Goldman Sachs: ИИ-агенты могут увеличить потребление токенов в 24 раза

Расходы на внедрение искусственного интеллекта постепенно становятся серьезным бременем для бизнеса. Согласно свежему аналитическому отчету Goldman Sachs, ключевой проблемой для компаний, интегрирующих технологии ИИ, стал кратный рост потребления токенов.

Проблема масштабирования и токенизации

Аналитики указывают, что использование интеллектуальных агентов может повысить объем потребляемых токенов в 24 раза по сравнению с базовыми запросами к языковым моделям. На практике это значит, что при текущих моделях тарификации, основанных на количестве обработанных токенов, операционные расходы компаний растут в геометрической прогрессии. Проще говоря, чем автономнее становится ИИ, тем дороже обходится каждый его шаг в рамках текущих LLM (больших языковых моделей).

Оптимизация ИИ у гигантов индустрии

Крупнейшие игроки рынка уже столкнулись с необходимостью пересмотра своих стратегий. Например, компания Uber, активно развивающая нейросетевые решения для платформы заказа поездок, находится в процессе оценки эффективности текущих реализаций. Цель компании — найти способы оптимизации алгоритмов, чтобы снизить стоимость обработки данных без потери качества пользовательского сервиса.Ситуация в Microsoft схожая: корпорация масштабирует внедрение Azure AI и интеграцию нейросетей в офисный пакет продуктов, что неизбежно ведет к росту нагрузки на инфраструктуру. Руководство рассматривает возможность корректировки ценовых моделей и архитектуры доставки услуг, чтобы сбалансировать высокие издержки, связанные с использованием токенов.

Экономическая устойчивость инноваций

Проблема не ограничивается только технологическими гигантами. По оценкам экспертов, финансовое давление ощущают и компании меньшего масштаба, для которых стоимость токенизированного биллинга становится критическим фактором при принятии стратегических решений.Если коротко, отчет Goldman Sachs обозначает новый этап развития рынка ИИ: эра неконтролируемого внедрения сменяется периодом поиска жесткой экономической эффективности. Компании вынуждены переходить к более осторожным стратегиям развертывания, балансируя между технологическим прогрессом и устойчивостью затрат. С большой долей вероятности этот запрос на экономию станет драйвером появления новых оптимизированных архитектур ИИ уже в ближайшем будущем.