العنصر الأكثر دلالة في FinOps بالنسبة للذكاء الاصطناعي ليس تقنيًا، بل إداري. فعندما تبدأ جميع المؤسسات تقريبًا في التعامل مع نفقات الذكاء الاصطناعي كفئة تحتاج إلى إدارة، فهذا يعني أن الذكاء الاصطناعي لم يعد مجرد تجربة جانبية، بل أصبح جزءًا من المحرك التشغيلي للمؤسسة. وفقًا لمؤسسة FinOps Foundation، تدير 98% من المؤسسات الآن نفقات الذكاء الاصطناعي، بزيادة عن 63% في العام السابق و31% قبل عامين، في حين أن الهدف المعلن هو توقعات بدقة تزيد عن 90% للخدمات المشتركة للذكاء الاصطناعي، وذلك لتقليل الفواتير المفاجئة (مبادئ FinOps لتقدير تكاليف الذكاء الاصطناعي).
بالنسبة لشركة صغيرة أو متوسطة الحجم إيطالية، فإن هذا يغير المعنى الحقيقي لمصطلح «التحكم في التكاليف». لم يعد يكفي معرفة مقدار ما تنفقه على الخدمات السحابية في نهاية الشهر. بل يجب أن تفهم أي فريق، وأي نموذج، وأي استعلام، وأي تقرير ، وأي خيار هندسي هو الذي يستهلك الميزانية ويحقق القيمة.
وهنا يأتي دور إدارة التكاليف القائمة على تحليلات الذكاء الاصطناعي في FinOps. ليس كنظام مخصص للشركات الكبرى، بل كأداة فعالة لمن يرغب في استخدام التحليلات والذكاء الاصطناعي دون أن يفقد الرؤية والهامش والقدرة على التخطيط. فإذا كان الذكاء الاصطناعي هو المحرك الجديد، فإن FinOps هو لوحة القيادة التي تمنعك من القيادة وأنت تنظر فقط إلى فاتورة الوقود.
نادراً ما ترتفع تكاليف الذكاء الاصطناعي بشكل مفاجئ. بل غالباً ما تتراكم بهدوء. مكالمة API إضافية، أو نموذج تُرك قيد التشغيل، أو مسار معالجة مكرر، أو لوحة معلومات تُجري عمليات تحليل أكثر من اللازم. والمشكلة هي أن العديد من الشركات لا تدرك ذلك إلا عند وصول الفاتورة، وليس عند نشوء هذه النفقات.
ولهذا السبب، لا يقتصر هذا الموضوع على مجال تكنولوجيا المعلومات فحسب. بل إنه يهم المديرين الماليين، ومديري العمليات، ورؤساء الأقسام، والمديرين الذين يتعين عليهم تقييم ما إذا كان الاستثمار في التحليلات يولد قيمة حقيقية أم مجرد تعقيدات خفية. وبشكل عملي، جعلت الذكاء الاصطناعي السحابة أقل شبهاً بالاشتراك الشهري وأكثر شبهاً بعداد التاكسي.
وهذا بالضبط هو الغرض من FinOps. فهي تُترجم الاستخدام التقني إلى مسؤولية اقتصادية. وتتيح لك الانتقال من الإدارة التفاعلية، القائمة على المفاجآت والتبريرات، إلى الإدارة الهادفة، القائمة على الرؤية والأولويات والخيارات القابلة للقياس. ومن يرغب في فهم أفضل لأين تكمن البنود الأقل وضوحًا، يمكنه البدء أيضًا من هذا التحليل حول التكاليف الخفية لتنفيذ الذكاء الاصطناعي.
ليس الهدف الحقيقي هو خفض الإنفاق بشكل مطلق، بل إنفاقه بشكل أفضل، وبسرعة أكبر من المنافسين، مع توضيح أكبر للعائد الذي تحققه كل مبادرة من مبادرات الذكاء الاصطناعي.
غالبًا ما يُوصف FinOps بأنه أسلوب لتقليل الإنفاق على الخدمات السحابية. وهذا تعريف ضيق للغاية. فهو في الواقع ممارسة ثقافية تجمع بين أقسام الشؤون المالية والعمليات وفرق البيانات والإدارة العليا حول طاولة واحدة، بحيث يُنظر إلى الإنفاق التكنولوجي على أنه قرار تجاري وليس مجرد نتيجة جانبية تقنية.
