بودجه‌بندی هزینه‌ی هوش مصنوعی؛ روش همگرایی به مرز
بودجه‌بندی هزینه‌ی هوش مصنوعی به یکی از پرسش‌های تازه‌ی برنامه‌ریزی سالانه تبدیل شده است. شرکت‌ها برای کارکنانشان اشتراک چند ابزار و چند مدل زبانی می‌خرند و روی آن مصرف توکن هم می‌پردازند. بیشتر شرکت‌ها حالا هم‌زمان دست‌کم دو ابزار و دو فروشنده‌ی مدل دارند. این نوشته نشان می‌دهد چطور این هزینه را تحلیل و برای سال بعد بودجه کنیم.
تفاوت هزینه‌ی هوش مصنوعی داخلی با هزینه‌ی محصول
هزینه‌ی هوش مصنوعی دو نوع است. نوع اول توکن‌هایی است که محصول شما مصرف می‌کند و در نهایت به مشتری فروخته می‌شود؛ جای آن در بهای تمام‌شده است. نوع دوم مصرف داخلی کارکنان است: اشتراک ابزارهای گفت‌وگو و کدنویسی برای هر نفر، به‌علاوه‌ی مصرف اضافه. این نوشته درباره‌ی نوع دوم است.
گزارش‌هایی که مصرف را بر اساس کلید دسترسی یا مدل گروه‌بندی می‌کنند برای هزینه‌ی محصول عالی‌اند، اما نمی‌دانند هر دلار را چه کسی در کدام واحد خرج کرده است. برای بودجه‌ی داخلی به سه فایل نیاز دارید:
- گزارش هزینه به تفکیک کاربر برای سه ماه اخیر، تا روند دیده شود. هم هزینه‌ی خالص (پس از تخفیف مذاکره‌شده) و هم ناخالص (قیمت فهرست) را نگه دارید.
- فهرست کارکنان با واحد، نقش، سطح و در صورت تمایل حقوق.
- فهرست اشتراک‌ها که هزینه‌ی ثابت هر نفر را نشان می‌دهد، چون بسیاری از این ابزارها ترکیبی‌اند: اشتراک ثابت به‌علاوه‌ی مصرف متغیر.
این سه را با نشانی ایمیل به هم وصل کنید. حالا هر دلار هزینه یک نام و یک واحد دارد.
سرانه را ببینید، نه جمع کل
جمع کل احتمالاً می‌گوید بزرگ‌ترین مصرف‌کننده واحد مهندسی است، که از قبل می‌دانستید. هزینه‌ی سرانه اما شاید نشان دهد واحد مالی خیلی بیشتر از انتظار مصرف می‌کند. وقتی داده را به تفکیک فرد ببینید، معمولاً این الگوها ظاهر می‌شوند:
- اشتراک‌هایی که کسی از آن‌ها استفاده نمی‌کند؛
- بیشتر هزینه روی گران‌ترین مدل؛
- میانگینی که هیچ‌کس را توصیف نمی‌کند؛
- حدود ده نفر که یک‌سوم کل هزینه را می‌سازند؛
- سقفی که مصرف کاربران سنگین در آن تخت می‌شود.
همین سقف، کلید بودجه است. اگر مصرف پرمصرف‌ترین‌ها ماه‌به‌ماه رشد انفجاری ندارد و در سطحی ثابت می‌شود، آن سطح را می‌توان «مرز» استفاده‌ی خوب از ابزار دانست.
یک اصل ذهنی هم لازم است: هزینه‌ی هوش مصنوعی خودبه‌خود تمدید نمی‌شود. هر سال باید از صفر با هر دلار دیگر رقابت کند؛ این دلار می‌تواند صرف استخدام، ابزار دیگر یا توکن شود و باید بازده بهتری نشان دهد. این همان روحیه‌ی بودجه‌بندی صفرمبنا و محرک‌محور است.
سه روش بودجه‌بندی هزینه‌ی هوش مصنوعی
روش اول: سرانه
کل هزینه تقسیم بر تعداد کارکنان، ضرب در تعداد کارکنان سال بعد. همه از این‌جا شروع می‌کنند. مشکل این است که مصرف هوش مصنوعی ناهموار است؛ چند کاربر سنگین چند برابر یک کاربر عادی خرج می‌کنند و میانگین را بالا می‌کشند. این روش برای کنترل کلی و اولین برآورد سقف خوب است، اما برای تخصیص بی‌فایده است.
