ខណៈពេលដែលក្រុមហ៊ុនបច្ចេកវិទ្យាធំៗដូចជា Microsoft, Google និង Anthropic ស្វែងរកការរកប្រាក់ចំណេញពីការវិនិយោគដ៏ធំរបស់ពួកគេទៅលើគំរូភាសាខ្នាតធំ (LLMs) ក្រុមហ៊ុននានាដែលកំពុងដាក់បញ្ចូលឧបករណ៍ទាំងនេះទៅក្នុងផលិតផលផ្ទាល់ខ្លួនរបស់ពួកគេ កំពុងប្រឈមមុខនឹងឧបសគ្គផ្នែកហិរញ្ញវត្ថុដ៏សំខាន់មួយ៖ ការលំបាកក្នុងការប៉ាន់ប្រមាណថ្លៃដើមនៃ AI។ មិនដូចកម្មវិធីកុំព្យូទ័រទូទៅទេ សេវាកម្ម AI ពឹងផ្អែកលើ "ថូខឹន" (tokens) ដែលជាបំណែកទិន្នន័យគណិតវិទ្យាដែលប្រើដើម្បីដំណើរការសំណួរ និងបង្កើតការឆ្លើយតប ដែលមានបរិមាណប្រែប្រួលទៅតាមភាពស្មុគស្មាញ និងលក្ខណៈនៃកិច្ចការនោះ។
ភាពមិនអាចទាយទុកជាមុនបាននៃថ្លៃដើមទាំងនេះ កើតចេញពីលក្ខណៈមិនកំណត់នៃលទ្ធផល AI។ ដោយសារសំណួរដូចគ្នានៅតែអាចផ្តល់លទ្ធផលខុសៗគ្នា និងការប្រើប្រាស់ថូខឹនខុសៗគ្នា អាជីវកម្មនានាជារឿយៗជួបការលំបាកក្នុងការព្យាករណ៍ការចំណាយ។ បញ្ហានេះត្រូវបានធ្វើឱ្យកាន់តែធ្ងន់ធ្ងរឡើងដោយការកើនឡើងនៃ "ភ្នាក់ងារ AI" (agentic AI) ដែលជាកន្លែងដែលភ្នាក់ងារស្វ័យភាពជាច្រើនធ្វើអន្តរកម្មដើម្បីបំពេញកិច្ចការ ដែលនាំឱ្យមានការកើនឡើងនៃការប្រើប្រាស់ថូខឹន។ Goldman Sachs ព្យាករណ៍ថាការប្រើប្រាស់ថូខឹនពីខាងក្រៅនឹងកើនឡើង ២៤ ដងនៅចន្លោះឆ្នាំ ២០២៦ និង ២០៣០ ដោយឈានដល់ ១២០ ក្វាដ្រីលានថូខឹនក្នុងមួយខែ។
ភាពប្រែប្រួលនេះបានជះឥទ្ធិពលដល់សាជីវកម្មធំៗរួចទៅហើយ។ សេចក្តីរាយការណ៍បានបង្ហាញថា Uber បានប្រើប្រាស់ថវិកាសម្រាប់សរសេរកូដ AI ប្រចាំឆ្នាំរបស់ខ្លួនអស់ក្នុងរយៈពេលត្រឹមតែប៉ុន្មានខែប៉ុណ្ណោះ ខណៈដែល Microsoft ត្រូវបានគេរាយការណ៍ថាបានដាក់កម្រិតការចូលប្រើប្រាស់ឧបករណ៍សរសេរកូដរបស់ភាគីទីបីមួយចំនួនរបស់វិស្វករខ្លួន ដើម្បីគ្រប់គ្រងការចំណាយ។ Will Venters ដែលជាសាស្ត្រាចារ្យរងនៅសាលាសេដ្ឋកិច្ចទីក្រុងឡុងដ៍ (London School of Economics) បានកត់សម្គាល់ថា ក្រុមហ៊ុននានាកំពុងជួបការលំបាកក្នុងការគ្រប់គ្រងការចំណាយទាំងនេះ ដោយសារតែ "វាជាលទ្ធផលមិនកំណត់ ដូច្នេះវាជាតម្លៃមិនកំណត់"។
ដើម្បីកាត់បន្ថយហានិភ័យទាំងនេះ អង្គការមួយចំនួនកំពុងព្យាយាមប្រើប្រាស់គណនីផ្ទាល់ខ្លួនដែលមានតម្លៃថេរ ទោះបីជាអ្នកជំនាញក្នុងឧស្សាហកម្មព្រមានថា អ្នកលក់ AI ធំៗទំនងជានឹងផ្លាស់ប្តូរទៅរកការដាក់កម្រិតលើការអនុវត្តនេះ នៅពេលដែលពួកគេប្រឈមនឹងសម្ពាធពីម្ចាស់ភាគហ៊ុនដើម្បីបង្កើនប្រាក់ចំណេញក៏ដោយ។ អ្នកផ្សេងទៀតកំពុងផ្តោតលើការដាក់សំណួរឱ្យកាន់តែច្បាស់លាស់ ឬការជ្រើសរើសដោយប្រុងប្រយ័ត្នថាតើគំរូមួយណាដែលត្រូវដាក់ឱ្យប្រើប្រាស់សម្រាប់កិច្ចការជាក់លាក់។ ទោះបីជាមានការខិតខំប្រឹងប្រែងទាំងនេះក៏ដោយ ក៏ក្រុមហ៊ុនដូចជា Sumo Logic នៅតែជួបការលំបាកក្នុងការផ្ទេរថ្លៃដើមដែលប្រែប្រួលទាំងនេះទៅឱ្យអតិថិជន ដោយមិនធ្វើឱ្យពួកគេមិនពេញចិត្តនឹងការកំណត់តម្លៃដែលមិនអាចទាយទុកជាមុនបាន។
"គ្មាននរណាម្នាក់ពិតជាបានរកឃើញដំណោះស្រាយនោះទេ" នេះបើតាមសម្តីរបស់ Bill Peterson នាយកជាន់ខ្ពស់ផ្នែកទីផ្សារផលិតផលនៅ Sumo Logic ទាក់ទងនឹងការស្វែងរកគំរូនៃការគិតថ្លៃដែលអាចអនុវត្តបាន។ នៅពេលដែលឧស្សាហកម្មនេះវិវត្តទៅមុខ អាជីវកម្មនានានៅតែជាប់គាំងរវាងតម្លៃសក្តានុពលនៃប្រសិទ្ធភាពដែលជំរុញដោយ AI និងបញ្ហាប្រឈមនៃការរៀបចំថវិកាសម្រាប់បច្ចេកវិទ្យាដែលផ្លាស់ប្តូររចនាសម្ព័ន្ធថ្លៃដើមរបស់ខ្លួនរៀងរាល់ពីរបីខែម្តង។
ប្រភព៖ BBC News
មិនទាន់មានមតិយោបល់នៅឡើយទេ។ សូមធ្វើជាអ្នកដំបូងដែលចែករំលែកគំនិតរបស់អ្នក។