UBS korporativ tadqiqoti: AI xarajatlari hamon kuchli, "o‘zi qurilgan" dasturlar tendentsiyaga aylangan, ma’lumotlarni boshqarish jamoasi beqiyos ahamiyatga ega

Korporativ AI sarmoyalariga kiritilgan mantiqiy asosda strukturaviy o‘zgarishlar yuz bermoqda, biroq bu o‘zgarish moliyaviy byudjetlarning qisqarishiga olib kelgani yo‘q.

Tezkor tranzaksiya platformasi ma’lumotiga ko‘ra, UBS tahlilchisi Karl Keirstead 10 avgust kuni chiqargan korporativ AI tadqiqot hisobotida qayd etilishicha, ko‘plab korxonalar dastlabki "token maksimalizatsiyasi" bosqichidan chiqib, endi tokenni optimallashtirishga urg‘u berilgan yangi bosqichga o‘tdi va samaradorlik hamda investitsiya qaytarimi (ROI) ustuvor ahamiyat kasb etmoqda. Muhimi shundaki, bu o‘zgarish hanuzgacha "AI xarajatlarini qisqartirishga aylanishga ulgurmagan". Bozorda bu muhim signal bo‘lib xizmat qiladi: Korporatsiyalar hisob-kitob qila boshladi, biroq harakatni tugatgani yo‘q.

OpenAI, Anthropic kabi ilg‘or model yetkazib beruvchilar va ularning asosiy bulut yetkazib beruvchi hamkorlari uchun so‘rov asosan xarajat to‘g‘risidagi xavotirlarga qaramay qisqarmadi. Bulut xizmatlarining ikkinchi chorakdagi kuchli natijalari ham buni tasdiqlaydi. Asosiy bosim, AI funksiyalarini paketlab korxonalarga sotmoqchi bo‘lgan an’anaviy dasturiy ta’minot kompaniyalariga tushmoqda — Korporatsiyalar hanuz asosiy AI tizimlarini o‘zlari yaratishga moyil, an’anaviy SaaS kompaniyalari kutayotgan burilish hali yuz bermadi.

Industriya zanjiri bo‘ylab bo‘linish allaqachon ko‘rinmoqda: bulut infratuzilmasi va ma’lumotlar boshqaruvi qatlamlari nisbatan barqaror ahamiyatga ega, Databricks, Snowflake, Palantir korporativ AI stack’da asosiy o‘rinni egallashda davom etmoqda; dasturiy ta’minot qatlami esa eng katta bosim ostida, yirik SaaS kompaniyalarining AI funksiyalari korporativ sotib olish ro‘yxatida deyarli ko‘zga tashlanmayapti, aksincha, muayyan muammolarga ixtisoslashgan kichik AI origin-kompaniyalar amaliy joriy qilish sahnasiga kirib kelmoqda.

Korporatsiyalarning asosiy e’tibori endi “AI’ni ishlatish mumkinmi?”dan “Kim ishlatyapti, qancha ishlatyapti, bunga arzidimi?”ga o‘tmoqda.

Bir qancha kompaniyalar allaqachon foydalanishni kuzatish tizimini o‘rnatgan, xodim ma’lum miqdorga yetgandan so‘ng, so‘rovlar avtomatik tarzda pastroq darajadagi modelga va sustroq javob tezligiga o‘tadi. Ba’zi kompaniyalar xodimlarning agentlar yaratish huquqini cheklashni boshlagan. Sarf-xarajat bo‘yicha hisob-kitobga sezgirlik ortib bormoqda, chunki bu AI’dan foydalanishni to‘g‘ridan-to‘g‘ri hisob-kitoblar bilan bog‘laydi.

Yana ham nozik darajadagi optimallashtirish model chaqiruv jarayonlarida yuz bermoqda: modelga iloji boricha ixcham kontekst berish, butun kontekst oynasini to‘ldirish emas; RAG tizimini ortiqcha chaqirishni qisqartirish; skriptlar, marshrutizatsiya va promptlarni siqish orqali har bir vazifa xarajatini kamaytirish. Bir kompaniya mijozlarga yetakchi modeldan foydalanish imkonini barqaror narxda ochib berdi, natijada modeldan foydalanish xarajati foyda marjasini qisqartirdi va kelajakda narxlash tuzilmasini o‘zgartirishga majbur bo‘lishi mumkin.

Lekin umumiy byudjet darajasida sezilarli qisqarish ko‘zga tashlanmayapti. Korporatsiyalar, imkoniyat oynasini boy berishdan qo‘rqib, avvalo joriy qilishga moyil, so‘ngra himoya choralari bilan to‘ldiradi. Karl Keirstead hisobotida, “ROI hisoblash” “AI sarmoyasini to‘xtatish” bilan teng bo‘lmasligini, kamida ushbu o‘rganilgan misollarda shunday ekanini ta’kidlaydi.

