Καθώς η υιοθέτηση της Τεχνητής Νοημοσύνης επιταχύνεται στις επιχειρήσεις, το ερώτημα αν οι εταιρείες αρχίζουν να δαπανούν περισσότερα χρήματα για AI από ό,τι για ανθρώπινο δυναμικό γίνεται ολοένα και πιο επίκαιρο.
Σύμφωνα με νέα στοιχεία από το Ramp AI Index, το οποίο παρακολουθεί τον ρυθμό υιοθέτησης της Τεχνητής Νοημοσύνης στις αμερικανικές επιχειρήσεις, η απάντηση είναι προς το παρόν αρνητική. Ωστόσο, οι δαπάνες αυξάνονται με ταχύ ρυθμό, ιδιαίτερα μεταξύ των πιο ενεργών χρηστών AI.
Οι εταιρείες που ανήκουν στο κορυφαίο 1% ως προς τη χρήση τεχνητής νοημοσύνης — τις οποίες η Ramp χαρακτηρίζει ως «AI-pilled» — δαπανούν κατά μέσο όρο 7.500 δολάρια ανά εργαζόμενο κάθε μήνα για υπηρεσίες και υποδομές AI. Παρότι το ποσό είναι ιδιαίτερα υψηλό, εξακολουθεί να υπολείπεται του μέσου μηνιαίου κόστους ενός μηχανικού λογισμικού, το οποίο εκτιμάται στα περίπου 16.000 δολάρια.
Η εικόνα διαφοροποιείται σημαντικά στο υπόλοιπο επιχειρηματικό φάσμα. Το κορυφαίο 10% των εταιρειών δαπανά περίπου 611 δολάρια ανά εργαζόμενο τον μήνα, ενώ η διάμεση επιχείρηση ξοδεύει μόλις 11,38 δολάρια ανά εργαζόμενο, ποσό που αντιστοιχεί περίπου στο κόστος μιας εταιρικής συνδρομής χρήστη.
Τα στοιχεία έρχονται σε μια περίοδο όπου στελέχη της τεχνολογικής βιομηχανίας επισημαίνουν τη ραγδαία αύξηση του κόστους υπολογιστικής ισχύος και χρήσης μοντέλων AI. Πρόσφατα, στέλεχος της Nvidia ανέφερε ότι το κόστος υπολογιστικών πόρων έχει πλέον ξεπεράσει τις μισθολογικές δαπάνες των εργαζομένων του, ενώ ο CEO της Mercor δήλωσε ότι η εταιρεία δαπανά περισσότερα χρήματα για tokens που χρησιμοποιούν εσωτερικοί AI agents από ό,τι για το ανθρώπινο δυναμικό της.
Παρά τις πιέσεις στα κόστη, οι δαπάνες για AI συνεχίζουν να αυξάνονται. Στην κατηγορία των «AI-pilled» εταιρειών, η δαπάνη ανά εργαζόμενο αυξήθηκε κατά 14,1% τον τελευταίο μήνα. Παραμένει ωστόσο ασαφές εάν η τάση αυτή θα διατηρηθεί μακροπρόθεσμα.
Σύμφωνα με τα στοιχεία της Ramp, οι εταιρείες που επενδύουν περισσότερο στην Τεχνητή Νοημοσύνη τείνουν να χρησιμοποιούν πολλαπλά μοντέλα και πλατφόρμες ταυτόχρονα, επιλέγοντας συχνά συνδυασμούς κορυφαίων εμπορικών μοντέλων αλλά και φθηνότερων open source εναλλακτικών, προκειμένου να βελτιστοποιήσουν το κόστος και τις επιδόσεις των εφαρμογών τους.
