بعد خفض أبل الميزانية اليومية للرموز المخصصة للموظفين: 4 آليات رئيسية لإدارة فرق المؤسسات تكاليف استدعاء الذكاء الاصطناعي

ملاحظة الكاتب: انطلاقًا من خبر خفض Apple ميزانية الرموز اليومية للمهندسين من 300 إلى 200 دولار، نستعرض أربع آليات لمساعدة فرق الشركات على إدارة تكاليف استدعاء نماذج الذكاء الاصطناعي: تصنيف الميزانيات، والموافقة على الاستثناءات، وتصنيف النماذج، ومراقبة الاستخدام.

بحسب Bloomberg، خفّضت Apple الشهر الماضي ميزانية الرموز اليومية لبعض المهندسين من 300 إلى 200 دولار، وتخطط لخفضها لاحقًا إلى 100 دولار يوميًا، بينما قد لا تتجاوز ميزانية بعض الفرق غير التقنية 25 دولارًا. ويمكن للموظفين الذين يحتاجون إلى حصة أكبر طلب استثناء من الإدارة، كما قد تُوجَّه بعض الفرق إلى نماذج أقل تكلفة أو إلى ذكاء اصطناعي محلي يعمل على الأجهزة.

هذه ليست مجرد شائعة. فقد نقل موقع The Decoder هذه الأرقام عن Bloomberg في 5 نوفمبر 2026، وأشار إلى أن Microsoft وTesla وUber وMeta وضعت أيضًا مؤخرًا حدودًا للإنفاق الداخلي على الذكاء الاصطناعي. ويشير انتقال الشركات الكبرى من الاستخدام المفتوح إلى الاستخدام وفق ميزانية محددة إلى أن تكلفة استدعاء نماذج الذكاء الاصطناعي أصبحت مسألة يتعين على إدارات الشركات التعامل معها مباشرة.

الفائدة الأساسية: بنهاية المقال، ستعرف كيف شددت Apple ميزانية الرموز، وستحصل على إطار عملي جاهز لتطبيقه في إدارة تكاليف استدعاء نماذج الذكاء الاصطناعي في الشركات، يشمل تصنيف الميزانيات، والموافقة على الاستثناءات، وتصنيف النماذج، ومراقبة الاستخدام.

Apple تخفض ميزانية الرموز: أبرز المعلومات

ثلاثة تفاصيل عن تعديل Apple لميزانية الرموز

التفصيل الأول هو أن الميزانية تُحسب يوميًا ولكل موظف. فلم تكتفِ Apple بتحديد ميزانية سنوية إجمالية لكل قسم، بل خصصت حدًا «لكل شخص في اليوم». يتيح هذا المستوى من التفصيل لكل موظف معرفة تكلفة استخدامه للذكاء الاصطناعي مباشرة، كما يسهل على الإدارة توزيع الميزانية وفقًا لطبيعة كل وظيفة.

التفصيل الثاني هو تحديد حصص منفصلة للفرق التقنية وغير التقنية. يبلغ الحد المستهدف للمهندسين نحو 100 دولار، بينما قد تحصل بعض الفرق غير التقنية على 25 دولارًا فقط، أي بفارق أربعة أضعاف. ويشير ذلك إلى أن Apple ترى أن استهلاك الرموز في مهام مثل كتابة الشفرة وتشغيل الوكلاء أعلى بكثير منه في كتابة رسائل البريد الإلكتروني وإعداد الملخصات.

التفصيل الثالث هو أن الحد ليس سقفًا صارمًا. يمكن للموظفين طلب استثناء، كما يُوجَّه بعض الفرق إلى نماذج أقل تكلفة أو نماذج محلية. ولا يتمثل جوهر هذا النهج في «تقليل استخدام الذكاء الاصطناعي»، بل في «تخصيص القدرة الحاسوبية المكلفة للمهام التي تستحقها». لكن التقرير لم يكشف كيف تصنف Apple النماذج أو كيف تطبق الحدود، لذا ستبقى هذه التفاصيل بانتظار معلومات لاحقة.

