در بسیاری از جلسه‌های بودجه، ردیف هوش مصنوعی پیش از آنکه مسئلهٔ مشخصی برای حل کردن انتخاب شده باشد عددی می‌گیرد. رقم بر پایهٔ قیاس با رقیب یا برآورد یک فروشنده تعیین می‌شود و سال بعد کسی نمی‌تواند بگوید آن مبلغ دقیقاً چه چیزی را بهتر کرد.

بودجهٔ هوش مصنوعی از یک نظر با بودجهٔ نرم‌افزار تفاوت بنیادی دارد. در نرم‌افزار سنتی، بخش عمدهٔ هزینه در خرید و پیاده‌سازی است و پس از آن فروکش می‌کند. اینجا هزینه پس از راه‌اندازی ادامه می‌یابد، چون داده کهنه می‌شود، مدل باید بازآموزی شود و فرآیند پیرامون آن به اصلاح مداوم نیاز دارد.

بودجه معمولاً کجا هدر می‌رود

الگوی تکرارشوندهٔ هدررفت ساده است: بخش بزرگی از مبلغ صرف لایسنس و زیرساخت می‌شود و آماده‌سازی داده به‌عنوان کاری جانبی به تیم موجود سپرده می‌شود. نتیجه آن است که ابزاری گران روی دادهٔ ناقص و ناسازگار کار می‌کند و خروجی‌اش قابل اتکا نیست؛ هزینه پرداخت شده اما ارزشی تولید نشده است. الگوی دوم، خرید ظرفیتی است که تنها در حالت اوج به کار می‌آید و بقیهٔ سال بی‌استفاده می‌ماند.

چهار سرفصل واقعی هزینه

• آماده‌سازی داده: گردآوری، پاک‌سازی، یکسان‌سازی و برچسب‌گذاری؛ در بیشتر پروژه‌ها سنگین‌ترین سرفصل و کم‌برآوردترین آنها.
• یکپارچه‌سازی: اتصال راهکار به سامانه‌های موجود مانند مالی، انبار یا ارتباط با مشتری، که معمولاً جداگانه دیده نمی‌شود.
• پردازش و لایسنس: هزینهٔ سرور، پردازندهٔ گرافیکی یا سرویس مدل؛ بخشی از تصویر است، نه همهٔ آن.
• نگهداری و بازآموزی: هزینهٔ جاری پس از راه‌اندازی برای پایش کیفیت خروجی و به‌روزرسانی مدل با دادهٔ تازه.

بودجهٔ مرحله‌ای به‌جای رقم سالانه

سازوکاری که ریسک را واقعاً مهار می‌کند، تخصیص مرحله‌ای است: مبلغی محدود برای اثبات ارزش و سپس مبلغ بزرگ‌تر تنها در صورت رسیدن به شاخصی که از پیش توافق شده است. اهمیت این روش در آن است که توقف را به تصمیمی آبرومندانه تبدیل می‌کند. وقتی کل بودجه یکجا تعهد شود، ادامه دادن یک پروژهٔ بی‌نتیجه در نگاه سازمان ارزان‌تر از پذیرفتن اشتباه جلوه می‌کند و هزینهٔ هدررفته دقیقاً همین‌جا انباشته می‌شود.

چرا برای کسب‌وکارهای ایرانی حیاتی‌تر است

در ایران دو عامل خطای بودجه‌بندی را گران‌تر می‌کند. نخست، نوسان نرخ ارز که برآورد هزینهٔ سخت‌افزار و سرویس‌های بیرونی را در بازهٔ چندماهه بی‌اعتبار می‌کند؛ بنابراین تعهد بلندمدت ارزی ریسکی مضاعف دارد. دوم، محدودیت دسترسی به برخی سرویس‌های ابری که ممکن است در میانهٔ پروژه تغییر کند. هر دو به یک نتیجه می‌رسند: بودجه باید کوتاه‌گام، قابل بازنگری و تا حد ممکن متکی بر زیرساخت در دسترس باشد.

مسیر سه‌ماههٔ تخصیص

• ماه اول: یک فرآیند پرتکرار با هزینهٔ قابل اندازه‌گیری انتخاب کنید و هزینهٔ فعلی آن را به تفکیک نیروی انسانی، خطا و دوباره‌کاری برآورد کنید. بدون این عدد پایه، هیچ محاسبهٔ بازگشتی معنا ندارد.
• ماه دوم: سقف مشخصی برای نمونهٔ اولیه تعیین کنید و بخش عمدهٔ آن را به آماده‌سازی داده اختصاص دهید. شاخص توقف را هم‌زمان و پیش از شروع بنویسید.
• ماه سوم: نتیجه را با هزینهٔ پایه مقایسه کنید. اگر فاصله تا نقطهٔ سربه‌سر در افقی معقول است، مرحلهٔ بعد را تأمین کنید؛ در غیر این صورت پروژه را متوقف کنید یا دامنه را تغییر دهید.