روش دوم: درصدی از حقوق
مثل هزینه‌ی بیمه‌ی درمان، هوش مصنوعی را درصد ثابتی روی حقوق پایه در نظر بگیرید، چون دارد به بخشی از هزینه‌ی به‌کارگیری هر نفر تبدیل می‌شود. این عدد برای گزارش به هیئت‌مدیره عالی است: «سرانه‌ی هوش مصنوعی ما فلان درصد حقوق است.» اما برای مدیر مالی که مسئول برنامه است، معلوم نمی‌کند درون آن درصد چه می‌گذرد. ابزار ارتباطی است، نه اهرم تخصیص.
روش سوم: همگرایی به مرز
برای هر تیم و بعد هر نقش ببینید دهک بالای کاربران ماهانه چقدر خرج می‌کنند. فرض این است که پرمصرف‌ترین‌ها نشان می‌دهند شرکت وقتی همه در استفاده از ابزار ماهر شوند چه شکلی دارد. کار شما رساندن بقیه به همان نقطه است. مدیر مهندسی مثل مهندس اجرایی مصرف نمی‌کند و کارشناس پشتیبانی احتمالاً از مدیرش بیشتر مصرف می‌کند، پس سطح نقش مهم است.
سه قاعده‌ی تکمیلی:
- داده‌های پرت را هموار کنید. به‌جای بیشترین مصرف تک‌نفره، از دهک بالا استفاده کنید یا بالاترین و پایین‌ترین را در هر گروه حذف کنید تا یک کاربر افراطی سقف غیرواقعی نسازد.
- رسیدن به مرز را تدریجی کنید. همان‌طور که فروشنده‌ی تازه‌وارد از روز اول به سهمیه‌ی کامل نمی‌رسد، کاربران کم‌مصرف هم طی چند فصل به مرز می‌رسند.
- حاشیه‌ی خطا اضافه کنید، چون قیمت‌ها و الگوی مصرف به‌سرعت تغییر می‌کنند.
با این روش واحد بودجه از «یک فرد» به «یک نقش» تغییر می‌کند: یک مهندس خوب چقدر مصرف می‌کند؟ یک تحلیل‌گر خوب چقدر؟ این عددی است که می‌شود با صداقت فکری جمع زد و پیش‌بینی کرد. اجرای هر سه روش کنار هم هم مفید است؛ مثل ارزش‌گذاری که چند روش را اجرا می‌کنید و دنبال محدوده‌ی هم‌پوشانی می‌گردید.
مثال عددی: جدول نقش‌ها
فرض کنید سال بعد این ترکیب را دارید (اعداد ماهانه به دلار):
| نقش | تعداد | میانگین فعلی سرانه | مرز (دهک بالا) |
|---|---|---|---|
| مهندس | ۲۰ | ۱۲۰ | ۳۰۰ |
| تحلیل‌گر مالی | ۵ | ۸۰ | ۲۰۰ |
| کارشناس پشتیبانی | ۱۰ | ۴۰ | ۱۰۰ |
اگر همه از روز اول در مرز باشند: (۲۰ × ۳۰۰) + (۵ × ۲۰۰) + (۱۰ × ۱۰۰) = ۸ هزار دلار در ماه، یعنی ۹۶ هزار دلار در سال. اما با رسیدن تدریجی، فرض کنید فصل اول ۴۰ درصد، فصل دوم ۶۰ درصد، فصل سوم ۸۰ درصد و فصل چهارم ۱۰۰ درصد مرز. میانگین سال ۷۰ درصد است، پس ۹۶ × ۰٫۷ ≈ ۶۷ هزار دلار، و با ۱۰ درصد حاشیه‌ی خطا حدود ۷۴ هزار دلار. برای مقایسه، روش سرانه با میانگین فعلی فقط حدود ۳۸ هزار دلار می‌دهد (۳٫۲ هزار دلار در ماه) و رشد مصرف را نمی‌بیند.
