AI մոդելների օգտագործման արժեքը նվազում է, նույնիսկ այն դեպքում, երբ հարցումների թիվը սրընթաց աճում է։ Ընկերությունները անցնում են ավելի էժան մոդելների, OpenAI-ն և Anthropic-ը նվազեցնում են գները, իսկ AI գործակալները越来越 հաճախ օգտագործում են քեշավորման մեխանիզմներ, որոնք կրճատում են ծախսերը։ Բիզնեսի համար սա լավ նորություն է, սակայն այն ոլորտի համար, որը հարյուրավոր միլիարդավոր դոլարներ է ներդնում հաշվարկային ենթակառուցվածքներում, առաջանում է անհարմար հարց․ որքանո՞վ կայուն կլինի AI բումը, եթե հաշվարկային ռեսուրսների սպառումն աճում է ավելի արագ, քան դրանց օգտագործումից ստացվող հասույթը։

Թոքենները գրեթե կրկնակի էժանանում են

Թոքենների՝ տեքստի և AI մոդելներով մշակվող այլ տվյալների միավորների արժեքը վերջին ամիսներին նկատելիորեն նվազել է։ Մի քանի հանրային ինդեքսներ ցույց են տալիս նմանատիպ դինամիկա, թեև ամբողջ շուկան արտացոլող միասնական ցուցանիշ գոյություն չունի։

Silicon Data-ի թոքենային ծախսերի ինդեքսը, որը հաշվի է առնում տարբեր մոդելների օգտագործման ծավալը և դրանց միջև փոփոխվող բալանսը, վերջերս իջել է մեկ միլիոն թոքենի դիմաց $1-ից ցածր։ Մայիսի վերջում ցուցանիշը հասնում էր $2,07-ի, այսինքն՝ գագաթնակետային արժեքից այն նվազել է 54%-ով։

Ramp ընկերության ինդեքսը, որը մասնագիտանում է կորպորատիվ ծախսերի կառավարման մեջ և հետևում է OpenAI-ի ու Anthropic-ի արտադրանքների վրա բիզնեսի իրական ծախսերին, ցույց է տալիս նման պատկեր։ Փետրվարի վերջի գագաթնակետի համեմատ, երբ մեկ միլիոն թոքենը միջինում արժեր $1,22, ցուցանիշը նվազել է 48%-ով։

Այս թվերի հետևում միանգամից մի քանի գործընթաց է կանգնած։ Ընկերությունները ավելի ու ավելի հաճախ հարցումներ են ուղղում ավելի էժան մոդելների, այդ թվում՝ բաց կշիռներով մոդելների, իսկ AI մշակողները նոր սերնդի արտադրանքների թողարկմանը զուգընթաց իրենք էլ նվազեցնում են գները։

Ընկերություններն այլևս չեն ցանկանում վճարել ամենահզոր մոդելների համար

Ավելի վաղ AI բումի խորհրդանիշներից մեկը ընկերությունների պատրաստակամությունն էր ավելի ու ավելի շատ գումար ծախսել ամենահզոր մոդելներին հասանելիություն ստանալու համար։ Այժմ բիզնեսը սովորում է հարցումները բաշխել ավելի տնտեսող ձևով․ ամեն խնդիր չէ, որ պետք է վստահել ամենաթանկ համակարգին։

Silicon Data-ի հետազոտությունների ղեկավար Սթիվ Հոուի խոսքով՝ պահանջարկի մի մասը տեղափոխվում է առաջատար մոդելներից դեպի ավելի մատչելի բաց այլընտրանքներ։ Սա նշանակում է, որ AI-ի օգտագործման աճն այլևս պարտադիր չէ, որ բերի ամենաթանկ ծառայությունների վրա ծախսերի համաչափ աճի։

Գների վրա լրացուցիչ ճնշում է գործադրում մատակարարների միջև մրցակցությունը։ Մոդելների նոր տարբերակներն առաջարկում են ավելի շատ հնարավորություններ ավելի ցածր գնով, ուստի մշակողները ստիպված են նվազեցնել գները՝ հաճախորդներին պահելու համար։

Միևնույն ժամանակ, AI-ի վրա կորպորատիվ ծախսերը կարող են արագ տեղափոխվել մի ընկերությունից մյուսը։ Ramp-ի գլխավոր տնտեսագետ Արա Հարազյանի խոսքով՝ նման ծախսերը դեռևս չի կարելի համարել կայուն կերպով կապված կոնկրետ մատակարարի հետ․ նոր մոդելի թողարկումը կարող է միլիարդավոր դոլարների ծախսեր մեկ ծառայությունից ուղղել մյուսին։

Մշակողների համար սա նշանակում է, որ նույնիսկ մեծ հաճախորդական բազան չի երաշխավորում նախկին հասույթի պահպանումը։ Եթե մրցակիցն առաջարկում է համադրելի որակ ավելի էժան գնով, պատվիրատուները կարող են բավական արագ փոխել իրենց նախընտրությունները։

AI գործակալներն էլ են կրճատում ծախսերը

Էժանացման ևս մեկ պատճառ է AI գործակալների տարածումը, որոնք վարում են երկարատև երկխոսություններ, կատարում են գործողությունների շղթաներ և մեկ առաջադրանքի շրջանակում բազմիցս դիմում մոդելներին։

Ինչպես բացատրում է OpenRouter հարթակի համահիմնադիր և գործառնական տնօրեն Քրիս Քլարկը, նման փոխազդեցություններում համատեքստի զգալի մասը կարող է պահպանվել քեշում և չմշակվել յուրաքանչյուր հարցման դեպքում նորից։ Քեշավորված մուտքային տվյալներին համապատասխանող թոքենները սովորաբար զգալիորեն ավելի էժան են արժենում, քան սովորականները։

