أعلنت OpenAI عن مجموعة جديدة من أدوات التحكم في الإنفاق والتحليلات داخل ChatGPT Enterprise، في محاولة لتزويد المؤسسات برؤية أوضح حول كيفية استخدام فرقها للذكاء الاصطناعي، وما يترتب على ذلك من تكاليف. وتأتي الخطوة في وقت تتزايد فيه ضغوط الشركات لموازنة التوسع في تبني أدوات الذكاء الاصطناعي مع الحاجة إلى ضبط الفاتورة ومراقبة العائد.
الميزات الجديدة تمنح المشرفين لوحات مركزية تعرض أنماط الاستخدام عبر المؤسسة، وتساعدهم على تتبع الاستهلاك ووضع حدود للإنفاق على مستوى الفرق أو الوحدات المختلفة. وبذلك تنتقل الشركات من الاعتماد على تقديرات عامة إلى مراقبة أكثر تفصيلاً لحركة الاستخدام والتكلفة.
وبحسب التوضيحات الفنية المرتبطة بهذه الإضافة، يجمع Global Admin Console استهلاك أرصدة ChatGPT وCodex في شاشة واحدة، ما يسمح للمسؤولين برؤية توزيع أوضح لاستهلاك الأرصدة بين المستخدمين والمنتجات والنماذج. هذا النوع من الرؤية يسهّل معرفة مصادر الإنفاق، لكنه لا يقدّم وحده صورة كاملة عن قيمة ما ينفقه العمل على الذكاء الاصطناعي.
تحول من تبني الذكاء الاصطناعي إلى حوكمة التكاليف
ترى بيوت الخبرة التقنية أن هذه الخطوة تعكس مرحلة جديدة في نضج استخدام الذكاء الاصطناعي داخل الشركات. فبعد موجة الحماس الأولى للتجربة والتوسع السريع، بدأت المؤسسات تركّز أكثر على الحوكمة، والقياس، والقدرة على تبرير الإنفاق أمام الإدارات المالية والقيادات التنفيذية.
هذا التحول لا يعني تراجع الاهتمام بالذكاء الاصطناعي، بل يعكس انتقاله من كونه مشروعاً تجريبياً إلى جزء من العمليات اليومية. ومع اتساع الاستخدام عبر أقسام متعددة، تصبح التكاليف أكثر تشتتاً وأقل قابلية للتنبؤ إذا لم تتوفر أدوات متابعة دقيقة.
كما أن طبيعة استهلاك الذكاء الاصطناعي نفسها تختلف عن الأنظمة الرقمية التقليدية؛ فالتكلفة قد ترتبط بعدد الطلبات، أو حجم الرموز المعالجة، أو ساعات تشغيل البنية التحتية، أو عدد الوكلاء العاملين في الخلفية. وهذا التنوع يجعل أدوات الحوكمة ضرورة تشغيلية وليست خياراً ثانوياً.
الميزانيات والشفافية أصبحت مطلباً أساسياً
المؤسسات التي تنشر أدوات الذكاء الاصطناعي على نطاق واسع تحتاج إلى معرفة دقيقة: من يستخدم الخدمة؟ لأي غرض؟ وكم يكلف ذلك؟ هذه الأسئلة تزداد أهمية حين يبدأ الإنفاق في التراكم من عدة فرق ومشاريع تجريبية ومنتجات داخلية، خصوصاً في بيئات العمل الكبيرة.
لذلك، فإن لوحات التحكم الجديدة لا تستهدف فقط مراقبة المصروفات، بل أيضاً تحسين عملية اتخاذ القرار. فإذا أمكن تتبع استخدام الذكاء الاصطناعي بشكل واضح، يمكن للإدارة أن تحدد المشاريع الأكثر استهلاكاً، وتفصل بين الاستخدام الضروري والاستخدام منخفض القيمة، وتعيد توزيع الميزانيات وفق الأولويات.
لكن الخبراء يشيرون إلى أن قياس الاستهلاك لا يكفي وحده. فالمؤسسة قد تعرف أنها أنفقت مبلغاً معيناً على ChatGPT Enterprise، لكنها لن تعرف تلقائياً ما إذا كانت هذه التكلفة أسهمت في رفع الإنتاجية، أو خفضت زمن التنفيذ، أو حسّنت جودة المخرجات، أو دعمت الإيرادات.
مشكلة القياس: الاستهلاك لا يساوي الأثر
أحد أبرز التحديات في إدارة الذكاء الاصطناعي المؤسسي هو الفصل بين النشاط والقيمة. فالأنظمة قد تُظهر حجم الاستخدام بدقة، لكنها لا تقيس بشكل مباشر النتائج التشغيلية أو المالية. وهذا يعني أن الشركات قد تملك بيانات غنية عن الاستهلاك، لكنها تفتقر إلى مؤشرات موثوقة على العائد الحقيقي.