گام‌های عملی تحلیل
این تحلیل را می‌توانید با صفحه‌گسترده یا با کمک یک دستیار هوش مصنوعی به همین ترتیب اجرا کنید:
- پیوند گزارش هزینه و فهرست کارکنان؛ مقایسه‌ی هزینه‌ی خالص و ناخالص؛ هزینه به تفکیک واحد، محصول و خانواده‌ی مدل؛ هزینه‌ی هر درخواست.
- یافتن اتلاف: دارندگان اشتراک پولی با مصرف کمتر از مثلاً ۱۰ دلار در ماه، و هزینه‌ی سالانه‌ی این اشتراک‌ها.
- آزمون میانگین: میانگین و میانه‌ی سرانه، سرانه‌ی هر نقش و نسبت بالاترین به پایین‌ترین نقش.
- شناسایی ده کاربر برتر و سهم آن‌ها از کل.
- بررسی وجود سقف: نرخ رشد ماهانه‌ی ده کاربر برتر در برابر بقیه طی سه ماه.
- ساخت جدول نقش‌ها با مرز هر نقش و هزینه‌ی رساندن همه به آن.
- اجرای سه سناریو و تبدیل سناریوی سوم به مدلی با ورودی تعداد کارکنان، شیب رسیدن و حاشیه‌ی خطا.
برای کنترل این هزینه پس از تصویب هم سه لایه‌ی کنترل در سیاست هزینه‌کرد کاربردی است.
نکته‌های اجرای واقعی
- دسترسی: گزارش‌های هزینه معمولاً فقط در دسترس مدیر حساب است؛ تیم مالی باید به آن دسترسی داشته باشد.
- گزارش ناقص: در طرح‌های اشتراکی گاهی فقط مصرف اضافه دیده می‌شود. اگر گزارش خالی یا کوچک به نظر می‌رسد، علت همین است.
- همه‌ی فروشندگان: احتمالاً فقط یکی از دو یا سه فروشنده را بودجه کرده‌اید. جدول نقش‌ها را برای هر فروشنده جداگانه بسازید و روی هم بگذارید.
- حقوق اختیاری است: ستون حقوق فقط برای محاسبه‌ی درصد از حقوق لازم است؛ در به‌اشتراک‌گذاری فایل احتیاط کنید.
- اشتراک‌های بی‌مصرف را فوراً لغو نکنید: شاید کسی به آن فرد نشان نداده چطور استفاده کند. ده دقیقه پرسیدن می‌ارزد.
- نقش‌های تک‌نفره: نقشی مثل مدیر مالی شکافی نشان نمی‌دهد؛ آن را به نقش مشابه نسبت دهید.
پرسش‌های متداول
چرا میانگین برای بودجه‌ی هوش مصنوعی گمراه‌کننده است؟
چون توزیع مصرف به‌شدت نامتقارن است؛ چند کاربر سنگین میانگین را بالا می‌برند و اکثریت زیر آن‌اند. میانگین نه کاربر عادی را توصیف می‌کند نه کاربر ماهر را.
اگر بالاترین مصرف‌کننده اسراف‌کار باشد چه؟
برای همین به‌جای حداکثر از دهک بالا یا میانگین پس از حذف داده‌های پرت استفاده می‌شود تا یک نفر کل پیش‌بینی را بالا نکشد.
درصد از حقوق را کجا استفاده کنیم؟
به‌عنوان خروجی و شاخص گزارش به هیئت‌مدیره. عددی ساده و قابل‌مقایسه است، اما برای تخصیص بودجه بین تیم‌ها کافی نیست.
هر چند وقت جدول نقش‌ها را به‌روز کنیم؟
دست‌کم فصلی؛ قیمت مدل‌ها و الگوی استفاده سریع تغییر می‌کند و مرز هر نقش ممکن است جابه‌جا شود.
جمع‌بندی
بودجه‌بندی هزینه‌ی هوش مصنوعی با جمع کل و میانگین جواب نمی‌دهد. داده‌ی هزینه را به فهرست کارکنان وصل کنید، سرانه را ببینید، اتلاف را پیدا کنید و بعد بودجه را بر اساس مرز مصرف هر نقش با رسیدن تدریجی و حاشیه‌ی خطا بسازید. روش سرانه و درصد از حقوق را برای کنترل کلی و گزارش نگه دارید و تخصیص را به روش همگرایی به مرز بسپارید.