هزینه‌های سرسام‌آور هوش مصنوعی، مدیران وال‌استریت را به دردسر انداخته است

روند افزایش هزینه‌های پردازش، مدیران مالی را که همین حالا هم برای تعیین هزینه واقعی هوش مصنوعی با مشکل روبه‌رو هستند، نگران کرده است. هیچ‌کس دوست ندارد یک چک سفیدامضا در اختیار تیم فناوری بگذارد. بااین‌حال، در موج اولیه استقبال از هوش مصنوعی، بسیاری از مدیران ارشد مالی عملاً با چنین درخواستی روبه‌رو شدند. حالا، پس از دریافت چندین صورت‌حساب غیرمنتظره، پیدا کردن راهی برای کنترل هزینه‌ها به ضرورتی اجتناب‌ناپذیر تبدیل شده است. این مسئله به‌تدریج در بانک‌ها به یکی از دغدغه‌های جدی تبدیل می‌شود؛ جایی که بودجه فناوری از قبل زیر فشار نیازهای مختلف، از نوسازی سامانه‌های قدیمی گرفته تا امنیت سایبری، قرار دارد. بخش بزرگی از امید بانک‌ها به افزایش بهره‌وری، به هوش مصنوعی عامل‌محور گره خورده است؛ فناوری‌ای که می‌تواند وظایف پیچیده را مستقلاً انجام دهد، اما بودجه‌بندی برای آن ذاتاً دشوار است، زیرا میزان توان پردازشی مصرف‌شده برای هر وظیفه را نمی‌توان به‌آسانی پیش‌بینی کرد. باوی مهتا، شریک شرکت مشاوره بین‌اند‌کمپانی و مسئول جهانی تحلیل‌های پیشرفته در خدمات مالی این شرکت، می‌گوید: «واقعاً فکر نمی‌کنم کسی در سازمان‌ها تصویر دقیقی از این موضوع داشته باشد که اگر بخواهم فلان کار را انجام دهم، چقدر برایم هزینه خواهد داشت.» او اضافه می‌کند: «هرچه هوش مصنوعی به سمت استدلال پیچیده‌تر و فرایندهای عامل‌محور حرکت می‌کند، تعداد توکن‌های موردنیاز برای انجام یک وظیفه مشخص می‌تواند تفاوت بسیار زیادی داشته باشد. به همین دلیل، با گسترش استفاده بانک‌ها از هوش مصنوعی، درک هزینه‌ها در کنار ارزش تجاری حاصل از آن اهمیت بیشتری پیدا می‌کند.» بر اساس تازه‌ترین گزارش شرکت ارزیابی هوش مصنوعی «اویدنت» (Evident)، از میان ۵۰ بانک بزرگ جهان که این شرکت عملکردشان را دنبال می‌کند، فقط ۱۲ بانک به‌طور عمومی بازده پیش‌بینی‌شده یا تحقق‌یافته سرمایه‌گذاری خود در هوش مصنوعی را اعلام کرده‌اند.بااین‌حال، به‌ندرت می‌توان مدیرعامل بانکی را پیدا کرد که از مزایای بالقوه این فناوری سخن نگوید. افزایش سرمایه‌گذاری در هوش مصنوعی در نشست‌های اعلام نتایج مالی سه‌ماهه سوم چندین بانک آمریکایی، از سیتی‌گروپ گرفته تا گلدمن ساکس، مطرح شد؛ اما تنها شمار اندکی از مدیران توانستند ارقام دقیقی از هزینه‌های هوش مصنوعی یا منافع مالی حاصل از آن ارائه کنند. اکنون که صنعت بانکداری از مرحله آزمایش هوش مصنوعی به مرحله استفاده عملیاتی از آن وارد می‌شود، بلومبرگ با بیش از دوازده مهندس، مدیر اجرایی و مشاور گفت‌وگو کرده است تا تجربه‌ها و راهبردهای آنها را بررسی کند. اصطلاح «توکن‌مکسینگ» (Tokenmaxxing)، یعنی استفاده هرچه بیشتر مهندسان از هوش مصنوعی، شهرت زیادی پیدا کرده است. اما