سوالی که در میان فاکتورهای پراکنده گم میشود
در بسیاری از سازمانها، امروز واحد بازاریابی برای تولید تصویر یک اشتراک خریده، واحد اداری برای خلاصهسازی اسناد یک اشتراک دیگر، و چند کارمند هم با کارت شخصی خودشان برای ChatGPT حساب پولی باز کردهاند. هیچکدام از این هزینهها بهتنهایی بزرگ بهنظر نمیرسد. اما سوالی که کمتر پرسیده میشود این است: اگر همه این هزینههای پراکنده را کنار هم بگذاریم، سازمان هر ماه واقعاً چقدر برای هوش مصنوعی خرج میکند؟
چرا این هزینه معمولاً دیده نمیشود
این نوع هزینه، دقیقاً همان چیزی است که در دنیای فناوری اطلاعات «Shadow IT» نامیده میشود — ابزارهایی که بدون تأیید یا هماهنگی متمرکز، توسط واحدها یا کارمندان بهصورت مستقل خریداری میشوند. گزارشهای بینالمللی نشان میدهند در بسیاری از سازمانها، تا ۳۰ درصد از کل هزینه فناوری اطلاعات، به همین شکل پراکنده و خارج از دید متمرکز خرج میشود — و هزینه واقعی این پراکندگی، معمولاً ۳۰ تا ۴۰ درصد بیشتر از آنچیزی است که در بودجه پیشبینی شده بود.
جزء اول: هزینه تکراری بین واحدهای مختلف
وقتی چند واحد سازمان، بدون اطلاع از هم، برای یک نیاز مشابه (مثلاً تولید تصویر یا خلاصهسازی متن) جداگانه اشتراک میخرند، سازمان همان قابلیت را چند بار پرداخت میکند. علاوه بر این، خرید پراکنده و کوچک، هیچوقت از تخفیفهای حجمی که یک قرارداد سازمانی متمرکز میتواند به همراه داشته باشد، بهره نمیبرد.
جزء دوم: هزینههای شخصی که هیچوقت در بودجه رسمی دیده نمیشوند
بخشی از این هزینه، حتی از طریق فاکتور رسمی سازمان هم رد نمیشود — کارمندی که با کارت شخصی خودش یک اشتراک هوش مصنوعی میخرد و بعداً هزینهاش را از سازمان میگیرد، یا حتی هزینه را اصلاً درخواست نمیکند. این یعنی سازمان یک تصویر ناقص و کمتر از واقعیت، از کل هزینه واقعی هوش مصنوعی خودش دارد.
جزء سوم: ریسک امنیتی دادههای سازمانی در حسابهای شخصی
شاید مهمترین و پرهزینهترین جزء، ریسکی است که وقتی کارمندی سند یا داده سازمانی را داخل یک حساب شخصی و بدون نظارت هوش مصنوعی وارد میکند، ایجاد میشود. این دقیقاً همان نگرانی است که در مقاله اطلاعات ممنوعه دانشنامه سازمانی هم مطرح شد؛ با این تفاوت که در حسابهای شخصی و پراکنده، سازمان حتی نمیداند این داده کجا وارد شده و آیا نگهداری میشود یا نه.
جزء چهارم: هزینه یادگیری پراکنده و بدون انتقال دانش
وقتی هر کارمند بهطور مستقل با ابزار متفاوتی کار میکند، هرکسی باید از صفر یاد بگیرد چطور از آن ابزار بهترین استفاده را ببرد — و این یادگیری، چون پراکنده است، هیچوقت بین تیمها به اشتراک گذاشته نمیشود. یک کارمند که یک ترفند مفید در استفاده از هوش مصنوعی کشف کرده، هیچ راهی برای انتقال آن به همکارش که از ابزار متفاوتی استفاده میکند، ندارد.