لماذا تتسبب تكاليف الرموز في كسر ميزانيات المديرين الماليين في عام 2026

تحولت تكاليف رموز الذكاء الاصطناعي من تفاصيل تقنية بسيطة إلى مشكلة ميزانية على مستوى مجلس الإدارة في أقل من عام. قبل اثنا عشر شهرًا، لم تكن “تكلفة الرمز” بندًا في معظم تقارير المديرين الماليين – والآن تظهر في جميع الأماكن الخاطئة: عبر الأخبار، والمذكرات الداخلية، وتجميد الميزانيات، ومكالمات الأرباح.

منح Uber مهندسيه إمكانية الوصول إلى Claude Code في أواخر 2025. بحلول أبريل 2026، استهلكت الشركة كامل ميزانية الترميز بالذكاء الاصطناعي السنوية في أربعة أشهر. كان ردها وضع حد أقصى للإنفاق بقيمة $1,500 لكل موظف، لكل شهر، لكل أداة، كما أفادت Bloomberg في البداية. السماح باستخدام أداتين للترميز الوكائلي معًا (مثل Claude و Cursor) يضاعف هذا الحد إلى $3,000 شهريًا، أي $36,000 سنويًا لكل مهندس لاستخدام الذكاء الاصطناعي. يُقدر أن Uber لديها حوالي 4,000 مهندس، ما يعادل إنفاقًا قدره $144M على الذكاء الاصطناعي.

قد تكون نفقات Meta أكبر. حذرت مذكرة داخلية من أن تكاليف رموز الذكاء الاصطناعي في طريقها للوصول إلى مليارات الدولارات في عام 2026. السبب يكمن في آلية عمل الوكلاء على نطاق واسع. عندما يتصل وكيل الذكاء الاصطناعي بقاعدة الشيفرة لإصلاح خطأ أو كتابة برنامج، فإنه يعالج آلاف الرموز من سياق الخلفية مع كل طلب. الآن ضع ذلك داخل منظمة بحجم Meta، وأضف دفعة مؤسسية للمهندسين لاستخدام Claude، ولا تنمو استخدامات الرموز فحسب، بل تنفجر.

وفقًا مؤشر الذكاء الاصطناعي لـ Ramp، الذي يتعقب المدفوعات الفعلية للبائعين عبر أكثر من 70,000 شركة، فإن أعلى 1٪ من الشركات التي تعتمد الذكاء الاصطناعي تنفق الآن تقريبًا $7,500 لكل موظف، شهريًا، على الذكاء الاصطناعي، وأن هذا الإنفاق ينمو بنسبة 14.1٪ شهرًا بعد شهر. التنفيذيون في شركة Mercor الناشئة لتوظيف الذكاء الاصطناعي قالوا علنًا أن تكاليف رموز الذكاء الاصطناعي بدأت تقترب، أو تتجاوز، تعويضات الموظفين في بعض المؤسسات.

هناك درس يمكن استخلاصه من هنا. إذا كان بإمكان أكبر شركات التكنولوجيا في العالم أن تتفاجأ بهذه النفقات، فإن أي شخص يمكنه ذلك أيضًا. أصبح استهلاك الرموز فئة نفقات جديدة حقًا، لم تكن موجودة في أي بيان أرباح وخسائر قبل عامين. لا يتصرف هذا النوع من النفقات كما تتصرف تكاليف البرمجيات التي قضت فرق المالية عقودًا في تعلم نمذجتها واحتسابها ضمن حسابات العائد على الاستثمار التقليدية. فهم لماذا تتصرف تكاليف رموز الذكاء الاصطناعي بشكل مختلف تمامًا عن إنفاق البرمجيات التقليدية هو الخطوة الأولى للسيطرة عليها.

لماذا يصعب التنبؤ بتكاليف رموز الذكاء الاصطناعي

يعتمد تمويل البرمجيات التقليدية على افتراض بسيط: يتناسب التكلفة مع عدد الموظفين. عشرة موظفين إضافيين تعني عشرة مقاعد إضافية، بسعر معروف. من السهل التنبؤ به والتخطيط له مع نمو الشركات أو ترخيص منصات برمجية جديدة.

