Ha azt hitted, az AI üzleti terjedésének legnagyobb akadálya a bizalom vagy a szabályozás, érdemes ránézni a számlákra is. Egyre több jel mutat arra, hogy a nagy nyelvi modellek (LLM-ek) jelenlegi árazása nincs összhangban azzal, amit a vállalatok ténylegesen ki tudnak hozni belőlük.

Mi történt

Nikesh Arora, a Palo Alto Networks vezérigazgatója egy tévés interjúban arról beszélt, hogy az LLM-ek használati költségének jelentősen csökkennie kell ahhoz, hogy a technológia széles körben „megérje” a vállalatoknak. Konkrét célszámokat is mondott: 2027-re nagyjából 20 százalékos, 2028-ra pedig 90 százalékos költségcsökkenést tart szükségesnek.

Ez a kijelentés azért érdekes, mert a nagyvállalati AI-beszerzések egyik kimondott-kimondatlan ígérete a munka automatizálása. Az LLM (gondolj rá úgy, mint egy nagyon nagy, szövegen „kiképzett” prediktív motorra) akkor termel látványos üzleti értéket, ha képes stabilan átvenni ismétlődő feladatokat — vagy legalább annyira felgyorsítani őket, hogy az emberi munkaóra-igény érezhetően csökkenjen.

A gond, hogy az automatizálás a gyakorlatban sok helyen nem hozza azt a szintet: a modellek hibázhatnak, „hallucinálhatnak” (magabiztosan állíthatnak valótlan dolgokat), ezért felügyelet, ellenőrzés és utómunka kell. Így az AI sok esetben nem kivált, hanem átrendez: az emberi munka egy része ellenőrzéssé és javítgatássá alakul.

Miért fontos

A vállalati döntéshozók szemszögéből az AI ára akkor tartható, ha a megtérülés (ROI) kézzelfogható: kevesebb munkaóra, gyorsabb kiszolgálás, alacsonyabb költség. Ha viszont az AI inkább „rásegít”, de nem automatizál megbízhatóan, akkor a költségoldal hirtelen nagyon láthatóvá válik: minden lekérdezés, minden generált válasz, minden integráció pénzbe kerül. A Futurism AI értelmezése szerint ez a feszültség oda vezet, hogy az AI sok helyen inkább a munkatempó fokozásának eszköze lett, nem pedig a munka kiváltásáé — és ehhez képest a számlák túl gyorsan nőnek.

Mire figyelj

  1. Árazási modellek változása: várhatóan több lesz a fix díjas, csomagos vagy „vállalati plafonos” konstrukció, mert a tisztán használatalapú (token/lekérdezés) költség nehezen tervezhető.
  2. A „hasznos automatizálás” mércéje: nem demók alapján dől el, hanem ott, ahol mérhetően csökken a hibaarány és az emberi ellenőrzési idő.
  3. Költség vs. minőség kompromisszum: a drágább, nagyobb modellek gyakran jobbak, de ha az üzleti érték nem arányos, a cégek kisebb modellekre, szűkebb feladatokra és erősebb kontrollra válthatnak.
  4. A narratíva szűkülése: ha a piac tényleg kisebb, mint amekkorának be van állítva, az AI-projektek fókusza a látványos „mindent megold” ígéretekről a konkrét, jól körülhatárolt folyamatokra tolódik.

A következő 1-2 év egyik kulcskérdése nem az lesz, hogy „tud-e” az AI, hanem hogy mennyiért tud megbízhatóan, vállalati szinten működni.