تحلیل · اقتصاد محصولات هوش مصنوعی

هزینه هوش مصنوعی به‌ازای هر نتیجه تأییدشده

قیمت هر بار استفاده از مدل مهم است؛ اما هزینه رسیدن به نتیجه‌ای مفید در کل فرایند کاری اهمیت بیشتری دارد.

نوشته احمدرضا صمدی · ۲۴ سپتامبر ۲۰۲۶ · به‌روزرسانی ۱۰ اکتبر ۲۰۲۶ · نسخه انگلیسی مقاله

وقتی ارائه‌دهنده‌ای قیمت مدل هوش مصنوعی خود را کاهش می‌دهد، تیم‌ها می‌توانند ایده‌های بیشتری را آزمایش کنند. بااین‌حال، ارزان‌تر شدن یک فراخوانی مدل لزوماً هزینه اجرای محصول را پایین نمی‌آورد. ممکن است فرایند به فراخوانی‌های تکراری، ابزارهای دیگر و بازبینی خروجی به دست انسان نیاز داشته باشد.

در سپتامبر ۲۰۲۶ چه تغییری رخ داد؟

در ۲۲ سپتامبر، OpenAI اعلام کرد که قیمت API مدل‌های GPT-6 Sol و Luna نسبت به قیمت‌های تبلیغاتی GPT-5.6 پنجاه درصد کمتر است. Anthropic نیز اعلام کرد که قیمت Claude Opus 5.5 کاهش یافته و هزینه کارهای معمول مبتنی بر توکن، طبق برآورد این شرکت، حدود چهل درصد کمتر از Opus 5 است. مبنای مقایسه این دو شرکت یکسان نیست؛ پس این درصدها مقایسه مستقیم مدل‌هایشان با یکدیگر نیست.

برای یک کسب‌وکار، فرصت اصلی این است که کارهایی را که پیش‌تر بیش از حد پرهزینه بودند دوباره آزمایش کند. تصمیم نهایی همچنان به کیفیت، میزان بازبینی لازم و هزینه کل فرایند بستگی دارد.

هزینه هر نتیجه تأییدشده را چگونه محاسبه می‌کنیم؟

من با یک معیار ساده شروع می‌کنم:

هزینه هر نتیجه تأییدشده = هزینه کل فرایند کاری ÷ تعداد نتایجی که از بازبینی می‌گذرند.

صورت کسر شامل توکن‌های ورودی و خروجی مدل، زمینه ذخیره‌شده، فراخوانی ابزارها، تلاش‌های دوباره، اجراهای ناموفق و زمان بازبینی انسانی است. مخرج کسر، خروجی‌هایی را می‌شمارد که معیار ازپیش‌تعریف‌شده همان کار را برآورده می‌کنند. حتی با قیمت پایین هر درخواست، اگر درخواست‌های زیادی شکست بخورند یا اصلاح گسترده لازم باشد، نتیجه نهایی می‌تواند پرهزینه باشد.

این یک چارچوب سنجش است، نه معیاری جهانی. هر تیم باید تعریف کند «تأییدشده» برای کار خودش چه معنایی دارد و فرض‌های هر مقایسه هزینه را ثبت کند.

یک فرایند پژوهش درباره ملک را چگونه می‌توان آزمایش کرد؟

فرض کنید می‌خواهید ابزاری را آزمایش کنید که سوابق املاک را برای بررسی بیشتر مشخص می‌کند. با مجموعه‌ای از سوابق که انسان‌ها برچسب‌گذاری کرده‌اند شروع کنید. از سیستم بخواهید موارد احتمالی را همراه با شواهدشان نشان دهد. سپس بازبین هر پیشنهاد را بپذیرد یا رد کند و دقت، بازیابی، هزینه کل و زمان رسیدن به تصمیم را اندازه بگیرید.

این یک آزمایش پیشنهادی است، نه توصیف یکی از قابلیت‌های Appraiva یا گزارشی از نتیجه عملکرد آن شرکت. مثال نشان می‌دهد که اگر مدل ارزان‌تر موارد نادرست بیشتری را برای بازبینی بفرستد، هزینه هر مورد پذیرفته‌شده ممکن است بیشتر شود.

در این آزمایش پیشنهادی، ابتدا چه چیزی را بررسی می‌کردم؟

• یک کار تکراری انتخاب کنید و فرایند فعلی انجام آن به دست انسان را بنویسید.
• پیش از آزمایش هوش مصنوعی، معیار روشن پذیرش نتیجه را تعریف کنید.
• هزینه مدل، ابزار، تلاش دوباره و بازبینی را برای هر بار اجرا ثبت کنید.
• نتایج پذیرفته‌شده و زمان رسیدن به تصمیم را با فرایند فعلی مقایسه کنید.

پرسش مفید این است که آیا این فرایند به فرد کمک می‌کند با هزینه‌ای منطقی به تصمیمی قابل اتکا برسد. قیمت پایین‌تر مدل اجرای آزمایش را آسان‌تر می‌کند، اما به‌تنهایی پاسخ این پرسش نیست.

ادامه بحث

تازه: اینکه مدل تصمیم‌گیری مانند Jev چگونه هزینه هر تصمیم پذیرفته‌شده را تغییر می‌دهد و پیش از دادن دسترسی اپ‌ها به دستیار هوش مصنوعی چه چیزهایی را باید بررسی کرد.

همین ایده را در یک سند هشت‌صفحه‌ای در LinkedIn برای تیم‌های محصول و مهندسی و یک پست چنداسلایدی ساده در Instagram توضیح داده‌ام. برای رویکرد کلی‌تر به طراحی محصول، مقاله «از تصمیم شروع کنید» را بخوانید یا از راهنمای تعاملی فارسی استفاده کنید.