Η απόλυση εργαζομένων λόγω της υιοθέτησης τεχνητής νοημοσύνης αποδεικνύεται οικονομικά μη βιώσιμη, καθώς είναι πιο ακριβή.

Σύντομη περίληψη της κατάστασης

Οι σύγχρονες εταιρείες ενθαρρύνουν ολοένα και πιο ενεργά τους υπαλλήλους τους να χρησιμοποιούν ΤΝ για την αύξηση της αποδοτικότητας. Ωστόσο, τα έξοδα αυτών των τεχνολογιών αυξάνονται γρηγορότερα από το οικονομικό τους όφελος, και πολλές εταιρείες αντιμετωπίζουν ήδη χρηματοπιστωτικές δυσκολίες.

1. Microsoft: μετάβαση από Claude Code σε GitHub Copilot CLI
- Τι συνέβη

- Σε εννέα μήνες η Microsoft εισήγαγε στον έργο της τον ΤΝ‑γραμματέα Anthropic Claude Code, ενθαρρύνοντας τους προγραμματιστές να πειραματιστούν με αυτόν.

- Τώρα η εταιρεία ακυρώνει τις περισσότερες εργασιακές άδειες για το Claude Code και μεταφέρει τους μηχανικούς στο δικό της εργαλείο GitHub Copilot CLI.

- Γιατί είναι σημαντικό

- Παρά την απόρριψη των αδειών, η Microsoft συνεχίζει να επενδύει στην Anthropic: $5 milliardos επενδύσεων και υποχρέωση αγοράς υπολογιστικών πόρων στο Azure ύψους $30 milliardos.

2. Uber: προϋπολογισμός «ροής» ΤΝ
- Κατάσταση

- Σε τέσσερα μήνες οι μηχανικοί της Uber εξαντλήθηκαν ολόκληρη την διαθέσιμη προϋπολογισμό για ΤΝ έως το 2026.

- Πριν από αυτό, η διοίκηση ενθάρρυνε την υιοθέτηση ΤΝ, ακόμη και δημιουργώντας βαθμολογίες τμημάτων με βάση τη χρήση τεχνολογιών.

- Συμπεράσματα

- Το κόστος εισαγωγής ΤΝ γίνεται σοβαρό εμπόδιο: ο αντιπρόεδρος της Nvidia για βαθιά μάθηση, Brian Catanzaro, ανέφερε ότι τα έξοδα υπολογιστικών πόρων υπερβαίνουν τους μισθούς των εργαζομένων.

3. Άλλοι μεγάλοι παίκτες
Εταιρεία Μέτρο κινήτρων Προβλήματα Meta ✴ Πίνακας ηγέτων «Claudeonomics» (σε τιμή Anthropic Claude) Αύξηση κόστους token με πληρωμή κατά κατανάλωση Amazon Συνιστώμενη «μέγιστη χρήση token ΤΝ» Αυξήσεις εξόδων υπολογισμών

4. Προβλέψεις και ανάλυση
- Goldman Sachs

- Μέχρι το 2030, η κατανάλωση token ΤΝ μπορεί να αυξηθεί κατά 24 φορές, φτάνοντας τα 120 quadrillion tokens ανά μήνα.

- Ακόμη και με πτώση της τιμής ενός token, οι συνολικές δαπάνες για ΤΝ θα συνεχίσουν να αυξάνονται.

- Gartner

- Η ανάπτυξη μοντέλων με τρισεκατομμυρίους παραμέτρους μέχρι το 2030 μπορεί να γίνει φθηνότερη κατά 90 % σε σύγκριση με το 2025.

- Ωστόσο, τα μοντέλα που διαχειρίζονται από ΤΝ‑επαγγελματίες καταναλώνουν περισσότερα tokens από τις τυπικές λύσεις, οπότε η μείωση του κόστους δεν αντισταθμίζει πάντα την αύξηση της δαπάνης.

5. Επιπτώσεις για το επιχειρείν
- Χρηματοπιστωτικός κίνδυνος – οι εταιρείες ενδέχεται να αντιμετωπίσουν απρόβλεπτες δαπάνες υπολογισμών, αν η κατανάλωση token υπερβαίνει την αναμενόμενη πτώση τιμών.

- Σχεδιασμός στρατηγικής ΤΝ – οι διευθυντές πρέπει να επανεξετάσουν τα προϋπολογιστικά και μοντέλα διανομής κέρδους για να αποφύγουν «χαμένες» επενδύσεις σε ΤΝ.

6. Συμπέρασμα
Η υιοθέτηση τεχνητής νοημοσύνης παραμένει προτεραιότητα για τις μεγάλες τεχνολογικές γιγάντες, αλλά τα αυξανόμενα έξοδα υπολογισμών και tokens δημιουργούν νέες προκλήσεις. Οι εταιρείες αναγκάζονται να ισορροπήσουν μεταξύ της επιθυμίας αύξησης της παραγωγικότητας των εργαζομένων και των πραγματικών χρηματοπιστωτικών περιορισμών.