Το κόστος της Τεχνητής Νοημοσύνης δεν είναι πλέον τόσο φθηνό όσο είχε αρχικά υποσχεθεί.

Το κόστος της Τεχνητής Νοημοσύνης αυξάνεται με την κλίμακα, αναγκάζοντας τις επιχειρήσεις να εξετάσουν προσεκτικά την αντιστάθμιση μεταξύ αυτοματοποίησης και οικονομικής αποδοτικότητας.

Καθώς η τεχνολογία τεχνητής νοημοσύνης (ΤΝ) άκμαζε, πολλές επιχειρήσεις την είδαν ως ευκαιρία να μειώσουν το κόστος, να αυξήσουν την παραγωγικότητα και να αυτοματοποιήσουν επαναλαμβανόμενες εργασίες. Αλλά μετά τη φάση των δοκιμών, η οικονομική εικόνα άρχισε να γίνεται πιο περίπλοκη. Η ΤΝ δεν είναι απλώς ένα εργαλείο λογισμικού που μπορεί να ενεργοποιηθεί και να χρησιμοποιηθεί αμέσως. Συνεπάγεται κόστος για υποδομές, δεδομένα, ασφάλεια και επιχειρησιακό προσωπικό.

Σε ορισμένες περιπτώσεις, το κόστος πληροφορικής για την Τεχνητή Νοημοσύνη έχει ξεπεράσει το κόστος πληρωμής των εργαζομένων. Ο Bryan Catanzaro, αντιπρόεδρος εφαρμοσμένης βαθιάς μάθησης στην Nvidia, δήλωσε ότι υπάρχουν ομάδες όπου το κόστος πληροφορικής είναι «πολύ υψηλότερο» από τους μισθούς των εργαζομένων. Αυτό δεν σημαίνει ότι η Τεχνητή Νοημοσύνη θα είναι πάντα πιο ακριβή από τους ανθρώπους, αλλά δείχνει ότι η υπόσχεση της «μείωσης του κόστους από την Τεχνητή Νοημοσύνη» δεν είναι πλέον τόσο απλή όσο ήταν στην αρχή.

Το κρυφό κόστος πίσω από τα συστήματα τεχνητής νοημοσύνης

Ένα από τα πιο ακριβά στοιχεία είναι το κόστος υπολογισμού. Τα σύγχρονα μοντέλα τεχνητής νοημοσύνης απαιτούν σημαντική επεξεργαστική ισχύ, ειδικά όταν οι επιχειρήσεις τα χρησιμοποιούν συχνά για εξυπηρέτηση πελατών, προγραμματισμό, ανάλυση δεδομένων ή εσωτερική επεξεργασία εγγράφων. Όσο περισσότεροι χρήστες και εργασίες εμπλέκονται, τόσο υψηλότερο είναι το λειτουργικό κόστος.

Για τις επιχειρήσεις, το κόστος της Τεχνητής Νοημοσύνης δεν σταματά στην ενοικίαση μοντέλων ή στην πληρωμή τελών API. Για να ενσωματώσουν την Τεχνητή Νοημοσύνη σε πραγματικά συστήματα, πρέπει να καθαρίσουν δεδομένα, να συνδεθούν με εσωτερικό λογισμικό, να ορίσουν δικαιώματα πρόσβασης, να προστατεύσουν ευαίσθητες πληροφορίες και να δημιουργήσουν διαδικασίες ελέγχου εξόδου. Αυτές είναι εργασίες που απαιτούν τη συνεργασία τεχνικών ομάδων, ομάδων κυβερνοασφάλειας, νομικών και λειτουργικών ομάδων.

Όσο μεγαλύτερη είναι η ανάπτυξη της Τεχνητής Νοημοσύνης, τόσο μεγαλύτερο είναι το κόστος που πρέπει να λάβουν υπόψη οι επιχειρήσεις για υποδομές, δεδομένα, ασφάλεια και εποπτικό προσωπικό.

ΦΩΤΟΓΡΑΦΙΑ: ΔΗΜΙΟΥΡΓΗΘΗΚΕ ΑΠΟ ΤΗΝ ΤΕΧΝΗΤΗ ΑΙΘΟΥΣΑ

Η παραγωγή τεχνητής νοημοσύνης δεν είναι ακόμη αρκετά σταθερή ώστε να χειρίζεται αυτόματα τα πάντα χωρίς ανθρώπινη παρέμβαση. Αυτή η τεχνολογία μπορεί ακόμα να παρέχει λανθασμένες απαντήσεις, να κατασκευάζει γεγονότα ή να παρερμηνεύει το πλαίσιο. Επομένως, πολλές επιχειρήσεις πρέπει να διατηρούν προσωπικό για να εξετάζει, να διορθώνει και τελικά να αναλαμβάνει την ευθύνη. Σε τομείς που σχετίζονται με τους πελάτες, οικονομικά, υγειονομικής περίθαλψης , νομικά ή ευαίσθητα σε δεδομένα πεδία, αυτό το επίπεδο εποπτείας είναι σχεδόν απαραίτητο.

Αυτό σημαίνει ότι σε πολλές περιπτώσεις, η Τεχνητή Νοημοσύνη δεν αντικαθιστά πλήρως την εργασία, αλλά δημιουργεί ένα νέο επίπεδο κόστους. Οι επιχειρήσεις εξακολουθούν να πληρώνουν για την τεχνολογία, ενώ παράλληλα χρειάζονται ανθρώπους για να διασφαλίσουν ότι το σύστημα λειτουργεί σωστά και με ασφάλεια.

