আজকের দিনে দাঁড়িয়ে আমরা যখনই প্রযুক্তির অগ্রগতির দিকে তাকাই, তখনই সবার আগে যে বিষয়টি চোখে পড়ে তা হলো কৃত্রিম বুদ্ধিমত্তা বা AI। বিশ্বজুড়ে প্রায় প্রতিটি শীর্ষ Company এখন তাদের কাজের গতি বাড়াতে, সময় বাঁচাতে এবং সামগ্রিক খরচ কমাতে বিভিন্ন আধুনিক AI Tools-এর ওপর ভরসা করছে। টেক জায়ান্ট Amazon-ও এর ব্যতিক্রম নয়। প্রতিষ্ঠানটি তাদের অভ্যন্তরীণ বিভিন্ন জটিল কার্যক্রম থেকে শুরু করে দৈনন্দিন কাজগুলোকে দ্রুততর করতে দীর্ঘ দিন ধরেই স্বয়ংক্রিয় প্রযুক্তির পেছনে বিপুল অর্থ বিনিয়োগ করে আসছে।

কিন্তু প্রযুক্তি যত উন্নতই হোক না কেন, তার পেছনে যদি সঠিক পর্যবেক্ষণ, শক্ত ব্যবস্থাপনা এবং অর্থনৈতিক নিয়ন্ত্রণ না থাকে, তবে তা যেকোনো প্রতিষ্ঠানের জন্য কত বড় আর্থিক বিপর্যয়ের কারণ হয়ে দাঁড়াতে পারে—সম্প্রতি তার এক নিখুঁত ও বাস্তব প্রমাণ মিলল খোদ Amazon-এর অন্দরেই।

একটি তুলনামূলক সাধারণ কোডিংয়ের কাজ করতে গিয়ে শীর্ষস্থানীয় কৃত্রিম বুদ্ধিমত্তা গবেষণা প্রতিষ্ঠান Anthropic-এর শক্তিশালী লার্জ ল্যাঙ্গুয়েজ মডেল Claude Sonnet ব্যবহার করেছিল সংস্থাটির একটি অভ্যন্তরীণ দল। কিন্তু সেই কাজের বিল এসে দাঁড়িয়েছে মূল Budget-এর তুলনায় প্রায় ৯.৬ Times বা প্রায় দশ গুণ বেশি, যা অংকের হিসেবে চোখ কপালে তোলার মতো প্রায় $১.৮ Million!

প্রযুক্তির নিয়ন্ত্রণহীন ব্যবহার, অসাবধানতা এবং অভ্যন্তরীণ নজরদারির চরম ঘাটতি কীভাবে একটি ট্রিলিয়ন ডলারের সংস্থাকেও অস্বস্তিকর পরিস্থিতিতে ফেলে দিতে পারে, এই ঘটনা তারই এক স্পষ্ট চিত্র।

১.৮ Million ডলারের এক রুটিন Coding Task: পর্দার আড়ালে আসলে কী ঘটেছিল?

পুরো ঘটনাটির সূত্রপাত হয়েছিল Amazon-এর অভ্যন্তরীণ একটি প্রজেক্টের মধ্য দিয়ে, যাকে প্রাতিষ্ঠানিক ভাষায় একটি রুটিন বা সাধারণ Coding Task হিসেবে চিহ্নিত করা হয়েছিল।

এই নির্দিষ্ট Project-এর মূল লক্ষ্য ও উদ্দেশ্য ছিল অত্যন্ত স্পষ্ট—অনলাইন বুকস্টোর ও ই-কমার্স প্ল্যাটফর্মে থাকা লেখকদের যাবতীয় তথ্য বা Author Data-কে সাইটের বিশাল পণ্য তালিকা অর্থাৎ Product Listings-এর সাথে নির্ভুলভাবে ম্যাচ বা লিংক করিয়ে দেওয়া।

