تعتمد نماذج عمل شركات الذكاء الاصطناعي التوليدي الرائدة على استثمارات رأسمالية غير مسبوقة، مما يضع ضغطاً كبيراً على هوامش الربح ويثير قلق المستثمرين في “وول ستريت”.
1. الكلفة الباهظة لتدريب وتشغيل النماذج (التكلفة التشغيلية)
تُعد هذه النفقات هي التحدي المالي الأكبر، حيث تُطلق عليها أحياناً وصف “آلة حرق المال” (The Money-Burning Machine):
تكاليف التدريب المتصاعدة: تتطلب النماذج اللغوية الكبيرة (LLMs) كميات هائلة من الطاقة الحاسوبية والبيانات. ففي حين بلغت تكلفة تدريب نموذج مثل ChatGPT-3 في عام 2020 حوالي $2-4$ ملايين دولار، ارتفعت تكاليف النماذج اللاحقة بشكل كبير. على سبيل المثال، نموذج Grok-2 من شركة xAI كلف تدريبه حوالي $107$ ملايين دولار.
نفقات التشغيل (Inference): لا تتوقف التكلفة عند التدريب، بل يستمر الإنفاق لتشغيل النماذج والرد على استفسارات المستخدمين. هذا يتطلب استئجار أو شراء وحدات معالجة الرسوميات (GPUs)، وهي باهظة الثمن (مثل شرائح إنفيديا)، وعقود حوسبة سحابية ضخمة. وقد وقعت “أوبن إيه آي” صفقات سحابية ضخمة، بما في ذلك صفقة بقيمة $38$ مليار دولار مع أمازون لخدمات الحوسبة السحابية.
التزامات إنفاق ضخمة: التزمت شركات كبرى بإنفاق مبالغ خيالية لتأمين مستقبلها في مجال الحوسبة. وتشير تقارير إلى أن “أوبن إيه آي” ملتزمة بإنفاق يصل إلى $1.4$ تريليون دولار لتطوير موارد حوسبة ضخمة (30 غيغاوات) على مدى السنوات القادمة.
2. صعوبة تحقيق العائد على الاستثمار (ROI)
على الرغم من الوعود التكنولوجية الهائلة، لا يزال تحقيق الربح المباشر من مبادرات الذكاء الاصطناعي يمثل تحدياً:
الربحية السلبية: أظهرت التقارير أن نسبة كبيرة من مبادرات الذكاء الاصطناعي لا تحقق أرباحاً، بل إن بعضها يحقق عوائد سلبية فعلياً.
نموذج الاشتراكات لا يغطي النفقات: تعتمد شركات مثل “أوبن إيه آي” على نموذج الاشتراكات المدفوعة (مثل ChatGPT Plus)، لكن الأغلبية العظمى من المستخدمين ($800$ مليون مستخدم أسبوعياً) يستخدمون النسخة المجانية. وعلى الرغم من توقعات بزيادة المشتركين المدفوعين إلى $220$ مليون بحلول عام $2030$، تظل الشركة تسجل خسائر سنوية بمليارات الدولارات، مع تقديرات بعدم تحقيق الربحية قبل نهاية العقد.
ضغط المستثمرين: يركز المستثمرون في “وول ستريت” بشكل متزايد على هوامش الربح وقيمة العوائد الفورية، مما يزيد الضغط على عمالقة التكنولوجيا مثل “ألفابيت” و”مايكروسوفت” و”أمازون” لتبرير استثماراتها المئات المليارات.
3. التحديات البشرية واللوجستية
بالإضافة إلى النفقات الرأسمالية، تواجه الشركات عقبات تتعلق بتنفيذ التكنولوجيا على أرض الواقع:
فجوة المواهب: هناك نقص حاد في المهندسين والباحثين ذوي الخبرة العالية في الذكاء الاصطناعي، مما يدفع الشركات إلى تقديم حزم تعويضات ضخمة لتوظيف أفضل العقول والاحتفاظ بها.
صعوبة التوسع والاندماج: تواجه المؤسسات الكبرى صعوبات في دمج حلول الذكاء الاصطناعي المتطورة في أنظمتها القديمة وإجراءاتها التشغيلية المعقدة، مما يؤدي إلى تأخير في تحقيق القيمة الفعلية المتوقعة من الاستثمار.
إدارة التغيير: تظهر تحديات بشرية وإجرائية تتعلق بإدارة التغيير وتحسين سير العمل ليناسب أدوات الذكاء الاصطناعي الجديدة.
4. المخاطر التنظيمية والقانونية
تُهدد هذه المخاطر بإضافة تكاليف غير متوقعة وغرامات مالية كبيرة:
خصوصية البيانات والامتثال: يتطلب التعامل مع البيانات الحساسة (خصوصاً في قطاعات مثل المالية والصحة) معايير امتثال صارمة وقوانين متزايدة، مما يزيد من تكاليف البنية التحتية والتدقيق.
التحيز الخوارزمي: يمكن أن يؤدي التحيز في نماذج الذكاء الاصطناعي إلى قرارات غير عادلة أو تمييزية، مما يعرّض الشركات لمخاطر قانونية ومالية كبيرة.
التأمين والتنظيم الإلزامي: مع اتساع نطاق استخدام الذكاء الاصطناعي في الأنظمة عالية المخاطر (مثل النقل أو الرعاية الصحية)، قد تفرض الحكومات أطراً تنظيمية أكثر صرامة أو حتى تأميناً إلزامياً على أنظمة الذكاء الاصطناعي، مما يضيف كلفة جديدة على الشركات المطورة.
إن شركات الذكاء الاصطناعي الكبرى، هي حالياً في سباق تسلح تكنولوجي يتطلب إنفاقاً رأسمالياً ضخماً وغير مسبوق، مع ضغط مستمر لإثبات أن هذا الإنفاق سيتحول في نهاية المطاف إلى ربحية مستدامة.
