বিদেশি মিডিয়া ফরচুন মন্তব্য করেছে যে, কোম্পানির ভিতরে একসময় জনপ্রিয় ছিল “tokenmaxxing” এর প্রবণতা এখন কমে আসছে। tokenmaxxing বলতে বোঝায় কর্মচারী বা দলের AI মডেল কল করার Token সংখ্যাকে উদ্ভাবনী মাত্রা এবং কার্যকারিতার প্রায় সূচক হিসেবে ব্যবহার করা। কিন্তু বিল বাড়ার সাথে সাথে অকার্যকর কলের পরিমাণও বেড়েছে, ফলে এই পদ্ধতির প্রতি অনেক কোম্পানির দৃষ্টি কমে আসছে।
লেখাটি উল্লেখ করে যে, মেটা, অ্যামাজন, ওপেনএআই ইত্যাদি কোম্পানিগুলি আগে থেকেই ঔপচারিক বা অঔপচারিকভাবে টোকেন ব্যবহারের র্যাঙ্কিং পদ্ধতি চালু করেছিল, যা ইঞ্জিনিয়ারদের মডেল ব্যবহারের পরিমাণ নিয়ে প্রতিযোগিতা করতে উৎসাহিত করেছিল। সমস্যা হলো, যখন মেট্রিকগুলি নিজেই মূল্যায়নের লক্ষ্য হয়ে যায়, তখন এটি মূল উদ্দেশ্য থেকে বিচ্যুত হয়ে যায়। ব্রিটিশ ফাইন্যানশিয়াল টাইমস আগে প্রতিবেদন করেছিল যে, অ্যামাজনের কিছুকর্মচারী AI এজেন্টকে বাস্তবিকভাবে অর্থহীন কাজগুলির জন্য চালিয়েছিল, শুধুমাত্র ব্যবহারের ডেটা প্রদর্শনটি বজায় রাখতে।
খরচের চাপ দৃশ্যমান হতে শুরু করেছে
যখন জেনারেটিভ এআই প্রতিষ্ঠানগুলিতে ব্যাপকভাবে চালু হচ্ছে, তখন মডেল কলের খরচও দ্রুত বৃদ্ধি পাচ্ছে। এই নিবন্ধটি বলছে যে, কিছু কোম্পানি ইতিমধ্যেই কর্মচারীদের তৃতীয় পক্ষের এআই এজেন্ট, বিশেষ করে উচ্চ-পারফরম্যান্স মডেলের উপর নির্ভরশীল টুলগুলির ব্যবহার সীমিত করছে। মেটা কর্মচারীদের দ্বারা তৈরি টোকেন র্যাঙ্কিংয়ের সমস্ত তালিকা সরিয়ে ফেলেছে; দ্য ভার্জের প্রতিবেদন অনুযায়ী, মাইক্রোসফট একাধিক গুরুত্বপূর্ণ পণ্য বিভাগের কর্মচারীদের Claude Code সাবস্ক্রিপশন বাতিল করেছে।
ইউবার এছাড়াও প্রকাশ করেছে যে ২০২৬ সালের প্রথম চার মাসেই কোম্পানিটি বছরের জন্য টোকেন বাজেট শেষ করে ফেলেছে, যার অংশটি ক্লাউড কোডের প্রচুর ব্যবহার থেকে এসেছে। সেলসফোর্সের সিইও মার্ক বেনিওফ বলেছেন যে এই বছর কোম্পানিটি অ্যানথ্রোপিককে প্রায় ৩ বিলিয়ন ডলার প্রদান করেছে এবং ভবিষ্যতে একটি আরও বুদ্ধিমান রাউটিং সিস্টেমের আশা করছে, যা বিভিন্ন অনুরোধকে খরচের উপযুক্ত মডেলগুলিতে বণ্টন করবে।
ব্যবসায়িক ফলাফলের প্রতি প্রতিষ্ঠানগুলি বেশি মনোযোগ দেয়
