிடாகே, மூத்த பொறியியல் மேலாளர், LegalOn Technologies