Οι περισσότεροι μεγάλοι οργανισμοί σχεδιάζουν να αυξήσουν τη χρήση μοντέλων τεχνητής νοημοσύνης ανοιχτού βάρους για να διατηρήσουν το κόστος υπό έλεγχο, σύμφωνα με μια νέα έκθεση του Ερευνητικού Ινστιτούτου Capgemini, η οποία διαπίστωσε ότι σχεδόν έξι στις δέκα εταιρείες ξόδεψαν σημαντικά περισσότερα στην τεχνητή νοημοσύνη από ό,τι περίμεναν ή είχαν προβλέψει τον προηγούμενο χρόνο.
Η έκθεση, βασισμένη σε έρευνα του Σεπτεμβρίου 2026 σε 500 ανώτερα στελέχη σε 10 χώρες και 13 κλάδους, διαπίστωσε ότι το 59% των οργανισμών ξόδεψε σημαντικά περισσότερα για την τεχνητή νοημοσύνη από ό,τι αναμενόταν. Μεταξύ των οργανισμών που επηρεάστηκαν, οι δαπάνες ήταν 24% υψηλότερες από το αναμενόμενο κατά μέσο όρο και το 21% των οργανισμών που συμμετείχαν στην έρευνα υπερέβη τους προϋπολογισμούς τους για τεχνητή νοημοσύνη κατά περισσότερο από 30%. Το κεντρικό εύρημα της μελέτης - ότι οι περισσότερες μεγάλες εταιρείες σχεδιάζουν υψηλότερη χρήση τεχνητής νοημοσύνης ανοιχτού βάρους για να περιορίσουν τους λογαριασμούς, όπως ανέφερε το Reuters - δείχνει ότι οι επιχειρηματικές στρατηγικές τεχνητής νοημοσύνης εισέρχονται σε μια φάση πειθαρχίας κόστους. Τα ευρήματα εντοπίζονται σε μια ευρύτερη [κάλυψη της βιομηχανίας AI] (https://aibuzzwire.news) των επιχειρήσεων που επανεξετάζουν τον τρόπο με τον οποίο αγοράζουν και αναπτύσσουν μοντέλα.
Πού πάνε τα λεφτά
Η έκθεση υπογραμμίζει ένα επίμονο κενό στον τρόπο με τον οποίο οι επιχειρήσεις εκτιμούν το συνολικό κόστος της ανάπτυξης της τεχνητής νοημοσύνης. Πέρα από τις άμεσες δαπάνες, όπως η χρήση μοντέλων και τα διακριτικά, οι οργανισμοί πρέπει να λογοδοτούν για έμμεσες δαπάνες που είναι εύκολο να υποτιμηθούν: ανθρώπινη επίβλεψη των αποτελεσμάτων τεχνητής νοημοσύνης, διόρθωση σφαλμάτων που δημιουργούνται από την τεχνητή νοημοσύνη και εργασία διακυβέρνησης.
Τα μισά από τα στελέχη που συμμετείχαν στην έρευνα δήλωσαν ότι οι δαπάνες τεχνητής νοημοσύνης είχαν εγκριθεί χωρίς επαρκή ορατότητα του πλήρους κόστους τους και μόνο το 56% δήλωσαν σίγουροι για την ικανότητά τους να προβλέψουν πώς θα αλλάξει το κόστος της τεχνητής νοημοσύνης ανάλογα με τις κλίμακες υιοθέτησης. Με άλλα λόγια, για τις περισσότερες επιχειρήσεις, οι προϋπολογισμοί τεχνητής νοημοσύνης ορίστηκαν προτού οποιοσδήποτε καταλάβει πλήρως τι κοστίζει πραγματικά η λειτουργία της τεχνητής νοημοσύνης σε κλίμακα.
«Η πειθαρχία του κόστους από μόνη της δεν θα δημιουργήσει ένα κερδοφόρο κτήμα τεχνητής νοημοσύνης, όπως η δημιουργία αξίας χωρίς έλεγχο του κόστους δεν θα είναι βιώσιμη», δήλωσε ο Volker Darius, Διευθύνων Σύμβουλος της Capgemini Invent, σε δήλωση που συνοδεύει την έκθεση. «Οι οργανισμοί πρέπει να μετρούν μαζί το κόστος, την ποιότητα και την επιχειρηματική αξία και να χρησιμοποιούν το πιο κατάλληλο μοντέλο για κάθε εργασία».
Από στοιχήματα ενός προμηθευτή έως στρατηγικές πολλαπλών μοντέλων
Οι αυξανόμενες δαπάνες ωθούν τις επιχειρήσεις να επανεξετάσουν τις στρατηγικές τους για την τεχνητή νοημοσύνη με διαρθρωτικούς τρόπους. Περισσότερα από τρία στα πέντε στελέχη αναμένουν από τους οργανισμούς τους να υιοθετήσουν μια στρατηγική πολλαπλών μοντέλων τους επόμενους 12 μήνες, επιλέγοντας διαφορετικά μοντέλα τεχνητής νοημοσύνης με βάση το κόστος, την απόδοση, την ταχύτητα και τις επιχειρηματικές απαιτήσεις.
