الرقم الذي أنهى خمس سنوات من التقدم
بين عامَي 2021 و2025، كان هدر السحابة في المؤسسات يسير في مسار تنازلي ثابت. ارتقت فِرَق FinOps، وتحسّنت تغطية الحسابات المحجوزة، وتكاثرت أدوات تحجيم الموارد الآلي، وانتقل نظام إدارة تكاليف السحابة من جداول البيانات في قسم البنية التحتية إلى طاولة مجلس الإدارة. ثم جاء عام 2026، ليُسجّل تقرير Flexera لحالة السحابة انعكاساً غير مريح: ارتفع هدر السحابة مجدداً إلى 29% للمرة الأولى منذ أن بدأ الاتجاه في التحسن.
لم يكن السبب إخفاق FinOps — بل كان سرعة ظهور فئة جديدة من الإنفاق لم تستطع أدوات وعمليات FinOps مواكبتها بعد. إذ اندفعت أعباء عمل الذكاء الاصطناعي التوليدي — التي تعمل على نماذج GPU مكلفة بتكلفة 5 إلى 10 أضعاف تكلفة نظيراتها من نماذج CPU — لتحتل المرتبة الثالثة بين خدمات السحابة العامة الأكثر استخداماً في المؤسسات عام 2026، إذ بلغت نسبة المؤسسات التي تشغّل أعباء عمل الذكاء الاصطناعي التوليدي 58% (مقارنة بـ50% عام 2025). وكل مؤسسة مشاركة في الاستطلاع تستخدم الذكاء الاصطناعي التوليدي الآن بشكل ما. لكن أطر الحوكمة اللازمة لإدارة هذه الفئة الجديدة من الإنفاق — التخطيط للطاقة الاحتياطية لنماذج GPU، والإيقاف التلقائي لنقاط نهاية الاستدلال الخاملة، وتخصيص التكاليف في الوقت الفعلي حسب النموذج والفريق — لا تزال قيد البناء في معظم المؤسسات.
كشف الاستطلاع المُجرى على 1,192 مشاركاً يمثلون 83 مليار دولار من الإنفاق السحابي السنوي أيضاً عن حجم الاستثمار على المحك: تُنفق 76% من الشركات الكبرى أكثر من 60 مليون دولار سنوياً على السحابة، بزيادة عن السنوات السابقة. عند هذا المستوى من الإنفاق، يُترجم معدل هدر بنسبة 29% إلى أكثر من 17 مليون دولار من الإنفاق القابل للتجنب سنوياً لكل شركة كبيرة نموذجية.
فجوة نضج FinOps التي كشفها الذكاء الاصطناعي
يتضمن تقرير Flexera أيضاً رؤية هيكلية تفسّر سبب تمركز ارتفاع الهدر تحديداً في أعباء عمل الذكاء الاصطناعي. فنضج FinOps، كما يقيسه تقرير State of FinOps 2026 الصادر عن FinOps Foundation المبني على 1,192 ممارساً يديرون 83 مليار دولار من الإنفاق السحابي، تحوّل من تركيزه التقليدي على خفض التكاليف نحو تفويض أوسع يشمل إدارة قيمة التكنولوجيا. لكن هذا التحول لا يزال ناقصاً.
لم تبلغ سوى 28% من المؤسسات في عينة Flexera مرحلة التحسين الناضج مع الحوكمة الآلية. وتبقى الغالبية — 57% — في مرحلة وسيطة مع مراقبة أساسية وعمليات يدوية. هذه المؤسسات متوسطة النضج تمتلك عمليات فعّالة لأعباء عمل IaaS وPaaS التقليدية، لكنها تفتقر إلى لوحات معلومات استخدام GPU في الوقت الفعلي، وإسناد التكاليف على مستوى النموذج، وإدارة دورة حياة نقاط نهاية الاستدلال — وهي الأدوات الضرورية لحوكمة الإنفاق على الذكاء الاصطناعي.
الفجوة هيكلية: لأعباء عمل GPU أنماط تحسين مختلفة عن CPU. فإنشاؤها مُكلف (أوقات بدء التشغيل البارد تتراوح بين دقائق مقارنة بثوانٍ لـCPU)، وإبقاؤها خاملة مُكلف أيضاً (نموذج A100 المحجوز يكلف نحو 3.50 دولار في الساعة سواء كان يعمل أم لا)، ويصعب تحجيمه الصحيح (متطلبات الاستدلال تتفاوت مع تعقيد المدخلات بطرق لا تأخذها أدوات التحجيم التقليدية في الاعتبار). هذا ما يفسر كون 98% من المشاركين يديرون الآن الإنفاق على الذكاء الاصطناعي بوصفه مسؤولية FinOps — فالوعي بلغ حد الإجماع تقريباً، لكن الوعي ليس حوكمة.
