برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
در مورد آن اشتباه نکنید ، در سال 2025 پول زیادی برای AI تولیدی هزینه می شود.
شرکت تحلیلگر گارتنر امروز گزارش جدیدی را منتشر کرد که پیش بینی می کند که هزینه های جهانی AI در سال 2025 به 644 میلیارد دلار برسد. این رقم نشان دهنده افزایش 76.4 ٪ نسبت به سال گذشته نسبت به هزینه های ژنرال AI در سال 2024 است.
گزارش گارتنر در ماه های اخیر به گروه دیگری از تحلیل های صنعت می پیوندد که همه به افزایش فرزندخواندگی و هزینه های ژنرال هوش مصنوعی اشاره دارند. براساس تحقیقات انجام شده توسط هوش مصنوعی در وارتون ، یک مرکز تحقیقاتی در دانشکده وارتون دانشگاه پنسیلوانیا ، هزینه ها 130 درصد در حال رشد بوده است. Deloitte گزارش داد که 74 ٪ از شرکت ها قبلاً از ابتکارات ژنرال AI ملاقات کرده اند یا از آن فراتر رفته اند.
در حالی که جای تعجب نیست که هزینه های ژنرال AI در حال رشد است ، گزارش گارتنر وضوح جدیدی را در مورد اینکه پول در کجا می رود و به کجا ممکن است شرکت ها بیشترین ارزش را کسب کنند ، ارائه می دهد.
طبق تجزیه و تحلیل گارتنر ، سخت افزار ادعا می کند 80 ٪ از کل هزینه های Gen AI در سال 2025. پیش بینی نشان می دهد:
- دستگاه ها 398.3 میلیارد دلار (رشد 99.5 ٪) را تشکیل می دهند
- سرورها به 180.6 میلیارد دلار می رسند (33.1 ٪ رشد)
- هزینه های نرم افزار فقط 37.2 میلیارد دلار (رشد 93.9 ٪) دنبال می شود
- خدمات در مجموع 27.8 میلیارد دلار (رشد 162.6 ٪)
جان لاولوک ، تحلیلگر VP متمایز در گارتنر ، به VentureBeat گفت: “بازار دستگاه بزرگترین تعجب بود ، این بازار است که بیشتر از طرف عرضه به جای طرف تقاضا هدایت می شود.” “مصرف کنندگان و شرکت ها به دنبال دستگاه های فعال AI نیستند ، اما تولید کنندگان آنها را تولید می کنند و آنها را می فروشند. تا سال 2027 ، خرید رایانه ای که AI فعال نیست ، تقریبا غیرممکن خواهد بود.”
تسلط سخت افزار شدت می یابد ، برای شرکت AI کمرنگ نمی شود
با افزایش سخت افزار تقریباً 80 ٪ از هزینه های Gen AI در سال 2025 ، بسیاری ممکن است تصور کنند که با بالغ شدن بازار ، این نسبت به تدریج به سمت نرم افزار و خدمات تغییر می کند. بینش های Lovelock برعکس را نشان می دهد.
لاولاک گفت: “نسبت ها به مرور زمان به نفع سخت افزار تغییر می کنند.” “در حالی که بیشتر و بیشتر نرم افزار دارای ویژگی های فعال Gen AI خواهد بود ، پول کمتری نسبت به نرم افزار Gen AI صرف می شود – Gen AI قابلیت های تعبیه شده به عنوان بخشی از قیمت نرم افزار تعبیه می شود.”
این طرح ریزی پیامدهای عمیقی برای بودجه بندی فناوری و برنامه ریزی زیرساخت ها دارد. سازمانهایی که انتظار دارند هزینه های سخت افزاری را به مرور زمان تغییر دهند ، ممکن است نیاز به مجدداً مدل های مالی خود داشته باشند تا نیازهای سخت افزاری در حال انجام را به خود اختصاص دهند.
علاوه بر این ، ماهیت تعبیه شده عملکرد AI نسل آینده به این معنی است که پروژه های هوش مصنوعی گسسته ممکن است کمتر رایج شود. در عوض ، قابلیت های هوش مصنوعی به طور فزاینده ای به عنوان ویژگی هایی در سیستم عامل های نرم افزاری موجود وارد می شوند و استراتژی های پذیرش عمدی و چارچوب های حاکمیتی را حتی مهم تر می کنند.
Graveyard POC: چرا پروژه های AI شرکت داخلی شکست می خورند
گزارش گارتنر یک واقعیت ترسناک را برجسته می کند: بسیاری از پروژه های داخلی AI اثبات مفهوم (POC) نتوانسته اند نتایج مورد انتظار را ارائه دهند. این چیزی را که Lovelock “پارادوکس” می نامد ، ایجاد کرده است که با وجود سرمایه گذاری گسترده ، انتظارات در حال کاهش است.
وقتی از وی خواسته شد تا در مورد این چالش ها توضیح دهد ، Lovelock سه موانع خاص را شناسایی کرد که به طور مداوم از ابتکارات Gen AI منحرف می شود.
