شکستن انحصار ابر

پایبندی کامل به ابرسازهای بزرگ دیگر مؤثر نیست. شرکت‌ها در حال تنوع‌بخشی به پلتفرم‌های داده‌ای خود برای دوران هوش مصنوعی هستند.

برتری مقیاس‌پذیرهای بزرگ AWS، Google Cloud و Microsoft Azure بیش از یک دهه است که چشم‌انداز ابر را شکل داده است. شرکت‌ها به این پلتفرم‌ها روی آوردند تا عملیات فناوری اطلاعات را ساده کنند، هزینه‌ها را کاهش دهند و نوآوری را پیش ببرند. برای مدتی این کار مؤثر بود. جذابیت مقیاس‌پذیری، سهولت و یک پلتفرم متمرکز برای توانمندسازی بارهای کاری، سخت بود که مقاومت کرد.

اما زمان‌ها در حال تغییر است. بسیاری از سازمان‌ها در حال بازنگری وابستگی خود به مقیاس‌پذیرهای بزرگ برای بارهای کاری فعلی و آینده، به‌ویژه آن‌هایی که توسط هوش مصنوعی تقویت می‌شوند، هستند. این حرکت به یک حقیقت ساده می‌رسد: شرکت‌ها نیاز به کنترل بیشتر بر داده‌های خود و نحوه استفاده از آن دارند. هزینه، حاکمیت داده و آزادی نوآوری بدون محدودیت‌های عملیاتی، شرکت‌ها را به‌سوی نگاه فراتر از بازیگران بزرگ سوق می‌دهد.

این تغییر نگرش به معنای نابودی کامل مقیاس‌پذیرهای بزرگ نیست؛ آن‌ها برای موارد استفاده خاص همچنان نقش اساسی خواهند داشت. اما هر چه بیشتر شرکت‌ها از این چارچوب رها می‌شوند و به سمت سکوی‌های ناهمگن می‌روند تا هزینه‌ها را کاهش دهند، کنترل را بازیابند و نوآوری هوش مصنوعی را با استراتژی‌های داده‑محلی‑اول و سیستم‌های مبتنی بر هوش مصنوعی پیش ببرند. این تحول یکی از مهم‌ترین روندهای فناوری اطلاعات سازمانی در پنج سال گذشته است.

بیایید بررسی کنیم چرا این تمایل به متنوع‌سازی در حال گسترش است و چه معنایی برای آینده پلتفرم‌های سازمانی دارد.

واقعیت فشارهای هزینه‌ای

پلتفرم‌های ابری به‌عنوان صرفه‌جویی در هزینه‌ها زمانی که به شهرت رسیدند، به‌صورت بازاریابی به‌کار گرفته شدند. امروز، واقعیت اقتصاد ابری به‌شدت حس می‌شود. سازمان‌ها متوجه می‌شوند که مقیاس‌پذیرهای بزرگ معمولاً نمی‌توانند همان صرفه‌جویی یا کنترل حاشیه‌ای را که زیرساخت‌های داخلی یا پلتفرم‌های تخصصی ارائه می‌دهند، فراهم کنند. یک گزارش ۲۰۲۲ توسط Andreessen Horowitz برآورد کرد که شرکت‌های نرم‌افزاری عمومی تا ۱۰۰ میلیارد دلار ارزش بازار خود را به‌دلیل وابستگی شدید به پلتفرم‌های ابری از دست می‌دهند. به‌طور مشابه، نظرسنجی CIO بانک بارکلیس نشان داد که درصد سازمان‌هایی که قصد بازگرداندن بارهای کاری را دارند، به‌طور چشمگیری از ۴۳٪ در سال ۲۰۲۰ به ۸۳٪ در سال ۲۰۲۴ افزایش یافته است.

سال‌ها پیش، رهبران فناوری اطلاعات این باور را داشتند که «اگر به‌سرعت به ابر نروید، دیوانه‌اید». این توصیه برای پروژه‌های سبز‑زمین که به استقرار سریع نیاز داشتند منطقی بود، اما سازمان‌هایی که بارهای کاری موجود را مقیاس‌پذیر کردند، مشاهده کردند که هزینه‌های ابری آن‌ها به‌طور غیرقابل پیش‌بینی‌ای افزایش می‌یابد. تحلیل هزینه کل مالکیت نشان می‌دهد که نگهداری بارهای کاری روی مقیاس‌پذیرهای بزرگ اغلب به‌دلیل فشار برای افزایش منابع محاسباتی، پهنای باند یا ذخیره‌سازی، منجر به نوسان شدید قیمت می‌شود. بارهای کاری داده‑محور، مانند آموزش هوش مصنوعی یا تجزیه و تحلیل، می‌توانند هزینه‌های ابری را به‌شدت تشدید کنند. محاسبه هوش مصنوعی به منابع قابل‌توجهی نیاز دارد و هزینه بالای اجاره محاسبه و ذخیره‌سازی، گزینه‌ای مشکل‌ساز برای بلندمدت محسوب می‌شود.

