هزینه پیاده‌سازی هوش مصنوعی در ایران ۱۴۰۵: راهنمای بودجه‌بندی قلم‌به‌قلم

برای «هزینه پیاده‌سازی هوش مصنوعی» در یک شرکت ایرانی هیچ عدد واحد و صادقانه‌ای وجود ندارد. تأمین‌کننده‌ای که پیش از دیدن گردش‌کار، داده و سامانه‌های شما عدد می‌دهد، در واقع حدس می‌زند. آنچه از پیش قابل دانستن است، شکل صورت‌حساب است: هشت قلم هزینه، چهار مرحله و چند عامل مشخص که جمع کل را بالا یا پایین می‌برند. این راهنما برای مدیرعامل، مدیر مالی یا مدیر فناوری نوشته شده که باید ردیفی به نام هوش مصنوعی را در بودجه ۱۴۰۵ بگذارد و بعدها از آن دفاع کند. در ادامه می‌بینید پول دقیقاً کجا خرج می‌شود، یک برگه بودجه برای پر کردن با عددهای خودتان می‌گیرید و یاد می‌گیرید چگونه قضاوت کنید که پایلوت، بودجه مرحله بعد را به دست آورده است یا نه.

توصیه اصلی ساده است: بودجه یک برنامه را از عدد تیتر پیشنهاد فروشنده نبندید. یک پایلوت کوچک و اندازه‌گیری‌شده را تأمین مالی کنید و بگذارید هر مرحله بزرگ‌تر با همان چیزی توجیه شود که پایلوت اندازه گرفته است.

افشای منفعت تجاری: ژرف، ناشر این راهنما، خدمات مشاوره و پیاده‌سازی هوش مصنوعی می‌فروشد و وقتی شرکت‌ها برای هوش مصنوعی هزینه می‌کنند، سود می‌برد. همه آزمون‌های این مطلب را درباره پیشنهاد ما هم با همان سخت‌گیری اعمال کنید. در این مطلب هیچ قیمتی از ژرف اعلام نمی‌شود و درباره بازده هیچ شرکت مشخصی ادعایی نمی‌کنیم.

چرا پاسخ صادقانه یک بازه است، نه یک قیمت

پیش‌بینی هزینه هوش مصنوعی از خرید یک مجوز نرم‌افزاری معمولی دشوارتر است، چون بخش‌های گران آن به چیزهایی وابسته‌اند که هنوز کسی اندازه نگرفته: داده شما چقدر تمیز است، خروجی باید به چند سامانه برسد، انسان چند بار باید نتیجه را اصلاح کند و مصرف پس از جلب اعتماد کاربران چقدر رشد می‌کند. گارتنر در مرداد ۱۴۰۳ (ژوئیه ۲۰۲۴) پیش‌بینی کرد دست‌کم ۳۰٪ پروژه‌های هوش مصنوعی مولد تا پایان ۲۰۲۵ پس از مرحله اثبات مفهوم کنار گذاشته می‌شوند و دلیل آن را کیفیت پایین داده، کنترل ناکافی ریسک، افزایش هزینه یا روشن‌نبودن ارزش کسب‌وکار دانست. در همان اطلاعیه، تحلیلگر گارتنر می‌گوید هزینه‌های این فناوری به اندازه فناوری‌های دیگر قابل پیش‌بینی نیست.

همان اطلاعیه مفیدترین نقطه مرجع عمومی را هم منتشر کرده است: بازه معمول هزینه برای پنج شیوه استقرار هوش مصنوعی مولد. عددهای جدول زیر از گارتنر، به دلار آمریکا، مربوط به ژوئیه ۲۰۲۴ و برای سازمان‌های خارج از ایران است. این‌ها قیمت ایران نیستند و نباید در بودجه ایرانی کپی شوند. ارزششان در نسبت میان ردیف‌هاست.