Model marshrutizatsiyasi paydo bo‘lmoqda, Xitoy open source modellari hali yirik kompaniyalarga kirib bormagan

AI chaqiruv xarajatlarini kamaytirishning tabiiy yo‘li, ayrim vazifalarni ilg‘or yopiq kodli modellardan ochiq kodli modellarga yo‘naltirishdir. Biroq, bu yirik no-IT kompaniyalar namunasida, OpenAI GPT va Anthropic Claude hanuz asosiy tanlov sifatida qolmoqda.

Ba’zi kompaniyalar ilg‘or modellardan foydalanishda davom etayotganini aniq bildirib o‘tgan, texnologik ildizli kompaniyalar Xitoyning ochiq kodli modellari bo‘yicha ochiqroq, ammo yirik an’anaviy kompaniyalar xavfsizlik, moslik va nazorat bilan bog‘liq masalalarga ko‘proq e’tibor qaratadi, ayniqsa davlat, mudofaa va unga aloqador tarmoqlar bunday yondashuvda.

Hozirda, model xarajatlarini qisqartirish uch asosiy yo‘nalishda paralel olib borilmoqda: turli vazifalarni turli modellarga yo‘naltirish, past qiymatli so‘rovlarni kichik modellarga topshirish va chaqiruv zanjirini optimallashtirish orqali token yo‘qotilishini kamaytirish. Xitoy open source modellari ham variant sifatida ko‘rilmoqda, ammo aksariyat yirik kompaniyalar uchun ustuvor tanlovga aylangani yo‘q.

Salesforce asoschisi Marc Benioff bir necha bor shunday fikr bildirgan: kompaniyalar o‘zi yaratgan AI tizimi yakunda muvaffaqiyatsiz bo‘ladi va ular pishiq yetilgan SaaS yetkazib beruvchilarining AI ilovalarini sotib oladi. ServiceNow ham shunga o‘xshash yondashuvda. Biroq, UBS tadqiqoti bugun haqiqat hanuz SaaS kompaniyalar foydasiga ishlamasligini ko‘rsatmoqda.

Ko‘pchilik Fortune 500 korxonalari hali o‘z AI mahsulotlarini yaratishga moyil, bunga uchta asosiy sabab bor: kompaniya ichki jarayonlari yuqori darajada moslashtirilgan bo‘lib, tayyor SaaS AI funksiyalari har doim mos kelmaydi; o‘zi yaratganda ma’lumotlar, ish oqimlarini (harness) va agent tizimlarini to‘liq nazorat qilish imkoni bo‘ladi; ba’zi tashqi mahsulotlarning narxi yuqori yoki natija kutilganidek bo‘lmaydi.

Tadqiqotda bir tipik misol qayd etiladi: kompaniya Turtle fayllardan foydalanib o‘zining ontologiya qatlamini yaratishni rejalashtirgan va SAP yoki PTC Windchill ma’lumotlarini real vaqt rejimida Databricks data lake’ga o‘tkazib, bir necha darajada tozalab, agentlarga chaqiruv imkonini beradi, harakat mexanizmi quradi va shu orqali Palantir yechimasini almashtirmoqchi, bunga sabablar: pastroq xarajat, kadrlarni yollash osonligi va kelajakda texnologiyani mijozlarga ochish imkoniyati. Boshqa bir kompaniya esa ochiqchasiga, hozirgi SaaS yetkazib beruvchilarda xaridga arziydigan AI funksiyalar yo‘q, o‘zi plugin ishlab chiqishi mumkinligini bildirgan.

Bu to‘la-to‘kis xarid to‘xtaganini anglatmaydi. Kod tekshiruvi, xavfsizlik, monitoring, SIEM, ish oqimlari kabi aniq ssenariylarda kompaniyalar baribir tayyor mahsulotlarni sotib olishni ma’qul topa oladi. Lekin dasturiy ta’minot investorlari uchun muhim indikator shundaki: kompaniyalar ushbu funksiyalar uchun barqaror to‘lov qilishga tayyormi va o‘zlari yechim qurish istagidan voz kechadimi. Ushbu tendensiya o‘zgarmasa, ilovaviy dasturiy kompaniyalarining AI mahsulotlari yuqori ROI bera olmaydi.

Korporativ AI tex stackida ma’lumotlarni boshqarishga ixtisoslashgan kompaniyalar mavjudligi ilovaviy qatlamga qaraganda ancha kuchli ko‘zga tashlanadi. Databricks tadqiqotda qayta-qayta tilga olingan, u ko‘pincha real vaqtli data lake, ma’lumotlar boshqaruvi va AI asosi uchun ishlatiladi; Snowflake esa agentlarni qurishda xizmat qiladi va respondent-korxonalar LLM bevosita Snowflake o‘rnini bosa olmasligini ta’kidlagan — LLM tilni qayta ishlashda kuchli, biroq yuz minglab ma’lumot nuqtalarini matematik tarzda qayta ishlash va o‘zgartirishda samarador emas, eng ma’qul uslub — Claude va boshqa modellarni Snowflake ustida joylashtirish va ularni anomaliya monitoringiga yo‘naltirish.

