دیتابریکس برای اجرای هوش مصنوعی در اروپا و خاورمیانه ۳ میلیارد دلار کنار می‌گذارد

دیتابریکس برای اجرای هوش مصنوعی در اروپا و خاورمیانه ۳ میلیارد دلار کنار می‌گذارد

دیتابریکس می‌خواهد طی سه سال حدود ۳ میلیارد دلار در اروپا و خاورمیانه سرمایه‌گذاری کند و مهندسان و تیم‌های همکاری با مشتریان را گسترش دهد.

پژوهش ژرف۲۱ آبان ۱۴۰۵۸ دقیقهمنبع: Databricks

این برنامه توجه را به کار اجرای پروژه جلب می‌کند، اما هنوز نه جزئیات تقسیم هزینه روشن است و نه بازده مشتری ثابت شده. نظرسنجی تازه آی‌بی‌ام فاصله اطمینان به کنترل و آزمون منظم آن را نشان می‌دهد؛ حساب‌های فصلی پریسایت هم درآمد و سود واقعی را از تعهد آینده جدا می‌کند. عرضه گسترده‌تر کربن گوگل تغییر قیمت نزدیک‌تری پیش رو می‌گذارد. ژرف بررسی می‌کند مشتری چه چیزی را باید بیازماید تا حضور متخصص بیشتر واقعاً به اجرای قابل اتکا و اقتصادی هوش مصنوعی برسد.

تحلیل ژرف

دیتابریکس روز ۱۱ نوامبر اعلام کرد که می‌خواهد طی سه سال حدود ۳ میلیارد دلار در اروپا و خاورمیانه سرمایه‌گذاری کند و تیم‌های تحقیق و توسعه و همکاری با مشتریان را گسترش دهد. نکته خبر فقط بزرگی رقم نیست: این برنامه برای کمک به اجرای هوش مصنوعی در شرکت‌هاست، نه اعلام ساخت دیتاسنترهایی به ارزش ۳ میلیارد دلار. برای خریدار، پرسش روشن است: آیا حضور متخصصان بیشتر می‌تواند فاصله پرهزینه میان یک نمایش موفق و یک کار روزانه قابل اتکا را کوتاه کند؟

این شرکت انتظار دارد شمار کارکنانش در اروپا، خاورمیانه و آفریقا، که اکنون بیش از ۲ هزار نفر است، در همین دوره حدود ۵۰ درصد افزایش یابد. هنوز با برنامه و هدف روبه‌رو هستیم؛ نه پولی که خرج شده یا منفعتی که مشتری گرفته است. اطلاعیه، سهم دقیق هر بخش از هزینه و بازده اندازه‌گیری‌شده مشتریان را مشخص نمی‌کند. برداشت ژرف این است که هزینه اجرای پروژه را باید جدا از دسترسی به مدل دید. شرکتی ممکن است مدل توانمندی در اختیار داشته باشد، اما کسی را نداشته باشد که تعریف داده‌ها، سطح دسترسی افراد و قواعد رسیدگی به موارد استثنایی را به هم وصل کند. افزایش نیروی فروشنده می‌تواند کمک کند؛ تعداد استخدام‌ها به‌تنهایی سند حل این مسائل نیست.

گزارش ۱۱ نوامبر آی‌بی‌ام نمونه‌ای از همین فاصله را نشان می‌دهد. در نظرسنجی شاخص حاکمیت دیجیتال از ۲۰۰۳ تصمیم‌گیر ارشد در هفت کشور، به‌طور متوسط ۸۲ درصد با اطمینان زیاد یا بسیار زیاد گفته‌اند می‌توانند برای کنترل خود مدرک ارائه کنند؛ اما فقط ۳۳ درصد توانایی نشان‌دادن این کنترل را منظم می‌آزمایند. این پژوهش را یک فروشنده فناوری سفارش داده و پاسخ‌ها خوداظهاری‌اند، نه حاصل بازرسی مستقل سامانه‌ها. با این محدودیت، سؤال مفیدی پیش روی خریدار می‌گذارد: وقتی باید دسترسی، تأمین‌کننده یا تصمیم خودکار تغییر کند، شرکت واقعاً می‌تواند نتیجه را نشان دهد یا فقط به متن دستورالعمل اشاره می‌کند؟

برای ملموس‌شدن مسئله، یک دستیار فرضی تدارکات را در نظر بگیریم که پیشنهاد پرداخت به فروشنده می‌دهد. پیداکردن فاکتور درست کافی نیست. سقف مجوز، شخصیت حقوقی پرداخت‌کننده، اعتبار حساب بانکی و تکلیف اختلاف میان سوابق نیز باید معلوم باشد. متخصص اجرای پروژه می‌تواند این قواعد را به گردش کار وصل کند، اما آزمودن آن‌ها همچنان بر عهده مشتری است. در نمایش اولیه شاید یک پیشنهاد درست ببینیم؛ در آزمون عملیاتی باید مجوز منقضی، حساب تغییرکرده و فاکتور تکراری هم برای بررسی متوقف شوند. همین چند حالت توضیح می‌دهد چرا خرید دسترسی به مدل با تحویل یک فرایند آماده کار یکی نیست.