في سياق الذكاء الاصطناعي، يصبح هذا التمييز حاسماً. وفقًا لتقرير "The State of AI FinOps 2025 " الصادر عن مؤسسة FinOps Foundation، ستقوم 63% من المؤسسات في عام 2025 بإدارة نفقات الذكاء الاصطناعي بشكل فعال، وهو ما يمثل أكثر من ضعف النسبة المسجلة في العام السابق والتي بلغت 31% (تحليل التقرير الذي نشرته Portkey). عندما تتضاعف ممارسة ما في مثل هذه الفترة القصيرة، فأنت لا تشهد مجرد موضة. بل تشهد تحولًا في مجال العمل.
تخيل ميزانية أسرة تعيش في منزل به العديد من البطاقات الائتمانية والاشتراكات والأفراد الذين يقومون بالشراء. إذا اكتفيت بالنظر إلى المجموع الإجمالي في نهاية الشهر، فستكون قد فات الأوان. أما إذا كنت تعرف من ينفق على ماذا، ولأي غرض، وبأي أولوية، فستتمكن من الاختيار دون تجميد كل شيء.
وينطبق المبدأ نفسه على الشركات. تنجح استراتيجية FinOps عندما تجمع بين أربعة عناصر:
لا يطلب نهج «فينوبس» الناضج من الفرق أن تقلل من الابتكار. بل يُلزمها بتوضيح أسباب إنفاقها بشكل أفضل.
لا تعمل أحمال عمل الذكاء الاصطناعي (AI) كالتطبيقات التقليدية. فقد تعتمد على استهلاك قائم على الرموز (token-based)، واستخدام وحدات معالجة الرسومات (GPU)، والتجارب المتقطعة، والاستدلالات المتغيرة، والبيئات سريعة التغير. وهذا يجعل الميزانية السنوية التقليدية، التي تستند إلى تكاليف مستقرة نسبيًا، غير مستقرة.
بالنسبة لقائد الأعمال، فإن النقطة الحاسمة تكمن في أمر آخر: فالذكاء الاصطناعي يحوّل النقاش من "القدرات المشتراة" إلى الاستهلاك الفعلي. فأنت لا تدفع مقابل البنية التحتية فحسب، بل تدفع مقابل السلوكيات التشغيلية، وجودة المطالبات، وتكرار الاستفسارات، والنماذج المستخدمة، وإدارة التجارب.
هناك ثلاث آثار ذات أهمية خاصة:
أصبحت تكاليف الإنفاق أكثر تفصيلاً
لا يكفي معرفة إجمالي تكاليف السحابة. بل يجب تحليل عمليات الإرسال والاستدلال وطلبات واجهة برمجة التطبيقات (API) وبيئات الاختبار وبيئات الإنتاج.
تتوزع المسؤولية
لم تعد التكلفة تقع على عاتق "قسم تكنولوجيا المعلومات" فحسب. بل أصبحت تقع على عاتق الفرق التي تستخدم النماذج والبيانات والأتمتة لإنشاء مخرجات تجارية.
التحسين ليس عملية خطية
فقد يؤدي خفض النفقات في المجالات الخاطئة إلى تدهور الأداء أو زيادة زمن الاستجابة أو انخفاض جودة عملية اتخاذ القرار. وتهدف FinOps بالضبط إلى تجنب التخفيضات العشوائية.
ولهذا السبب، فإن إدارة التكاليف باستخدام تحليلات FinOps AI أقرب إلى نظام ملاحة منها إلى مجرد قيود على الميزانية. فمن يتعامل معها على أنها مجرد وسيلة لخفض التكاليف، ينتهي به الأمر إلى كبح عجلة الابتكار. أما من يستخدمها بشكل صحيح، فيتمكن من تحديد المجالات التي يجب تسريع العمل فيها بدقة أكبر.
بالنسبة لشركة إيطالية صغيرة أو متوسطة الحجم، فإن بضع نقاط مئوية من الإنفاق غير المنضبط على الذكاء الاصطناعي يمكن أن يكون لها تأثير أكبر من حملة تسويقية خاطئة. والسبب بسيط. فقاعدة التكاليف أضيق، والفرق أقل تخصصاً، وكل يورو يُنفق على تجارب لا تخضع لمراقبة كافية يقلل من القدرة على الاستثمار في المجالات التي تحقق عائداً أسرع.
تتمثل ميزة FinOps، في هذا السياق، في الجانب الإداري قبل الجانب التقني. فهي تخرج تكاليف الذكاء الاصطناعي من نطاق اختصاص المتخصصين وتجعلها مفهومة لمن يتخذون القرارات بشأن الميزانية والأولويات التشغيلية ومستويات المخاطر. فلا يحتاج المسؤول الإداري أو مدير المبيعات أو مدير العمليات إلى تفسير سحابة البيانات. بل يحتاج إلى معرفة أي حالة استخدام تستهلك الموارد، وأيها تحقق نتائج، وأيها تحتاج إلى تصحيح.
