Kako je Revolut smanjio troškove veštačke inteligencije

Ekonomika tokena u razvoju softvera

Savremeni razvoj softvera sve više se oslanja na autonomne agente koji pišu kod, testiraju ga i ispravljaju greške umesto ljudi. U pozadini ovih naprednih sistema nalazi se model naplate koji meri potrošnju kroz tokene, gde jedan token obuhvata približno tri četvrtine jedne reči. Kada inženjer postavi složen zadatak pred model veštačke inteligencije, sistem ne šalje samo postavljeno pitanje već i celokupnu istoriju razgovora, sve prateće datoteke i povratne informacije iz komandne linije.

Sa svakim novim korakom u rešavanju problema količina podataka koja se ponovo šalje serverima raste, što direktno uvećava račun. U početnoj fazi uvođenja ovih tehnologija, pojedinačne kompanije su beležile mesečne troškove po inženjeru koji su dostizali i više hiljada dolara. Bez jasne strategije upravljanja resursima, budžeti za razvoj softvera mogu brzo da izmaknu kontroli i opterete poslovanje.

Razumevanje ove ekonomske strukture ključno je za održiv rast tehnoloških preduzeća. Kompanije koje ne prate potrošnju po tokenu često plaćaju najskuplje opcije čak i za najjednostavniji rad na kodu. Efikasno upravljanje ovim troškovima zahteva tehničko znanje i uvođenje pravila koja sprečavaju nepotrebno trošenje računarske snage.

Strategija smanjenja troškova u praksi

Evropska digitalna banka Revolut sprovela je korenite promene u načinu na koji dve hiljade njenih inženjera koriste programske agente veštačke inteligencije. Tokom perioda kraćeg od godinu dana, rukovodstvo ovog finansijskog sistema uspelo je da smanji ukupne izdatke za ove alate za oko devedeset posto. Ključni nosilac ove operacije bio je David Abitbol, predvodnik sektora za operacije veštačke inteligencije u kompaniji, koji je detalje predstavio stručnoj javnosti na konferenciji u Njujorku.

Pre uvođenja novih pravila, pojedini zaposleni trošili su značajna sredstva mesečno samo na korišćenje naprednih modela za pisanje koda. Nakon reorganizacije, troškovi su svedeni na znatno niži nivo po milion tokena, čime je postignuta cena višestruko niža od standardnih komercijalnih tarifa. Ova optimizacija nije narušila radne navike tima, već je dovela do veće upotrebe alata nego ranije.

Primer ove banke pokazuje da masovna primena napredne tehnologije ne mora nužno da donosi ogromne račune. Uz pravilnu postavku sistema, kompanije mogu da zadrže visoke performanse uz minimalne troškove. Ova promena prakse postala je putokaz za mnoga preduzeća koja traže način da integrišu veštačku inteligenciju bez ugrožavanja profitabilnosti.

Merenje uticaja na brzinu i produktivnost

Smanjenje finansijskih izdataka često sa sobom nosi bojazan da će kvalitet rada i brzina isporuke opasti. Ipak, iskustvo evropske digitalne banke pokazuje suprotan trend gde su se ključni pokazatelji uspešnosti značajno popravili. Vreme potrebno za pisanje koda smanjeno je za šezdeset posto, dok je takozvano vreme od ideje do isporuke skraćeno za sedamdeset posto.

Ovi podaci dokazuju da jeftiniji modeli veštačke inteligencije mogu biti jednako efikasni ako se koriste na pravi način. Inženjeri više ne gube vreme na administrativne zadatke i rutinsko pisanje koda, već se fokusiraju na arhitekturu i rešavanje složenih problema. Kada su alati brži i pristupačniji, zaposleni ih češće koriste u svakodnevnom radu.

Povećanje produktivnosti direktno utiče na konkurentnost na tržištu gde brzina izbacivanja novih funkcija često odlučuje o uspehu proizvoda. Finansijske uštede ovde nisu postignute kroz smanjenje obima posla, već kroz pametnije raspoređivanje resursa. Time se stvara model u kojem tehnički timovi postižu više uz manji utrošak kapitala.