إعلان
ما يجب على فِرَق السحابة في المؤسسات فعله
1. بناء أدلة تشغيل FinOps خاصة بـGPU بمعزل عن تحسين السحابة القياسي
الإجراء الهيكلي الأول هو معاملة الحوسبة بالذكاء الاصطناعي بوصفها فئة حوكمة مستقلة، لا امتداداً لإدارة تكاليف السحابة الحالية. يعني ذلك إنشاء دفتر عمل مخصص لإنفاق GPU والذكاء الاصطناعي يتتبع: (أ) نسبة الحجز مقابل الطلب الفوري لنماذج GPU (الهدف: 60% أو أكثر محجوزة لأعباء الاستدلال الثابتة)، (ب) معدل استخدام GPU لكل نقطة نهاية استدلال (أي شيء دون 40% متوسط استخدام لنموذج محجوز يُعدّ إشارة هدر)، (ج) التكلفة لكل طلب استدلال حسب النموذج والفريق ووحدة الأعمال. السبب في إبقاء هذا الدفتر منفصلاً عن دفتر FinOps القياسي هو أن روافع التحسين مختلفة — فالنماذج المحجوزة لـGPU لها اقتصاديات تعادل وتكلفة خمول مختلفة تماماً عن CPU، والدمج بينهما في نفس التحليل يُفضي إلى استنتاجات خاطئة.
2. تطبيق الإيقاف التلقائي لنقاط نهاية الاستدلال في البيئات غير الإنتاجية
أعلى تأثير تشغيلي فوري لمعظم المؤسسات هو تطبيق إيقاف تلقائي لنقاط نهاية GPU خارج ساعات العمل في بيئات التطوير والاختبار. نقاط نهاية الاستدلال في بيئات التطوير والاختبار التي تعمل 24 ساعة طوال الأسبوع هي المصدر الأكثر شيوعاً لهدر الذكاء الاصطناعي — إذ تُموَّل للاختبار لكنها خاملة من 10 إلى 14 ساعة يومياً. تطبيق جدول زمني يوقف نماذج GPU غير الإنتاجية في الساعة الثامنة مساءً ويُعيد تشغيلها في السابعة صباحاً يُقلّل تكلفة الحوسبة السحابية للذكاء الاصطناعي غير الإنتاجي بنسبة 40 إلى 50% دون أي تأثير على سير عمل التطوير. AWS وAzure وGoogle Cloud جميعها توفر أدوات جدولة أصلية يمكن تطبيقها في فترة مساء واحدة.
3. الانتقال من خطط GPU المحجوزة لمدة سنة إلى ثلاث سنوات لأعباء العمل الثابتة
بالنسبة لأعباء الاستدلال التي مضى على إنتاجها ثلاثة أشهر على الأقل وتُظهر أنماط استخدام ثابتة، يُخفّض الانتقال من حجوزات سنة إلى ثلاث سنوات تكلفة حوسبة GPU بنسبة 25 إلى 35% مقارنةً بالحجوزات السنوية. نقطة نهاية استدلال إنتاجية ثابتة تعمل على نموذج NVIDIA A100 بتكلفة 3.50 دولار/ساعة عند الطلب تُكلّف 30,660 دولار سنوياً. الحجز السنوي يُخفّض هذا إلى نحو 20,000 دولار، والحجز لثلاث سنوات يُخفّضه إلى نحو 15,000 دولار — توفير إضافي قدره 5,700 دولار سنوياً لكل نموذج GPU. للمؤسسات التي تشغّل عشرات نقاط نهاية الاستدلال، يمكن لهذه الوفورات المجمّعة تمويل قدرات حوكمة GPU الموصوفة في النقطة الأولى.
4. تعيين بطل FinOps في كل فريق منتج للذكاء الاصطناعي
تشير بيانات Flexera وFinOps Foundation كلتيهما إلى ارتباط هيكلي بالتنظيم: الفرق التي يتمتع فيها FinOps بمشاركة على مستوى نائب الرئيس أو المسؤول التنفيذي تُظهر تأثيراً أكبر بمرتين إلى أربع مرات على اختيار التكنولوجيا. لكن الأهم بالقدر ذاته هو دمج مهندس أو مدير منتج مُدرك لـFinOps في كل فريق منتج للذكاء الاصطناعي — شخص يراجع قرارات نشر النموذج من منظور التكلفة قبل النشر لا بعد وصول الفاتورة. هذا الدور لا يتطلب شهادة FinOps متعمقة؛ يتطلب فهم التداعيات التكلفوية لاختيارات حجم النموذج واستراتيجيات التجميع وذاكرة التخزين المؤقت للاستدلال. فريق منتج واحد في مؤسسة من قائمة Fortune 500 قلّص تكاليف استدلال الذكاء الاصطناعي بنسبة 63% خلال 90 يوماً بتطبيق تجميع الطلبات واستراتيجية توجيه ذات مستويين.