Արդյունքում գործակալը կարող է շարունակել աշխատանքը մեծ ծավալի համատեքստով՝ չվճարելով դրա ամբողջ մշակումն ամեն անգամ ստանդարտ սակագնով։ Սա երկարատև փոխազդեցությունները դարձնում է ավելի տնտեսող, բայց միաժամանակ նվազեցնում է օգտագործվող թոքենների միջին արժեքը։

Այսպիսով, հարցումների թվի աճը և AI-ի աշխատանքի տևողության ավելացումը պարտադիր չէ, որ վերածվեն մոդելների մատակարարների հասույթի համադրելի աճի։

Տրիլիոնանոց ներդրումներ՝ ծախսերի ստագնացիայի ֆոնին

Տեխնոլոգիական ոլորտի համար գների նվազումն ինքնին պարտադիր չէ, որ վատ նշան լինի։ Ավելի մատչելի AI-ն կարող է խթանել նոր հավելվածների ի հայտ գալը, ընդլայնել օգտատերերի շրջանակը և մեծացնել համախառն պահանջարկը։ Այս ազդեցությունը հայտնի է որպես Ջևոնսի պարադոքս․ ռեսուրսի օգտագործման արդյունավետության բարձրացումը կարող է հանգեցնել դրա ընդհանուր սպառման աճին։

Առայժմ այդ տրամաբանությունն աշխատում է առնվազն մեկ իմաստով․ AI-ի օգտագործման ծավալը, որը չափվում է թոքենների քանակով, շարունակում է արագ աճել։

Բայց Ramp-ի տվյալները բացահայտում են ավելի մտահոգիչ տարամիտում։ Օգոստոսին և սեպտեմբերին թոքենների վրա կորպորատիվ ծախսերը գործնականում չեն աճել երկու ամիս անընդմեջ, թեև AI-ի փաստացի օգտագործումը շարունակել է մեծանալ։

«Առաջին անգամ ենք տեսնում, որ թոքենների օգտագործումն աճում է, իսկ դրանց վրա ծախսերը մնում են նույն մակարդակի վրա»,— ասում է Հարազյանը։ Նրա խոսքով՝ այս իրավիճակը դիտվում է արդեն երկու ամիս անընդմեջ։

Այս տարբերությունը սկզբունքային է։ Մշակված թոքենների քանակի աճը ցույց է տալիս, որ AI-ն օգտագործվում է ավելի ու ավելի ակտիվ, բայց չի պատասխանում այն հարցին, թե որքան գումար է ոլորտը վաստակում այդ օգտագործումից։ Եթե բիզնեսը նույն գումարով լուծում է ավելի շատ խնդիրներ, մոդելների մատակարարները ստիպված են փնտրել հասույթն ավելացնելու այլ ուղիներ։

Միևնույն ժամանակ, ենթակառուցվածքային ներդրումների մասշտաբը մնում է հսկայական։ Goldman Sachs-ի գնահատմամբ՝ ամերիկյան խոշորագույն հիպերսքեյլերները՝ ամպային հարթակների և մասշտաբային տվյալների մշակման կենտրոնների օպերատորները, 2026 թվականին կապիտալ ծախսերի համար կուղղեն մոտ $800 մլրդ։ Ակնկալվում է, որ 2027 թվականին նրանց համախառն ներդրումները կհասնեն $1,1 տրլն-ի։

Նման ներդրումները ենթադրում են, որ հաշվարկային հզորությունների պահանջարկը ոչ միայն կաճի, այլև կապահովի բավարար տնտեսական վերադարձ։ Եթե AI-ի օգտագործումը շարունակի աճել առանց հաճախորդների ծախսերի համադրելի աճի, ենթակառուցվածքային ներդրումների այս մասշտաբը հիմնավորելը կդառնա ավելի դժվար։

Ինչ է սա նշանակում Anthropic-ի և AI շուկայի համար

Թոքենների արժեքի նվազումն առայժմ չի ապացուցում, որ AI-ի պահանջարկը հասել է իր առաստաղին կամ որ ներդրումային բումը մոտենում է ավարտին։ Այն կարող է արտացոլել մոդելների արդյունավետության բարձրացումը, մրցակցության ուժեղացումը և հաճախորդների անցումը ավելի տնտեսող գործիքների։ Եթե ցածր գները հանգեցնեն AI-ի էլ ավելի լայն տարածմանը, ապա երկարաժամկետ հեռանկարում համախառն շուկան կարող է շարունակել աճել։

Սակայն ներդրողների համար կարևոր է հետևել ոչ միայն հարցումների և հաշվարկների քանակին, այլև նրան, թե որքան են ընկերությունները պատրաստ վճարել դրանց համար։ Հենց կորպորատիվ ծախսերն են սերտորեն կապված մոդելներ մշակողների հասույթի հետ և, հետևաբար, նրանց կարողության հետ՝ արդարացնելու բարձր գնահատականները բորսա հնարավոր դուրս գալուց առաջ։

Anthropic-ի նման ընկերությունների համար սա հատկապես կարևոր է AI ոլորտում խոշոր IPO-ների սպասումների ֆոնին։ Եթե հաճախորդների ծախսերը սկսեն կայուն կերպով հետ մնալ օգտագործման ծավալներից, շուկան ստիպված կլինի վերանայել պատկերացումները այն մասին, թե որքան արագ մոդելների մշակողները կկարողանան աճող պահանջարկը վերածել եկամտի։

Այժմ գլխավոր հարցը միայն այն չէ, թե որքան ակտիվ է զարգանում AI-ն, այլ նաև այն, կկարողանա՞ արդյոք ոլորտը ավելի շատ վաստակել այն տեխնոլոգիաներից, որոնք ամեն ամիս ավելի էժան են դառնում։