هوش مصنوعی فعلاً گران‌تر از نیروی انسانی است

هزینه محاسبات از حقوق کارکنان بیشتر است؛ مدیر ارشد انویدیا: هوش مصنوعی فعلاً گران‌تر از نیروی انسانی است

تیتر و لید

در حالی که موج اخراج در سیلیکون‌ولی تصویر جایگزینی سریع انسان با ماشین را تقویت می‌کند، واقعیت میدانی چیز دیگری می‌گوید.

Bryan Catanzaro، معاون یادگیری عمیق کاربردی در Nvidia، در گفت‌وگو با Axios صریح اعلام کرده است.

برای تیم او، هزینه compute اکنون «بسیار فراتر از هزینه کارکنان» است.

این جمله از دل یکی قدرتمندترین شرکت‌های زنجیره تأمین هوش مصنوعی جهان برمی‌آید.

پس چرا غول‌های فناوری همزمان با layoffs، صدها میلیارد دلار دیگر برای AI خرج می‌کنند؟

این گزارش، بر پایه مطلب Fortune و منابع تکمیلی، پاسخ را در اقتصاد کوتاه‌مدت، سیاست سرمایه‌گذاری و آینده قیمت‌گذاری جست‌وجو می‌کند.

وقتی اخراج‌ها با هزینه واقعی AI هم‌زمان نیستند

Meta در ابتدای سال جاری در یادداشتی داخلی از برنامه اخراج حدود ده درصد نیرو، نزدیک به هشت هزار نفر، خبر داد.

این شرکت همچنین استخدام برای شش هزار موقعیت باز را متوقف کرد.

مدیران Meta گفتند هدف، «کارآمدتر اداره کردن شرکت» و جبران سرمایه‌گذاری‌های جدید است.

Microsoft نیز بزرگ‌ترین پیشنهاد خرید داوطلبانه تاریخ خود را به هزاران کارمند ارائه کرد.

در همان بازه، Uber اعلام کرد بودجه سال ۲۰۲۶ ابزارهای کدنویسی AI را تا آوریل تمام کرده است.

Praveen Neppalli Naga، مدیر فناوری Uber، به The Information گفت بودجه‌ای که تصور می‌کرد کافی است، «منفجر شده».

شرکت برای تشویق استفاده از Claude Code، جدول رتبه‌بندی داخلی راه انداخت.

Microsoft هم طبق گزارش The Verge بیشتر لایسنس‌های مستقیم Claude Code را لغو کرد.

جایگزین سازمانی، GitHub Copilot CLI خواهد بود.

ابزارهای AI آنقدر سریع محبوب شدند که هزینه‌شان از برنامه‌ریزی مالی پیشی گرفت.

طبق داده‌های Layoffs.fyi، بیش از ۱۱۸ هزار نفر در صنعت فناوری در ۲۰۲۶ اخراج شده‌اند.

این رقم تقریباً از کل layoffs سال ۲۰۲۵، حدود ۱۲۰ هزار نفر، در نیمی از سال جلو زده است.

تناقض آشکار است: کاهش نیروی انسانی در کنار افزایش هزینه ابزارهای هوشمند.

شواهد علمی: AI هنوز در بیشتر نقش‌ها به‌صرفه نیست

مطالعه MIT در سال ۲۰۲۴ نشان داد اتوماسیون AI فقط در ۲۳ درصد نقش‌های وابسته به بینایی مقرون‌به‌صرفه است.

در ۷۷ درصد باقی‌مانده، ادامه کار انسانی ارزان‌تر بود.

این یافته با تجربه مدیران عملیاتی در مقیاس بزرگ هم‌خوان است.

هزینه سخت‌افزار، انرژی و نگهداری مراکز داده، فاکتور نهایی را بالا می‌برد.

برخی مهندسان نیز از خطاهای جدی agentهای خودکار گزارش داده‌اند.

یک مورد شناخته‌شده، آسیب به پایگاه داده و شبکه پس از «استفاده بیش از حد» از agent بود.

پس layoffs به‌تنهایی نمی‌تواند داستان کامل جایگزینی نیروی کار باشد.

در بسیاری از سازمان‌ها، AI هنوز مکمل پرهزینه است، نه جایگزین ارزان.

موج سرمایه‌گذاری ۷۴۰ میلیارد دلاری Big Tech

Morgan Stanley برآورد کرده غول‌های فناوری تا این لحظه از سال ۲۰۲۶، ۷۴۰ میلیارد دلار capex اعلام کرده‌اند.

این رقم ۶۹ درصد بیشتر از سال ۲۰۲۵ است.

McKinsey پیش‌بینی می‌کند هزینه‌های AI تا ۲۰۳۰ به ۵.۲ تریلیون دلار برسد.

در سناریوی تسریع‌شده، این عدد می‌تواند به ۷.۹ تریلیون دلار نزدیک شود.

۱.۶ تریلیون از این مسیر به مراکز داده و ۳.۳ تریلیون به تجهیزات IT مربوط است.

شرکت Tropic در دسامبر ۲۰۲۵ گزارش داد تعرفه نرم‌افزارهای AI در یک سال ۲۰ تا ۳۷ درصد رشد کرده است.

مدل اشتراک ثابت برای کاربران سنگین، گاهی هزینه عملیاتی را پوشش نمی‌دهد.

