تسارعت خطط الشركات لتوسيع استخدام الذكاء الاصطناعي، مع ارتفاع الميزانيات واتساع نطاق التجارب من خدمة العملاء إلى البرمجة والتحليلات. لكن هذا التوسع يضع فرق الإدارة المالية أمام سؤال يبدو بسيطاً في ظاهره، وصعباً في جوهره: أي مبادرة من هذه المبادرات تحقق أرباحاً فعلية، وأيها يستهلك المال من دون مردود واضح؟
الإجابة لا تتعثر بسبب غياب أرقام التكلفة بالكامل، بل لأن الأرقام المتاحة عادة لا تحمل السياق المطلوب. فالفواتير الصادرة عن مزودي نماذج الذكاء الاصطناعي تظهر الاستهلاك بعدد الرموز أو الحصص أو الاستدعاءات، لكنها لا تقول من استدعى النموذج، ولا أي عميل أو ميزة أو رحلة استخدام ولّدت هذه الكلفة، ولا ما إذا كانت النتيجة النهائية تستحق هذا الإنفاق.
هذا الفارق يضع الذكاء الاصطناعي في فئة مختلفة عن الحوسبة السحابية التقليدية. ففي السحابة، اعتادت فرق FinOps على ربط التكلفة بالحسابات والمناطق والموارد والعلامات التعريفية، ثم مزج هذه البيانات مع معلومات المنتج والعملاء للحصول على صورة أوضح عن الوحدة الاقتصادية لكل خدمة. أما في الذكاء الاصطناعي، فالمشكلة أعمق لأن جزءاً أساسياً من البيانات لا يأتي من مزود الخدمة أصلاً، بل يجب تسجيله داخل التطبيق نفسه قبل مغادرة الطلب للنظام الداخلي.
لماذا لا تكفي الفاتورة وحدها
تتعامل شركات الذكاء الاصطناعي مع الاستهلاك على مستوى يختلف من مزود لآخر، ما يجعل التوحيد في طبقة البيانات أمراً ضرورياً لكنه غير كافٍ. قد تظهر التكلفة في فاتورة واحدة بحسب النموذج المستخدم، بينما تظهر في فاتورة أخرى بحسب واجهة برمجة التطبيقات أو خادم الاستدلال أو بيئة التدريب. وإذا أضيفت تكاليف البنية التحتية مثل وحدات المعالجة الرسومية وقواعد البيانات المتجهية وأدوات التخزين، تصبح الصورة أكثر تشتتاً.
ورغم أن تجميع هذه البيانات في مخطط موحّد يساعد على معرفة إجمالي الإنفاق، فإنه لا يجيب عن السؤال الأهم: ماذا أنتج هذا الإنفاق؟ هنا يتضح أن الإدارة لا تحتاج فقط إلى معرفة السعر، بل إلى معرفة العلاقة بين السعر والعميل والميزة والنتيجة التجارية.
المزودون أنفسهم لا يصممون أنظمة الفوترة بهدف القياس المالي الداخلي للمؤسسات. دورهم الأساسي هو احتساب الاستخدام وبيعه، لا تفسيره وفق وحدة القيمة الخاصة بكل شركة. لذلك، فإن انتظار أن توفر الفواتير الجاهزة صورة دقيقة عن العائد على الاستثمار في الذكاء الاصطناعي ليس خياراً عملياً.
البيانات الثلاثة المطلوبة لقياس العائد
للوصول إلى قياس موثوق، تحتاج الشركات إلى دمج ثلاثة مصادر رئيسية في نموذج واحد:
- بيانات التكلفة: وتشمل فواتير مزودي النماذج، وتكاليف التشغيل على السحابة، ونفقات البنية التحتية المساندة، مع توحيد الصيغ المختلفة بين مزود وآخر.
- القياسات التطبيقية: وهي الطبقة الأهم غالباً، لأنها تسجل كل استدعاء للنموذج داخل التطبيق مع هوية الجلسة أو العميل، والميزة التي أطلقت الطلب، والخطوات التي مر بها المسار، وعمليات الإعادة أو التراجع، وأسباب اختيار نموذج بعينه، والنتيجة التي خرج بها الطلب.
- بيانات الأعمال: مثل الإيرادات، وتقسيمات العملاء، وهيكل المنتجات، واستخدام الميزات، وهي البيانات التي تسمح بربط الإنفاق بنتائج مالية وتجارية قابلة للقياس.
عندما تندمج هذه المصادر، يمكن للشركة احتساب مؤشرات لم تكن متاحة من قبل، مثل تكلفة التفاعل الواحد مع العميل، وهوامش الربح لكل ميزة، وربحية مسارات العمل التي تعتمد على الوكلاء الذكيين، والعائد من اختيار نموذج بدلاً من آخر. هذه المؤشرات لا تظهر من الفاتورة وحدها، ولا من التتبع التقني وحده، بل من الربط المنهجي بينهما.
الذكاء الاصطناعي الوكلي يضاعف الحاجة إلى التتبع
المعالجة الأحادية البسيطة ما زالت قابلة للفهم: طلب واحد يدخل إلى النموذج، وتكلفة واحدة تخرج، ثم يمكن ربطها بنتيجة معروفة. لكن الذكاء الاصطناعي الوكلي يغير المعادلة بالكامل. فالوكيل قد يقسم المهمة إلى عشرات الخطوات، ويستدعي أكثر من نموذج، ويعيد المحاولة عند الفشل، أو يلجأ إلى أدوات خارجية تستهلك بدورها موارد إضافية.