افزایش شدید مصرف توکن همیشه ناشی از چنین رفتاری نیست. وقتی سامانه نظارتی دویچه‌بانک مصرف غیرمعمول توکن را در میان برخی کارکنان شناسایی کرد، بررسی‌ها نشان داد که بسیاری از این افراد در واقع از هوش مصنوعی برای انجام کارهای مفید استفاده می‌کردند. کریستوف رابن‌زایفنر، مدیر ارشد راهبرد فناوری، داده و نوآوری این بانک، می‌گوید بانک به‌جای قطع دسترسی این کارکنان، تلاش کرد مصرف آنها را به مسیر پربازده‌تری هدایت کند. به گفته او، دویچه‌بانک همچنین انجام یکی از وظایف را به‌جای یک مدل بزرگ و پیشرفته، با مدلی کوچک‌تر که به‌طور ویژه آموزش دیده بود آزمایش کرد. نتیجه این تغییر، کاهش چندبرابری هزینه‌ها بود. بانک سانتاندر نیز مدل‌های بزرگ و پیشرفته را فقط برای بررسی این موضوع به کار می‌گیرد که آیا یک برنامه از استاندارد کیفی موردنظر برخوردار است یا نه. پس از تأیید کیفیت، اجرای عملیاتی آن به مدل‌های سبک‌تر و ارزان‌تر سپرده می‌شود. ایگناسیو برنال، مدیر ارشد هوش مصنوعی سانتاندر، می‌گوید این رویکرد به بانک کمک کرده هزینه اجرای فرایند تأیید هر وام را از حدود ۵ یورو، معادل ۵٫۶۱ دلار، به تنها ۳ سنت یورو کاهش دهد. برنال توضیح می‌دهد: «وقتی هوش مصنوعی را از پروژه‌های آزمایشی به مرحله بهره‌برداری در سراسر یک بانک جهانی منتقل می‌کنید، هزینه استنتاج دیگر رقمی ناچیز و قابل چشم‌پوشی نیست؛ بلکه به یک ردیف واقعی در هزینه‌های عملیاتی تبدیل می‌شود.» او یادآوری می‌کند که بعضی فرایندها سالانه میلیون‌ها بار اجرا می‌شوند و همین تکرار، هزینه‌های پردازشی را به‌شدت افزایش می‌دهد. بانک امپریال تجارت کانادا (CIBC) دریافته است که استفاده از قدرتمندترین مدل‌های هوش مصنوعی، از جمله مدل Opus شرکت آنتروپیک، ممکن است برای هر کارمند ماهانه ۳ هزار دلار کانادا، معادل ۲۱۳۰ دلار آمریکا، هزینه داشته باشد. اگر هزاران کارمند از این مدل‌ها استفاده کنند، مجموع هزینه‌ها به‌سرعت افزایش خواهد یافت. بانک برای کنترل مخارج، دسترسی به این مدل‌ها را به چندصد کارمند محدود کرده است. همچنین استفاده از جدیدترین محیط کاری داخلی خود با نام CAI 2.0 را که هنوز در مرحله آزمایش قرار دارد، به ۲۵۰ نفر محدود کرده است. هر یک از این افراد می‌توانند ماهانه بین ۴ تا ۲۵۰ دلار کانادا هزینه کنند. خایمه تاتیس، مدیر ارشد داده و هوش مصنوعی این بانک، در مصاحبه‌ای در ماه ژوئیه گفت: «این فناوری بیش از آن قدرتمند است که اجازه بدهیم ۵۰ هزار نفر بدون هیچ کنترلی از آن استفاده کنند.» هوش مصنوعی عامل‌محور اکنون به یکی از عوامل اصلی رشد هزینه‌ها تبدیل شده است.