دو درس این جدول برای شرکت ایرانی در هر اندازه‌ای صدق می‌کند. نخست، معماری بزرگ‌ترین تصمیم هزینه‌ای است: رفتن از ابزار آماده به بازیابی از اسناد خودتان، هزینه اولیه را تقریباً چهار تا ده برابر می‌کند و رفتن از بازیابی به تنظیم دقیق مدل، آن را باز هم حدود پنج تا نُه برابر می‌کند. دوم، هزینه جاری هر کاربر هم در پایین جدول تند بالا می‌رود، از چند صد دلار در سال به بیش از ده هزار دلار؛ پس طرحی که با ده کاربر پایلوت ارزان به نظر می‌رسد، با هزار کاربر گران می‌شود. بیشتر پروژه‌های نخستی که در سازمان‌های ایرانی می‌بینیم، مانند استخراج داده از سند، جست‌وجوی دانش داخلی یا دستیار فارسی برای کارکنان، در ردیف‌های تعبیه یا گسترش جا می‌گیرند. تنظیم دقیق یا آموزش مدل به‌ندرت قدم درست اول است.

هشت قلم هزینه در پیاده‌سازی هوش مصنوعی

هر پیشنهاد، چه از تیم داخلی و چه از تأمین‌کننده بیرونی، باید به همین اقلام شکسته شود تا قابل مقایسه باشد. ما از هشت قلم به‌اضافه ذخیره احتیاطی استفاده می‌کنیم.

قلمی که بیش از همه کم‌برآورد می‌شود، اولی است. پژوهش گارتنر در اسفند ۱۴۰۳ (فوریه ۲۰۲۵) درباره داده آماده برای هوش مصنوعی نشان داد ۶۳٪ سازمان‌ها یا رویه درست مدیریت داده برای هوش مصنوعی را ندارند یا از داشتنش مطمئن نیستند؛ این نتیجه از نظرسنجی ۱٬۲۰۳ مدیر داده در ژوئیه ۲۰۲۴ به دست آمده است. گارتنر پیش‌بینی می‌کند سازمان‌ها تا پایان ۲۰۲۶، ۶۰٪ پروژه‌های هوش مصنوعی را که داده آماده پشتیبانشان نیست، رها کنند. در عمل یعنی قلم داده یک مرتب‌سازی کوچک پیش از «کار اصلی» نیست؛ اغلب خودِ کار اصلی است.

درباره اتصال هم باید صادق بود. اتصال به یک نرم‌افزار حسابداری یا برنامه‌ریزی منابع ایرانی ممکن است از راه رابط مستند، دسترسی مستقیم به پایگاه داده، خروجی فایل زمان‌بندی‌شده یا در بدترین حالت فقط صفحه کاربری انجام شود. خواندن داده بسیار ارزان‌تر از نوشتن آن در سامانه است، چون هر نوشتن در سند مالی یا عملیاتی به اعتبارسنجی، سابقه حسابرسی و روش آزموده برای برگرداندن نیاز دارد. راهنمای هوش مصنوعی در حسابداری و اتوماسیون اسناد مالی این مرز را برای واحدهای مالی شرح می‌دهد.

دسترسی به مدل در ایران: رابط داخلی، GPU اختصاصی یا رابط خارجی

برای شرکت ایرانی، دسترسی به مدل فقط پرسش قیمت نیست؛ پرسش تداوم خدمت است و ارزان‌ترین گزینه روی کاغذ ممکن است گران‌ترین گزینه برای از دست دادن باشد.

رابط‌های خارجی. بزرگ‌ترین ارائه‌دهندگان خارجی ایران را در فهرست کشورهای پشتیبانی‌شده ندارند. صفحه کشورهای پشتیبانی‌شده OpenAI می‌گوید استفاده یا ارائه دسترسی به خدماتش بیرون از کشورهای فهرست‌شده ممکن است به مسدود یا تعلیق شدن حساب منجر شود و ایران در این فهرست نیست. فهرست مناطق پشتیبانی‌شده Anthropic هم ایران را شامل نمی‌شود. ما درباره راه دور زدن این شرایط توصیه‌ای نمی‌کنیم. پیامد بودجه‌ای روشن است: هر طرحی که به مدل خارجی وابسته است، به مسیر جایگزینِ قیمت‌گذاری‌شده نیاز دارد و تداوم پرداخت را باید ریسک دید، نه فرض.