إن نضج سوق الذكاء الاصطناعي يغير أيضًا توقعات الفرق غير الفنية. فلم تعد المؤسسات التي تعتمد النماذج والأتمتة والتحليلات تعتبر هذه التكاليف بندًا غير قابل للتنبؤ به بحكم طبيعته. بل أصبحت تتوقع تقديرات أفضل، وعتبات رقابة، ومسؤوليات واضحة.
بالنسبة للشركات الصغيرة والمتوسطة، فإن هذا يحوّل محور النقاش من "كم تكلفة السحابة" إلى "أي قرار يترتب عليه أي تكلفة". وهذا فرق جوهري. فالبيان الأول يُستخدم في الحسابات الختامية، أما الثاني فيُستخدم لتوجيه مسار الشركة.
تتضح الفوائد الملموسة بسرعة:
بالنسبة للفرق غير الفنية، فإن القيمة لها جانب نفسي أيضًا. فالتكلفة التي يمكن تفسيرها تحظى بالموافقة بسهولة أكبر من تلك التي لا يمكن تبريرها إلا بعد وقوعها.
يمكن للشركات الكبرى أن تتحمل حالات عدم الكفاءة لبضعة أرباع سنوية. أما الشركات الصغيرة والمتوسطة الإيطالية، فغالباً ما لا تستطيع ذلك. وهنا، يعمل نظام FinOps كلوحة القيادة في شاحنة صغيرة تُستخدم للتوصيل. فليس من الضروري معرفة كل تفاصيل المحرك. بل من الضروري أن نرى على الفور مستوى الوقود والاستهلاك وإشارات الأعطال، لأن تعطل إحدى المركبات يؤثر بشكل أكبر بكثير على أسطول مكون من ثلاث مركبات مقارنة بأسطول مكون من ثلاثمائة مركبة.
وبالتالي، فإن العامل التنافسي الحقيقي في الشركات الصغيرة والمتوسطة ليس حجم ميزانية الذكاء الاصطناعي، بل السرعة التي تربط بها الشركة بين الاستخدام والنتائج والتصحيح. ومن ينجح في ذلك، يختبر المزيد من المبادرات دون تحويل كل تجربة إلى مخاطرة مالية.
وهذه النقطة مهمة أيضًا من الناحية التنظيمية. ففي قطاعات مثل التمويل والتأمين أو الخدمات الخاضعة للتنظيم، تساهم القواعد المتعلقة بالتكاليف والموردين الرقميين في تعزيز حوكمة أكثر تنظيماً، وهو أمر مفيد أيضًا فيما يتعلق بالالتزامات التشغيلية ومرونة الأنظمة، مثل تلك التي تنص عليها لائحة DORA. فلا يكفي مجرد استخدام الأدوات الحديثة، بل يجب أن يكون بالإمكان إثبات من يستخدمها، وفي أي عملية، وما هو أثرها الاقتصادي.
تتناول العديد من أدلة FinOps الشركات الكبرى التي تمتلك أنظمة شراء منظمة ومراكز تميز في مجال السحابة الإلكترونية وفرق عمل مخصصة للمنصات. أما بالنسبة للعديد من الشركات الصغيرة والمتوسطة الإيطالية، فإن نقطة الانطلاق مختلفة. فهناك موظف مالي واحد ومسؤول تكنولوجيا المعلومات وبعض المديرين الوظيفيين، إلى جانب ضغوط متزايدة لتحقيق المزيد بموارد أقل.
ولهذا السبب بالتحديد، فإن تطبيق FinOps على تحليلات الذكاء الاصطناعي يعد أمرًا في متناول اليد. فهو لا يتطلب بنية معقدة، بل يتطلب رؤية تشغيلية وقواعد مشتركة بسيطة وبيانات مدمجة من مصادر مختلفة. ويمكن أيضًا إنشاء قاعدة بيانات مفيدة من خلال ربط فواتير الخدمات السحابية وسجلات الاستخدام ومراكز التكلفة وأنظمة الإدارة عبر موصلات تربطها بمصادر البيانات المؤسسية والسحابية.
