LegalOn: వేగం తగ్గకుండానే Codex ఖర్చులు సగం
పనికి తగిన Astra, Sol, Luna మోడళ్లను ఎంచుకుని, బడ్జెట్ ను వ్యూహాత్మకంగా నిర్వహించడం ద్వారా LegalOn అభివృద్ధి వేగం తగ్గకుండానే ఖర్చులను 65% తగ్గించింది.
ఫలితాలు
-20%
స్థిరపడిన వ్యాపార విభాగాల్లో ఖర్చు తగ్గింపు
ఫలితాలు
-65%
అంచనా రోజువారీ ఖర్చుల్లో తగ్గింపు
LegalOn Technologies ప్రపంచవ్యాప్తంగా వృత్తిపరమైన ఏఐ సేవలను అందిస్తోంది. న్యాయపరమైన పనులకు, ఇతర కీలక వ్యాపార కార్యకలాపాలకు ఏఐతో తోడ్పడుతోంది. రంగ నైపుణ్యాన్ని AIతో మేళవించి, సంక్లిష్ట అంశాలను బేరీజు వేయడం, నిర్ణయాలు తీసుకోవడంపై ప్రజలు దృష్టి పెట్టేలా చేస్తోంది. వ్యాపార నిర్ణయాల నాణ్యతను, వేగాన్ని మెరుగుపరిచే ఏఐ ఆధారిత నిర్వహణ దాని లక్ష్యం.
ఈ విధానం ఉత్పత్తులకే పరిమితం కాదు. సంస్థ పనితీరు అంతటా AIని అంతర్భాగం చేయడానికీ వర్తిస్తుంది. సంస్థ తన అభివృద్ధి ప్రక్రియలో Codexను చేర్చి, రోజువారీ వాడకం ద్వారా సంస్థ అంతటా దాని వినియోగాన్ని విస్తరించింది.
వినియోగం స్థిరపడే కొద్దీ ఖర్చు నియంత్రణ అనే కొత్త సవాలు ఎదురైంది. అధిక పనితీరు గల మోడళ్లను అపరిమితంగా వాడితే ఖర్చులు పెరుగుతాయి. అన్నింటిపైనా ఆంక్షలు పెడితే AIతో సాధించిన ఉత్పాదకత దెబ్బతినే ప్రమాదం ఉంది.
అభివృద్ధి వేగం తగ్గకుండా ఖర్చులను ఎలా తగ్గించాలి? LegalOn Technologies పని సంక్లిష్టత, అభివృద్ధి దశను బట్టి GPT‑6 (Astra, Luna), GPT‑6.1 Solలలో తగినదాన్ని ఎంచుకుంది. ప్రతి వ్యాపార వృద్ధి దశకు అనుగుణంగా బడ్జెట్లను కేటాయించి ఈ సవాలును ఎదుర్కొంది. అభివృద్ధి వేగాన్ని కొనసాగిస్తూనే సంస్థ ఖర్చులను సగానికి తగ్గించింది.
మొదట సంస్థ తన ప్రధాన మోడల్ GPT‑5.5ను వేగవంతమైన మోడ్‌లో అపరిమితంగా వాడుకునే సౌలభ్యాన్ని అభివృద్ధికర్తలకు ఇచ్చింది. వారు రూపకల్పన, అమలు, రోజువారీ పనుల్లోనూ దాన్ని వాడారు. ప్రయోగాల ద్వారా మనుషులకు, ఏఐకి మధ్య బాధ్యతలను ఎలా పంచాలో నేర్చుకున్నారు.
