← بازگشت به جدیدترین خبرها
اکتبر 30, 2026

گزارش بازگشت سرمایه هوش مصنوعی آنتروپیک؛ ابزار تازه برای شرکت‌ها

گزارش بازگشت سرمایه هوش مصنوعی آنتروپیک؛ تلاشی برای اثبات ارزش واقعی کلود کد

آنتروپیک مجموعه‌ی تازه‌ای از ابزارهای گزارش‌دهی را معرفی کرده تا به مشتریان سازمانی‌اش بگوید هر دلاری که برای توکن‌های کلود خرج می‌کنند، دقیقاً چه چیزی به آن‌ها می‌دهد. انتشار گزارش بازگشت سرمایه هوش مصنوعی آنتروپیک همزمان با افشای داده‌های مالی این شرکت به سرمایه‌گذاران صورت گرفته که نشان می‌دهد ابزار کدنویسی کلود کد در حال تبدیل شدن به یکی از بزرگ‌ترین موفقیت‌های تجاری این آزمایشگاه هوش مصنوعی است.

زمینه و پس‌زمینه

بر اساس اطلاعات مالی‌ای که آنتروپیک این هفته با سرمایه‌گذاران خود به اشتراک گذاشت، این شرکت در سه‌ماهه‌ی دوم سال به سود عملیاتی رسیده و نرخ حفظ درآمد خالص (net revenue retention) آن به ۹۰۰ درصد رسیده است؛ یعنی مشتریانی که در سه‌ماهه‌ی سوم سال ۲۰۲۵ هزینه می‌کردند، در سه‌ماهه‌ی سوم سال ۲۰۲۶ نُه برابر بیشتر از قبل خرج کرده‌اند. این رشد چشمگیر نشان می‌دهد که آنتروپیک تمرکز راهبردی‌اش روی حفظ و بزرگ‌تر کردن مشتریان سازمانی موجود، به‌جای صرفاً جذب مشتریان تازه، نتیجه داده است.

در همین راستا، این شرکت روز چهارشنبه مجموعه‌ای از ابزارهای گزارش‌دهی تازه را معرفی کرد که هدفشان ارائه‌ی درک دقیق‌تر و جزئی‌تر از ارزش واقعی هزینه‌ی توکن به مشتریان است. با استفاده از تحلیل‌های داخلی و نظرسنجی از کارکنان، مدیران می‌توانند عملکرد یک تیم را در یک بازه‌ی زمانی مشخص ببینند: چه چیزی تولید شده، چقدر هزینه برده و کجاهای فرایند کار دچار مشکل یا توقف شده است. آنتروپیک تأکید کرده که به‌طور پیش‌فرض از این داده‌ها برای آموزش مدل‌هایش استفاده نخواهد کرد، نکته‌ای که احتمالاً برای مشتریان حساس به حریم خصوصی داده‌ها اهمیت زیادی دارد. این گزارش‌ها همچنین پیشنهادهایی برای بهبود نتایج کار ارائه می‌دهند.

تحلیل: چرا بازگشت سرمایه برای شرکت‌های بزرگ اهمیت حیاتی دارد

این اقدام آنتروپیک را باید در بافت نگرانی گسترده‌تر شرکت‌های بزرگ درباره‌ی بازگشت سرمایه از هوش مصنوعی درک کرد. در حالی که شرکت‌های تازه‌تأسیس و مبتنی بر سرمایه‌ی خطرپذیر با سرعت زیادی مصرف توکن هوش مصنوعی را افزایش می‌دهند، بخش بزرگی از شرکت‌های فهرست فورچون ۵۰۰ هنوز شاهد منافع قابل‌توجهی از استقرار ابزارهای هوش مصنوعی در سازمان خودشان نبوده‌اند. این شکاف میان هزینه‌کرد و بازده واقعی، دقیقاً همان مسئله‌ای است که مدیران مالی سازمان‌ها را نگران کرده و آن‌ها را به‌دنبال شفافیت بیشتر از تأمین‌کنندگان هوش مصنوعی‌شان می‌کند.