تكسر رموز الذكاء الاصطناعي هذا الافتراض. تتناسب التكلفة مع الاستخدام، وليس مع عدد الموظفين، والاستخدام غير متساوٍ بشكل كبير، وصعب التنبؤ به، وفي حالة الوكلاء المستقلين، لا يرتبط حتى بوجود إنسان يجلس على لوحة المفاتيح. يمكن لمهندس واحد يدير جلسة ترميز وكيلة أن يستهلك آلاف الدولارات في شهر دون أي تحذير، لأن العداد يعمل سواء كان الناتج مفيدًا أم لا. كما تولد العديد من النماذج آلاف الرموز المخفية غير المرئية فقط لت “التفكير” خطوة بخطوة قبل الإجابة، مما يضاعف تكلفة كل طلب.

هذا هو الجزء الذي لم تُدخله معظم المؤسسات في حساباتها: كل دولار من الإنفاق الجديد على الذكاء الاصطناعي الوكائلي يجب أن يأتي من مكان ما. بالنسبة لمعظم المديرين الماليين، ليس هذا خطأ تقريبي يُمتص عبر صندوق الابتكار؛ نحن نتحدث عن ملايين الدولارات من الإنفاق الجديد الذي لم يكن موجودًا قبل عامين. يصبح هذا تبادلًا حقيقيًا بين عدد الموظفين، والاستثمارات التقنية الأخرى، أو الميزانية التقديرية في أقسام أخرى من الأعمال.

المستويات الثلاثة لمخاطر إنفاق الذكاء الاصطناعي في المؤسسات

من خلال النظر إلى كيفية إنفاق المؤسسات فعليًا على الذكاء الاصطناعي، يمكننا ملاحظة نمط أوضح يتشكل. لا يتوزع خطر تكلفة الذكاء الاصطناعي بالتساوي. فهو يتركز في أماكن محددة، ومن المحتمل أن أحد المستويات الثلاثة فقط يكون تحت السيطرة حاليًا في معظم المؤسسات اليوم.

يعتمد المستخدمون التجاريون في المبيعات والتسويق والعمليات إلى حد كبير على أدوات تُسعر لكل مقعد: من $20 إلى $30 لكل مستخدم، شهريًا، بسعر ثابت. هذا هو المستوى الذي تعرف المالية كيفية وضع ميزانيته بالفعل، لأنه يتصرف تمامًا مثل كل بند SaaS آخر اشتروه خلال العشرين سنة الماضية.

المطورون الذين يستخدمون أدوات الترميز الوكائلي هم مصدر قصص نمط Uber، وقد تحول الفئة بأكملها من رسوم ثابتة إلى تسعير بالعداد. GitHub Copilot انتقل إلى الفوترة القائمة على الرموز في يونيو 2026، وتوقع المطورون ارتقاء الفواتير من $29 إلى $750 شهريًا، ومن $50 إلى $3,000 شهريًا في جلسات وكيلية مكثفة. Uber ليس استثناءً هنا، بل هو نظرة مبكرة على الاتجاه الذي تتجه إليه الفئة بأكملها.

الوكلاء المستقلون هم المستوى الذي لم يجرِ أحد نمذجته بعد تقريبًا. لا يوجد مفهوم “مقعد” للوكيل. يعمل دون إشراف، ينشئ وكلاء فرعيين، يعيد المحاولة عند الفشل، ويستهلك الرموز طوال الوقت، سواءً أنتج شيئًا ذا قيمة أم لا. هذه هي الطبقة التي تملك أقل بيانات تكلفة وأقل سوابق في وضع الميزانية.

ببساطة: المستوى الذي يشعر به المديرون الماليون بالراحة هو أيضًا أصغر مخاطر مالية. المستويان الذين يفاقمان الميزانيات فعليًا هما تلك التي تبتعد عن التسعير القابل للتنبؤ في اللحظة التي يتسارع فيها الاستخدام بأسرع وتيرة.

سد فجوة إدارة تكاليف الذكاء الاصطناعي

الخيط المشترك عبر Uber وMeta ومجموعة بيانات Ramp الأوسع هو نقص في الرؤية. معظم المؤسسات لا تمتلك طبقة بين الموظف أو الوكيل الذي يفتح الأداة. حدود الإنفاق مثل Uber هي حل خشن بعد وقوع المشكلة، بينما المشكلة تتطلب حلاً في المصدر.

هذه هي الفجوة التي تم بناء فئة أحدث من الأدوات، غالبًا ما تُسمى تنسيق الوكلاء أو بوابات الوكلاء، لمعالجتها: توجيه كل مهمة إلى النموذج الأرخص القادر على التعامل معها، فرض حدود الإنفاق قبل تجاوزها، وتزويد المالية بمؤشر لحظي بدلاً من مفاجأة شهرية.