من هنا، يصبح من الضروري ربط بيانات الاستخدام بمقاييس أعمال أوسع، مثل خفض التكاليف، ونمو الإيرادات، وتقليص المخاطر، وتحسين الجودة، وتسريع إنجاز المهام. هذه المقاربة أكثر انسجاماً مع احتياجات المديرين الماليين وقادة التقنية الذين يبحثون عن مبرر واضح لاستمرار الاستثمار.
ويحذر محللون من أن التركيز على عدد الطلبات أو حجم الاستخدام قد يقود إلى استنتاجات مضللة. فقد يكون فريق ما أكثر استهلاكاً للأدوات، لكنه أيضاً يحقق وفراً أكبر في الوقت أو يرفع الجودة بشكل ملموس. وفي المقابل، قد يبدو فريق آخر أقل استخداماً، بينما لا يحقق أي قيمة إضافية تُذكر.
الوكيلية وتعدد الأدوات يزيدان تعقيد المشهد
مع انتشار الأنظمة الوكيلة وتوسع الاعتماد على أدوات الذكاء الاصطناعي المتخصصة، تتجه الشركات إلى بيئة أكثر تشابكاً من الناحية التشغيلية. فبدلاً من تطبيق واحد أو خدمة واحدة، قد تستخدم المؤسسة مجموعة من النماذج والمنصات والوكلاء الآليين المتصلين ببعضهم البعض.
هذا التوسع يخلق ما يمكن وصفه بتعقيد إداري جديد، لأن التكلفة لم تعد مركزة في نقطة واحدة. وقد يؤدي أي سوء إعداد أو تضخم في الاستخدام إلى ارتفاع سريع في النفقات، خاصة عندما تكون الأنظمة تعمل بشكل متداخل أو متواصل عبر فرق متعددة.
كما أن نماذج التسعير في سوق الذكاء الاصطناعي ما تزال غير موحدة، إذ تختلف وحدات القياس بين مزود وآخر. فبعض الخدمات تحاسب على الرموز، وأخرى على الطلبات، وأخرى على ساعات التشغيل أو موارد الحوسبة. هذا التباين يربك فرق المالية والعمليات، ويجعل التنبؤ بالأعباء المستقبلية أكثر صعوبة.
FinOps التقليدي لم يعد كافياً وحده
في عالم الحوسبة السحابية، اعتمدت الشركات على ممارسات FinOps لضبط الإنفاق وتحسين استخدام الموارد. لكن الذكاء الاصطناعي يفرض متطلبات إضافية، لأن أنماط الاستهلاك فيه أكثر تقلباً وأقل قابلية للتوقع من البيئات السحابية التقليدية.
الخبراء يرون أن الأساليب القديمة في إدارة النفقات لا تكفي إذا كانت المؤسسة تتعامل مع طلبات LLM متغيرة، أو أعباء GPU متفاوتة، أو تدفقات عمل آلية تضم عدداً كبيراً من الوكلاء. هنا تصبح المتابعة الفورية والتحليل المستمر جزءاً من السيطرة على المخاطر المالية.
ومع التوسع السريع في الاستخدام، تزداد الحاجة إلى أدوات تمكّن المؤسسات من اكتشاف الشذوذ في الإنفاق مبكراً، وفهم أين تتسرب التكاليف، وإيقاف الحملات أو التجارب التي لا تحقق جدوى واضحة. وفي بيئات العمل الكبيرة، قد يكون هذا النوع من الرقابة الفارق بين تبنٍّ مستدام وتوسع مكلف.
ما الذي تعنيه الخطوة للمؤسسات؟
إضافة أدوات الإنفاق والتحليلات إلى ChatGPT Enterprise تشير إلى أن المنافسة في سوق الذكاء الاصطناعي المؤسسي لم تعد تقتصر على جودة النماذج فقط، بل تشمل أيضاً قابلية الإدارة والحوكمة والشفافية المالية. فالمؤسسات الكبيرة تبحث عن حلول يمكنها العمل داخل إطار مالي منضبط، وليس فقط تقديم نتائج ذكية.
ومع استمرار توسع الاستخدام، سيزداد الطلب على أدوات تربط بين الاستهلاك والأثر التجاري، بحيث لا تكتفي بعرض الأرقام بل تساعد في تفسيرها. وفي هذه المرحلة، تبدو القدرة على قياس القيمة الحقيقية للذكاء الاصطناعي أصعب بكثير من قياس عدد مرات استخدامه، لكنها الأهم لاتخاذ قرارات استثمارية سليمة.
بهذا المعنى، تمثل الإضافة الجديدة خطوة عملية نحو جعل الذكاء الاصطناعي أكثر قابلية للإدارة داخل الشركات، لكنها لا تحسم السؤال الأكبر: كيف يمكن تحويل الاستهلاك التقني إلى نتائج أعمال قابلة للقياس؟