একটি সুবিশাল ডিজিটাল ক্যাটালগে লাখ লাখ বই ও পণ্যের সাথে সঠিক Author Data স্বয়ংক্রিয়ভাবে সংযুক্ত করা অত্যন্ত জরুরি একটি প্রক্রিয়া। আর এই দীর্ঘ ডেটা প্রসেসিংয়ের কাজটি দ্রুত এবং মানুষের হস্তক্ষেপ ছাড়া স্বয়ংক্রিয়ভাবে সম্পন্ন করার উদ্দেশ্যেই মূলত অভ্যন্তরীণভাবে ব্যবহার করা হয়েছিল Anthropic-এর Claude Sonnet মডেলটি। কিন্তু সেই অটোমেশনের ফলাফল যা দাঁড়িয়েছে, তা রীতিমতো অবিশ্বাস্য:

• বিশ্বখ্যাত আন্তর্জাতিক গণমাধ্যম Financial Times (সংক্ষেপে FT)-এর একটি Paywalled Report মারফত জানা গেছে, এই একক কাজের পেছনে Claude-এর এপিআই ও কম্পিউটেশনাল ব্যবহারের খরচ গিয়ে ঠেকেছে প্রায় $১.৮ Million-এ, যা তাদের প্রাথমিক হিসাবের চেয়ে ৯.৬ Times বেশি।
• সবচেয়ে বড় বিস্ময় ও উদ্বেগের বিষয় হলো, এত বিপুল পরিমাণ অর্থ ব্যয় করার পরও এই নির্দিষ্ট Project আদৌ সফলভাবে সম্পন্ন করা সম্ভব হয়েছিল কি না, সে বিষয়ে কোনো স্পষ্ট বা নির্ভরযোগ্য তথ্য আজও পাওয়া যায়নি।
• তার চেয়েও বড় প্রাতিষ্ঠানিক গাফিলতি হলো, এই প্রকল্পের বাজেট যে সম্পূর্ণ নিয়ন্ত্রণের বাইরে চলে গিয়ে প্রতিদিন আকাশচুম্বী খরচ তৈরি করছিল, তা টানা প্রায় ৫ Months ধরে Amazon-এর অর্থ বিভাগ কিংবা কোনো ঊর্ধ্বতন কর্তৃপক্ষের নজরেই আসেনি।

একটি শীর্ষস্থানীয় টেক প্রতিষ্ঠানে প্রায় পাঁচ মাস ধরে কোনো ধরনের অ্যালার্ট বা অডিট ছাড়া লাখ লাখ ডলারের অনিয়ন্ত্রিত AI Spending চলতে থাকা স্বাভাবিকভাবেই তাদের অভ্যন্তরীণ পরিচালনা পদ্ধতির ওপর এক বিরাট প্রশ্নচিহ্ন এঁকে দিয়েছে।

কোডিং ছাড়িয়ে অন্যান্য বিভাগেও ধাক্কা: Financial Auditing Tools এবং Logistics Work-এর লুকানো খরচ

Financial Times-এর সেই বিশেষ অনুসন্ধানী Report-এ Amazon-এর একটি অভ্যন্তরীণ প্রেজেন্টেশন বা Presentation-এর তথ্য বিস্তারিতভাবে প্রকাশ করা হয়। সেই উপস্থাপনা থেকে স্পষ্ট বোঝা যায় যে, Claude ব্যবহারের ফলে সৃষ্ট এই বাজেট বিপর্যয় কেবল একটি বিচ্ছিন্ন কোডিং টিমের মধ্যেই সীমাবদ্ধ ছিল না; বরং প্রতিষ্ঠানের একাধিক গুরুত্বপূর্ণ ক্ষেত্রে একই ধরনের বিপুল বাড়তি খরচ বা অপ্রত্যাশিত Costs তৈরি হয়েছিল:

• Financial Auditing Tools: কোম্পানির নিজস্ব আর্থিক নিরীক্ষা, হিসাবরক্ষণ এবং লেনদেন স্বয়ংক্রিয়ভাবে যাচাই-বাছাই করার উদ্দেশ্যে তৈরি করা বিভিন্ন Financial Auditing Tools-এ Claude ব্যবহার করতে গিয়ে ব্যয় হয়েছে প্রায় $৫৪১, ০০০।
• Logistics Work & Deliveries: গ্রাহকদের ঠিকানায় দ্রুততম সময়ে পণ্য পৌঁছে দেওয়ার সাপ্লাই চেইন ব্যবস্থাপনা উন্নত করতে এবং সামগ্রিক Deliveries গতিশীল করার লক্ষ্যে পরিচালিত Logistics Work-এর পেছনে খরচ হয়েছে আরও প্রায় $১৩৪, ০০০।

একসাথে এই বড় অঙ্কের সমস্ত Bills যখন সামনে রাখা হয়, তখন একটি বিষয় দিনের আলোর মতো স্পষ্ট হয়ে ওঠে—কোম্পানির অভ্যন্তরীণ কাঠামোয় বিভিন্ন দল কীভাবে এবং কতটুকু AI Use করছে, সে বিষয়ে কার্যকর ও সমন্বিত কোনো Spending Controls বা ব্যয় নিয়ন্ত্রণ ব্যবস্থা একেবারেই সক্রিয় ছিল না। বিভিন্ন বিভাগ নিজেদের মতো করে বড় বড় এআই মডেল কল করেছে, যার সামগ্রিক ফলাফল হিসেবে মাস শেষে তৈরি হয়েছে অস্বাভাবিক বিল।

Amazon-এর অভ্যন্তরীণ প্রতিক্রিয়া: কঠোর নজরদারির নির্দেশ বনাম নিজস্ব আত্মরক্ষা

অভ্যন্তরীণভাবে এই বিশাল অঙ্কের বিলের বিষয়টি সামনে আসার পর Amazon দ্রুত নড়েচড়ে বসে এবং তাদের প্রশাসনিক অবস্থান স্পষ্ট করে।

জানা গেছে, প্রতিষ্ঠানটির উচ্চপর্যায় থেকে তাদের নিজস্ব Staff-কে কড়া বার্তা পাঠানো হয়েছে। তারা স্পষ্টভাবে জানিয়ে দিয়েছে যে, এখন থেকে সংস্থাটির প্রতিটি বিভাগে সমস্ত ধরনের অভ্যন্তরীণ AI Spending অত্যন্ত ঘনিষ্ঠভাবে পর্যবেক্ষণ ও মনিটর করা হবে। একই সাথে যথেচ্ছ ব্যবহার রোধ করতে খরচের কঠোর সীমা বেঁধে দেওয়া হবে, যেন কোনো দলই তাদের নির্ধারিত বাজেটের বাইরে যেতে না পারে।

তবে খরচের এই ব্যর্থতাকে পুরোপুরি মেনে নিতে নারাজ ছিল তাদের অভ্যন্তরীণ পর্যালোচনার একটি অংশ। সেই Presentation-এর একটি নির্দিষ্ট Part-এ পুরো বিষয়টিকে কিছুটা আত্মরক্ষামূলক দৃষ্টিকোণ থেকে ব্যাখ্যা করা হয়। সেখানে বলা হয়:

"ছোট এবং বিচ্ছিন্ন কিছু Examples বাছাই করে—যেখানে মূলত নতুন প্রযুক্তির সম্ভাব্যতা যাচাই করতে গিয়ে বিভিন্ন Teams পরস্পরের অভিজ্ঞতা থেকে কাজ শিখছে—সেগুলোকে স্বাভাবিক দৈনন্দিন Business হিসেবে তুলে ধরা কখনোই পুরো Amazon জুড়ে বিভিন্ন Teams আসলে কতটা পরিকল্পিতভাবে AI ব্যবহার করছে, তার সামগ্রিক ও প্রকৃত চিত্রকে প্রতিফলিত করে না। "