لماذا تدفع تكلفة استدعاءات AI الشركات الكبرى إلى تشديد ميزانيات التوكنات؟

يكمن الفرق الأكبر بين تكلفة استدعاءات AI واشتراكات البرمجيات التقليدية في أنها تُحتسب حسب الاستخدام، وأن تكلفتها الحدّية ليست صفرًا. فإذا فتح موظف أداة SaaS نفسها 100 مرة يوميًا، فلن تتغير التكلفة. أما إذا طلب من نموذج لغة كبير قراءة 100 مستند طويل يوميًا، فستترتب تكلفة فعلية للتوكنات على كل استدعاء. وعندما يتوسع الاستخدام ليشمل عشرات الآلاف من الموظفين، تتضاعف هذه النفقات بسرعة.

ارتفعت نفقات البحث والتطوير لدى Apple في السنة المالية 2026 بنسبة 32%، وذكرت التقارير صراحةً أن ارتفاع تكاليف البنية التحتية وAI كان من العوامل المسببة لذلك. ومع توجه الرئيس التنفيذي الجديد نحو ترشيد الإنفاق، أصبحت نفقات AI الداخلية بندًا يسهل قياسه وتعديله. كما أن فرض شركات مثل Microsoft وTesla وUber وMeta قيودًا خلال الفترة نفسها يشير إلى أن الأمر ليس قرارًا عارضًا لشركة واحدة.

وتُظهر ردود الفعل الداخلية أن بعض الموظفين رأوا أن الحدود السابقة كانت سخية أكثر من اللازم أصلًا، وأن سقفًا يوميًا قدره 300 دولار يفوق احتياجات معظم الوظائف. وهذا يسلط الضوء على مشكلة شائعة: فكثير من الشركات تمنح حصصًا دون حساب دقيق في المراحل الأولى من اعتماد AI، ثم تثير الجدل عندما تشددها لاحقًا.

4 آليات لإدارة تكاليف استخدام الذكاء الاصطناعي في فرق العمل

يمكن استخلاص 4 آليات قابلة للتطبيق من نهج Apple. تعمل هذه الآليات معًا: تحدد الميزانية الحدود، وتتيح الموافقات المرونة، ويخفض تقسيم النماذج إلى فئات التكاليف، وتضمن المراقبة الالتزام.

الآلية الأولى: تحديد ميزانية token حسب الدور الوظيفي

تكمن أهمية ميزانية الفرد في «تقسيمها إلى فئات» لا في توزيعها بالتساوي. تختلف طريقة استخدام الذكاء الاصطناعي كثيرًا من وظيفة إلى أخرى؛ لذا فإن فرض رقم واحد على الجميع قد يترك المهندسين بميزانية غير كافية، أو يترك مخصصات المستخدمين الأقل استخدامًا دون استغلال لفترات طويلة. يوضح الجدول التالي مثالًا للتقسيم مستوحًى من نهج Apple، على أن تُحسب الأرقام الفعلية بناءً على استخدام فريقك السابق.

عند وضع الفئات، يُنصح أولًا بجمع بيانات الاستخدام الفعلي خلال آخر 1-3 أشهر، ومراجعة الوسيط ومستويات الاستخدام المرتفعة لكل دور وظيفي. بعد ذلك، حدّد الميزانية فوق الوسيط ودون المستوى المرتفع. بهذه الطريقة، تكفي الميزانية معظم الموظفين في استخدامهم اليومي، بينما يمر عدد قليل من المستخدمين المكثفين عبر إجراء الاستثناءات، ما يقلل العبء الإداري.

الآلية الثانية: الموافقة على الاستثناءات بدلًا من تطبيق حد موحّد

تسمح Apple للموظفين الذين يتجاوزون حصتهم بطلب استثناء من الإدارة، وهي فكرة تستحق الاستفادة منها. فالحد الصارم تمامًا قد يعرقل المهام المهمة في منتصف الطريق، بينما يؤدي غياب أي حد إلى فقدان الميزانية معناها. ويمكن تصميم آلية الموافقة على الاستثناءات وفقًا للنقاط التالية:

• تحديد شروط واضحة للطلب: مثل استنفاد الحصة اليومية أو حاجة مشروع إلى استدعاءات مكثفة ومتواصلة لعدة أيام؛
• تحديد مدة الموافقة: تُمنح الحصة الاستثنائية ليوم أو لمشروع، وتُسحب تلقائيًا عند انتهائها، حتى لا يتحول الاستثناء «المؤقت» إلى وضع دائم؛
• طلب توضيح مختصر: يبيّن نوع المهمة والنتائج المتوقعة، لتسهيل مراجعة ما إذا كانت تكلفة استدعاء نماذج الذكاء الاصطناعي تستحق لاحقًا؛
• المراجعة الشهرية: إذا تكررت طلبات الاستثناء من الشخص أو الفريق نفسه، فقد تكون الميزانية الأساسية منخفضة، وعندها ينبغي تعديل الفئة المخصصة بدلًا من الاستمرار في الموافقة على الاستثناءات.