والنتيجة لا تقتصر على ضبط الإنفاق فحسب، بل إنها تمثل قدرة تنظيمية جديدة. فالشركات الصغيرة والمتوسطة تتوقف عن مجرد الاستجابة لتكاليف الذكاء الاصطناعي، وتبدأ في تحديد الأماكن التي تستثمر فيها، وتلك التي تطبق فيها المعايير الموحدة، وتلك التي تتوقف عندها، وذلك قبل أن يتحول أي تجربة غير مجدية إلى بند ثابت في الميزانية.
إذا كانت FinOps هي المنهجية، فإن بنية البيانات هي البنية التحتية العصبية لها. فبدون قاعدة معلوماتية متينة، يظل التحكم في التكاليف مجرد رأي. قد تكون نواياك حسنة، لكنك تفتقر إلى القدرة الحقيقية على اتخاذ القرار.
في إدارة تكاليف التحليلات القائمة على الذكاء الاصطناعي في FinOps، لا يكمن الهدف في جمع المزيد من البيانات بشكل مجرد، بل في جمع البيانات الصحيحة، بالوتيرة المناسبة، وبشكل يتيح مقارنتها بين الأنظمة المختلفة.
يجب أن يجمع نظام FinOps الفعال بين أربع مجموعات من المؤشرات على الأقل:
بدون هذا التكامل، ترى الشركة الأرقام دون أن ترى الروابط السببية. إنه السيناريو الكلاسيكي الذي يلاحظ فيه المدير المالي ارتفاعًا ما، ويؤكد قسم تكنولوجيا المعلومات ذلك، لكن لا أحد يستطيع تحديد القرار الذي أدى إلى هذا الارتفاع بدقة.
ويساعد دمج الذكاء الاصطناعي في عملية FinOps في هذا المجال بالذات. فعلى منصات مثل Snowflake وBigQuery، يمكن للوكلاء الآليين اكتشاف ارتفاعات مفاجئة في الإنفاق، وتقليل الأنشطة اليدوية لإدارة التكاليف بنسبة تصل إلى 99٪ من خلال التكييف التلقائي لحجم المجموعات، مما يؤدي إلى خفض تكاليف السحابة بنسبة 30-40٪ لفرق البيانات (تحليل متخصص حول تحسين السحابة المدعوم بالذكاء الاصطناعي).
عندما يتم رصد الخلل في لحظة حدوثه، يمكن للفريق تصحيح السلوك التشغيلي. أما عندما يتم رصده بعد وقوعه، فلا يمكنه سوى تفسيره.
تعتقد العديد من الشركات أنها تتمتع بالشفافية لمجرد امتلاكها لوحات تحكم منفصلة. لكن في الواقع، ما لديها سوى نوافذ معزولة، وليس رؤية شاملة. والنتيجة هي حوكمة مجزأة: تروي AWS جزءًا من القصة، وAzure جزءًا آخر، وOpenAI جزءًا ثالثًا، بينما لا تتواصل الأنظمة الداخلية مع أي منها.
يتطلب إنشاء أساس أكثر صلابة لـ FinOps تحقيق التكامل بين مزودي الخدمات السحابية ومنصات البيانات وخدمات الذكاء الاصطناعي. وإذا أردت تقييم هذا الجانب من الناحية العملية، فمن الأفضل أن تبدأ بوضع خريطة واضحة للتكاملات ومصادر البيانات المرتبطة بعمليات اتخاذ القرار.
تتحسن القرارات عندما تتيح البنية ثلاث أمور:
تتبع التكلفة من البداية إلى النهاية
اطلع على التكلفة بدءًا من المصدر وصولاً إلى الفريق أو العملية التي استفادت منها.
التوحيد القياسي
يجمع المقاييس المتنوعة في لغة مشتركة، مما يجعل المقارنات مفيدة.
قابلية التنفيذ
: رؤى وتدخلات الزملاء. لا يقتصر الأمر على مجرد "وجود مشكلة"، بل "هنا يجب التدخل".
بشكل عملي، تعمل بنية البيانات الخاصة بـ FinOps AI مثل لوحة العدادات في الطائرة. فليس كفاية أن يكون لديك العديد من المؤشرات؛ بل يجب أن تكون متزامنة وسهلة القراءة ومرتبطة بقرارات سريعة. وإلا فإن الطيار يمتلك البيانات، لكنه لا يمتلك السيطرة.
غالبًا ما تؤجل الشركات الصغيرة والمتوسطة تنفيذ مبادرة FinOps لأنها تتصور أنها برنامج معقد، مصمم لمنظمات لديها فرق متخصصة. لكن في الواقع، فإنها تعمل بشكل أفضل عندما تبدأ بشكل بسيط. فالمنطق الصحيح لا يكمن في بناء نظام مثالي من البداية، بل في إنشاء دورة سريعة من الرؤية والتصحيح والتعلم.