درگاه‌های داخلی. چند سکوی ایرانی دسترسی به مدل را به تومان می‌فروشند. به‌عنوان یک نمونه تاریخ‌دار و نه توصیه، صفحه سرویس هوش مصنوعی لیارا در ۲۰۲۶-۰۹-۲۴ دو پلن نشان می‌داد: ماهانه ۸۲۵٬۰۰۰ تومان یا ساعتی ۱٬۱۴۵ تومان با دسترسی به ۶۶ مدل زبانی، و ماهانه ۱٬۴۷۵٬۰۰۰ تومان یا ساعتی ۲٬۰۴۸ تومان با ۱۱۳ مدل. در هر دو پلن، هزینه توکن «طبق تعرفه شرکت ارائه‌دهنده مدل» محاسبه می‌شود و فهرست قیمت مدل‌ها در همان صفحه به دلار برای هر یک میلیون توکن آمده است. درس بودجه‌ای آن عمومی است: هزینه سکو ممکن است کم و ریالی باشد، اما قلم مصرف همچنان با نرخ ارز جابه‌جا می‌شود. فهرست مدل‌های چنین درگاه‌هایی ممکن است ارائه‌دهندگانی را هم شامل شود که ایران را پشتیبانی نمی‌کنند؛ پس از هر درگاه بپرسید این دسترسی بالادستی را چگونه تأمین می‌کند و اگر قطع شود، بر خدمت شما چه می‌گذرد.

مدل باز روی سرور خودتان. اجرای یک مدل با وزن‌های باز روی GPU در مرکز داده ایرانی یا اتاق سرور خود سازمان، صورت‌حساب توکنی را حذف می‌کند و داده را داخل مرز شما نگه می‌دارد. در عوض، هزینه متغیر به هزینه ثابت تبدیل می‌شود. برآورد شفاف آن چنین است:

• هزینه ثابت ماهانه = اجاره GPU (یا قیمت خرید تقسیم بر ماه‌های عمر مفید) + میزبانی و برق + ذخیره‌سازی و پشتیبان + ساعت‌های بهره‌برداری × هزینه تمام‌شده هر ساعت نیرو؛
• هزینه هر کار انجام‌شده = هزینه ثابت ماهانه ÷ تعداد کارهای انجام‌شده در ماه؛
• نقطه سربه‌سر در برابر رابط = حجمی از کار ماهانه که در آن تعداد کار × میانگین توکن هر کار × قیمت هر توکن با هزینه ثابت ماهانه برابر شود.

ورودی‌های این فرمول سریع تغییر می‌کنند. گزارش شاخص هوش مصنوعی استنفورد ۲۰۲۵ می‌گوید هزینه استنتاج برای سامانه‌ای در سطح GPT-3.5 از نوامبر ۲۰۲۲ تا اکتبر ۲۰۲۴ بیش از ۲۸۰ برابر کاهش یافته، در حالی که هزینه سخت‌افزار سالانه حدود ۳۰٪ کم شده و بهره‌وری انرژی سالانه حدود ۴۰٪ بهتر شده است. پس با هر خرید چندساله سخت‌افزار یا تعهد ثابت قیمت توکن محتاطانه برخورد کنید و بند بازنگری بگذارید. مقایسه ابزار بومی و خارجی در راهنمای انتخاب میان ابزار هوش مصنوعی ایرانی و خارجی و روش فرستادن کارهای ساده به مدل‌های ارزان‌تر در مطلب مسیریابی مدل برای هزینه و کیفیت آمده است.