في هذه الحالة، لا يعود من الممكن التعامل مع التكلفة كرقم نهائي يظهر بعد أسابيع في الفاتورة. فبحلول ذلك الوقت يكون النظام قد عمل فعلاً على نطاق واسع، وقد تكون الشركة قد بنت تدفقات كاملة فوق مسارات غير مربحة. وكلما زاد الاعتماد على الوكلاء، اتسعت الفجوة بين ما يحدث فعلاً داخل التطبيق وما يظهر في تقارير الفوترة المتأخرة.
لهذا السبب، يصبح تسجيل الأحداث على مستوى كل خطوة داخل الوكيل مسألة تشغيلية وليست فقط مسألة تحليلات. من دون هذه الطبقة، لن يعرف الفريق أي خطوة تولد قيمة، وأي خطوة تستهلك المال فقط، وأي حل بديل يقدم النتيجة نفسها بتكلفة أقل.
مخاطر بناء نظام القياس داخلياً
قد يبدو بناء منصة داخلية لقياس عائد الذكاء الاصطناعي مشروعاً ممكناً، خصوصاً مع انتشار أدوات التطوير التي تقلص زمن بناء النماذج الأولية. إلا أن هذا الانطباع قد يكون مضللاً. فالتعقيد الحقيقي لا يكمن في كتابة بضع وظائف برمجية، بل في تشغيل نظام دائم يتعامل مع ملايين الأحداث، ويواكب تغير صيغ الفوترة، ويصمد أمام دخول مزودين جدد، ويمنع انقطاع الترابط بين البيانات عندما تتبدل واجهات البرمجة.
هذا النوع من البنية لا يُبنى مرة واحدة ثم يُنسى. إنه يحتاج إلى صيانة مستمرة، وإلى مراقبة دقيقة لجودة البيانات، وإلى تحديثات متواصلة كلما تغير نموذج أو خدمة أو مسار عمل. والأخطر من ذلك أن أي خلل في القياس قد يؤدي إلى قرارات تخصيص رأس المال بشكل خاطئ، وهو ما يعني أن الخطأ التقني يتحول سريعاً إلى خطأ مالي مباشر.
لذلك، لم يعد السؤال الصحيح هو ما إذا كانت المؤسسة قادرة على بناء هذه المنظومة، بل ما إذا كان أفضل استخدام لوقت مهندسيها الكبار هو ربط البيانات وتوحيدها، أم تطوير المنتجات نفسها التي يفترض أن تولد القيمة محل القياس.
ما الذي يتغير عندما تصبح الصورة كاملة
عندما تُربط التكلفة بالتتبع التقني وببيانات الأعمال، يتغير النقاش داخل المؤسسة جذرياً. لم تعد كل المبادرات تبدو متساوية لأنها تحقق معدلات استخدام متقاربة، بل تظهر الفوارق الحقيقية بينها من حيث التكلفة لكل نتيجة. وقد يتبين أن طريقتين تؤديان الوظيفة نفسها، لكن إحداهما أغلى بعشرة أضعاف من الأخرى.
هذا النوع من الرؤية ينعكس على قرارات المنتج والهندسة والقيادة التنفيذية. فرق المنتج تبدأ التفكير في الهامش الربحي منذ مرحلة التصميم، وفرق الهندسة تختار بنية النماذج بناءً على كلفة النتيجة لا على الانطباع فقط، بينما تتعامل الإدارة العليا مع الذكاء الاصطناعي باعتباره بنداً استثمارياً يحتاج إلى عائد واضح، لا مجرد مؤشر على التبني أو النشاط.
والنتيجة النهائية ليست فقط خفض التكاليف، بل تحسين جودة القرار. فحين تصبح الشركة قادرة على معرفة الميزة الأكثر ربحية، أو مسار الوكيل الأكثر كفاءة، أو النموذج الأكثر جدوى، فإنها تتحول من إدارة الذكاء الاصطناعي على أساس الحدس إلى إدارته على أساس اقتصاد الوحدة.
خلاصة عملية للمرحلة المقبلة
السباق على الذكاء الاصطناعي لن يُحسم بمدى سرعة الشركات في نشر النماذج فقط، بل بمدى قدرتها على فهم ما تستهلكه هذه النماذج وما تنتجه في المقابل. الفاتورة وحدها لا تكفي، والتتبع وحده لا يكفي، وبيانات الأعمال وحدها لا تكفي. القيمة الحقيقية تظهر فقط عندما تلتقي المصادر الثلاثة في نموذج واحد يمكن الاعتماد عليه في قرارات الإنفاق والتوسع والإيقاف.
وفي سوق تتحرك فيه التكاليف بسرعة، وتتعقد فيه الأنظمة مع صعود الذكاء الاصطناعي الوكلي، يصبح القياس نفسه جزءاً من البنية التحتية الحيوية. الشركات التي تنجح في بناء هذه الرؤية ستكون أقدر على تحويل الذكاء الاصطناعي من مركز تكلفة غامض إلى محرك قيمة قابل للإدارة والقياس.