1. ابدأ من خريطة الإنفاق الفعلي
لا من الميزانية النظرية. بل من الاستهلاك الفعلي. قم بإدراج المزودين، وخدمات الذكاء الاصطناعي، ومنصات البيانات، والبيئات، والوظائف المؤسسية المعنية. إذا لم تتمكن من تحديد من يستهلك ماذا، فإن المشكلة الأولى ليست في التحسين، بل في الرؤية.
2. الفصل بين التجارب والإنتاج
تدمج العديد من الشركات الاختبارات والنماذج الأولية وأحمال العمل الثابتة في نفس بند التكلفة. وهذا يؤدي إلى إرباك المناقشات. فالتجارب لها منطق مختلف عن الإنتاج. ويجب النظر إليها بتوقعات مختلفة.
3. حدد المسؤولية والقواعد الدنيا
يجب أن يكون لكل نفقة متعلقة بالذكاء الاصطناعي جهة مسؤولة عنها، حتى في حالة عدم وجود فريق FinOps رسمي. عليك أن تعرف من الذي يوافق، ومن الذي يراقب، ومن الذي يتدخل في حالة تجاوز حد معين.
قاعدة عملية: إذا لم يكن هناك مسؤول عن نفقة ما، فلن تكون هناك فرصة حقيقية لإدارتها.
بعد هذه الخطوات الأساسية، يتغير مسار العمل. فأنت لم تعد تكتفي بجمع المعلومات فحسب، بل أصبحت تبني نظامًا لاتخاذ القرار.
وهنا يكمن التقدم الحقيقي نحو النضج. يتطلب التنبؤ الدقيق بتكاليف أحمال عمل الذكاء الاصطناعي استخدام النمذجة التنبؤية عبر التعلم الآلي. ومن خلال تحليل البيانات التاريخية للاستخدام، يمكن لنماذج التعلم الآلي اكتشاف الحالات الشاذة والأنماط التي تفوت على التحليل البشري، ومنع تجاوز الميزانية، مع خفض هدر تكاليف السحابة بنسبة 30-40٪ (نظرة عامة من مؤسسة FinOps حول الذكاء الاصطناعي والتنبؤ).
4. استخدم التنبؤات والتنبيهات الذكية
في هذه المرحلة، لا يكفي أن تعرف أين أنفقت أموالك. بل عليك أن تتوقع أين ستنفقها. فالتنبؤات هي ما يحول FinOps من مجرد صورة استرجاعية إلى أداة إدارية. فهي تساعدك على فهم ما إذا كان مشروع جديد، أو زيادة في الأحجام، أو تغيير في النموذج، من شأنه أن يغير الملامح الاقتصادية للمبادرة.
فيما يلي مقطع فيديو توضيحي مفيد لفهم هذا التحول التشغيلي:
5. ربط التكلفة بقرارات الأعمال
الخطوة الأخيرة هي أيضًا الأكثر إهمالًا. فإذا بقيت FinOps محصورة في تقرير تقني، فلن تحقق سوى القليل. أما إذا أُدرجت في مراجعات المشاريع والميزانيات الفصلية وأولويات المحفظة، فستصبح عاملًا تنافسيًا.
يمكنك استخدام قائمة المراجعة السريعة هذه للتحقق من مستوى التبني:
النقطة الأقل بديهية هي هذه. لا تؤدي FinOps إلى إبطاء وتيرة اعتماد الذكاء الاصطناعي. بل إنها تقلل من تكلفة عدم اليقين التنظيمي. وبالنسبة للشركات الصغيرة والمتوسطة، غالبًا ما يكون هذا التكلفة غير المرئية هي التي تعرقل المشاريع الأكثر واعدة.
بالنسبة لشركة إيطالية صغيرة أو متوسطة الحجم، فإن قياس إجمالي الإنفاق على الخدمات السحابية فقط يشبه النظر إلى فاتورة الكهرباء دون معرفة الأجهزة التي تستهلك الطاقة. فالأمر المهم من الناحية الإدارية ليس التكلفة المطلقة، بل العلاقة بين الاستهلاك والفائدة التشغيلية والعائد الاقتصادي.
هنا ترتقي FinOps AI إلى مستوى جديد. فهي تحول بندًا تقنيًا من بنود التكلفة إلى نظام من المؤشرات التي يمكن لفرق الشؤون المالية والعمليات والبيانات قراءتها بنفس الطريقة، وإن كانت أهدافها مختلفة. ولهذا السبب، من المنطقي أن تُضاف إلى المقاييس المتعلقة بالبنية التحتية مؤشرات أقرب إلى الأعمال، كما هو موضح أيضًا في هذا المقال التفصيلي حول ثلاثة مقاييس تميز الشركات التي تحقق نتائج حقيقية من الذكاء الاصطناعي.
