تحلیل‌های جدید نشان می‌دهند که اگرچه حباب هوش مصنوعی (AI) در آستانه ترکیدن نیست، اما سازمان‌ها باید خود را برای یک اصلاح بازار (Market Correction) که می‌تواند تأمین‌کنندگان، قراردادها و قیمت‌ها را دستخوش تغییر کند، آماده کنند. در حال حاضر، سرعت هزینه‌کرد در بخش زیرساخت‌ها بسیار فراتر از بازدهی ملموس (Measurable Returns) است.
شکاف میان سرمایه‌گذاری و بازدهی اقتصادی
بخش بزرگی از بودجه‌های فعلی برای ساخت زیرساخت‌های محاسباتی هوش مصنوعی، توسط شرکت‌های بزرگ فناوری و از جریان نقدی خودشان تأمین می‌شود. با این حال، ریسک‌های جدی در چند نقطه متمرکز شده است: تعداد محدودی از سازندگان که تحت فشار مالی واقعی هستند و قراردادهای تأمین مالی چرخشی (Circular Financing) با آزمایشگاه‌های هوش مصنوعی.
محاسبات نشان می‌دهد که سرمایه‌گذاری‌های زیرساختی تنها زمانی به نقطه سربه‌سر (Break-even) می‌رسند که هوش مصنوعی بتواند تا سال ۲۰۳۵، تولید ناخالص داخلی (GDP) ایالات متحده را تا ۵ درصد افزایش دهد. با این حال، برآوردهای فعلی نشان می‌دهند که بهبود بهره‌وری تنها می‌تواند حدود ۲ درصد از این رشد را پوشش دهد و مابقی باید از منابع ارزش‌آفرین دیگر تأمین شود.
ریسک‌های زنجیره تأمین و نوسانات بازار
تأمین‌کنندگان بزرگ (Hyperscalers) سهم بی‌سابقه‌ای از درآمد خود را به هزینه‌های سرمایه‌ای (CapEx) اختصاص داده‌اند تا زیرساخت‌های بیشتری برای توسعه هوش مصنوعی ایجاد کنند. اما این حجم از عرضه، بازار را ناپایدار می‌کند. نمونه بارز این موضوع، کاهش شدید قیمت توکن‌ها (Token Costs) توسط ارائه‌دهندگان بزرگی مانند Anthropic در پاسخ به رقابت مدل‌های متن‌باز (Open Source) بود.
اگر تقاضا با حجم ظرفیت جدید همخوانی نداشته باشد، تأمین‌کنندگان ممکن است مجبور به کاهش سرمایه‌گذاری، ادغام یا توقف برخی محصولات شوند. در این سناریو، مشتریان ممکن است با این واقعیت مواجه شوند که برنامه‌های هوش مصنوعی خود را بر پایه سرویس‌هایی بنا کرده‌اند که دیگر وجود ندارند.
توصیه‌های استراتژیک برای مدیران امنیت و فناوری
برای مدیریت این ریسک‌ها، سازمان‌ها باید اقدامات زیر را در دستور کار قرار دهند:
- پایش سلامت مالی تأمین‌کنندگان: بررسی شکاف میان قراردادهای منعقد شده و درآمد واقعی ثبت شده توسط فروشندگان. اگر یک تأمین‌کننده بیش از حد به سرمایه‌گذاری‌های خارجی یا پیش‌پرداخت مشتریان متکی است (مانند مدل‌های برخی از شرکت‌های بزرگ)، این یک زنگ خطر برای کاهش وابستگی به آن‌هاست.
- استرس‌تست (Stress-test) برنامه‌های هوش مصنوعی: شبیه‌سازی سناریوهایی مانند اعلام پایان پشتیبانی (End of Support) توسط یک تأمین‌کننده کلیدی یا عدم توانایی تأمین‌کننده مدل در پرداخت هزینه‌های زیرساختی.
- آمادگی برای انتقال: سازمان‌ها باید از پیش بدانند که در صورت بروز بحران، کدام موارد استفاده (Use Cases) را باید متوقف کنند و انتقال داده‌ها و بار کاری (Workloads) به سرویس‌های دیگر با چه هزینه‌ای امکان‌پذیر است.