مراحل پیاده‌سازی هوش مصنوعی و هزینه هر مرحله

عبارت «مراحل پیاده‌سازی» مهم‌ترین واقعیت بودجه را پنهان می‌کند: اقلام هزینه یک‌جا نمی‌رسند. هر مرحله هزینه غالب خود را دارد و با یک تصمیم تمام می‌شود.

پایلوت باید ارزان‌ترین اتصالی را به کار بگیرد که هنوز شاهد صادقانه تولید می‌کند؛ اغلب یک خروجی فایل کنترل‌شده به جای اتصال زنده. پایلوت باید در حالت یاری‌شده اجرا شود، یعنی انسان هر خروجی را تأیید کند. بودجه استقرار گسترده جایی است که سازمان تغییر می‌کند، نه فقط نرم‌افزار. نظرسنجی وضعیت هوش مصنوعی مک‌کنزی که در شهریور ۱۴۰۵ (اوت ۲۰۲۶) منتشر شد نشان می‌دهد نزدیک به سه‌چهارم پاسخ‌دهندگانی که در گروه سازمان‌های پیشرو قرار می‌گیرند، گردش‌کارشان را به خاطر هوش مصنوعی از بنیاد بازطراحی کرده‌اند، در برابر یک‌چهارم دیگر پاسخ‌دهندگان. اگر در بودجه استقرار زمانی برای بازطراحی فرایند نیست، این بودجه برای ابزار است، نه برای نتیجه.

چه چیزی هزینه را بالا می‌برد و چه چیزی پایین می‌آورد

یک گردش‌کار یکسان ممکن است در یک شرکت چند برابر شرکت دیگر هزینه داشته باشد. این‌ها عامل‌هایی است که بیشتر دیده‌ایم.

هزینه بالا می‌رود وقتی:

• خروجی به جای پیش‌نویس، مستقیم در سند مالی، حقوقی یا پرونده مشتری ثبت می‌شود؛
• پاسخ اشتباه پیامد سنگین دارد و هر خروجی بازبینی انسانی می‌خواهد؛
• ورودی‌ها اسکن، دست‌نویس، مهر یا ده‌ها قالب متفاوت فاکتور تأمین‌کنندگان است؛
• داده باید داخل سازمان بماند و سازمان سخت‌افزار مناسب ندارد؛
• پاسخ باید بلادرنگ، با حجم بالا و در چند کانال داده شود؛
• یک مالک واحد برای تأیید معیار پذیرش و دسترسی به داده وجود ندارد؛
• پیش از آزمودن طرح ساده‌تر، تنظیم دقیق یا آموزش مدل در برنامه آمده است.

هزینه پایین می‌آید وقتی:

• دامنه نخست یک گردش‌کار، یک گروه کاربر و یک نوع سند است؛
• سامانه از سامانه‌های موجود می‌خواند و نتیجه را به انسان تحویل می‌دهد؛
• خروجی تمیز یا رابط مستند از پیش وجود دارد؛
• یک مدل آماده با بازیابی از اسناد مصوب ترکیب می‌شود؛
• کارهای ساده و پرتکرار به مدل کوچک‌تر می‌رود و فقط موارد دشوار به مدل بزرگ؛
• هرجا کاربر می‌تواند منتظر بماند، پردازش دسته‌ای شبانه جای فراخوانی بلادرنگ را می‌گیرد؛
• مجموعه ارزیابی فارسی که برای پایلوت ساخته شده، در همه تغییرهای بعدی دوباره به کار می‌رود.