الدرس الهيكلي: FinOps يجب أن يَنمو أسرع من الذكاء الاصطناعي
رقم 29% للهدر ليس إخفاق FinOps — إنه قياس للفارق في السرعة بين تبني الذكاء الاصطناعي ونضج حوكمته. كل مؤسسة استثمرت في FinOps على مدى السنوات الخمس الماضية تمتلك قدرات حقيقية يمكن توظيفها في مواجهة هذا التحدي الجديد. اقتصاديات حوسبة GPU قابلة للتعلم، وروافع التحسين مُثبتة في المؤسسات الرائدة، والأدوات متاحة. ما هو مطلوب هو إرادة تنظيمية لتطبيق الانضباط ذاته على إنفاق GPU الذي طُبّق على إنفاق CPU خلال العقد الماضي.
تتوقع FinOps Foundation أن “FinOps للذكاء الاصطناعي” سيظل الأولوية الأولى للسنوات الثلاث القادمة. المؤسسات التي تبني قدرات حوكمة GPU عام 2026 ستمتلك ميزة تكلفوية هيكلية على المنافسين الذين يؤجلون ذلك — وعند إنفاق سنوي يتجاوز 60 مليون دولار على السحابة، يُترجم تحسين نسبة الهدر بعشر نقاط مئوية إلى أكثر من 6 ملايين دولار يمكن استردادها سنوياً.
الأسئلة الشائعة
لماذا ارتفع هدر السحابة عام 2026 بعد خمس سنوات من التحسن؟
ارتفع هدر السحابة إلى 29% لأن أعباء عمل الذكاء الاصطناعي التوليدي — التي تعمل على نماذج GPU مكلفة بتكلفة 5 إلى 10 أضعاف تكلفة CPU — تسارعت أكثر مما استطاعت ممارسات FinOps التكيف معه. كل مؤسسة مشاركة في استطلاع Flexera تستخدم الذكاء الاصطناعي التوليدي الآن، لكن 28% فقط تمتلك حوكمة آلية ناضجة. أدوات التحسين المطورة لأعباء عمل IaaS التقليدية لا تنطبق مباشرة على اقتصاديات استدلال GPU، مما يُفضي إلى فجوة الحوكمة التي يعكسها رقم 29%.
ما هو أعلى إجراء فردي تأثيراً لتقليل هدر السحابة بالذكاء الاصطناعي؟
استناداً إلى بيانات تقرير State of FinOps 2026 الصادر عن FinOps Foundation، الإجراء الفردي الأعلى تأثيراً هو تطبيق الإيقاف التلقائي لنقاط نهاية GPU غير الإنتاجية خارج ساعات العمل. نقاط نهاية الاستدلال في بيئات التطوير والاختبار التي تعمل خاملة طوال الليل تمثل 40 إلى 50% من هدر حوسبة الذكاء الاصطناعي غير الإنتاجي. جميع كبار مزودي السحابة يوفرون أدوات جدولة أصلية لتطبيق ذلك في فترة مساء واحدة.
كيف يؤثر نضج FinOps على نسب هدر السحابة في الواقع؟
تُظهر بيانات Flexera 2026 أن المؤسسات ذات ممارسات FinOps الناضجة تُسجّل هدراً سحابياً أقل بنسبة 40% من تلك ذات الممارسات الأساسية. يُعرّف النضج وفق نموذج FinOps Foundation بثلاثة مستويات: الزحف (رؤية التكاليف)، المشي (التحسين والأتمتة)، الجري (الحوكمة في الوقت الفعلي واقتصاديات الوحدة). معظم المؤسسات لا تزال في مستوى المشي — تمتلك مراقبة التكاليف وبعض الأتمتة لكنها تفتقر إلى أدوات GPU المتخصصة والدمج التنظيمي الذي يميز مستوى الجري.
المصادر والقراءات الإضافية
🔗 مقالات ذات صلة
حروب GPU السحابية: CoreWeave وLambda والمنافسون لبنية AWS التحتية للذكاء الاصطناعي
حرب أسعار سحابة GPU 2026: المزودون المتخصصون يقلّصون الفائقين بنسبة 60-85%
Distributed Edge Inference: How 4,400-Site GPU Grids Are Replacing Centralized AI Clouds
AI FinOps 2026: إدارة تكاليف GPU والرموز قبل أن تنفجر