Η κούρσα για υποδομές μεταξύ των μεγάλων τεχνολογικών εταιρειών αντικατοπτρίζει επίσης το τεράστιο κόστος πίσω από την Τεχνητή Νοημοσύνη. Η Microsoft ανακοίνωσε σχέδια για επένδυση 25 δισεκατομμυρίων δολαρίων Αυστραλίας, που ισοδυναμούν με 17,9 δισεκατομμύρια δολάρια ΗΠΑ, στην Αυστραλία έως το 2029 για την επέκταση των δυνατοτήτων της στην Τεχνητή Νοημοσύνη, το cloud computing, την κυβερνοασφάλεια και την κατάρτιση δεξιοτήτων. Τέτοιες επενδύσεις καταδεικνύουν ότι η Τεχνητή Νοημοσύνη δεν αφορά μόνο το λογισμικό, αλλά και τα κέντρα δεδομένων, τα τσιπ επεξεργασίας, την ενέργεια και τα μεγάλης κλίμακας λειτουργικά δίκτυα.

Το κόστος της Τεχνητής Νοημοσύνης δεν είναι απλώς ένα τεχνολογικό ζήτημα.

Καθώς το κόστος αυξάνεται, το ερώτημα που θέτουν οι επιχειρήσεις αλλάζει. Προηγουμένως, πολλές εταιρείες ένιωθαν πιεσμένες να έχουν μια στρατηγική Τεχνητής Νοημοσύνης για να αποφύγουν να θεωρηθούν ότι υστερούν. Τώρα, η εστίαση μετατοπίζεται σε ένα πιο πρακτικό ερώτημα: ποια αξία δημιουργεί η Τεχνητή Νοημοσύνη και πόσο καιρό θα χρειαστεί για να αποσβέσει την επένδυση;

Η ερευνητική εταιρεία Gartner προβλέπει ότι οι παγκόσμιες δαπάνες στην πληροφορική θα φτάσουν τα 6,31 τρισεκατομμύρια δολάρια το 2026, σημειώνοντας αύξηση 13,5% από το 2025. Αυτή η αύξηση οφείλεται στην υποδομή τεχνητής νοημοσύνης, στο cloud computing και στο λογισμικό. Αυτό δείχνει ότι η τεχνητή νοημοσύνη πυροδοτεί έναν νέο κύκλο τεχνολογικών δαπανών, αντί απλώς να αντικαθιστά τις υπάρχουσες δαπάνες.

Η Τεχνητή Νοημοσύνη είναι πραγματικά πολύτιμη μόνο όταν η επένδυση στην τεχνολογία μεταφράζεται σε μετρήσιμη λειτουργική αποτελεσματικότητα.

ΦΩΤΟΓΡΑΦΙΑ: ΣΤΙΓΜΙΟΤΥΠΟ ΟΘΟΝΗΣ ΑΠΟ ΤΟ ROBOTMAGAZINE

Συνεπώς, η πίεση για την ανάκτηση των επενδύσεων γίνεται ολοένα και πιο εμφανής. Η συμβουλευτική εταιρεία Deloitte προβλέπει ότι οι επενδύσεις στην Τεχνητή Νοημοσύνη θα συνεχίσουν να αυξάνονται, αλλά οι αποδόσεις δεν είναι πάντα εύκολο να μετρηθούν. Για πιο σύνθετα έργα, οι επιχειρήσεις χρειάζονται μεγαλύτερο χρονικό πλαίσιο για να αξιολογήσουν την αποτελεσματικότητα, αντί να εξετάζουν απλώς τον αριθμό των αυτοματοποιημένων εργασιών.

Αυτή η μετατόπιση αναγκάζει τις εταιρείες να είναι πιο ρεαλιστές. Αντί να στοχεύουν σε εκτεταμένη αντικατάσταση ανθρώπινου δυναμικού, πολλές επιχειρήσεις επιλέγουν να χρησιμοποιούν την Τεχνητή Νοημοσύνη για να υποστηρίξουν συγκεκριμένες εργασίες, όπως η σύνοψη εγγράφων, η πρόταση απαντήσεων πελατών, η σύνταξη κώδικα, η κατηγοριοποίηση αιτημάτων ή η ανίχνευση σφαλμάτων. Αυτή η προσέγγιση μειώνει τον κίνδυνο και διευκολύνει τον έλεγχο του κόστους.

Η Τεχνητή Νοημοσύνη μπορεί να γίνει φθηνότερη με την πάροδο του χρόνου για μεμονωμένες εργασίες, ειδικά καθώς τα μοντέλα γίνονται πιο αποτελεσματικά και ο ανταγωνισμός μεταξύ των προμηθευτών αυξάνεται. Ωστόσο, σε επίπεδο επιχείρησης, το συνολικό κόστος θα μπορούσε να συνεχίσει να αυξάνεται καθώς η χρήση κλιμακώνεται, οι απαιτήσεις ασφαλείας αυξάνονται και οι λειτουργικές διαδικασίες γίνονται πιο περίπλοκες.

Επομένως, η τρέχουσα συζήτηση δεν αφορά πλέον το αν η Τεχνητή Νοημοσύνη είναι απολύτως ακριβή ή φθηνή. Αυτό που έχει σημασία είναι για ποια προβλήματα οι επιχειρήσεις χρησιμοποιούν την Τεχνητή Νοημοσύνη, σε ποια κλίμακα και αν η αποτελεσματικότητα μπορεί να μετρηθεί. Η υπόσχεση για εξοικονόμηση κόστους γίνεται πειστική μόνο όταν η Τεχνητή Νοημοσύνη επιδεικνύει απτή αξία σε πραγματικές λειτουργίες.

Πηγή: https://thanhnien.vn/chi-phi-ai-khong-con-re-nhu-loi-hua-ban-dau-185260427153301634.htm