الآلية الثالثة: تقسيم النماذج إلى فئات والانتقال التلقائي إلى فئة أقل

ذكر التقرير أن Apple ستوجّه بعض الفرق إلى نماذج أقل تكلفة أو إلى ذكاء اصطناعي محلي يعمل على الجهاز. ويعكس ذلك إحدى أكثر الوسائل فعالية لخفض تكلفة استدعاء نماذج الذكاء الاصطناعي: توزيع النماذج حسب صعوبة المهمة. فكثير من المهام اليومية يمكن إنجازها بنموذج خفيف، ولا تحتاج النماذج الرائدة سوى لعدد محدود من المهام المعقدة.

من قواعد الانتقال التلقائي الشائعة: عندما يصل الاستخدام إلى نسبة معينة من الميزانية، مثل 80%، تنتقل المهام غير المهمة تلقائيًا إلى الفئة التالية الأقل تكلفة. وعند استنفاد الحصة، يقتصر الاستخدام على النماذج الخفيفة أو يخضع لطلب استثناء. بذلك لا ينقطع الموظفون فجأة عن الخدمة، وتستمر أعمالهم بسلاسة أكبر. وتختلف الأسعار الفعلية بين النماذج وفقًا لأسعار كل منصة في وقت الاستخدام، لذا يُنصح بحساب التكاليف قبل التطبيق.

💡 نصيحة للاختيار: يتطلب تقسيم النماذج إلى فئات إمكانية التبديل بينها بسهولة. ومن خلال منصة تجميع مثل APIYI apiyi.com، يمكن استخدام مفتاح API واحد لاستدعاء نماذج OpenAI وClaude وGemini وغيرها. كما أن الواجهة متوافقة مع صيغة OpenAI، لذا يكفي تغيير المعامل model عند توجيه الطلبات بين الفئات.

الآلية الرابعة: مراقبة الاستخدام لتطبيق الميزانية عمليًا

من دون مراقبة، تبقى ميزانية الرموز (tokens) المخصصة لكل فرد مجرد قاعدة على الورق. ولا تقتصر المراقبة على اكتشاف تجاوز الميزانية، بل الأهم أنها توفر البيانات اللازمة لتحديد فئات الميزانية ومستويات النماذج. يُنصح بتتبع المؤشرات التالية على الأقل:

من الناحية التقنية، يمكن تسجيل حقل usage لكل طلب على مستوى بوابة الذكاء الاصطناعي الداخلية في المؤسسة، ثم تجميع البيانات حسب وسوم الموظفين أو الفرق. وإذا كنت تستخدم منصة خارجية، فتحقق أولًا مما إذا كان مستوى تفصيل إحصاءات الاستخدام فيها يلبي احتياجاتك لتوزيع التكاليف. أما دعم الحسابات الفرعية وتحديد حصص الاستخدام والتنبيهات لكل عضو، فيعتمد على الإمكانات الفعلية التي توفرها المنصة.

بداية سريعة للتحكم في تكلفة استدعاءات الذكاء الاصطناعي: توجيه النماذج وفق الميزانية

يوضح المثال المبسط التالي كيفية تطبيق «ميزانية لكل مستخدم مع تخفيض مستوى النموذج تلقائيًا» في الشفرة. لنبدأ باستدعاء أساسي، مع التركيز على قراءة عدد الرموز المستهلكة الذي يُعاد مع كل طلب:

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # واجهة APIYI موحدة لاستدعاء نماذج من مزودين مختلفين بمفتاح واحد
)

resp = client.chat.completions.create(
    model="gpt-4o-mini",  # يُفضّل استخدام نموذج خفيف للمهام اليومية
    messages=[{"role": "user", "content": "把这段会议纪要整理成 5 条要点：..."}]
)
print(resp.choices[0].message.content)
print("本次消耗 tokens:", resp.usage.total_tokens)

from collections import defaultdict
from datetime import date
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

# مستويات النماذج: استبدلها بأسماء النماذج المتاحة فعليًا على المنصة
TIERS = ["your-premium-model", "your-standard-model", "your-light-model"]