المقاييس الأكثر فائدة في FinOps AI ليست تلك التي تثير إعجاب الفريق التقني، بل تلك التي تساعد المسؤول الإداري أو المدير المالي أو مدير الوحدة على الإجابة عن ثلاثة أسئلة عملية: ما هي تكلفة كل ناتج؟ وما مدى موثوقية توقعات الإنفاق؟ وما هو القيمة الحقيقية التي يولدها الخدمة؟
ولهذا السبب، فإن مؤشرات مثل تكلفة الاستدلال، وتكلفة استدعاء واجهة برمجة التطبيقات (API)، ودقة التنبؤ، وعائد الاستثمار في مبادرة الذكاء الاصطناعي، تعتبر أكثر أهمية من مجرد نظرة إجمالية على الإنفاق. والمنطق بسيط. إذا ارتفعت التكلفة ولكن ارتفعت أيضًا القيمة المنتجة لكل عميل أو ممارسة أو عملية، فإن المشكلة ليست في الحجم. أما إذا زادت الرموز أو المكالمات أو أحمال العمل دون تحسن ملحوظ في الهامش أو الإنتاجية أو التحكم في المخاطر، فإن الإنفاق يمول التعقيد، وليس الميزة التنافسية.
وبالنسبة للشركات الصغيرة والمتوسطة، فإن هذه الخطوة تكتسب أهمية أكبر. فهي تمتلك احتياطيات مالية أقل مقارنة بالشركات الكبيرة، وفي القطاعات الخاضعة للتنظيم مثل القطاع المالي أو خدمات تكنولوجيا المعلومات والاتصالات التي تخضع لمتطلبات مرتبطة بقانون DORA، يتعين عليها إثبات ليس فقط كفاءتها بل أيضًا قدرتها على الرقابة.
| مؤشرات الأداء الرئيسية الأساسية لـ FinOps AI | الوصف | لماذا هذا مهم للشركات الصغيرة والمتوسطة |
|---|---|---|
| التكلفة الإجمالية للذكاء الاصطناعي | نظرة شاملة على الإنفاق على الخدمات والنماذج والمنصات والبيئات | يقدم المخطط المالي للمبادرة، وهو أمر مفيد في إعداد الميزانية والمراقبة |
| تكلفة الاستدلال | ما هي تكلفة إنشاء استجابة أو ناتج للنموذج؟ | يُظهر ما إذا كان بإمكان الخدمة أن تنمو دون أن تؤثر سلبًا على الهامش |
| تكلفة كل استدعاء لواجهة برمجة التطبيقات | التكلفة المخصصة لكل مكالمة موجهة إلى خدمة الذكاء الاصطناعي | يكشف عن أوجه القصور في شاشات المطالبة أو تكرار الاستخدام أو بنية التطبيق |
| دقة التنبؤ | إلى أي مدى تقترب التوقعات من الإنفاق الفعلي | تحسين تخطيط السيولة النقدية والميزانيات الفصلية والثقة الداخلية |
| عائد الاستثمار للمبادرة المتعلقة بالذكاء الاصطناعي | العلاقة بين القيمة التجارية المحققة والتكلفة المتكبدة | تحويل التركيز من «كم ننفق» إلى «ما نحصل عليه مقابل كل يورو نستثمره» |
| التباين حسب الفريق أو المشروع | الفرق بين الميزانية والتوقعات والاستهلاك الفعلي | يساعد في تحديد المسؤوليات، والإنفاق الزائد، وأولويات التدخل |
تقلل المقاييس المفيدة من الغموض في عملية اتخاذ القرار. فهي لا تهدف إلى إصدار المزيد من التقارير، بل إلى تحديد ما يجب تقليصه، وما يجب تصحيحه، وما يجب الاستثمار فيه في وقت مبكر.
تظهر القراءة الأكثر إثارة للاهتمام عند الجمع بين هذه المقاييس. فالتكلفة المنخفضة للاستدلال، بحد ذاتها، لا تضمن نتيجة جيدة إذا كان النموذج ينتج مخرجات غير قابلة للاستخدام ويؤدي إلى إعادة العمل. كما أن العائد الإيجابي على الاستثمار، إذا تم النظر إليه بمعزل عن غيره، قد يخفي تقلبات شهرية شديدة تجعل التخطيط أمراً صعباً. في المقابل، فإن الدقة الجيدة في التنبؤ لها قيمة تقلل العديد من الشركات الصغيرة والمتوسطة من شأنها. فهي تقلل من مخاطر الموافقة على المشاريع بحماس ثم إعادة تقييمها بعد بضعة أشهر بسبب مفاجآت في التكاليف.
