در حالی که برخی از صاحب‌نظران معتقدند برای کنترل هزینه‌های هوش مصنوعی، مدیران فناوری اطلاعات (CIO) باید به سمت رویکردی موسوم به «توکنومیکس» (Tokenomics) حرکت کنند، تحلیل‌های عمیق‌تر نشان می‌دهد که این مدل می‌تواند یک تله استراتژیک باشد.
تکرار اشتباهات گذشته: از تحلیل نقاط عملکردی تا توکن‌ها
ایده پیوند دادن هزینه‌های هوش مصنوعی به نتایج تجاری، در ظاهر هدفمند به نظر می‌رسد، اما «توکنومیکس» تنها ادای این کار را در می‌آورد. این رویکرد یادآور روش قدیمی «تحلیل نقاط عملکردی» (Function Point Analysis – FPA) است که در دهه ۱۹۷۰ معرفی شد. در آن زمان، پیچیدگی نرم‌افزار با واحدهای انتزاعی اندازه‌گیری می‌شد که برای مدیران کسب‌وکار غیرقابل درک بود و تنها منجر به بحث‌های بیهوده بر سر صورت‌حساب‌ها می‌شد.
استدلال «آجرومیکس» (Brickonomics) و نقص‌های مدل توکن
برای درک بهتر نقص این مدل، می‌توان از مثال «آجرومیکس» استفاده کرد. اگر بخواهیم هزینه تعمیر یک دیوار آجری را تنها بر اساس تعداد آجرهای آن محاسبه کنیم، از اصل موضوع غافل شده‌ایم. در تعمیرات، آنچه اهمیت دارد ملات (Mortar) بین آجرهاست، نه خودِ آجرها. به همین ترتیب، در هوش مصنوعی، تمرکز بر تعداد توکن‌ها (Tokens) مشابه شمارش آجرهاست، در حالی که آنچه ارزش واقعی ایجاد می‌کند، پیوند و منطق میان این واحدهاست.
تمرکز بیش از حد بر هزینه‌ها به جای مزایا
یکی از بزرگ‌ترین ریسک‌های توکنومیکس این است که تصمیم‌گیرندگان را بیش از حد بر هزینه‌های هوش مصنوعی متمرکز می‌کند و توجه بسیار کمی به مزایا و خروجی‌های آن دارد. استفاده از مدل‌های بازپرداخت هزینه (Chargebacks) و گزارش هزینه‌ها (Showbacks) بر پایه توکن، می‌تواند منجر به فرهنگ «بحث بر سر صورت‌حساب» شود، جایی که مدیران به جای تمرکز بر بهره‌وری، وقت خود را صرف تحلیل واحدهای انتزاعی و غیرقابل درک می‌کنند.
- تمرکز بر واحدهای انتزاعی به جای ارزش تجاری واقعی.
- فرض نادرست بر اینکه تمام پیاده‌سازی‌های هوش مصنوعی لزوماً مبتنی بر مدل‌های زبانی بزرگ (LLM) هستند.
- ایجاد شکاف بین تیم‌های فنی و مدیران ارشد به دلیل پیچیدگی و غیرقابل درک بودن متغیرهای هزینه.