# أسعار مؤقتة (بالدولار لكل مليون رمز)، أدخل الأسعار الحالية للمنصة
PRICE = {
    "your-premium-model":  {"in": 0.0, "out": 0.0},
    "your-standard-model": {"in": 0.0, "out": 0.0},
    "your-light-model":    {"in": 0.0, "out": 0.0},
}

# الميزانية اليومية حسب الدور (بالدولار)، استنادًا إلى نهج Apple في تقسيم المستويات
DAILY_BUDGET = {"engineer": 100, "non_tech": 25}

spent = defaultdict(float)   # (user, date) -> المبلغ المنفق اليوم
exceptions = set()           # أزواج (user, date) التي حصلت على استثناء معتمد


def pick_model(user: str, role: str, preferred: str) -> str:
    key = (user, date.today())
    budget = DAILY_BUDGET[role]
    used = spent[key]
    if key in exceptions:
        return preferred
    if used >= budget:
        return TIERS[-1]                      # نفاد الميزانية: الإبقاء على النموذج الخفيف فقط
    if used >= budget * 0.8:
        idx = min(TIERS.index(preferred) + 1, len(TIERS) - 1)
        return TIERS[idx]                     # الاقتراب من الحد: التخفيض مستوى واحدًا
    return preferred


def chat(user: str, role: str, prompt: str, preferred: str = "your-standard-model"):
    model = pick_model(user, role, preferred)
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    u = resp.usage
    p = PRICE[model]
    cost = (u.prompt_tokens * p["in"] + u.completion_tokens * p["out"]) / 1_000_000
    spent[(user, date.today())] += cost
    print(f"[{user}] model={model} cost=${cost:.4f} today=${spent[(user, date.today())]:.2f}")
    return resp.choices[0].message.content


# مثال على الاستخدام
print(chat("alice", "non_tech", "把这封邮件翻译成英文：..."))

يحذف هذا المثال التخزين الدائم ومعالجة الطلبات المتزامنة ومسار الموافقات. في بيئة الإنتاج، يُنصح بوضع spent في قاعدة بيانات أو ذاكرة تخزين مؤقت، وربط الموافقات الاستثنائية بنظام التذاكر الداخلي. تبقى الفكرة الأساسية كما هي: تسجيل تكلفة كل استدعاء والتحقق من الميزانية قبل التوجيه.

🚀 بداية سريعة: إذا أردت التحقق أولاً من فعالية التوجيه حسب المستويات، يمكنك الحصول على رصيد اختبار مجاني للمستخدمين الجدد عبر APIYI على apiyi.com. استخدم المفتاح نفسه لمقارنة جودة النماذج في مختلف المستويات وتكلفتها في مهامك الفعلية، ثم حدد النموذج الافتراضي لكل دور.

تحليل أثر تعديل ميزانية الرموز لدى Apple

التأثير على المطورين

• الوعي بالتكلفة يصبح مهارة أساسية: يحتاج المطورون في الشركات الكبرى إلى متابعة عدد الرموز التي تستهلكها كل مهمة، وترشيد العمليات عالية الاستهلاك، مثل استخدام سياق طويل وإعادة المحاولة مرارًا.
• تزداد أهمية القدرة على التعامل مع نماذج متعددة: يصبح المطورون القادرون على اختيار النموذج المناسب لكل مهمة، وإسناد المهام البسيطة إلى نماذج خفيفة أو محلية، أكثر كفاءة عند تشديد الميزانية.
• ارتفاع الطلب على بوابات الذكاء الاصطناعي وطبقات التوجيه: تحتاج الشركات إلى نقطة دخول موحدة لتتبع التكلفة وفرض الحدود والانتقال إلى نماذج أقل تكلفة، ما يزيد أعمال تطوير هذه البنية التحتية الداخلية.

التأثير على مديري الشركات

• الانتقال من «تشجيع الاستخدام» إلى «إدارة أكثر دقة»: تدخل تكلفة استدعاءات الذكاء الاصطناعي ضمن إدارة الميزانية المعتادة، ما يستلزم توزيع التكاليف ومراجعتها كما يحدث مع الموارد السحابية.
• ضرورة استناد أرقام الميزانية إلى بيانات: يرى موظفون في Apple أن الحصص السابقة كانت «سخية أكثر من اللازم»، ما يشير إلى أن تحديد الحصص اعتباطيًا يخلق تكاليف تعديل لاحقًا.
• لا يمكن تجاهل مخاطر التواصل داخل المؤسسة: أشار التقرير إلى أن بعض الموظفين يخشون أن يكون خفض التكاليف مقدمة لتسريح العاملين. وقد يُفسَّر تشديد الميزانية بسهولة، إن لم يصاحبه توضيح، على أنه إشارة إلى تغييرات تنظيمية أكبر.