گزارش تازه‌ی شرکت Jellyfish که ابزارهایی برای توسعه‌دهندگان نرم‌افزار می‌سازد، این روند را با داده‌های واقعی تأیید می‌کند. بر اساس بررسی ۲۷۶ هزار مشتری این شرکت، کلود کد و دیگر ابزارهای مبتنی بر مدل‌های آنتروپیک همچنان پرکاربردترین ابزارهای کدنویسی ایجنتی هستند و نزدیک به یک‌سوم کل تغییرات کد ارسال‌شده برای بازبینی را به خود اختصاص داده‌اند. نکته‌ی مهم‌تر این‌که هزینه‌ی این ابزارها از ابتدای سال تا کنون ده برابر رشد کرده و اکنون معادل حدود دو درصد از کل هزینه‌ی مهندسی این شرکت‌هاست.

نیکلاس آرکولانو، دانشمند ارشد Jellyfish، در گفت‌وگو با TechCrunch گفته است: «حتی اگر بگویید دو درصد هنوز رقم کوچکی است، آن رشد ده‌برابری، رشدی است که بیشتر مدیران مالی برایش برنامه‌ریزی نکرده بودند.» او افزود که سازمان‌ها به این نتیجه رسیده‌اند که صرفاً خرج‌کردن کافی نیست، بلکه باید مصرف هوش مصنوعی را بهینه کرد و آن را به‌شکلی مؤثر به کار گرفت؛ دقیقاً همان کاری که ابزارهای تازه‌ی گزارش‌دهی آنتروپیک قصد دارند انجام دهند.

نکته‌ی جالب‌توجه دیگر، رقابت میان آنتروپیک و اوپن‌ای‌آی در بازار سازمانی است. با وجود این‌که عرضه‌ی مدل Astra اوپن‌ای‌آی در تابستان امسال به‌عنوان تهدیدی برای آنتروپیک مطرح شده بود، نیکولاس آلبارن، مسئول محصول هوش مصنوعی در Jellyfish، می‌گوید این تهدید در داده‌های واقعی به‌اندازه‌ی هیاهوی رسانه‌ای و شبکه‌های اجتماعی ظاهر نشده است. به گفته‌ی او، آنتروپیک به‌دلیل حضور قوی در مناسبات سازمانی و وزن تثبیت‌شده‌ی خودش در این بازار، همچنان جلوتر مانده و بسیاری از سازمان‌ها دلیل کافی برای تغییر ابزار اصلی خودشان نمی‌بینند.

آلبارن همچنین به نقش مهندسان مستقر در سازمان مشتری (forward-deployed engineering) اشاره می‌کند؛ تیم‌هایی که آزمایشگاه‌های هوش مصنوعی مستقیماً در سازمان‌های مشتری قرار می‌دهند تا کمک کنند فرایندهای کاری با ابزار هوش مصنوعی هماهنگ شود. او ابزارهای تازه‌ی گزارش‌دهی آنتروپیک را نوعی نسخه‌ی سبک‌تر از همین مدل توصیف می‌کند: راهی برای ارائه‌ی کمک عملی و هدایت‌شده به مشتریان، بدون نیاز به حضور فیزیکی گسترده‌ی مهندسان. به باور او، هرچه سازمان‌ها بیشتر در فرایندهای کاری مبتنی بر ابزارهای خاص هوش مصنوعی سرمایه‌گذاری کنند، هزینه‌ی تغییر به ابزار رقیب بیشتر و بیشتر می‌شود، حتی اگر آن رقیب از نظر قابلیت‌های خام تفاوت چشمگیری نداشته باشد.