بر اساس داده‌های اویدنت، بانک‌های بزرگ در سه‌ماهه نخست سال ۲۰۲۶، تعداد ۱۹ مورد استفاده از هوش مصنوعی عامل‌محور را اعلام کردند؛ درحالی‌که این رقم در سه‌ماهه قبل تنها هشت مورد بود. در سه‌ماهه دوم، تعداد موارد اعلام‌شده به نصف کاهش یافت؛ اما نه به این دلیل که بانک‌ها علاقه خود را به عامل‌های هوش مصنوعی از دست داده‌اند، بلکه به این علت که از آنها می‌خواهند کارهای پیچیده‌تری انجام دهند. برای مثال، طبق گزارش اویدنت، ولز فارگو می‌خواهد هوش مصنوعی عامل‌محور پیش از به‌کارگیری گسترده در فرایندهای کاری، بر ۱۱۰۰ مرحله از فرایند وام مسکن تسلط پیدا کند. برخلاف ابزارهای متعارف هوش مصنوعی، سامانه‌های عامل‌محور می‌توانند وظایف پیچیده و چندمرحله‌ای را مستقلاً اجرا کنند؛ وظایفی مانند تحلیل صورت‌های مالی، پیگیری وضعیت وام‌گیرندگان، تأیید اسناد و شناسایی فعالیت‌های مرتبط با پول‌شویی. اجرای این فرایندها به منابع پردازشی قابل‌توجهی نیاز دارد. این نیاز به مصرف بیشتر توکن منجر می‌شود و در نهایت هزینه‌های ماهانه را افزایش می‌دهد. در یکی از بانک‌های آسیایی، برخی تیم‌ها تمام سهمیه توکن خود را تنها در هفته نخست مصرف کردند.به گفته یکی از مدیران ارشد داده این بانک که به دلیل گفت‌وگو درباره مسائل داخلی خواست نامش فاش نشود، بانک پس از این تجربه تصمیم گرفت سهمیه‌های توکن را تجمیع کند و یک عامل هوش مصنوعی بسازد که پیش از ارسال درخواست‌ها به مدل، متن آنها را کوتاه‌تر و بهینه‌تر کند. بحث هزینه‌ها باعث شده مدل‌های چینی نیز به یکی از گزینه‌های مورد بررسی بانک‌ها تبدیل شوند.در یادداشتی که بانک خصوصی جی‌پی‌مورگان در ماه ژوئیه منتشر کرد، آمده بود یکی از مدل‌های GLM متعلق به شرکت Z.AI مستقر در پکن، عملکردی هم‌سطح بهترین مدل موجود در ماه مارس ارائه کرده است؛ آن هم با هزینه‌ای بیش از ۸۰ درصد کمتر از گران‌ترین مدل پیشرفته آن زمان. بزرگ‌ترین بانک‌های سنگاپور نیز در حال آزمایش مدل‌های مختلف هستند.چارچوب هوش مصنوعی بانک یونایتد اورسیز (UOB) نسبت به تأمین‌کنندگان مختلف بی‌طرف است و امکان استفاده از مدل‌های چینی را نیز فراهم می‌کند. گروه بانکی DBS هم اعلام کرده است که وابستگی بیش‌ازحدی به هیچ تأمین‌کننده واحدی ندارد؛ چه آمریکایی باشد و چه چینی. بااین‌حال، نهادهای ناظر درباره برخی خطرات هشدار داده‌اند.نهاد نظارت بر بانکداری کانادا اخیراً از کارکنان خود خواسته است حداقل استانداردهای استفاده بانک‌ها از مدل‌های پیشرفته هوش مصنوعی، از جمله الزامات امنیتی، را تدوین کنند. میشل بومن، معاون نظارتی فدرال‌رزرو آمریکا، نیز به بانک‌ها هشدار داده است که سامانه‌های خود را در برابر تهدیدهای ناشی از هوش مصنوعی تقویت کنند. این نگرانی‌ها باعث می‌شود توجیه استفاده از مدل‌هایی که ارزیابی و اعتبارسنجی کمتری روی آنها انجام شده، به‌ویژه مدل‌های خارجی، در برابر هیئت‌مدیره بانک‌ها دشوارتر باشد.