Lovelock توضیح داد: “شرکت هایی که تجربه بیشتری با هوش مصنوعی دارند ، با Gen AI میزان موفقیت بالاتری داشتند ، در حالی که شرکت هایی با تجربه کمتری از نرخ شکست بالاتری برخوردار بودند.” “با این حال ، اکثر شرکت ها به دلیل یک یا چند دلیل برتر شکست خوردند: داده های آنها از نظر اندازه یا کیفیت کافی نبود ، افراد آنها قادر به استفاده از فناوری جدید یا تغییر برای استفاده از فرآیند جدید نبودند یا Gen AI جدید ROI کافی نخواهد داشت.”
این بینش ها نشان می دهد که چالش های اصلی ژن AI محدودیت های فنی نیست بلکه عوامل آمادگی سازمانی است:
- عدم کفایت داده ها: بسیاری از سازمان ها فاقد داده های با کیفیت بالا برای آموزش یا پیاده سازی سیستم های Gen AI به طور مؤثر هستند.
- مقاومت را تغییر دهید: کاربران در تلاش برای اتخاذ ابزارهای جدید یا تطبیق گردش کار برای ترکیب قابلیت های هوش مصنوعی هستند.
- کمبودهای ROI: پروژه ها نمی توانند ارزش تجاری قابل اندازه گیری را که توجیه هزینه های اجرای آنها را توجیه می کند ، ارائه دهند.
محور استراتژیک: از توسعه داخلی گرفته تا راه حل های تجاری
پیش بینی گارتنر ، تغییر انتظار می رود از پروژه های بلندپروازانه داخلی در سال 2025 و بعد از آن. در عوض ، انتظار این است که شرکت ها راه حل های تجاری خارج از قفسه را انتخاب کنند که اجرای و ارزش تجاری قابل پیش بینی تری را ارائه می دهند.
این انتقال نشانگر شناخت فزاینده ای است که ایجاد راه حل های AI سجای سفارشی اغلب چالش های بیشتری را نسبت به آنچه پیش بینی می شود ارائه می دهد. اظهارات Lovelock در مورد نرخ شکست تأکید می کند که چرا بسیاری از سازمان ها به گزینه های تجاری که مسیرهای اجرای قابل پیش بینی و ROI واضح تر را ارائه می دهند ، محور هستند.
برای رهبران فنی ، این نشان می دهد که در اولویت بندی راه حل های فروشنده قرار دارد که قابلیت های ژنرال AI را در سیستم های موجود جاسازی می کنند تا اینکه برنامه های سفارشی را از ابتدا بسازند. همانطور که Lovelock خاطرنشان کرد ، این قابلیت ها به طور فزاینده ای به عنوان بخشی از عملکرد نرم افزار استاندارد به جای محصولات Gen AI جداگانه تحویل داده می شوند.
این به معنای استراتژی AI Enterprise چیست
برای شرکت هایی که به دنبال رهبری در تصویب AI هستند ، پیش بینی گارتنر چندین فرض مشترک در مورد بازار Gen AI را به چالش می کشد. تأکید بر هزینه های سخت افزاری ، رانندگان سمت عرضه و عملکرد تعبیه شده نشان می دهد که یک رویکرد تکاملی تر ممکن است نتایج بهتری نسبت به ابتکارات انقلابی به همراه داشته باشد.
تصمیم گیرندگان فنی باید به جای ساختن راه حل های سفارشی ، بر ادغام قابلیت های Gen AI تجاری در گردش کار موجود تمرکز کنند. این رویکرد با مشاهده Lovelock مطابقت دارد که CIO ها تلاش های خودسازی را به نفع ویژگی های ارائه دهندگان نرم افزار موجود کاهش می دهند.
برای سازمانهایی که قصد پذیرش محافظه کارانه تری دارند ، اجتناب ناپذیری دستگاههای دارای قابلیت AI چالش ها و فرصت ها را ارائه می دهد. در حالی که این قابلیت ها ممکن است بدون در نظر گرفتن هدف استراتژیک از طریق چرخه های تازه سازی منظم وارد شوند ، سازمان هایی که آماده می شوند تا به طور مؤثر از آنها استفاده کنند ، مزایای رقابتی را به دست می آورند.
از آنجا که هزینه های ژنرال AI در سال 2025 به 644 میلیارد دلار تسریع می شود ، موفقیت با صرف حجم به تنهایی تعیین نمی شود. سازمان هایی که سرمایه گذاری های خود را با آمادگی سازمانی هماهنگ می کنند ، بر غلبه بر سه عامل اصلی شکست تمرکز می کنند و استراتژی هایی را برای بهره گیری از قابلیت های ژنرال AI به طور فزاینده تعبیه شده توسعه می دهند ، بیشترین ارزش را از این چشم انداز فناوری به سرعت در حال تحول استخراج می کنند.