Інженери, токени та нове покоління технологій: Як Nvidia змінює підхід до витрат
У світі високих технологій зростає значення ефективного використання ресурсів, і глава Nvidia Jensen Huang має неабияке бачення на цей рахунок. Він заявляє, що якщо витрати на токени штучного інтелекту інженера з зарплатою $500,000 не перевищують половину їхньої річної зарплати, він “буде глибоко стурбований”. Компанія Nvidia готується до нових викликів і прагне витрачати до $2 мільярдів щорічно на токени для своєї інженерної команди.
Замикаючи GTC 2026, Huang розповів про компроміс, який вже зробили більшість компаній: гроші, які раніше витрачалися на людей, тепер все частіше йдуть на токени. Чотири найбільші гіперскалери запланували близько $700 мільярдів капіталовкладень на 2026 рік, що майже вдвоє більше, ніж минулого року. Дані фірми Challenger, Gray & Christmas показують, що AI є найбільш цитованою причиною скорочень робочих місць у США.
Багато компаній, як Meta, вдаються до скорочень, щоб компенсувати інвестиції у нові технології, але ці скорочення не завжди приносять обіцяні результати. В ході опитування Gartner з’ясувалося, що 80% компаній, які використовують AI, зменшили чисельність персоналу, але це не дало покращення бізнес-показників. Як зазначає аналітик Helen Poitevin: “Зменшення робочої сили може створити бюджет, але не створює повернення інвестицій.”
Uber, наприклад, наочно дізнався, що надання 5,000 інженерам AI-інструментів призвело до вичерпання їхнього бюджету на 2026 рік вже у квітні, не забезпечивши при цьому значного покращення взаємодії з клієнтами. Це веде до розуміння, що фірми повинні розглядати бюджет на токени як гнучкий, а не фіксований.
Як оптимізувати витрати на токени
Найпростіше рішення для скорочення марнотратних витрат – це зупинити процесинг одного і того ж тексту. Використання кешування запитів, стандартне серед API-постачальників, дозволяє скоротити витрати на повторний запит до 90%. Історії успіху, як у фірми ProjectDiscovery, підтверджують, що пройдений шлях може повернути більше бюджету, ніж деякі раунди скорочень персоналу.
Зміна маршрутизації навантаження до оптимальної моделі також може знизити вартість. Розподіл задач на підмножину бази знань або стиснення надлишкових прикладів допомагає ефективніше використовувати AI.
Людський фактор у центрі уваги
Оптимізація використання токенів має сенс лише за умови, що заощаджені кошти використовуються правильно. Дослідження показують, що організації, які зосереджені на підсиленні працівників через AI, отримують найкращу віддачу від інвестицій. Як показав приклад Klarna, спроба замінити працівників AI без людської участі не завжди веде до покращення якості обслуговування.
На 2027 рік очікується, що половина компаній, які спробували замінити персонал AI, поверне людські ресурси. Досвід Klarna демонструє, що модель, де AI виконує рутинну частину роботи, залишаючи складні завдання людям, є ефективнішою.
Для багатьох компаній, скорочення витрат на токени дозволяє зосередитись на відновленні людського капіталу, оскільки саме молоді інженери зможуть надалі управляти цими системами. Лідери тепер мають вирішувати, як оптимально використати вивільнені ресурси, щоб у майбутньому були ті, хто зробить токени справжніми рухомими силами розвитку.