مدیران ریسک همچنین نگران‌اند که عامل‌های هوش مصنوعی پس از استقرار در سامانه‌های داخلی بانک، رفتارهایی غیرقابل‌پیش‌بینی از خود نشان دهند. این نگرانی در ماه‌های اخیر بیشتر مورد توجه قرار گرفته است. بلومبرگ در ماه اوت گزارش داده بود که بانک ملی استرالیا هنگام بررسی گزینه‌های جایگزین برای مدل‌های هوش مصنوعی ساخت آمریکا، از جمله مدل‌های چینی، به نگرانی‌های امنیتی و مسائل مربوط به حاکمیت و نظارت بر فناوری اشاره کرده است. بیش از یک دهه پیش، زمانی که بانک‌ها با شتاب به سمت خدمات ابری حرکت کردند، دست‌کم پنج سال طول کشید تا بتوانند هزینه‌هایی را که متناسب با میزان استفاده افزایش می‌یافت کنترل کنند و آنها را در ردیف بودجه‌ای مشخصی قرار دهند. این ارزیابی جی. آر. استورمنت، مدیر اجرایی بنیاد توکنومیکس (Tokenomics Foundation)، است.او می‌گوید تفاوت شرایط امروز در این است که مدیران مالی تنها ۶ تا ۱۸ ماه پس از پذیرش هوش مصنوعی، با جهش هزینه‌های آن روبه‌رو می‌شوند و ناچارند واکنش نشان دهند. همین موضوع تعیین هزینه نهایی استفاده از مدل‌های ممتاز هوش مصنوعی را دشوار کرده است. نیتین مادان، مدیر مالی سابق عملیات بارکلیز در هند، فشار ناشی از این شرایط را به‌خوبی به خاطر دارد.او می‌گوید وقتی از همکاران بخش فناوری پرسید قصد دارند چه مدل‌های هوش مصنوعی را به کار بگیرند و هزینه آنها چقدر خواهد بود، پاسخ شنید که چنین پرسش‌هایی «همه را معذب می‌کند». مادان توضیح می‌دهد که ابزارهای جدید هوش مصنوعی و نسخه‌های ارتقایافته آنها با سرعت زیادی وارد بازار می‌شوند. در نتیجه، برخلاف بیشتر نرم‌افزارها، هزینه‌های هوش مصنوعی در صنعت بانکداری را نمی‌توان به‌سادگی طی چند سال مستهلک کرد و این مخارج بلافاصله بر سودآوری اثر می‌گذارند. او اضافه می‌کند هیچ‌کس نمی‌تواند با اطمینان بگوید مدل‌هایی که امروز استفاده می‌شوند، سه سال دیگر نیز همچنان در حال استفاده خواهند بود. در جی‌پی‌مورگان چیس، برخی کارکنان «بیشتر از حقوق خود برای توکن هزینه می‌کردند»، اما شرکت در آن زمان محدودیتی برای مصرف هوش مصنوعی اعمال نمی‌کرد.زکری اندرسون، مدیر ارشد داده و تحلیل در بخش پرداخت‌های این بانک، این موضوع را در ماه ژوئن به سمافور گفته بود. از آن زمان، جی‌پی‌مورگان برای برخی مهندسان خود سقف هزینه ماهانه ۲ هزار دلار برای استفاده از Claude Code شرکت آنتروپیک تعیین کرده است؛ موضوعی که بیزینس اینسایدر در ماه جاری گزارش داد. جرمی بارنوم، مدیر ارشد مالی جی‌پی‌مورگان، نیز در نشست اعلام نتایج مالی این ماه بانک گفت هزینه سالانه هوش مصنوعی در این مجموعه حدود ۷۰۰ میلیون دلار است. بااین‌حال، تعیین رقم دقیق دشوار است؛ زیرا این فناوری اکنون در سراسر بخش‌های بانک گسترش یافته است.در بسیاری از بانک‌های دیگر نیز نگاه مدیران تغییر کرده است. هزینه‌های هوش مصنوعی که پیش‌تر تقریباً بدون سقف در نظر گرفته می‌شد، اکنون باید مهار شود. الکس، مهندس ارشد یادگیری ماشین در یکی از بانک‌های بزرگ اروپایی، در فوریه امسال مأمور شد هزینه‌های هوش مصنوعی تیم خود را محدود کند. دلیل این تصمیم، صورت‌حساب ۸۰ هزار یورویی بود که تیم پس از ساخت یک چت‌بات پیشرفته و به‌کارگیری آن در هزاران فرایند کاری ایجاد کرده بود.