چرایی اصلاح رویکرد جتبرینز
افزایش نزدیک به دهبرابری هزینههای توسعه طی شش ماه، جتبرینز را مجبور به یافتن راهی برای مشاهده، کنترل و مدیریت مصرف هوش مصنوعی کرد، بهگونهای که انتخاب ابزار توسط توسعهدهندگان محدود نشود.
چالش اصلی: تنوع ابزارها و جهش مصرف توکن
تحلیلها نشان داد اکثر توسعهدهندگان هر ماه بین سه تا پنج ابزار هوش مصنوعی بهکار میبرند و از ژانویهٔ 2026 مصرف توکنها بهطور چشمگیری افزایش یافته؛ همزمان با ظهور مدلهای مرزی قدرتمندی مانند Claude Opus 4.5 و 4.6 که نرخ مصرف را بالاتر بردند. این تنوع ابزارها ردیابی محل و نحوهٔ هزینهکرد را پیچیدهتر میکرد.
گام اول: جمعآوری و خودکارسازی دادهها
جتبرینز ابتدا چهار روز را صرف جمعآوری دستی دادههای مصرف و هزینه در صفحات گسترده کرد تا تصویری از توزیع هزینهها بین ارائهدهندگان و ابزارها بهدست آورد. سپس با اتصال به APIهای ارائهدهندگان و استفاده از داشبوردهای داخلی، فرایند را خودکار کرد تا نمایی پیوسته و قابل اتکا از هزینههای جاری و پیشبینیشده در اختیار تیمها قرار بگیرد.
مشکل بعدی: دیدن هزینهها کافی نبود
داشبوردها نشان میدادند هزینهها کجا اتفاق میافتند، اما امکان مداخله و اعمال سیاست در نقطهٔ تولید ترافیک وجود نداشت؛ زیرا درخواستها مستقیماً از ابزارهای فردی به ارائهدهندگان میرفتند. برای پر کردن این خلأ، به لایهٔ میانی نیاز بود که هم اندازهگیری و هم اعمال سیاست را ممکن کند.
Central CLI؛ نقطهٔ اتصال و کنترل مشترک
این راهحل از یک ابزار داخلی آغاز شد که یک توسعهدهنده ساخته بود و به نسخهٔ تولیدیتر و توسعهیافتهای به نام Central CLI تبدیل شد. Central CLI یک روش یکپارچه برای فراخوانی ابزارهای داخلی و شخص ثالث فراهم میکند؛ درخواستهایی که از طریق این CLI ارسال شوند، از مسیر پلتفرم هوش مصنوعی داخلی شرکت عبور میکنند و یک نقطهٔ کنترل بین توسعهدهندگان و ارائهدهندگان مدلها ایجاد مینمایند.
قابلیتهای افزودهشده
- اجرای سیستم اعتبار داخلی (AI-credit) روی فراخوانی ابزارهای شخص ثالث
- نمایش هزینهها در سطوح توسعهدهنده، تیم و ساختارهای سازمانی
- تعریف و پیکربندی محدودیتهای مصرف برای واحدها و تیمهای مختلف
چرا ابزارها حذف نشدند
جتبرینز از کاهش ناگهانی تعداد ابزارها خودداری کرد، زیرا بازار ابزارهای هوش مصنوعی با سرعت تغییر میکند و انتخاب بهترین ابزار برای هر کار ممکن است ظرف چند ماه تغییر کند. رویکرد شرکت متمرکز کردن لایهٔ دسترسی بود تا توسعهدهندگان همچنان حق انتخاب داشته باشند و در عین حال مدیریت هزینه و سیاستگذاری از طریق زیرساخت میانی انجام شود.
نتایج و موانع باقیمانده
جتبرینز اعلام کرده بیش از ۱۰۰۰ توسعهدهنده ظرف چند هفته Central CLI را بهکار گرفتهاند، اما سیستم هنوز همهٔ منابع هزینهٔ هوش مصنوعی را پوشش نمیدهد: برخی عاملهای مبتنی بر ترمینال و اشتراکهای شخصی خارج از مسیر مدیریتی باقی ماندهاند و سیاستهای توزیع عادلانهٔ بودجه بین کاربران و تیمها همچنان در حال نهایی شدن است.
زمینهٔ صنعتی و توصیههای FinOps
مدیریت هزینههای هوش مصنوعی به یک دغدغهٔ گسترده تبدیل شده است؛ بنیاد FinOps استفاده از هوش مصنوعی مولد را در حوزهٔ مسئولیتهای FinOps قرار داده و رویکردهای متمرکز برای ردیابی مصرف و هزینهها توصیه میکند. برخی سازمانها واکنشهای مستقیمتری داشتهاند: برای نمونه Accenture از کارکنان خواسته مصرف غیرضروری را کاهش دهند و Uber پس از مصرف سریع بودجهٔ سالانه، محدودیتهای ماهانه وضع کرده است.
چشمانداز
تجربهٔ جتبرینز نشان میدهد با متمرکز کردن لایهٔ اندازهگیری و کنترل میتوان تعادل بین اختیار ابزار برای توسعهدهندگان و نیازهای مالی و مدیریتی سازمان برقرار کرد. انتظار میرود سازمانهای بیشتری به راهحلهای مرکزی برای سنجش و مدیریت مصرف هوش مصنوعی روی بیاورند، بهویژه با سرعت بالای تغییر مدلها و قیمتگذاری در بازار.
منابع مرتبط: صفحهٔ JetBrains در ویکیپدیا و وبسایت بنیاد FinOps. برای اطلاعات بیشتر دربارهٔ مدیریت هزینههای هوش مصنوعی میتوانید مطلب مرتبط در سایت را نیز مشاهده کنید: مدیریت هزینههای هوش مصنوعی.