Različiti pristupi upravljanju tehnologijom

Dok pojedine kompanije uspešno pronalaze načine da optimizuju potrošnju, druge pribegavaju drastičnim merama kontrole. U istoj sedmici kada su objavljeni rezultati evropske banke, investiciona banka Goldman Sachs uklonila je pristup određenim naprednim alatima svojim trgovcima. Slične poteze povukao je i proizvođač računara Apple, koji je smanjio dnevne budžete za veštačku inteligenciju pojedinim inženjerima.

Ove oprečne strategije oslikavaju širu nesigurnost na tržištu u vezi sa povratom ulaganja u ove tehnologije. Bez jasnih internih pravila, troškovi korišćenja modela mogu nekontrolisano rasti, što primorava rukovodstva na nagle rezove. Ograničavanje pristupa predstavlja rešenje u kratkom roku, ali dugoročno može usporiti inovacije unutar organizacije.

Izbor između restrikcije i optimizacije zavisi od sposobnosti menadžmenta da postavi prave sisteme kontrole. Kompanije koje razumeju tehničku pozadinu potrošnje mogu zadržati alate i istovremeno smanjiti troškove. S druge strane, preduzeća koja nemaju razrađenu strategiju često završavaju u situaciji da potpuno ukidaju pristup zaposlenima.

Metodologija optimizacije za tehnološke timove

Smanjenje troškova razvoja softvera uz pomoć veštačke inteligencije zahteva sistematski pristup i detaljnu analizu svake stavke u budžetu. Prvi korak obuhvata sprovođenje temeljne revizije potrošnje unutar tima kako bi se otkrila mesta na kojima se resursi najviše rasipaju. Mnoge organizacije troše značajna sredstva na skupe modele jer oni predstavljaju podrazumevani izbor za sve vrste zadataka.

Osnovni princip uštede leži u usmeravanju zadataka ka najjeftinijem modelu koji može uspešno da obavi poslove. Složeni modeli sa visokom cenom po tokenu treba da se pozivaju samo onda kada jednostavnije opcije ne mogu da reše problem. Postavljanjem ekonomičnijeg modela kao podrazumevanog, kompanije automatski smanjuju veći deo mesečnih troškova bez gubitka funkcionalnosti.

Takođe, preduzeća moraju pažljivo da biraju između fiksnih pretplata i naplate po stvarnoj potrošnji tokena. Izbor zavisi od radnih navika i potreba svakog pojedinačnog inženjera unutar sistema. Detaljna analiza ovih navika omogućava precizno prilagođavanje paketa usluga i dodatno smanjenje nepotrebnih izdataka.

Zaštita profitabilnosti i marži proizvoda

Finansijska optimizacija nije važna samo za interne troškove razvoja već i za krajnje proizvode koje kompanije plasiraju na tržište. Svaka interakcija korisnika sa sistemom veštačke inteligencije unutar aplikacije ima svoju cenu koja opterećuje poslovnu maržu. Merenje troškova po svakoj pojedinačnoj akciji korisnika predstavlja temelj za očuvanje profitabilnosti poslovanja.

Tehnički timovi mogu zaštititi marže primenom naprednih metoda poput keširanja podataka, grupisanja zahteva u serije i kreiranja kaskadnih sistema. Kaskadni sistem podrazumeva da se zahtev prvo upućuje najjeftinijem modelu, dok se skuplje opcije uključuju samo po potrebi. Ovakav pristup sprečava prekomerno trošenje resursa prilikom obrade velikog broja korisničkih zahteva.

Održivost digitalnih proizvoda uveliko zavisi od sposobnosti kontrole ovih operativnih troškova na duže staze. Kompanije koje zanemare ekonomiju tokena mogu se naći u situaciji da im svaka nova mušterija donosi gubitak umesto zarade. Pažljivo planiranje arhitekture sistema osigurava da rast broja korisnika prati i stabilan rast prihoda.

Izvor: Product Market Fit · Fotografija: Pexels / Freepik (ilustracija)