این رقم برای یک بانک بزرگ چندان غیرعادی نبود، اما به مدیر مالی هشدار داد که اگر هزینه‌ها کنترل نشوند، ممکن است به میلیون‌ها یورو برسند. الکس که برای جلوگیری از پیامدهای حرفه‌ای خواست نام کاملش منتشر نشود، می‌گوید پرسش اصلی خیلی زود تغییر کرد: مسئله دیگر این نبود که آیا چت‌بات درست کار می‌کند یا نه، بلکه این بود که آیا بانک توان مالی اجرای گسترده آن را دارد. او برای کاهش هزینه‌ها، ساختار چت‌بات را تغییر داد تا پاسخ پرسش‌های پرتکرار را ذخیره کند و هر بار که کاربری همان سؤال را مطرح می‌کند، پاسخ ذخیره‌شده را دوباره ارائه دهد. درخواست‌های ساده‌تر به مدل‌های متن‌باز سپرده شد و فقط درخواست‌هایی که توکن زیادی مصرف می‌کردند و به جست‌وجوهای عمیق‌تر نیاز داشتند، به مدل‌های ممتاز پلتفرم‌هایی مانند ChatGPT یا Claude فرستاده شدند. این تغییرات صورت‌حساب هوش مصنوعی را تقریباً یک‌سوم کاهش داد.برخی بانک‌ها تلاش می‌کنند مسئله پیش‌بینی هزینه را از مراحل اولیه حل کنند. بانک فرانسوی بی‌ان‌پی پاریبا تنها زمانی یک پروژه هوش مصنوعی را تأیید می‌کند که هزینه اجرای آن محاسبه شده باشد. هوگ اِوِن، مدیر ارشد داده این گروه، می‌گوید پلتفرم داخلی بانک برای هر توکن قیمت مشخصی تعیین می‌کند، آن را در حجم مصرف مورد انتظار ضرب می‌کند و سپس هزینه کل را در برابر ارزشی که ابزار قرار است ایجاد کند می‌سنجد. بی‌ان‌پی پاریبا بیشتر نیازهای پردازشی خود را با تراشه‌هایی تأمین می‌کند که به‌عنوان سرمایه‌گذاری‌های چندساله خریداری کرده است و برای تکمیل ظرفیت از ارائه‌دهندگان خدمات ابری استفاده می‌کند. این بانک مسئولیت نظارت بر هوش مصنوعی را میان کمیته‌هایی تقسیم کرده که ریاست آنها بر عهده مدیران فناوری، ریسک، مالی و منابع انسانی است. علاوه بر این، یک کمیته هوش مصنوعی در سطح گروه نیز فعالیت می‌کند که مدیرعامل ریاست آن را بر عهده دارد. اِوِن می‌گوید: «هرکدام سهم خود را از این مسئولیت بر عهده می‌گیرند.»به گفته او، مدیر ارشد مالی مسئول کنترل هزینه استقرار هوش مصنوعی در سراسر گروه است. بسیاری از بانک‌ها در تلاش‌اند خود را با سرعت تغییرات هماهنگ کنند؛ زیرا پیش از آنکه فرایند ادغام یک مدل در سامانه‌هایشان کامل شود، مدل‌های جدیدتر و گران‌تری وارد بازار می‌شوند. هم‌زمان، برای کمک به شرکت‌ها در اندازه‌گیری و مهار جهش احتمالی هزینه‌ها، صنعتی متشکل از شرکت‌های تخصصی کوچک در حال شکل‌گیری است. شرکت رمپ (Ramp)، که به کسب‌وکارها برای ردیابی و کنترل هزینه مصرف توکن کمک می‌کند، می‌گوید از هر سه کسب‌وکاری که از ابزار این شرکت استفاده می‌کنند، یکی توانسته حوزه‌هایی را