అయితే అధిక పనితీరు గల మోడళ్లను పరిమితులు లేకుండా వాడుతూ పోతే వార్షిక బడ్జెట్‌ను మించిపోవడం అనివార్యం. సంస్థలోని AI ఆధారిత అభివృద్ధి నైపుణ్య కేంద్రం (AID CoE) మోడల్ ఎంపికకు మార్గదర్శకాలను రూపొందించడం ప్రారంభించింది. AID CoE మోడళ్లను పరీక్షించి, పర్యవేక్షించింది. నిర్వాహకులు ఆ ఫలితాలను తమ బృందాలతో పంచుకున్నారు. దీంతో ప్రతి ఇంజినీర్ ఆయా పనులకు అత్యంత తగిన మోడల్‌ను స్వతంత్రంగా ఎంచుకోగలిగారు.
కొత్త మార్గదర్శకాలతో ప్రతి పనికీ అత్యంత శక్తిమంతమైన మోడల్‌ను వాడే బదులు, పనికి తగిన మోడల్‌ను ఎంచుకునే విధానానికి సంస్థ మారింది. బృందాలు తేలికపాటి మోడల్‌తో మొదలుపెట్టి, పని సంక్లిష్టత పెరిగే కొద్దీ మరింత సామర్థ్యం గల మోడళ్లకు మారాయి.
పరిపాలనకు తోడ్పడేలా, నిర్వాహక సెట్టింగ్‌ల ద్వారా వ్యవస్థాగత నియంత్రణలను సంస్థ ప్రవేశపెట్టింది. విభాగాలకు, వ్యక్తులకు నెలవారీ వినియోగ పరిమితులు విధించింది. AID CoE వినియోగాన్ని పర్యవేక్షిస్తూ, వ్యాపార అవసరాలను బట్టి పరిమితులను సవరిస్తుంది.
ఈ నియంత్రణల పరిధిలో జరిపిన అంతర్గత పరీక్షలతో ఎంపిక ప్రమాణాలు మరింత స్పష్టమయ్యాయి. అత్యంత తేలికపాటి మోడల్ GPT‑6 Luna స్పష్టమైన అవసరాలున్న కోడ్ అమలును చేపడుతుంది. GPT‑6.1 Sol సాధారణ రూపకల్పన, డేటా విశ్లేషణ, పత్రాల తయారీలో తోడ్పడుతుంది. అత్యంత శక్తిమంతమైన GPT‑6 Astra వ్యవస్థ నిర్మాణ రూపకల్పన వంటి లోతైన విచక్షణ అవసరమయ్యే పనులను చేపడుతుంది. పనికి తగిన మోడల్‌ను ఎంచుకోవడం క్రమంగా అన్ని బృందాల్లో సాధారణ పద్ధతిగా మారింది.
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.
మోడల్ ఎంపికతో పాటు, సంస్థ వేగవంతమైన మోడ్‌ను సాధారణంగా పరిమితం చేసింది. అవసరమైనప్పుడు మాత్రమే వ్యక్తిగత అభ్యర్థనలను అనుమతించింది. దీనివల్ల అభివృద్ధి వేగం తగ్గుతుందనే ఆందోళనలు తలెత్తినా, బృందాలు పనులను సమాంతరంగా నడపడం వంటి పద్ధతులతో పనితీరును నిలబెట్టి, మార్పును సజావుగా స్వీకరించాయి.
విభాగం, సమూహం, వ్యక్తి స్థాయుల్లో ఏఐ ఖర్చులకు బడ్జెట్ పరిమితులనూ సంస్థ ప్రవేశపెట్టింది. స్థిరపడిన LegalOn వ్యాపారంలో వ్యయ సామర్థ్యాన్ని సుమారు 20% వరకు పెంచాలని నిర్దేశించింది. ప్రారంభ దశలోని కొత్త వ్యాపారాల్లో AIని చురుగ్గా వాడేలా ప్రోత్సహించేందుకు ఉదారంగా బడ్జెట్లు కేటాయించింది.