چالش‌های پیاده‌سازی هوش مصنوعی و هزینه‌های پنهان

فاصله میان پیش‌فاکتور و صورت‌حساب نهایی معمولاً از هزینه‌هایی می‌آید که هیچ‌کس ننوشته است. الگوهای شکست پشت آن‌ها به‌خوبی مستند شده‌اند. پژوهش سال ۲۰۲۴ مؤسسه رند با عنوان ریشه‌های شکست پروژه‌های هوش مصنوعی با ۶۵ دانشمند داده و مهندس باتجربه مصاحبه کرد و پنج علت اصلی یافت: بدفهمی یا انتقال نادرست مسئله میان ذی‌نفعان، نبودِ داده لازم برای آموزش مدل مؤثر، تمرکز بر تازه‌ترین فناوری به جای مسئله واقعی کاربر، نبودِ زیرساخت برای مدیریت داده و استقرار مدل، و به‌کارگیری هوش مصنوعی برای مسئله‌هایی که برایش بیش از حد دشوارند. رند همچنین یادآوری می‌کند که بنا بر برخی برآوردها بیش از ۸۰٪ پروژه‌های هوش مصنوعی شکست می‌خورند، یعنی حدود دو برابر پروژه‌های فناوری اطلاعات بدون هوش مصنوعی. این عدد برآوردی است که رند از منابع دیگر نقل می‌کند، نه اندازه‌گیری خودش؛ اما پنج علت آن مستقیم به اقلام بودجه وصل می‌شوند.

هزینه‌های پنهانی که باید صریحاً در برگه بودجه بیاید:

• بازبینی انسانی که تمام نمی‌شود. اگر در تمام عمر خدمت، یک نفر ۲۰٪ خروجی‌ها را بررسی کند، این زمان هزینه دائمی بهره‌برداری است.
• موارد استثنا. مواردی که سامانه از پسشان برنمی‌آید، همچنان انسان، صف کار و زمان پاسخ لازم دارند.
• ارزیابی دوباره. هر به‌روزرسانی مدل بالادستی، تغییر دستور یا نوع سند تازه، اجرای دوباره مجموعه آزمون فارسی را لازم می‌کند.
• نوسان نرخ ارز. هر مصرفی که به دلار قیمت‌گذاری شده با نرخ ارز جابه‌جا می‌شود؛ برای آن بازه بودجه کنید، نه یک عدد.
• آزمون امنیت. برنامه‌های مبتنی بر مدل زبانی باید در برابر تزریق دستور، افشای اطلاعات حساس و اختیار بیش از حد ابزار آزموده شوند، همان‌طور که فهرست ده ریسک اصلی OWASP برای مدل‌های زبانی مولد در ۲۰۲۶ برمی‌شمارد.
• زمان متخصصان. حسابدار، حقوق‌دان یا مهندسی که داده را برچسب می‌زند و خروجی را داوری می‌کند، چون داخلی است رایگان نیست.
• اجرای موازی. فرایند قدیم معمولاً مدتی کنار فرایند تازه اجرا می‌شود و بخشی از کار دوبار انجام می‌شود.
• خروج. انتقال داده، پیکربندی و مجموعه ارزیابی به تأمین‌کننده یا مدل دیگر هزینه دارد؛ پیش از امضا قیمتش را بدانید.

هزینه بهره‌برداری نگرانی نظری نیست. در نظرسنجی ۲۰۲۶ مک‌کنزی، از هر پنج پاسخ‌دهنده حدود یک نفر گفته است سازمانش به خاطر هزینه‌های عملیاتی، از جمله هزینه توکن، استفاده از هوش مصنوعی را محدود کرده است.

ساختن، خریدن یا همکاری با شریک

تصمیم میان ساختن، خریدن و همکاری تعیین می‌کند کدام اقلام را می‌پردازید و ریسک بر دوش کیست.

خرید محصول یا سکوی آماده وقتی مناسب است که گردش‌کار رایج باشد و محصول از پیش با قواعد داده شما سازگار باشد. هزینه اولیه کمترین و زمان رسیدن به ارزش کوتاه‌ترین است، اما سفارشی‌سازی، محل داده و اتصال به همان چیزی محدود است که محصول ارائه می‌دهد، و هزینه هر کاربر یا هر مصرف با گسترش استفاده رشد می‌کند.