Αυτό σηματοδοτεί μια μετατόπιση από το πρότυπο των δύο τελευταίων ετών, κατά την οποία πολλές επιχειρήσεις τυποποιήθηκαν σε έναν ή δύο παρόχους μοντέλων αιχμής για τα πάντα, από chatbots έως επεξεργασία εγγράφων. Μια προσέγγιση πολλαπλών μοντέλων επιτρέπει στις εταιρείες να δρομολογούν απλές εργασίες μεγάλου όγκου σε φθηνότερα μοντέλα, ενώ δεσμεύουν ακριβά μοντέλα συνόρων για εργασία που πραγματικά τις απαιτεί.
Σχεδόν τρεις στους πέντε οργανισμούς σχεδιάζουν επίσης να επεκτείνουν τη χρήση μοντέλων ανοιχτού βάρους –μοντέλων των οποίων οι παράμετροι δημοσιεύονται και μπορούν να εκτελεστούν στην υποδομή μιας εταιρείας– και μικρότερων, εξειδικευμένων μοντέλων προσαρμοσμένων για συγκεκριμένες εργασίες, σύμφωνα με την έκθεση.
Γιατί τα ανοιχτά μοντέλα περνούν μια στιγμή
Το τμήμα ανοιχτού βάρους έχει αναπτυχθεί γρήγορα ως εναλλακτική λύση στα ιδιόκτητα μοντέλα μόνο για API. Επειδή τα μοντέλα ανοιχτού βάρους μπορούν να φιλοξενούνται από μόνοι τους, οι οργανισμοί με σταθερό, προβλέψιμο φόρτο εργασίας μπορούν να αποφύγουν τη χρέωση ανά διακριτικό και να διαπραγματευτούν μια διαφορετική καμπύλη κόστους — κόστος υποδομής συναλλαγών και λειτουργιών για προβλεψιμότητα. Οι αναλύσεις του κλάδου έχουν υπολογίσει ότι τα μάρκες από μοντέλα ανοιχτού βάρους κοστίζουν ένα κλάσμα συγκρίσιμων ιδιόκτητων, αν και τα συνολικά οικονομικά εξαρτώνται από τη χρήση και την εσωτερική μηχανική ικανότητα.
Τα ευρήματα του Capgemini υποδηλώνουν ότι ο λογισμός στρέφεται περαιτέρω προς τα ανοιχτά και μικρά μοντέλα καθώς οι δαπάνες για τεχνητή νοημοσύνη αυξάνονται ταχύτερα από την αξία που αποδεδειγμένα δημιουργεί. Η πίεση κόστους, σε αυτό το πλαίσιο, δεν είναι μια απόρριψη της τεχνητής νοημοσύνης - το 59% των επιχειρήσεων ξόδεψε υπερβολικά επειδή χρησιμοποιούσαν περισσότερη τεχνητή νοημοσύνη από το προγραμματισμένο, όχι λιγότερο - αλλά μια απαίτηση για ακρίβεια σχετικά με το πού πηγαίνει κάθε δολάριο μοντέλου.
Τι σημαίνει για την αγορά AI
Οι επιπτώσεις της έκθεσης περιορίζονται σε πολλές κατευθύνσεις ταυτόχρονα. Για τους προμηθευτές ιδιόκτητων μοντέλων, σηματοδοτεί ότι οι επιχειρησιακοί αγοραστές είναι ολοένα και πιο πρόθυμοι να διαφοροποιηθούν μακριά από τα σύνορα API υψηλής τιμής, όπου μπορεί να κάνει ένα μικρότερο ή ανοιχτό μοντέλο. Για τους παρόχους cloud και υποδομών, οι στρατηγικές πολλαπλών μοντέλων υπόσχονται περισσότερο ετερογενή φόρτο εργασίας — και μεγαλύτερη ζήτηση για τα εργαλεία εξυπηρέτησης που κάνουν την εναλλαγή μεταξύ μοντέλων φθηνή.
Για τις ίδιες τις επιχειρήσεις, το μήνυμα είναι ότι η διαχείριση κόστους τεχνητής νοημοσύνης γίνεται ένας από μόνος του κλάδος, πιο κοντά στον οικονομικό σχεδιασμό παρά στον πειραματισμό. Το εύρημα της έκθεσης ότι το ήμισυ των δαπανών για τεχνητή νοημοσύνη εγκρίθηκε χωρίς πλήρη ορατότητα του κόστους υποδηλώνει ότι πολλοί οργανισμοί θα χρειαστούν καλύτερη μέτρηση προτού μπορέσουν να βελτιστοποιήσουν.
Η έκθεση του Ερευνητικού Ινστιτούτου Capgemini προσθέτει σε ένα αυξανόμενο σύνολο αποδεικτικών ερευνών ότι η επόμενη φάση της αγοράς της επιχειρηματικής τεχνητής νοημοσύνης θα καθοριστεί όχι από το ποιος θα υιοθετήσει την τεχνητή νοημοσύνη, αλλά από το ποιος θα την αναπτύξει επικερδώς — και ότι το μείγμα μοντέλων σε μεγάλους οργανισμούς πρόκειται να γίνει πολύ πιο διαφοροποιημένο.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα πιο πρόσφατα νέα, αναλύσεις και ανακαλύψεις για την τεχνητή νοημοσύνη — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