خطاهای پرهزینه در بودجه‌بندی

• ندیدن هزینهٔ نگهداری در محاسبهٔ اولیه؛ پروژه‌ای که در سال نخست توجیه دارد ممکن است در سال دوم زیان‌ده شود.
• محاسبهٔ بازگشت سرمایه بر پایهٔ صرفه‌جویی فرضی نیروی انسانی، بی‌آنکه واقعاً تغییری در ساختار هزینه رخ دهد.
• تخصیص بودجه به چند پروژهٔ کوچک هم‌زمان؛ منابع پخش می‌شود و هیچ‌کدام به آستانهٔ نتیجه نمی‌رسد.
• نادیده گرفتن هزینهٔ وقت کارکنانی که باید داده را آماده و خروجی را بازبینی کنند؛ این هزینه واقعی است حتی اگر در هیچ فاکتوری نیاید.

چگونه بازگشت را بسنجیم

یک شاخص هزینه‌ای انتخاب کنید که پیش از پروژه هم قابل اندازه‌گیری باشد؛ مثلاً هزینه به ازای هر پرونده، زمان چرخهٔ یک فرآیند یا نرخ دوباره‌کاری. سپس نقطهٔ سربه‌سر را روی تقویم مشخص کنید: از چه ماهی صرفه‌جویی انباشته از هزینهٔ انباشته پیشی می‌گیرد. اگر پاسخ این پرسش روشن نیست، پروژه هنوز آمادهٔ دریافت بودجه نیست.

پرسش‌های پرتکرار

• چه سهمی از بودجه باید به داده برسد؟
  عدد ثابتی وجود ندارد، اما اگر سهم آماده‌سازی داده کمتر از سهم لایسنس باشد، برآورد به احتمال زیاد خوش‌بینانه است.
• خرید سرویس آماده یا توسعهٔ داخلی؟
  برای کاربردهای عمومی، سرویس آماده سریع‌تر و ارزان‌تر است؛ آنجا که مزیت رقابتی شما در خود آن فرآیند نهفته است، توسعهٔ داخلی توجیه پیدا می‌کند.
• اگر بودجه بسیار محدود باشد چه؟
  دامنه را کوچک‌تر کنید، نه کیفیت داده را؛ یک فرآیند باریک با دادهٔ تمیز از یک پروژهٔ گسترده با دادهٔ آشفته نتیجهٔ بیشتری می‌دهد.

جمع‌بندی

بودجهٔ هوش مصنوعی وقتی اثر می‌گذارد که به‌جای یک ردیف سالانه، به زنجیره‌ای از تصمیم‌های کوچک با شاخص توقف روشن تبدیل شود. عدد پایه را بسازید، سهم داده را جدی بگیرید و پرداخت هر مرحله را به نتیجهٔ مرحلهٔ پیش گره بزنید.

واژه‌نامه

• هزینهٔ کل مالکیت: مجموع هزینهٔ خرید، پیاده‌سازی و نگهداری یک راهکار در طول عمر مفید آن.
• نقطهٔ سربه‌سر: زمانی که صرفه‌جویی یا درآمد انباشته با هزینهٔ انباشته برابر می‌شود.
• هزینهٔ هدررفته: مبلغ خرج‌شده‌ای که بازنمی‌گردد و نباید در تصمیم ادامه یا توقف اثر بگذارد.
• بودجهٔ مرحله‌ای: تأمین مالی گام‌به‌گام که هر مرحله مشروط به تحقق نتیجهٔ مرحلهٔ پیش است.
• آماده‌سازی داده: پاک‌سازی، یکسان‌سازی و برچسب‌گذاری داده پیش از استفاده در مدل.
• بازآموزی مدل: به‌روزرسانی دوره‌ای مدل با دادهٔ تازه تا دقت آن با تغییر شرایط افت نکند.
• نمونهٔ اولیه: نسخهٔ کوچک و کم‌هزینه برای اثبات ارزش پیش از سرمایه‌گذاری اصلی.

اقدام این هفته

این هفته، یک فرآیند پرتکرار در سازمان خود را که هزینه‌های قابل اندازه‌گیری دارد (مانند پاسخگویی به مشتری، پردازش سفارش یا کنترل کیفیت) انتخاب کنید و هزینه فعلی آن را به تفکیک نیروی انسانی، خطا و دوباره‌کاری برآورد کنید. این عدد پایه، مبنای محاسبه بازگشت سرمایه در ماه‌های آینده خواهد بود. سپس، یک سند کوتاه شامل این برآورد، دامنه پروژه و شاخص توقف (معیاری که بر اساس آن تصمیم به ادامه یا توقف می‌گیرید) تهیه کنید و آن را برای تأیید به ذی‌نفعان کلیدی ارائه دهید. این سند، پیش‌نیاز هرگونه تخصیص بودجه مرحله‌ای در ماه آینده است.

منابع

• چگونه برای پروژه‌های هوش مصنوعی بودجه‌بندی کنیم؟ (هاروارد بیزینس ریویو)
• وضعیت هوش مصنوعی در ۲۰۲۳: سال جهش هوش مصنوعی مولد (مک‌کینزی)
• بهترین روش‌های بودجه‌بندی هوش مصنوعی (گارتنر)
• هزینه واقعی پروژه‌های هوش مصنوعی: آنچه باید بدانید (فوربس)