ساخت داخلی وقتی مناسب است که گردش‌کار منبع مزیت رقابتی باشد، داده بسیار حساس باشد و بتوانید نقش‌های داده، توسعه نرم‌افزار و امنیت را در بلندمدت تأمین کنید. ساخت نرم‌افزار ارزان‌تر شده است: در نظرسنجی ۲۰۲۶ مک‌کنزی، ۳۲٪ پاسخ‌دهندگان گفته‌اند سازمانشان دست‌کم از خرید یک محصول یا قابلیت نرم‌افزاری صرف‌نظر کرده، چون می‌توانسته آن را با ابزارهای کدنویسی عاملی در داخل بسازد. اما ارزیابی، امنیت و بهره‌برداری با همان سرعت ارزان نمی‌شوند.

همکاری با شریک وقتی مناسب است که سرعت و تجربه لازم دارید اما می‌خواهید مالکیت نزد خودتان بماند. هزینه آن دستمزد شریک به‌اضافه زمان مالک داخلی است. ریسک آن وابستگی است که در قرارداد مدیریت می‌شود: مالکیت کد، پیکربندی، دستورها و مجموعه ارزیابی، مستندسازی، انتقال دانش و خروج آزموده. راهنمای انتخاب شرکت هوش مصنوعی در ایران نشان می‌دهد شریک‌ها را چگونه با شاهد مقایسه کنید، نه با ارائه.

بسیاری از سازمان‌ها در نهایت به ترکیبی می‌رسند: سکوی خریداری‌شده برای کارهای عمومی، خدمتی که شریک برای یک گردش‌کار پرارزش می‌سازد و تیم داخلی که مالک ارزیابی و بهره‌برداری است.

برگه بودجه‌بندی که خودتان پر می‌کنید

این جدول را در یک صفحه‌گسترده کپی کنید و هر فرمول را با عددهای خودتان جایگزین کنید. عمداً هیچ قیمتی در آن نیست. اگر قلمی در مرحله‌ای لازم نیست، صفر بنویسید و دلیلش را هم.

برگه را سه بار پر کنید: سناریوی خوش‌بینانه، مورد انتظار و بدبینانه. حجم کار، سهم خروجی‌هایی که بازبینی می‌خواهند، نرخ ارز و تعداد غافلگیری‌های اتصال را تغییر دهید. فاصله میان جمع خوش‌بینانه و بدبینانه خودش اطلاعات مفیدی است: فاصله زیاد یعنی پایلوت هنوز به پرسش‌های کافی پاسخ نداده که تعهد بزرگ را توجیه کند.

پیش‌فاکتور تأمین‌کننده را چگونه بخوانیم

پیش‌فاکتور فقط وقتی قابل مقایسه است که به همان اقلام برگه بودجه شما شکسته شود. از هر تأمین‌کننده بخواهید قیمتش را روی همین اقلام بنشاند و هر کدام را «شامل»، «خارج از دامنه» یا «بر عهده کارفرما» علامت بزند.

نشانه‌های هشدار در پیش‌فاکتور:

• یک عدد کلی بدون ریز اقلام؛
• وعده بازده سرمایه پیش از آنکه کسی داده شما را دیده باشد؛
• مصرف «نامحدود» بدون سقف منصفانه یا توضیح اینکه هزینه فراخوانی مدل با کیست؛
• نبودِ برنامه ارزیابی و معیار پذیرشی که به مرحله‌های پرداخت گره خورده باشد؛
• نبودِ بند نوسان ارز برای بخش‌های وابسته به دلار؛
• سکوت درباره مالکیت کد، پیکربندی و داده ارزیابی یا درباره خروج.