برای مدیران فناوری و تصمیم‌گیرندگان کسب‌وکار در ایران که در حال ارزیابی سرمایه‌گذاری روی ابزارهای کدنویسی هوش مصنوعی هستند، این خبر یک پیام کلیدی دارد: صرف استفاده از هوش مصنوعی کافی نیست، بلکه اندازه‌گیری دقیق بازگشت سرمایه و بهینه‌سازی مستمر فرایندهای کاری است که در نهایت تفاوت واقعی ایجاد می‌کند. ابزارهایی مثل آن‌چه آنتروپیک معرفی کرده، می‌توانند الگویی باشند برای این‌که سازمان‌ها چگونه باید به دنبال شفافیت بیشتر از تأمین‌کنندگان فناوری خودشان باشند، تا سرمایه‌گذاری روی هوش مصنوعی صرفاً یک هزینه‌ی نامشخص نباشد، بلکه با داده‌های دقیق قابل‌سنجش و بهینه‌سازی شود.

بودجه‌ی گروهی و آینده‌ی مدیریت هزینه‌ی هوش مصنوعی در سازمان‌ها

یکی دیگر از جنبه‌های مهم این اعلامیه، معرفی قابلیت بودجه‌ی گروهی مشترک (pooled group budgets) است که به تیم‌های سازمانی اجازه می‌دهد مصرف توکن خودشان را به‌شکل متمرکزتر مدیریت کنند. پیش از این، بسیاری از سازمان‌ها با چالش کنترل هزینه‌ی غیرقابل‌پیش‌بینی استفاده از هوش مصنوعی دست‌وپنجه نرم می‌کردند، چرا که مصرف توکن می‌تواند بسته به نوع وظیفه و پیچیدگی آن، به‌شدت نوسان داشته باشد. با بودجه‌ی گروهی، مدیران می‌توانند سقف مشخصی برای یک تیم یا پروژه تعیین کنند و از هزینه‌های غیرمنتظره در پایان ماه جلوگیری کنند؛ ویژگی‌ای که برای واحدهای مالی سازمان‌های بزرگ از اهمیت بالایی برخوردار است.

این حرکت آنتروپیک همچنین باید در کنار روند کلی‌تر صنعت دیده شود که در آن، آزمایشگاه‌های بزرگ هوش مصنوعی به‌تدریج از مرحله‌ی «فروش دسترسی به مدل» عبور کرده و وارد مرحله‌ی «ارائه‌ی راه‌حل کامل کسب‌وکاری» شده‌اند. دیگر صرفاً عرضه‌ی یک API قدرتمند کافی نیست؛ مشتریان سازمانی بزرگ انتظار دارند ابزارهای مدیریتی، گزارش‌دهی و بهینه‌سازی هم همراه با آن مدل ارائه شود. این تحول، شباهت زیادی به مسیری دارد که پیش‌تر شرکت‌های ارائه‌دهنده‌ی خدمات ابری مثل آمازون و مایکروسافت طی کردند؛ از عرضه‌ی صرف زیرساخت محاسباتی، تا ارائه‌ی مجموعه‌ای کامل از ابزارهای مدیریت هزینه و بهینه‌سازی عملکرد.

در نهایت، باید به این نکته توجه کرد که شفافیت در گزارش‌دهی هزینه و بازده، به‌تنهایی ریسک وابستگی فنی (lock-in) به یک تأمین‌کننده را هم افزایش می‌دهد. وقتی سازمانی به‌طور کامل فرایندهای کاری خودش را حول یک ابزار خاص مثل کلود کد بچیند و گزارش‌های دقیقی هم از عملکرد آن داشته باشد، تغییر به ابزار رقیب نه‌تنها از نظر فنی بلکه از نظر روانی و فرهنگی هم دشوارتر می‌شود. این موضوع برای تصمیم‌گیرندگان فناوری اطلاعات یک هشدار ملایم است: باید همزمان با بهره‌گیری از مزایای این شفافیت، به تنوع‌بخشی به تأمین‌کنندگان فناوری خودشان هم فکر کنند تا در آینده گزینه‌های بیشتری برای انتخاب داشته باشند.

منبع: TechCrunch

SOS سایتت خوابیده؟