در سوی دیگر، پریسایت روز ۱۱ نوامبر ارقام فعالیت انجام‌شده را منتشر کرد. درآمد سه‌ماهه سوم منتهی به ۳۰ سپتامبر به ۷۴۹٫۲ میلیون درهم رسید، ۱۴٫۷ درصد بیشتر از سال قبل؛ سود پس از مالیات گروه نیز با رشد ۳۱ درصدی، ۱۴۴٫۵ میلیون درهم شد. صورت‌های مالی میان‌دوره‌ای این ارقام گرد‌شده را تأیید می‌کنند، ولی سود منتسب به صاحبان شرکت ۱۳۱ میلیون درهم است و نباید با سود کل گروه جابه‌جا شود. این حساب‌ها بررسی محدود شده‌اند، نه حسابرسی کامل. شرکت همچنین سهم قراردادهای چندساله از درآمد فصل را ۹۸٫۷ درصد و مانده کار قراردادها را ۴٫۴۱ میلیارد درهم گزارش کرده است.

پریسایت کسب‌وکاری جداگانه است؛ نتیجه آن تضمینی برای بازده سرمایه‌گذاری دیتابریکس نیست. اهمیت این مقایسه در تفاوت نوع عددهاست. درآمد، کار تحویل‌شده را طبق قواعد حسابداری ثبت می‌کند؛ مانده قرارداد، کار باقی‌مانده است و معادل پول وصول‌شده نیست. قرارداد چندساله می‌تواند تداوم کار را بیشتر کند، ولی مسئولیت نگهداری سامانه پس از راه‌اندازی را هم برای عرضه‌کننده باقی می‌گذارد. بنابراین کنار هم گذاشتن دو رقم بزرگ، بدون توجه به معنای آن‌ها، چیزی درباره موفقیت هوش مصنوعی نمی‌گوید. باید معلوم باشد از برنامه هزینه آینده حرف می‌زنیم، از درآمد تحقق‌یافته، از سود، یا از تعهدی که هنوز باید اجرا شود.

در همین حال، دسترسی به مدل‌ها بسیار سریع‌تر از یک برنامه استخدام سه‌ساله تغییر می‌کند. گوگل روز ۱۰ نوامبر جمینای ۴ کربن را از طریق API در اختیار توسعه‌دهندگان و سازمان‌های پرداخت‌کننده گذاشت. نرخ آغازین هر یک میلیون توکن ورودی ۲ دلار و خروجی ۱۰ دلار است؛ پس از ۳۰ نوامبر این نرخ‌ها به‌ترتیب ۴ و ۲۰ دلار می‌شوند. عرضه عمومی‌تر به معنای برداشته‌شدن محدودیت جداگانه نسخه امنیت سایبری کربن نیست. منابع این گزارش نیز استفاده دیتابریکس یا پریسایت از این مدل در خدمات مورد بحث را ثابت نمی‌کنند. این خبر نمونه‌ای تازه از تغییر هزینه یکی از اجزای پروژه است، نه اعلام همکاری میان این شرکت‌ها.

قیمت توکن را نمی‌توان هزینه انجام کامل کار دانست. در همان مثال فرضی پرداخت، پاسخ اول ارزان اگر به چند بار تلاش و بررسی دستی طولانی منجر شود، ممکن است از پاسخ گران‌تری که با اطمینان پذیرفته می‌شود هزینه بیشتری بسازد. برعکس، برای کنترل ساده‌ای که قاعده قطعی دارد شاید مدل قوی‌تر لازم نباشد. مقایسه مفید این است که فاکتورها و معیار پذیرش ثابت بمانند و همه فراخوانی‌های مدل، هزینه ابزار، زمان بازبینی انسان و موارد حل‌نشده ثبت شوند. این پیشنهاد روش آزمون است، نه ادعای صرفه‌جویی. چنین محاسبه‌ای همچنین نمی‌گذارد تخفیف کوتاه‌مدت آغاز عرضه، بی‌سروصدا مبنای بودجه یک سال قرار گیرد.