هذه الفئة تتطور بسرعة، وقد بدأت بالفعل في الانقسام إلى عدة طبقات متميزة. الطبقة الأولى هي بوابات التحكم في التكلفة التي تقع بين تطبيقات المنظمة ومزودي النماذج لديها، وتضيف حدود إنفاق لكل فريق، وتوجيه تلقائي إلى النماذج الأرخص للمهام البسيطة، وتخزين استجابات مؤقت، وهي نفس الأدوات التي استخدمتها Uber يدوياً عندما فرضت حدها. الطبقة الثانية هي تنسيق الوكلاء الذي يركز على تنسيق عدة وكلاء يعملون معًا، مع رؤية تكلفة مدمجة بشكل متزايد بدلاً من إضافتها لاحقًا. والطبقة الأحدث، الموجهة للمالية، بدأت في معالجة إنفاق الذكاء الاصطناعي الطريقة التي عالجتها فرق FinOps للإنفاق السحابي منذ فترة طويلة: يُنسب للفريق والميزة، يُدرج في الميزانية، ويُراجع شهريًا بدلاً من اكتشافه بعد وقوعه.

ثم هناك نهج معماري يهدف إلى تقليل الإنفاق عن طريق خفض الاعتماد على نماذج اللغة الكبيرة (LLMs). بدأت بعض الشركات في إنشاء بنية هجينة SLM/LLM حيث يتم تدريب نماذج لغة صغيرة على مجموعة ضيقة من المهام المؤسسية (مثل السياسات الداخلية، خدمة العملاء، معالجة مستندات القروض، تحليل قوائم الشحن). يمكن أن تكون الاقتصادية جذابة.

وفقًا لـ مقارنة مؤسساتية لنماذج اللغة الكبيرة لعام 2026، عند مليون محادثة شهرية، تتراوح تكلفة نماذج اللغة الكبيرة المستضافة على الحافة بين 15,000 إلى 75,000 دولار شهريًا، بينما تكلف نموذج لغة صغير مُدرب خصيصًا ومُنَشَّأ داخليًا بين 150 إلى 800 دولار شهريًا لنفس الحجم. Goldman Sachs، على سبيل المثال، يدير إنفاق الذكاء الاصطناعي على نطاق واسع عبر بوابة نموذج مركزية تصنف كل طلب حسب نوع المهمة وتوجيهه إلى النموذج الأكثر فعالية من حيث التكلفة للوظيفة، بدءًا من النماذج المفتوحة الخفيفة إلى نماذج اللغة الكبيرة على الحافة، كل ذلك ضمن نطاق أمانها الخاص.

الخيط المشترك هو أن معظم أدوات اليوم تم بناؤها من قبل المهندسين ولهم، لتسريع إنتاجيتهم عبر استخدام الوكلاء. الطبقة التي لا تزال معظم المؤسسات تفتقدها هي تلك المصممة للإجابة مباشرة على سؤال المدير المالي: أي فريق، أي ميزانية، كيف نتوقع النفقات وما هو حالة الاستخدام التجاري المدعومة بهذا الإنفاق؟ هذه هي الفجوة التي من المرجح أن تكون الأكثر أهمية مع استمرار تضاعف إنفاق الذكاء الاصطناعي القائم على الوكلاء.

قبل عامين، لم يكن أي من هذا موجودًا كبند منفصل. اليوم، تُعد تكاليف رموز الذكاء الاصطناعي واحدة من أسرع العناصر نموًا والأقل فهمًا في الميزانية العمومية، وإدارة تكاليف الذكاء الاصطناعي أصبحت بسرعة مجالًا ماليًا أساسيًا بدلاً من مشروع جانبي. رأينا قصة مماثلة عندما تم اعتماد الحوسبة السحابية لأول مرة وانفجرت التكاليف خلال الموجة الأولى. ستستفيد المؤسسات التي تخطط لإطلاق الذكاء الاصطناعي القائم على الوكلاء من إجراء هذه المناقشة بين الهندسة والمالية الآن ووضع نهج لإدارته. لقد أظهرت Uber وMeta بالفعل ما يحدث عندما يتم التعامل معه بعد وقوعه بدلاً من قبله.