شناسایی کند که می‌توان در آنها بدون افت کیفیت، مدل‌های پیشرفته و گران‌قیمت را با گزینه‌های ارزان‌تر جایگزین کرد. شرکت نوپای روگو تکنولوژیز (Rogo Technologies)، که در حوزه هوش مصنوعی با بانکداران همکاری می‌کند، می‌گوید تقاضای مشتریان خود را تجمیع می‌کند تا بتواند از آزمایشگاه‌های هوش مصنوعی تخفیف بگیرد. این شرکت همچنین به بانک‌ها اجازه می‌دهد بودجه مصرف توکن را حتی در سطح تک‌تک کاربران تعیین کنند.بنیاد توکنومیکس نیز با هدف تدوین استانداردهای مشترک صنعتی برای ردیابی هزینه‌های هوش مصنوعی تأسیس شده است؛ هزینه‌هایی که اغلب شفاف نیستند. از اعضای این بنیاد می‌توان به جی‌پی‌مورگان، بانک نیویورک ملون، شرکت حسابرسی و مشاوره KPMG و گوگل کلاد اشاره کرد. این بنیاد می‌خواهد مشخص کند شرکت‌ها در برابر هزینه‌هایی که برای هوش مصنوعی می‌پردازند، چه بازدهی به دست می‌آورند. موضوع دسترسی به مدل‌های هوش مصنوعی حتی به مسئله‌ای در استخدام نیروهای متخصص تبدیل شده است.در همان بانک آسیایی، متقاضیان شغل توسعه‌دهندگی هنگام مصاحبه، در کنار حقوق، درباره بودجه توکن خود نیز سؤال می‌کنند. مادان، مدیر مالی سابق، می‌گوید مهندسان می‌پرسند به چه مدل‌هایی دسترسی خواهند داشت و چه محدودیت‌هایی برای استفاده از آنها وجود دارد. دیوید هاردون، که پیش‌تر مسئول توسعه و گسترش استفاده از هوش مصنوعی در بانک استاندارد چارترد بود و اکنون ریاست بخش هوش مصنوعی پیشرفته شرکت اکسنچر در جنوب شرق آسیا را بر عهده دارد، معتقد است هر سازمان بزرگی به یک مدیر ارشد هوش مصنوعی با اختیارات واقعی نیاز دارد. اگرچه چندین بانک هم‌اکنون چنین سمتی دارند، شمار اندکی از آنها اختیارات کافی در اختیار این مدیر گذاشته‌اند تا بتواند بدون کند کردن نوآوری، نظم لازم را در پیش‌بینی هزینه‌ها و استقرار فناوری برقرار کند. هاردون می‌گوید مدیر ارشد هوش مصنوعی می‌تواند مسئولیت این موضوع را بر عهده بگیرد، اما تنها در صورتی که اختیار اقدام در سراسر سازمان را داشته باشد. در شرایط کنونی، نظارت بر رابطه هزینه و منفعت در تب طلای هوش مصنوعی می‌تواند به تنش‌های داخلی منجر شود؛ به‌ویژه زمانی که مدیران بانک‌ها احساس می‌کنند نمی‌توانند خطر عقب ماندن از رقبا در پذیرش این فناوری را بپذیرند. ویتالـی گوردون، مدیرعامل شرکت نرم‌افزاری فاروس ای‌آی (Faros AI)، که به بانک‌ها و شرکت‌های فناوری کمک می‌کند هزینه‌های هوش مصنوعی را به نتایج حاصل از آن پیوند دهند، می‌گوید منطق حاکم چنین است: «اگر ما این کار را نکنیم، رقبایمان انجامش خواهند داد.»به گفته او، این ذهنیت مسابقه تسلیحاتی در سراسر صنعت به مصرف شدید منابع نقدی منجر شده و وضعیتی ایجاد کرده است که در آن، «در بیشتر موارد، فقط یک مدیر مالی است که صورت‌حسابی دریافت می‌کند و فریادش بلند می‌شود.» منبع:نوشته ریتویکا سووارنا در بلومبرگ