چشم‌انداز امنیت سایبری گوگل در ۱۱ نوامبر محدودیت دیگری را یادآوری می‌کند: سازمان باید ببیند ابزار هوش مصنوعی به چه چیزهایی دسترسی دارد و چه کاری انجام می‌دهد. این متن پیش‌بینی سال ۲۰۲۷ است، نه مدرک اینکه محصولی امروز جلوی همه تصمیم‌های غلط را می‌گیرد. در مثال پرداخت، توضیحی که بعداً درباره پیشنهاد نوشته شود کافی نیست؛ سوابق داده و مجوز واقعاً استفاده‌شده و امکان توقف پیش از اقدام اثرگذار لازم است. ارزش بخشی از کار اجرایی همین‌جاست: به جای صرفاً جواب چشمگیر، فرایندی بسازد که بتوان آن را دید، بررسی کرد و برگرداند.

نزدیک‌شدن متخصص فروشنده به مشتری یک بده‌بستان هم دارد. اتصال سامانه‌ها ممکن است سریع‌تر انجام شود، اما اگر تعمیر آن فقط از همان متخصص برآید، وابستگی تازه‌ای ساخته‌ایم. یک آزمون تحویل می‌تواند این باشد که تیم خود مشتری قاعده تأیید پرداخت را تغییر دهد، علت اجرای ناموفق را پیدا کند و بدون دخالت ثبت‌نشده فروشنده کار را به وضعیت عادی برگرداند. لازم نیست برای این آزمون کل پلتفرم تعویض شود. کافی است روشن شود فردا چه کسی فرایند را اداره می‌کند، چه مدرکی در دسترس اوست و با رفتن تیم اولیه پروژه چه اتفاقی می‌افتد. محلی‌بودن دفتر پاسخ هیچ‌یک از این پرسش‌ها نیست.

نشانه‌های بعدی را نیز باید دقیق انتخاب کرد. درباره دیتابریکس، استخدام واقعی و تحویل پروژه‌های منطقه‌ای فاصله وعده تا اجرا را روشن‌تر می‌کند؛ نتیجه یک کار مشخص با مبنای مقایسه معلوم از خبر شروع آزمایشی دیگر ارزشمندتر است. در گزارش‌های بعدی پریسایت باید تبدیل تعهدات قراردادی به درآمد و وجه نقد را دید، نه اینکه مانده قرارداد امروز را سود تضمین‌شده حساب کرد. خریداران مدل هم با پایان قیمت آغازین کربن، خیلی زود فرصت بازبینی بودجه دارند. این‌ها شرکت‌ها و دوره‌های زمانی متفاوت‌اند؛ کنار هم قرارگرفتنشان موضوع خبر اصلی را روشن می‌کند، اما نتیجه یکی راهبرد دیگری را تأیید نمی‌کند.

جمع‌بندی ژرف محدود و مشخص است: دیتابریکس برای کارهای پیرامون اجرای هوش مصنوعی سازمانی سرمایه‌گذاری قابل توجهی اعلام کرده، ولی مشتری هنوز به مدرک نیاز دارد که این کارها با هزینه کل قابل قبول، عملیات قابل اتکا می‌سازند. نقطه پایان بررسی خبرها ساعت ۹:۰۴ تهران در ۱۲ نوامبر است. برای پوشش تغییر دسترسی کربن در ۱۰ نوامبر، بازه پژوهش تا ۴۸ ساعت گسترش یافته؛ اطلاعیه سرمایه‌گذاری، نظرسنجی و نتایج مالی همگی مربوط به ۱۱ نوامبرند. تصویر جلد، تصویرسازی مفهومی تولیدشده با هوش مصنوعی است و عکس تأسیسات دیتابریکس نیست. این مطلب تحلیل خبر است، نه توصیه سرمایه‌گذاری.

منابع و اسناد

  1. Databricks to Invest ~$3 Billion Across Europe and the Middle East to Accelerate Enterprise AI Adoption
    Databricks، ۲۰ آبان ۱۴۰۵
  2. IBM Digital Sovereignty Index: In the AI Era, Control Is No Longer Enough. Enterprises Must Prove It.
    IBM، ۲۰ آبان ۱۴۰۵
  3. Presight Reports 14.7% Revenue Growth to AED 749.2 million and 31.0% Rise in Profit After Tax in Q3-2026
    Presight، ۲۰ آبان ۱۴۰۵
  4. Presight AI Holding PLC: Condensed Consolidated Interim Financial Information for the Nine-Month Period Ended 30 September 2026
    Presight، ۲۰ آبان ۱۴۰۵
  5. Gemini 4 Carbon is now available
    Google، ۱۹ آبان ۱۴۰۵
  6. Google Cloud leaders share what to expect in cybersecurity for 2027.
    Google، ۲۰ آبان ۱۴۰۵

برچسب‌هادیتابریکسهوش مصنوعی سازمانیاجرای هوش مصنوعیحاکمیت دیجیتالنتایج مالی پریسایتقیمت مدل

مطالب مرتبط

یک فرایند را با ما در میان بگذارید

اگر این مطلب به فرایندی واقعی در سازمان شما مربوط است، از صفحه خدمات شروع کنید یا با ما تماس بگیرید.