پرسش‌هایی که پیش از امضا باید پرسید:

1. این قیمت کدام‌یک از هشت قلم هزینه را پوشش می‌دهد و کدام بر عهده ما می‌ماند؟
2. قیمت مقطوع است، بر اساس زمان و مواد، به ازای هر کاربر یا بر اساس مصرف؟ کدام بخش‌ها به ارز خارجی وابسته‌اند؟
3. هزینه مصرف مدل با کیست و اگر مدل یا رابط بالادستی تغییر کند یا در دسترس نباشد، قیمت چه می‌شود؟
4. از کدام مجموعه آزمون فارسی استفاده می‌کنید، چه کسی آن را می‌سازد و آیا پس از پروژه مالکش ما هستیم؟
5. روش اتصال به هر سامانه چیست و اگر خراب شود چه کسی آن را درست می‌کند؟
6. در سه ماه نخست بهره‌برداری، ماهانه چند ساعت بازبینی انسانی را باید انتظار داشته باشیم؟
7. پشتیبانی پس از راه‌اندازی چقدر هزینه دارد و چه زمان پاسخی را شامل می‌شود؟
8. خروج از همکاری برای ما چقدر هزینه دارد و هنگام خروج چه چیزی تحویل می‌گیریم؟

بازده پایلوت را چگونه اندازه بگیریم

پایلوت فقط وقتی بودجه مرحله بعد را به دست می‌آورد که با خط مبنایی مقایسه شود که پیش از شروع ثبت شده است. اطلاعیه ۲۰۲۴ گارتنر یادآوری می‌کند که تبدیل مستقیم بهبود بهره‌وری به منفعت مالی اغلب دشوار است؛ پس حساب را پیش از پایلوت بنویسید، نه اینکه بعداً بازسازی‌اش کنید. برای بیشتر پایلوت‌ها سه فرمول کافی است:

• ارزش خالص ماهانه = ساعت حذف‌شده × هزینه تمام‌شده هر ساعت + خطای پیشگیری‌شده × میانگین هزینه هر خطا − ساعت بازبینی × هزینه تمام‌شده هر ساعت − هزینه اجرای ماهانه.
• دوره بازگشت سرمایه به ماه = هزینه یک‌باره مرحله بعد ÷ ارزش خالص ماهانه.
• هزینه هر کار پذیرفته‌شده = کل هزینه اجرای ماهانه ÷ تعداد کارهایی که بدون اصلاح جدی پذیرفته شده‌اند.

ساعت صرفه‌جویی‌شده تا وقتی به کار دیگری اختصاص نیابد یا جلوی استخدامی را نگیرد، پول نقد نیست؛ پس ثبت کنید آن زمان کجا رفت. زمان بازبینی و اصلاح را صادقانه اندازه بگیرید؛ راهنمای سنجش صرفه‌جویی هوش مصنوعی تا پایان بازبینی نشان می‌دهد این زمان چقدر راحت از گزارش‌ها حذف می‌شود. انتظارها را واقع‌بینانه نگه دارید: در نظرسنجی ۲۰۲۶ مک‌کنزی، ۳۷٪ پاسخ‌دهندگان دست‌کم بخشی از سود عملیاتی (EBIT) سازمان را به هوش مصنوعی نسبت داده‌اند و فقط حدود ۶٪ در گروه پیشروهایی قرار گرفته‌اند که ۵٪ یا بیشتر از سود عملیاتی را حاصل هوش مصنوعی می‌دانند.

دو ابزار در همین سایت برای آماده‌شدن کمک می‌کنند. ارزیابی آمادگی پایلوت هوش مصنوعی با پنج پرسش درباره روشنی مسئله، داده، اتصال، قواعد دسترسی و سنجش، پیشنهاد می‌دهد در مرحله کشف هستید، آماده طراحی پایلوت یا آماده اعتبارسنجی کنترل‌شده. برای واحدهای مالی، برآوردگر ظرفیت اتوماسیون اسناد مالی ساعت‌های آزادشده ماهانه را پس از کسر زمان بازبینی انسانی برآورد می‌کند. خروجی آن ساعت است، نه پول: آن را در هزینه تمام‌شده خودتان ضرب کنید و نتیجه را فرضی برای آزمودن بدانید، نه صرفه‌جویی قطعی.

از پیش تعیین کنید چه نتیجه‌ای یعنی ادامه، چه نتیجه‌ای یعنی اصلاح و چه نتیجه‌ای یعنی توقف. متوقف‌کردن پایلوتی که به معیارهایش نرسیده، استفاده موفق از یک بودجه کوچک است.