إذن، السؤال الصحيح ليس عدد المقاييس التي يجب رصدها، بل هي المقاييس التي تسمح بربط التكاليف والموثوقية التشغيلية والنتائج الاقتصادية بوضوح كافٍ لتوجيه عملية اتخاذ القرار. وفي الشركات الصغيرة والمتوسطة، هذا هو النقطة التي يتوقف عندها FinOps AI عن كونه مجرد أداة لمراقبة التكاليف ليصبح نظامًا إداريًا.
تتجلى قيمة FinOps AI بشكل أوضح عندما يكون لكل يورو يتم إنفاقه تأثير سريع على الهامش أو المخاطر أو استمرارية العمليات. وبالنسبة للشركات الصغيرة والمتوسطة الإيطالية، يُعد قطاعا التجزئة والتمويل مثالين مفيدين لأنهما يظهران نفس الديناميكية مع قيود مختلفة. في قطاع التجزئة، يكون الضغط تجاريًا. أما في القطاع المالي، فيكون ضغطًا تنظيميًا أيضًا. وفي كلا القطاعين، يتمثل الخطأ الأكثر شيوعًا في التعامل مع تكاليف الذكاء الاصطناعي كبند تكنولوجيا معلومات بدلاً من التعامل معها كمتغير للأداء.
في الشركات الصغيرة والمتوسطة العاملة في مجال البيع بالتجزئة عبر الإنترنت، غالبًا ما يتم استخدام تحليلات الذكاء الاصطناعي في ثلاثة مجالات: توقع الطلب، وتحسين العروض الترويجية، وإعداد التقارير التجارية شبه الفورية. الفائدة واضحة للعيان: انخفاض المخزون الراكد، وحملات أكثر استهدافًا، وقرارات أسرع. أما المشكلة فهي أقل وضوحًا. فكل نموذج أو تحديث للوحة المعلومات أو استعلام على كميات ضخمة من البيانات يضيف تكلفة متغيرة، وتلك التكلفة تميل إلى الارتفاع قبل أن يربطها أحد بالهامش المربح.
ويهدف نظام FinOps AI بالضبط إلى إقامة هذا الارتباط. فعلى سبيل المثال، يمكن للشركة مقارنة تكلفة محرك ترويجي ما بالزيادة الفعلية في معدل التحويل أو معدل دوران المخزون في فئة معينة. كما يمكنها اكتشاف أن بعض التحليلات تُجرى بوتيرة أعلى بكثير مما تبرره القيمة التي تنتجها. وهذه الحالة تشبه متجرًا يترك جميع أضواء المستودع مضاءة طوال الليل. يبدو التكلفة الفردية متواضعة، ولكن عند ضربها في عدد الأيام والمواقع والعمليات، فإنها تتحول إلى تآكل هيكلي في الهامش.
بالنسبة لشركة صغيرة أو متوسطة الحجم إيطالية، فإن هذه الخطوة تكتسب أهمية أكبر مما هي عليه في الشركات الكبرى. فهامش الربح غالبًا ما يكون أضيق، وفرق العمل أصغر حجمًا، كما أن التسامح تجاه مشاريع الذكاء الاصطناعي «المثيرة للاهتمام» ولكن غير المربحة يكون أقل بكثير. وبالتالي، فإن الميزة التنافسية لا تنبع من عدد لوحات المعلومات أو النماذج قيد التشغيل، بل تنبع من القدرة على فهم أي الرؤى التي تحسّن فعليًّا معدل البيع، ومتوسط الخصم، وتخطيط المشتريات، وأيها تستنزف الميزانية دون أن تغير أي قرار تشغيلي.
في القطاع المالي، تتخذ المسألة أبعاداً مختلفة. فالشركة الإيطالية الصغيرة والمتوسطة التي تستخدم الذكاء الاصطناعي في عمليات التقييم الائتماني، ومراقبة الحالات الشاذة، والتسوية، أو إعداد تقارير الرقابة، لا تقتصر على إدارة التكاليف التكنولوجية فحسب، بل تتولى أيضاً إدارة التتبع، والاعتماد على الموردين، وقابلية العمليات للتدقيق، والاستمرارية التشغيلية. ولهذا السبب، فإن «FinOps» هنا لا تشبه عملية تحسين السحابة بقدر ما تشبه نظام رقابة صناعي.