লেখাটি বলে যে, কোম্পানিগুলি টোকেন সূচকগুলি কঠোরভাবে নিয়ন্ত্রণ করার মূল কারণ শুধুমাত্র খরচ কমানো নয়, বরং বিনিয়োগ এবং ফলাফলের মধ্যে ব্যবধান। ইউবারের চিফ অপারেটিং অফিসার অ্যান্ড্রু ম্যাকডোনাল্ড সম্প্রতি বলেছেন যে, কোম্পানিটির জন্য কিছু কর্মচারীর দক্ষতা বৃদ্ধিকে সরাসরি ব্যবহারকারীদের জন্য নতুন ফিচারের বিতরণ বা সামগ্রিক ব্যবসায়িক ফলাফলের সাথে সংযুক্ত করা কঠিন। যদি স্পষ্ট ব্যবসায়িক ফলাফল গঠন করা না যায়, তবে মডেলের খরচকে ধারাবাহিকভাবে যৌক্তিক প্রমাণিত করা আরও কঠিন হয়ে পড়ে।
এই কারণেই শুধুমাত্র টোকেন ব্যবহার ট্র্যাক করা এখন আর কার্যকর পরিচালনা টুল হিসেবে বিবেচিত হচ্ছে না। এটি কলের পরিমাণ প্রতিফলিত করতে পারে, কিন্তু এই কলগুলি পণ্য, প্রক্রিয়া বা আয়কে সত্যিকারভাবে উন্নত করেছে কিনা তা ব্যাখ্যা করতে পারে না।
প্রক্রিয়া পুনর্গঠন থেকেই প্রকৃত ফলাফল আসে
লেখাটি এক্সপোনেনশিয়াল ভিউ-এর লেখক আজিম আজহারের মতামত উদ্ধৃত করে বলছে যে, বর্তমানে এআই-এর বিনিয়োগ এবং উৎপাদনশীলতার মধ্যে অসামঞ্জস্যতা একটি নতুন সাধারণ প্রযুক্তির প্রাথমিক পর্যায়ে সাধারণত দেখা যায় “উৎপাদনশীলতা J-কার্ভ”-এর মতো। প্রতিষ্ঠানগুলি পরীক্ষা-নিরীক্ষার খরচ বাড়ায়, কিন্তু সংক্ষিপ্ত সময়ের মধ্যে স্পষ্ট লাভ দেখতে পায় না, কেবলমাত্র ব্যবসায়িক প্রক্রিয়াগুলি পুনর্ডিজাইন করার পরেই দক্ষতা বৃদ্ধির প্রভাব কেন্দ্রীভূতভাবে প্রকাশ পায়।
বিদ্যুৎ আধুনিকীকরণ করা একটি কারখানার উদাহরণ দিয়ে ব্যাখ্যা করা হয়েছে যে, প্রথমে কোম্পানিগুলি শুধুমাত্র আলোকিত বা শক্তির উৎস প্রতিস্থাপন করে, কিন্তু প্রকৃতপক্ষে উৎপাদনশীলতার বড় বৃদ্ধি ঘটে যখন কারখানার বিন্যাস এবং প্রতিটি যন্ত্রপাতি নতুন প্রযুক্তির চারপাশে পুনর্গঠিত হয়। AI-এর ক্ষেত্রে, অনেক কোম্পানি এখনও আংশিকভাবে পরীক্ষা বা টুলসের সংযোজনের পর্যায়ে আটকে আছে, এবং আরও গভীর প্রক্রিয়া পুনর্গঠনের দিকে যায়নি।
মতামত অনুসারে, টোকেন ব্যবহারের প্রতিযোগিতা পশ্চাদপসরণের মূল কারণ হল এটি "কতটা ব্যবহার করা হয়েছে" সমাধান করে, কিন্তু "কী তৈরি করা হয়েছে" নয়। ব্যবসার জন্য, AI-এর মূল্য চূড়ান্তভাবে পণ্য প্রদান, ব্যবসায়িক মডেল এবং আয়ের প্রদর্শনের উপর নির্ভর করে, মডেল কল র্যাঙ্কিং-এর উপর নয়।