కొత్త వ్యాపారాలు వ్యయ సామర్థ్యం కంటే వ్యాపార వేగానికే ప్రాధాన్యమిచ్చాయని LegalOn Technologies సీనియర్ ఇంజినీరింగ్ మేనేజర్ యూటా టోకిటాకే వివరించారు. AIAని విస్తృతంగా వాడి, ఎక్కువ పని పూర్తి చేసి, అంతిమంగా వ్యాపార వృద్ధిని సాధించడమే లక్ష్యం.
మోడల్ ఎంపిక, సదుపాయాలపై పరిమితులు, వ్యాపారానికి తగిన బడ్జెట్ ని —ఇవన్నీ కలిసి అంచనా రోజువారీ ఖర్చులను సుమారు 65% తగ్గించాయి. ఈ విధానంతో మొత్తం బడ్జెట్ అదుపులో ఉండటంతో పాటు, సంస్థ వృద్ధి చేయాలనుకున్న వ్యాపారాలకు వనరులు అందాయి.
మోడళ్ల సమర్థ వినియోగం, వ్యూహాత్మక వనరుల కేటాయింపుతో ఈ ఫలితాలు సాధించారు:
ప్రతి పనికీ అత్యంత శక్తిమంతమైన మోడల్‌ను వాడే బదులు, పని సంక్లిష్టత, అభివృద్ధి దశను బట్టి GPT‑6 Astra, GPT‑6.1 Sol లేదా GPT‑6 Lunaను ఎంచుకోవడం.
వేగవంతమైన మోడ్‌ను సాధారణంగా పరిమితం చేసినా, సమాంతరంగా పనులు చేయడం వంటి బృంద పద్ధతులతో అభివృద్ధి పనితీరును నిలబెట్టడం.
స్థిరపడిన వ్యాపారాల్లో సుమారు 20% అధిక సామర్థ్యాన్ని, కొత్త వ్యాపారాల్లో చురుకైన పెట్టుబడులను సమన్వయం చేసే బడ్జెట్ పరిమితులు.
GPT‑6, 6.1 మోడళ్లలో తగినదాన్ని ఎంచుకోవడం ద్వారా GPT‑5.5తో పోలిస్తే అంచనా రోజువారీ ఖర్చుల్లో 65% తగ్గింపు.
మోడళ్లను సమర్థంగా వాడి, అభివృద్ధి వేగం లేదా నాణ్యతలో రాజీ పడకుండానే సంస్థ ఖర్చులను తగ్గించింది. అభివృద్ధి నుంచి విడుదల వరకు పట్టే సమయాన్ని AI క్రమంగా తగ్గిస్తోందని బృందాలు గమనిస్తున్నాయి.
అయితే సంస్థ మరింత ముందుచూపుతో ఆలోచిస్తోంది. అభివృద్ధి వేగం పెరిగినంత మాత్రాన ఏఐ పెట్టుబడి విజయవంతమైనట్లేనా? అభివృద్ధి వేగానికి, వినియోగదారులకు అందే విలువకు మధ్య సంబంధం ఇంకా స్పష్టం కాలేదు. “వ్యవస్థల అభివృద్ధిని, నవీకరణలను ఏఐ వేగవంతం చేయగలదన్నది దాదాపు అందరూ అంగీకరించే విషయమే” అని టోకిటాకే అన్నారు. “ఆ వేగం నిజంగా వినియోగదారులకు విలువను అందిస్తోందా అనేదే మేం తెలుసుకోవాలనుకుంటున్నది.”
ఈ ప్రశ్న సంస్థను సొంత కొలమానం రూపొందించేలా చేసింది. AI పెట్టుబడి మూల్యాంకనానికి అభివృద్ధి వేగం, వినియోగ పరిమాణం బదులు వినియోగదారులకు అందే విలువను ప్రాతిపదికగా ఎంచుకుంది.