يلخص الجدول التالي المخاطر التنظيمية الشائعة عند تطبيق ضوابط لتكاليف استدعاءات الذكاء الاصطناعي، وسبل التعامل معها:

الأسئلة الشائعة FAQ

أبرز النقاط لإدارة تكلفة استدعاءات الذكاء الاصطناعي

• Apple خفّضت الميزانية: انخفضت الميزانية اليومية للرموز لكل مهندس من 300 دولار إلى 200 دولار، مع خطط لخفضها مجددًا.
• تقسيم الميزانيات أفضل من توحيدها: يختلف الاستخدام كثيرًا بين الوظائف التقنية وغير التقنية، وتصل الفجوة بين فئات Apple المستهدفة إلى أربعة أضعاف.
• الموافقات الاستثنائية توفر المرونة: الحد المخصص ليس سقفًا صارمًا؛ إذ يمكن طلب حصة إضافية مؤقتة للمهام المهمة.
• توزيع المهام بين النماذج يوفر المال: أسند المهام اليومية إلى نماذج خفيفة أو محلية، واحتفظ بالنماذج الرائدة للمهام المعقدة.
• المراقبة تساعد على تطبيق الميزانية: سجّل استهلاك الرموز والتكاليف لكل فرد وفريق، واستخدم البيانات لتعديل الفئات.
• التواصل داخل المؤسسة ضروري: قد يثير خفض الميزانية مخاوف من تسريح الموظفين، لذا يجب توضيح الهدف مسبقًا.
• ابدأ بتوجيه الطلبات: يمكنك استخدام مفتاح واحد عبر APIYI apiyi.com لمقارنة نماذج من فئات مختلفة والتحقق من استراتيجية توزيع المهام بينها.

الخلاصة

يُعد خفض Apple لميزانية الرموز اليومية للموظفين إشارة واضحة إلى انتقال استخدام الذكاء الاصطناعي في الشركات الكبرى من «التوسع» إلى «التدقيق في التكاليف». ويمكن تلخيص الدروس المستفادة لفرق العمل في ثلاث نقاط:

1. قسّم الميزانيات إلى فئات: حدد حصة لكل فرد بحسب دوره ونوع مهامه، واستند إلى البيانات السابقة بدلًا من التخمين؛
2. اجعل الآلية مرنة: اجمع بين الموافقات الاستثنائية والتحويل التلقائي إلى نماذج أقل تكلفة، حتى لا يؤثر الإيقاف الصارم للخدمة في الأعمال المهمة؛
3. وزّع المهام بين النماذج: اختر النموذج المناسب لكل مهمة، وراقب الاستخدام لمواصلة التحسين.

إذا كان فريقك يخطط لإدارة تكلفة استدعاءات الذكاء الاصطناعي، فابدأ بتجربة توزيع المهام بين النماذج في سيناريو أو اثنين من السيناريوهات المتكررة، ثم وسّع التطبيق بعد الحصول على بيانات فعلية عن التكلفة والجودة. ويمكنك استخدام APIYI apiyi.com لإنشاء بيئة اختبار متعددة النماذج بسرعة؛ فالرصيد المجاني للمستخدمين الجدد يكفي لإجراء المقارنة الأولية.

📚 المصادر

1. Apple slashes internal AI budgets, with deeper cuts still planned: نقل موقع The Decoder لتقرير Bloomberg
2. الرابط: the-decoder.com/apple-slashes-internal-ai-budgets-with-deeper-cuts-still-planned/
3. يتضمن تفاصيل تعديلات ميزانية الرموز اليومية في Apple، وردود فعل الموظفين، وسياقًا عن القيود التي تفرضها شركات أخرى على الإنفاق على الذكاء الاصطناعي.

الكاتب: الفريق التقني في APIYI
للتواصل التقني: نرحب بتواصلكم معنا عبر الصفحة الرئيسية لموقع APIYI لتبادل الخبرات حول إدارة تكاليف استدعاء نماذج الذكاء الاصطناعي في المؤسسات واستخدام نماذج متعددة.