প্রতিষ্ঠানটির দাবি, নতুন কোনো জটিল প্রযুক্তির সাথে খাপ খাইয়ে নেওয়ার প্রাথমিক পর্যায়ে কিছু পরীক্ষামূলক ভুলত্রুটি হওয়া স্বাভাবিক এবং একেই পুরো কোম্পানির সাধারণ চিত্র হিসেবে বিবেচনা করা ঠিক নয়।

এক বড় বাস্তবতা: AI-Driven Layoffs-এর ফাঁদ এবং উপযুক্ত Token Limits-এর অপরিহার্য পাঠ

Amazon-এর এই বিপুল AI Spending পুরো প্রযুক্তি দুনিয়াকে এর আগে প্রকাশিত বেশ কিছু গুরুত্বপূর্ণ গবেষণামূলক Reports-এর বাস্তবতার সাথে নতুন এক Perspective বা দৃষ্টিভঙ্গিতে মুখোমুখি দাঁড় করিয়ে দিয়েছে।

সাম্প্রতিক সময়ে সিলিকন ভ্যালিসহ বিশ্বজুড়ে এক বড় প্রবণতা দেখা গেছে—অটোমেশনের মাধ্যমে ব্যয় সংকোচন করার যুক্তিতে অনেক বড় বড় প্রতিষ্ঠান ব্যাপকভাবে AI-Driven Layoffs বা কর্মী ছাঁটাই করেছে। কর্পোরেট মহলে এমন একটি সাধারণ ধারণা তৈরি হয়েছিল যে, রক্ত-মাংসের মানুষের বিকল্প হিসেবে কৃত্রিম বুদ্ধিমত্তা বসিয়ে দিলে হয়তো বিপুল পরিমাণ অর্থ বা Money বেঁচে যাবে। কিন্তু বাস্তব চিত্রটি দেখাচ্ছে এক ভিন্ন সত্য; যথাযথ দিকনির্দেশনা ছাড়া উন্নত কৃত্রিম বুদ্ধিমত্তার ওপর অতিরিক্ত নির্ভরতা অনেক Firms-এর জন্য খরচ কমানোর বদলে উল্টো ক্লাউড ও কম্পিউটেশন বাবদ আকাশছোঁয়া পরিচালন ব্যয় ডেকে আনছে।

এ কথা অনস্বীকার্য যে, সঠিক কর্মপদ্ধতি মেনে ব্যবহার করা গেলে আধুনিক AI Tools নির্দিষ্ট কিছু জটিল কাজের ক্ষেত্রে মানুষের শ্রম বা Labor বহুলাংশে কমিয়ে আনতে সক্ষম। কিন্তু কোনো ইঞ্জিনিয়ারিং বা ডেভেলপমেন্ট টিম যদি কাজ শুরুর আগে এআই মডেলের জন্য সুস্পষ্ট ও নিরাপদ Token Limits নির্ধারণ না করে দেয় এবং কাজের প্রতিটি ধাপে চলমান পুরো Work বা ফলাফল নিয়মিতভাবে অডিট ও রিভিউ না করে, তবে ব্যাক-এন্ডে স্বয়ংক্রিয় প্রসেসিংয়ের খরচ গুণোত্তর হারে বাড়তেই থাকে।

আর তার চূড়ান্ত পরিণতিতে প্রযুক্তি কোম্পানিগুলোকে মুখোমুখি হতে হয় লাখ লাখ ডলারের অনাকাঙ্ক্ষিত ও অপ্রত্যাশিত Bills-এর, যা শেষ পর্যন্ত মানবসম্পদ ছাঁটাইয়ের মাধ্যমে সাশ্রয় করা অর্থের চেয়েও বহুগুণ বেশি খরচ করিয়ে ছাড়ে।

-

টেকটিউনস টেকবুম