టోకిటాకే ఇలా వివరించారు: “AI వాడేటప్పుడు ఒక్కో పని ఖర్చును లెక్కించగలం. కానీ ఒక సదుపాయాన్ని విడుదల చేసే మొత్తం పనికి అయ్యే ఖర్చు తరచూ తెలియకుండానే ఉంటుంది. అందుకే ప్రతి సదుపాయం విడుదలను ఒక యూనిట్‌గా తీసుకుని కొలిచే విధానాన్ని రూపొందించాం. ఆ విడుదల వినియోగదారులకు అందించే విలువను, దానిపై పెట్టిన వాస్తవ ఏఐ ఖర్చులతో అనుసంధానించి, పెట్టుబడి రాబడిని స్పష్టంగా, కచ్చితంగా చూపాలన్నదే మా లక్ష్యం.”
ఈ కొలమానాన్ని లెక్కించే ప్రక్రియను సంస్థ ప్రస్తుతం నిర్మిస్తోంది. ఇది పూర్తయితే, వినియోగదారులకు అందే విలువ పరంగా వాస్తవ పెట్టుబడి రాబడి స్పష్టమవుతుంది. LegalOn Technologies AI ఖర్చుల నిర్వహణను దాటి, సాంకేతిక పెట్టుబడిని వ్యాపార విలువతో నేరుగా అనుసంధానించే దిశగా సాగుతోంది.
ఇంజినీర్ల వ్యక్తిగత AI పరిజ్ఞానాన్ని సంస్థ మొత్తానికి ఉపయోగపడే సామర్థ్యంగా మార్చడం తదుపరి లక్ష్యం. తొలి అడుగుగా, ఆచరణాత్మక అనుభవాలను సేకరించి పంచుకునేందుకు ఒక జ్ఞాన భాండాగారాన్ని నిర్మించాలని సంస్థ యోచిస్తోంది. రూపకల్పన, అమలు, సమీక్షకు ఉత్తమ మోడల్ కలయికల వంటి పరిజ్ఞానాన్ని అందులో భద్రపరుస్తుంది. వ్యక్తుల విజయాలను త్వరగా సంస్థవ్యాప్త ఉత్తమ పద్ధతులుగా మారుస్తుంది.
బృందాల ఆచరణాత్మక అనుభవాల నుంచి వచ్చిన ఈ మార్పులు సంస్థ నిర్మాణాన్ని, నియామకాలనూ ప్రభావితం చేస్తున్నాయి. AIతో పెరిగిన ఉత్పాదకత కారణంగా, మనుషులు, AI మధ్య పని విభజనను, సిబ్బంది ప్రణాళికలను సంస్థ మూలస్థాయి నుంచి పునరాలోచిస్తోంది. పెట్టుబడి వ్యూహం, సంస్థ నిర్మాణం మారుతున్న క్రమంలో, నియామకాల్లో AI నైపుణ్యాలకు ఇప్పటికే ప్రాధాన్యమివ్వడం ప్రారంభించింది.
AI వినియోగాన్ని దీర్ఘకాలిక పోటీ ప్రయోజనంగా మార్చాలంటే పరిపాలనకు, బృందాల కార్యాచరణ స్వేచ్ఛకు మధ్య సమతుల్యతను నిరంతరం మెరుగుపరచాలి. AID CoE, భద్రతా బృందం కలిసి వివిధ కోణాల నుంచి పనితీరు, ఖర్చు, ముప్పును సమర్థంగా నిర్వహించేందుకు కృషి చేస్తున్నాయి. సంస్థ అంతటా ప్రయోగాలకు తోడ్పడే అనువైన కార్యాచరణ చట్రాన్ని రూపొందిస్తున్నాయి.
“నియమాలు, బడ్జెట్ల ద్వారా అతిగా ఆంక్షలు విధిస్తే సంస్థ ముందుకు సాగే వేగం దెబ్బతింటుంది. ముప్పు నియంత్రణను, బృందాలకు అవసరమైన వేగాన్ని సమర్థంగా సమతుల్యం చేసే సరళమైన కార్యనిర్వహణ విధానం మనకు అవసరం.”