Keith Lee، استاد AI و مالی در Swiss Institute of Artificial Intelligence، می‌گوید «عدم تطابق کوتاه‌مدت» می‌بینیم.

شرکت‌ها AI را نه جایگزین ارزان نیرو، بلکه ابزار مکمل می‌سنجند.

این نگاه تا پایدار شدن ساختار هزینه ادامه خواهد داشت.

چه زمانی تراز اقتصادی AI و نیروی انسانی برقرار می‌شود؟

Gartner پیش‌بینی کرده هزینه inference برای مدل زبانی یک تریلیون پارامتری در چهار سال بیش از ۹۰ درصد کاهش یابد.

بهبود طراحی مدل، عرضه سخت‌افزار و بهینه‌سازی زیرساخت، فشار هزینه را کم می‌کند.

Lee انتظار دارد قیمت‌گذاری از اشتراک ثابت به مدل مبتنی بر مصرف (usage-based) حرکت کند.

اما ارزان شدن کافی نیست؛ AI باید قابل پیش‌بینی و قابل اتکا در مقیاس سازمانی شود.

کاهش hallucination و نیاز کمتر به نظارت انسانی، شرط پذیرش گسترده‌تر است.

داده‌های Federal Reserve نشان می‌دهد تا پایان ۲۰۲۵، حدود ۱۸ درصد شرکت‌های آمریکایی AI را adopt کرده‌اند.

این نرخ از سپتامبر ۲۰۲۵، ۶۸ درصد رشد داشته است.

Lee تأکید می‌کند: «موضوع فقط ارزان‌تر شدن نسبت به انسان نیست؛ ارزان و قابل پیش‌بینی شدن در مقیاس است.»

Yale Budget Lab نیز هنوز شواهد گسترده جابجایی شغلی ناشی از AI را تأیید نکرده است.

پس layoffs فعلی ترکیبی از فشار مالی، بازطراحی سازمانی و شرط‌بندی روی آینده AI است.

مدیران منابع انسانی نیز باید سناریوی بازگشت تقاضا برای مهارت‌های خاص را مدل کنند.

حذف نیرو بدون نقشه مهارت، می‌تواند هزینه استخدام مجدد را چندبرابر کند.

صحنه جهانی: آمریکا پیشتاز adoption، اما فشار هزینه جهانی است

در سطح جهانی، شرکت‌های آمریکایی در سرعت پذیرش AI از سایر اقتصادهای بزرگ جلوترند. تحلیل‌های اقتصاد فناوری را بخوانید.

Federal Reserve نشان می‌دهد رشد adoption در چند ماه اخیر چشمگیر بوده است.

با این حال، گزارش‌های پرهزینه بودن AI محدود به یک شرکت یا یک صنعت نیست.

Amazon، Meta، Microsoft و Google همزمان layoffs و capex سنگین را تجربه می‌کنند.

مهندسان Amazon در بحث‌های داخلی به بودجه ۲۰۰ میلیارد دلاری مراکز داده اشاره کرده‌اند.

این رقم در کنار اخراج ده‌ها هزار نفر، پرسش عدالت اجتماعی را نیز مطرح می‌کند.

آیا جامعه باید هزینه گذار AI را بپردازد، در حالی که سود کوتاه‌مدت نامشخص است؟

در اروپا و آسیا نیز دولت‌ها برای رقابت، زیرساخت AI را subsidize می‌کنند.

فشار انرژی و آب مراکز داده، بحث sustainability را به مرکز سیاست عمومی آورده است.

بنابراین معادله فقط «انسان در برابر ماشین» نیست؛ «امروز در برابر فردا» هم هست.

پیام برای تصمیم‌گیران: سرمایه‌گذاری بدون حساب کتاب دقیق خطرناک است

برای مدیران میانی و ارشد، درس اول این است که هیاهوی AI جایگز تحلیل TCO نمی‌شود.

هزینه لایسنس، مصرف API، GPU داخلی، انرژی، نگهداری و نیروی نظارت باید در یک برگه دیده شود.

درس دوم: adoption اجباری بدون سقف بودجه، می‌تواند بودجه سال را در چند ماه بسوزاند.

Uber نمونه‌ای زنده از leaderboard بدون کنترل هزینه است.

درس سوم: layoffs کوتاه‌مدت ممکن است ذخیره نقدی ایجاد کند، اما مهارت بحرانی را از دست بدهد.

Vista Equity Partners نیز هشدار داده برنامه intern را فقط به نام AI حذف نکنید.

سازمان‌های موفق AI را در workflowهای مشخص، با KPI روشن و سقف مصرف مستقر می‌کنند.

آن‌ها human-in-the-loop را تا رسیدن به reliability کافی حفظ می‌کنند.

برای خوانندگان حوزه اقتصاد و فناوری، این دوره «بازآموزی انتظارات» نام دارد.

هوش مصنوعی انقلابی است، اما انقلاب همیشه از روز اول ارزان نیست.

گزارش Fortune یادآوری می‌کند حتی در Nvidia، جایی که GPU می‌فروشد، compute برای تیم داخلی گران‌تر از نیروی انسانی است.

این واقعیت، روایت ساده «ماشین ارزان، انسان گران» را فعلاً باطل می‌کند.

آینده می‌تواند متفاوت باشد؛ اما امروز، حساب کتاب باید صادقانه نوشته شود.