Palantir bo‘yicha fikrlar murakkab. Bir tarafdan, u hanuz korporativ AI va ontologiya qatlamida o‘z o‘rniga ega; boshqa tarafdan, ayrim mijozlar Palantir o‘rniga AI yordamida o‘z ontologiya qatlamini yaratib ko‘rmoqda. Yirik mudofaa pudratchilaridan biri aytishicha, uning jamoasi allaqachon Palantir’dan foydalanishni qisqartira boshlagan va yaqin yillarda kompaniya turlicha muammolar bilan yuzlashishini taxmin qilmoqda. Biroq UBS hisobotida bunday misollar hozircha dastlabki signallar bo‘lib, umumiy tendensiya sifatida e’tirof etishga yetarli emasligi uqtirilgan.

Ma’lumotlar bazasi qatlamida ham raqobat kuchaymoqda. Ba’zi mijozlar AI yuki uchun Redis va Postgres’dan foydalanishni tanlamoqda, bu esa MongoDB’ning AI ish yukiga to‘liq kirishi mumkinmi, degan savollarni kuchaytirdi.

Tadqiqotda muhim detallaridan biri, korxonalar tomonidan tilga olingan ommaviy dasturiy ta’minot kompaniyalari soni oz, Atlassian, CrowdStrike, Salesforce kabi kompaniyalar tilga olingan, biroq yetarli ko‘p emas. Aksincha, bir guruh kichik, xususiy AI origin-firmalari xarid ro‘yxatida ancha faol: CodeRabbit kodi tekshirish uchun, Opik — LLM monitoringi uchun, Onyx — agent xavfsizligi uchun, ArmorPoint — AI SIEM uchun, Workfabric — raqamli ish oqimlarining “egizagi” uchun va LiteLLM Langfuse bilan birgalikda model marshrutizatsiyasi va promptlarni siqish uchun xizmat qiladi.

Ular “korporativ AI platformasi” kabi keng soha emas, balki aniq biznes muammo nuqtalarini hal qilish bilan shug‘ullanishmoqda. Masalan, kodni tekshirishda, AI tomonidan kod yaratish tezligi inson tekshiruvi imkoniyatini ortda qoldiradi, korxonalar CodeRabbit’dan foydalanadi, bu orqali xavfsizlik kamchiliklari ishlab chiqarishga kirmaydi; xavfsizlik sohasida esa, AI himoya devori konfiguratsiyasi, foydalanuvchi huquqlari kabi ma’lumotlarga asoslanib, xavfni ustuvorlashtirishni amalga oshiradi, xavfsizlik jamoalari uchun haqiqatan muhim tahdidlarni aniqlashda yordam beradi.

Tadqiqot shuni ham ta’kidlaydi: AI hujum imkoniyatlarini tezkor oshirmoqda, korporativ xavfsizlik xarajatlari ham mos ravishda ortadi. Boshqa AI ilova sohalaridan farqli o‘laroq, xavfsizlik uchun belgilangan byudjetning mantig‘i ancha qat’iy, bu yangi funksiyalardan foydalanish emas, xavfsizlik risklarini kengayishini oldini olish orqali rag‘batlanadi.

Korporativ AI infratuzilmasi haligacha asosan AWS, Azure va Google Cloud’da ishlamoqda. Tadqiqotda qatnashgan kompaniyalar orasida mahalliy AI apparat va dastur stacklarining katta ko‘lamda kengaytirilgani deyarli uchramadi, avtomobil ma’lumotlari, oldindan texnik xizmat ko‘rsatish, agentlar, data lake va Snowflake hamda Databricks’dagi AI ish oqimlari asosan uchta bulut asosida qurilgan.

Tadqiqotda bir kompaniya barcha ma’lumotlarini Azure’dan Google Cloud’ga ko‘chirishni rejalashtirmoqda, sababi ikkinchisi yanada raqobatbardosh narx belgilagan. Ammo migratsiya oddiy emas, kamida bir yil davom etadigan mozilik davri va Power BI foydalanuvchilarining Excel skriptlarini Google Sheets bilan moslashtirish kabi masalalar bor, Microsoft’ning xarajatlari kamayishi mumkin, lekin butunlay yo‘qolmaydi. Bu, bulut kompanyalari o‘rtasida narx raqobati borligini ko‘rsatadi, biroq AI’ni bulutdan lokalga qaytarishga jiddiy ehtiyoj yo‘qligini tasdiqlovchi yetarlicha asos yo‘q.

UBS hisoboti shuni ko‘rsatadiki, ba’zi hamkorlar hanuz “AI fabrikasi” va modellarning lokalga qaytarilishi mumkinligini o‘rganishmoqda, ammo hozirgi mijoz namunalarida asosiy AI joylashtirish maydoni bulut bo‘lib qolmoqda.