تشير CloudZero إلى أن تطبيق FinOps على الذكاء الاصطناعي يكتسب أهمية خاصة مع تزايد الاستهلاك المتغير، واستخدام نماذج متنوعة، وتعقيد عملية توزيع التكاليف بين الفرق وأحمال العمل (تحليل حول FinOps للذكاء الاصطناعي). بالنسبة لشركة مالية إيطالية صغيرة أو متوسطة الحجم، فإن هذه التعقيدات لها تأثير ملموس. فإذا لم تكن على دراية بأحمال العمل التي تتسبب في تكاليف، ومن يوافق عليها، والبيانات التي تستخدمها، والعمليات التي تدعمها، يصبح من الصعب إثبات السيطرة التشغيلية في إطار مثل ذلك الذي تتطلبه DORA.
هنا تبرز نقطة تغفلها العديد من الأدلة العامة. بالنسبة للبنك المحلي أو شركة التكنولوجيا المالية المتخصصة أو الوسيط الصغير الحجم، لا يُعتبر الامتثال والتكلفة مسألتين منفصلتين. إنهما نفس الموضوع الذي يُنظر إليه من منظورين مختلفين. يسأل قسم الشؤون المالية عما إذا كانت النفقات مبررة. بينما يسأل قسم المخاطر والامتثال عما إذا كان العملية قابلة للتتبع والتكرار والدفاع عنها في عمليات التدقيق. يجمع FinOps AI هذين السؤالين في رؤية إدارية واحدة.
في القطاع المالي، تعتبر النفقات التي يصعب تحديد مصدرها نفقات يصعب أيضًا التحكم فيها وتفسيرها والدفاع عنها.
ولهذا السبب، ينبغي النظر إلى DORA أيضًا باعتبارها عاملًا تنافسيًا. فهي تفرض إضفاء الطابع الرسمي على المسؤوليات والرصد والتبعيات التكنولوجية. والشركة الصغيرة والمتوسطة التي تبني هذه المنهجية قبل منافسيها لا تحقق فقط نظامًا داخليًا أكثر تنظيمًا، بل تحقق أيضًا سرعة أكبر في اتخاذ القرارات، وتقليل المفاجآت المتعلقة بالميزانية، وتأسيس قاعدة أكثر مصداقية لتوسيع نطاق تطبيقات الذكاء الاصطناعي دون زيادة الغموض والمخاطر التشغيلية في الوقت نفسه.
إذا جمعنا كل العناصر التي ظهرت، فإن الرسالة تكون أوضح مما تبدو عليه. إن إدارة تكاليف تحليلات الذكاء الاصطناعي (FinOps AI ) ليست مجرد وظيفة ثانوية في السحابة. إنها الطريقة التي تقرر بها الشركة ما إذا كان الذكاء الاصطناعي سيظل نفقة غير شفافة أم سيصبح ميزة تنافسية.
للتصرف بشكل عملي، ركز على الخطوات التالية:
الفرصة المتاحة للشركات الصغيرة والمتوسطة الإيطالية فرصة حقيقية. لن تفوز الشركات الأكثر مرونة لأنها ستنفق أقل فأقل، بل ستفوز لأنها ستتمكن من تخصيص مواردها بشكل أفضل، وتصحيح مسارها في وقت مبكر، والدفاع بوضوح أكبر عن قيمة مبادراتها في مجال الذكاء الاصطناعي.
صُممت «إليكت» (ELECTE)، وهي منصة لتحليل البيانات مدعومة بالذكاء الاصطناعي مخصصة للشركات الصغيرة والمتوسطة، خصيصًا لمواجهة هذه المرحلة. فهي تساعد الفرق على دمج مصادر البيانات، وفهم الأداء والتكاليف بوضوح أكبر، وأتمتة إعداد التقارير، وتحويل الرؤى المعقدة إلى قرارات يمكن فهمها حتى لمن ليس لديهم خلفية تقنية.
إذا كنت ترغب في تحويل البيانات إلى قرارات أكثر وضوحًا وبناء إدارة أكثر ذكاءً للاستثمارات القائمة على الذكاء الاصطناعي، اكتشف كيف يعمل ذلك ELECTE. يمكنك استكشاف المنصة، والاطلاع على كيفية ربطها بين الرؤى والعمليات، وتحديد ما إذا كانت هذه هي الخطوة الصحيحة لنموك.
.svg)
.svg)
.svg)