قدم معقول بعدی

اگر ردیف هوش مصنوعی بودجه امسال را آماده می‌کنید، به جای خرید، از کشف نیاز شروع کنید: یک گردش‌کار، مالک آن، نمونه داده، سامانه‌های درگیر و محدودیت‌هایی که از پیش می‌دانید. خدمت مشاوره و پیاده‌سازی هوش مصنوعی در سازمان دقیقاً از همین نقطه شروع می‌شود و ممکن است با توصیه صادقانه به ادامه‌ندادن تمام شود. اگر گفت‌وگوی دامنه‌بندی‌شده می‌خواهید، از صفحه تماس استفاده کنید و پاسخ ما را با همان برگه بودجه و همان پرسش‌هایی بسنجید که برای هر تأمین‌کننده دیگر به کار می‌برید.

یادداشت منابع (بازبینی‌شده در ۲۰۲۶-۰۹-۲۴)

• بازه هزینه بر اساس شیوه استقرار و ریسک رهاشدن پروژه: گارتنر، پیش‌بینی رهاشدن ۳۰٪ پروژه‌های هوش مصنوعی مولد پس از اثبات مفهوم تا پایان ۲۰۲۵، ۲۹ ژوئیه ۲۰۲۴. نمودار ۱ این اطلاعیه بازه‌های دلاری جهانی به تفکیک شیوه استقرار است؛ نسبت مرجع است، نه قیمت ایران. عدد ۳۰٪ پیش‌بینی است.
• آمادگی داده: گارتنر، کمبود داده آماده برای هوش مصنوعی پروژه‌ها را در معرض خطر قرار می‌دهد، ۲۶ فوریه ۲۰۲۵. نظرسنجی از ۱٬۲۰۳ مدیر داده در ژوئیه ۲۰۲۴؛ عدد ۶۰٪ پیش‌بینی تا پایان ۲۰۲۶ است.
• بازده سازمانی و محدودیت هزینه عملیاتی: مک‌کنزی، وضعیت هوش مصنوعی در ۲۰۲۶، ۲۵ اوت ۲۰۲۶. نظرسنجی برخط از ۱٬۷۱۹ نفر در ۹۷ کشور، ۴ مه تا ۸ ژوئن ۲۰۲۶، وزن‌دهی‌شده بر اساس سهم تولید ناخالص داخلی هر کشور؛ داده‌ها خوداظهاری است.
• ریشه‌های شکست: رند، ریشه‌های شکست پروژه‌های هوش مصنوعی و راه موفقیت آن‌ها، ۱۳ اوت ۲۰۲۴. بر پایه مصاحبه با ۶۵ متخصص؛ عدد بیش از ۸۰٪ برآوردی است که رند نقل می‌کند، نه اندازه‌گیری خودش.
• کاهش هزینه استنتاج و سخت‌افزار: شاخص هوش مصنوعی استنفورد ۲۰۲۵. عددها بازه نوامبر ۲۰۲۲ تا اکتبر ۲۰۲۴ را پوشش می‌دهند.
• دسترس‌پذیری رابط‌های خارجی: کشورهای پشتیبانی‌شده OpenAI و کشورها و مناطق پشتیبانی‌شده Anthropic، هر دو در ۲۰۲۶-۰۹-۲۴ بررسی شدند و ایران در هیچ‌کدام نبود.
• نمونه قیمت رابط داخلی: صفحه سرویس هوش مصنوعی لیارا، هزینه پلن‌ها و روش محاسبه به همان شکلی که در ۲۰۲۶-۰۹-۲۴ نمایش داده می‌شد. قیمت‌ها تغییر می‌کنند؛ این منبع نمونه‌ای تاریخ‌دار از ساختار صورت‌حساب است، نه توصیه.
• دامنه آزمون امنیت: ده ریسک اصلی OWASP برای مدل‌های زبانی مولد در ۲۰۲۶. منبعی برای کشف تهدید است، نه گواهی.