چرا مالکیت اهمیت دارد

کنترل داده‌ها به‌عنوان یکی از مهم‌ترین دردسرهای سازمان‌های استفاده‌کننده از مقیاس‌پذیرهای بزرگ برجسته شده است. کسب‌وکارهایی که داده‌های حیاتی که فرآیندها، تلاش‌های تطبیق و خدمات مشتریان خود را تغذیه می‌کند، بر روی این پلتفرم‌ها ذخیره می‌کنند، دسترسی آسان و آن‑در‑خواست به آن‌ها ندارند. بسیاری از ارائه‌دهندگان مقیاس‌پذیر محدودیت‌هایی اعمال می‌کنند یا انتقال کامل داده را فراهم نمی‌کنند؛ مسأله‌ای که با قفل‌سازی فروشنده یا احساس آن تشدید می‌شود. خدمات SaaS به‌طور مشهور فرآیندهای بازیابی داده را به‌صورت مبهمی اجرا می‌کنند که مهاجرت به پلتفرم دیگر یا استفاده مجدد از داده‌ها برای راه‌حل‌های جدید را دشوار می‌سازد.

سازمان‌ها همچنین به ارزش ذاتی نگه داشتن داده‌ها در نزدیک خانه پی می‌برند. پردازش داده‌های لحظه‌ای برای اجرای مؤثر عملیات در حوزه‌های مالی، بهداشت و تولید حیاتی است. برخی ابزارهای هوش مصنوعی نیاز به دسترسی سریع به داده‌های محلی دارند و وابستگی به API‑های مقیاس‌پذیر یا یکپارچه‌سازی‌ها می‌تواند یک نقطهٔ‌گیج ایجاد کند. در عین حال، الزامات تطبیق در مناطقی که قوانین حریم خصوصی سفت‌وسفت دارند، مانند اتحادیهٔ اروپایی، استراتژی‌های حاکمیتی دادهٔ سخت‌تری را پیش‌نیاز می‌کنند.

با رشد هوش مصنوعی، شرکت‌ها فرصتی می‌بینند تا از عوامل هوش مصنوعی که مستقیماً با دادهٔ محلی کار می‌کنند، بهره‌برداری کنند. برخلاف سیستم‌های مبتنی بر SaaS که برای پردازش باید داده‌ها را به ابر منتقل کنند، سیستم‌های محلی‑اول می‌توانند درون دیوارهای امنیتی سازمانی عمل کرده و کنترل کامل بر اطلاعات حساس را حفظ کنند. این رویکرد هم مشکل تطبیق و هم مسئلهٔ سرعت را حل می‌کند.

پلتفرم‌های ترکیبی و ناهمگن

پلتفرم‌های سازمانی همگن که به‌طور کامل تحت یک ارائه‌دهندهٔ ابری هستند، به‌زودی به‌گذشتهٔ تاریخی تبدیل می‌شوند. آینده در سحابی ترکیبی و زیرساخت‌های بسیار ناهمگن نهفته است که خدمات مقیاس‌پذیر را با سیستم‌های محلی‑اول، پلتفرم‌های تخصصی و حتی استراتژی‌های داخلی برای بارهای کاری بازگردانده‌شده ترکیب می‌کنند.

این ناهمگنی صرفاً نظری نیست. GitHub نشان داده است که ترکیب فناوری محلی‑اول با همکاری ابری چه ارزشی دارد. پلتفرم‌های هوش مصنوعی جدیدی که برای عملیات محلی طراحی شده‌اند—مانند Llama متا یا DeepSeek—نشان می‌دهند که برنامه‌های پیشرفته می‌توانند از ابر جدا شوند. این پیشرفت‌ها امکان مالکیت کم‑هزینه و محلی را بدون کاهش کارایی فراهم می‌کند. همان‌طور که تعداد بیشتری از CIOها و رهبران فناوری اطلاعات این رویکردها را می‌پذیرند، انتظار می‌رود ابزارهای همکاری، سیستم‌های CRDT (Conflict‑Free Replicated Data Type) و سایر تکنیک‌های محلی‑اول به‌صورت چشمگیری در relevancy و دسترس‌پذیری افزایش یابند.

مقیاس‌پذیرهای بزرگ همچنان نقش مهمی در فناوری اطلاعات سازمانی ایفا خواهند کرد. پلتفرم‌های عمومی ابری برای مقیاس‌پذیری انعطاف‌پذیر بارهای کاری، پشتیبان‌های داده و هزاران عملکرد دیگر ضروری هستند. اما دیگر گزینهٔ پیش‌فرض نیستند. شرکت‌ها در حال اتخاذ استراتژی‌های بلندمدتی هستند که ترکیب استفاده از ابر با کنترل و صرفه‌جویی هزینه‌ای زیرساخت‌های داخلی، محلی‑اول و سیستم‌های جایگزین را تعادل می‌بخشند.

در سال‌های آینده، سازمان‌ها رابطهٔ خود با داده و زیرساخت دیجیتال را به‌صورت اساسی بازآفرینی می‌کنند. برتری رقابتی به سازمان‌هایی تعلق خواهد داشت که بتوانند قابلیت‌های ابری را با دادهٔ کنترل‌شدهٔ محلی ترکیب کنند تا سریع‌تر نوآوری کنند، الزامات تطبیق را برآورده سازند و هزینه‌های عملیاتی را به‌صورت کمینه حفظ کنند.

مقیاس‌پذیرهای بزرگ به‌خوبی خدمت ما کرده‌اند، اما هرگز هدفشان تنها راه حل بودن نبوده است. فناوری اطلاعات سازمانی متنوع است و پلتفرم‌های حمایتی آن نیز باید به همان اندازه متنوع باشند. چه توسط بارهای کاری هوش مصنوعی، چه توسط تقاضاهای تطبیقی یا فشارهای کنترل هزینه، سازمان‌ها اکنون ابزارها، انگیزه‌ها و استراتژی‌هایی را دارند تا این تغییرات را به‌عمل آورند.