قبض تریلیون‌دلاری هوش مصنوعی را در نهایت چه کسی می‌پردازد؟

دوران استفاده ارزان از هوش مصنوعی به پایان نزدیک می‌شود. با گسترش ایجنت‌ها و افزایش هزینه زیرساخت‌ها، شرکت‌ها به‌تدریج قیمت‌گذاری براساس مصرف را جایگزین اشتراک‌های ثابت می‌کنند؛ تغییری که می‌تواند بخشی از هزینه‌های پنهان این صنعت را به کاربران و مشتریان سازمانی منتقل کند.

از اشتراک ثابت تا محاسبه مصرف

گیت‌هاب اعلام کرد از ابتدای ژوئن ۲۰۲۶، مصرف کوپایلت براساس حجم ورودی، خروجی و توکن‌های ذخیره‌شده محاسبه می‌شود. حق اشتراک کوپایلت پرو همچنان ۱۰ دلار در ماه باقی ماند، اما این مبلغ در مدل جدید به اعتبار مصرفی تبدیل شد و پس از پایان اعتبار، پرداخت هزینه بیشتر یا توقف استفاده ضرورت پیدا می‌کند.

این تغییر با تحول قابلیت‌های کوپایلت هم‌زمان شده است. ایجنت‌های برنامه‌نویسی می‌توانند ساعت‌ها روی مخزن کد کار کنند، فایل‌ها را تغییر دهند، آزمون اجرا کنند و پس از مواجهه با خطا، چرخه پردازش را تکرار کنند. بنابراین یک مأموریت طولانی دیگر از نظر هزینه با یک پرسش کوتاه تفاوت اندکی ندارد.

هر کاری که هوش مصنوعی انجام می‌دهد، هزینه پردازشی دارد؛ هزینه‌ای که پیش‌تر بخشی از آن را شرکت‌های ارائه‌دهنده پرداخت می‌کردند.

یارانه‌ای که پنهان نمی‌ماند

در سال‌های نخست عرضه ChatGPT، کاربران با پرداخت اشتراک ثابت می‌توانستند ساعت‌ها از مدل‌های زبانی استفاده کنند، بدون آنکه هزینه پردازنده، برق و ظرفیت دیتاسنتر را ببینند. شرکت‌هایی مانند OpenAI و آنتروپیک نیز محصولات خود را پایین‌تر از هزینه واقعی عرضه می‌کردند و سرمایه‌گذاران خطرپذیر بخشی از زیان را پوشش می‌دادند.

هزینه استفاده از مدلی در سطح GPT-3.5، از نوامبر ۲۰۲۲ تا اکتبر ۲۰۲۴، از حدود ۲۰ دلار به ۷ سنت برای هر یک میلیون توکن کاهش یافت. بااین‌حال، ارزان‌ترشدن هر توکن الزاماً هزینه کلی را کم نکرد؛ زیرا نرم‌افزارها با سرعت بیشتری توکن مصرف کردند.

ایجنت‌ها؛ موتور تازه رشد هزینه‌ها

ایجنت‌ها به‌جای پاسخ‌دادن به یک پرسش، هدفی را دنبال می‌کنند و برای رسیدن به نتیجه چندین مرحله پردازش انجام می‌دهند. خواندن کد، اصلاح فایل‌ها، اجرای آزمون و بررسی خطا، هرکدام زمینه‌ای برای مصرف توکن بیشتر ایجاد می‌کند؛ حتی زمانی که کاربر پشت رایانه حضور ندارد.

• مصرف توکن: یک درخواست ایجنتی به‌طور متوسط ۱۵ برابر تعامل مستقیم انسان مصرف دارد.
• نقطه عطف: در فوریه ۲۰۲۶، مصرف توکن ایجنت‌ها برای نخستین‌بار از مصرف مستقیم کاربران انسانی بیشتر شد.
• پیامد تجاری: مأموریت‌های پیچیده گاهی ده‌ها برابر درخواست‌های ساده هزینه دارند.

مدیران مالی وارد میدان شدند

قیمت‌گذاری براساس مصرف، هزینه هوش مصنوعی را از یک اشتراک ثابت به ردیفی قابل‌اندازه‌گیری در بودجه سازمان تبدیل کرده است. شرکت‌ها اکنون برای تیم‌ها، کاربران و ایجنت‌ها سقف هزینه تعیین می‌کنند و پس از پایان اعتبار، درباره ادامه مصرف یا توقف آن تصمیم می‌گیرند.

گزارش سال ۲۰۲۶ بنیاد FinOps نشان می‌دهد ۹۸ درصد سازمان‌ها مدیریت مخارج هوش مصنوعی را در دستور کار قرار داده‌اند؛ این رقم یک سال پیش ۶۳ درصد بود. در چنین شرایطی، قدرتمندترین مدل لزوماً اقتصادی‌ترین گزینه نیست.

مدل‌های ارزان‌تر سهم می‌گیرند

در نیمه نخست ۲۰۲۶، سهم دیپ‌سیک در OpenRouter از کمتر از ۱۰ درصد به حدود ۱۸ درصد رسید. مدل‌های چینی از نظر حجم توکن مصرفی در این پلتفرم از رقبای آمریکایی پیشی گرفتند؛ هرچند این پلتفرم کل بازار را نمایندگی نمی‌کند.

اختلاف قیمت، شرکت‌ها را به استفاده ترکیبی از مدل‌ها سوق می‌دهد: وظایف ساده به مدل‌های کوچک‌تر سپرده می‌شوند و مدل‌های گران‌تر فقط برای مسائل دشوار به کار می‌روند. در این بازار، مدلی که «به‌اندازه کافی خوب» باشد می‌تواند سهم بزرگی از کارهای روزمره را به دست آورد.

پارادوکس جوونز؛ توکن ارزان و قبض بزرگ‌تر

کاهش هزینه هر واحد پردازش ممکن است مصرف کلی را افزایش دهد. این همان پارادوکس جوونز است: کارآمدترشدن موتور بخار در قرن نوزدهم، به‌جای کاهش مصرف زغال‌سنگ، استفاده از نیروی بخار و تقاضای کلی برای زغال‌سنگ را افزایش داد.

در حوزه هوش مصنوعی نیز توکن‌های ارزان‌تر به شرکت‌ها امکان می‌دهند ایجنت‌های بیشتری به کار بگیرند، اسناد بیشتری پردازش کنند و وظایفی را خودکار کنند که پیش‌تر ارزش اقتصادی نداشتند. شاخص هزینه توکن‌های سیلیکون دیتا از اواخر ۲۰۲۵ تقریباً دو برابر شد، درحالی‌که قیمت هر توکن از سال ۲۰۲۳ بیش از ۹۰ درصد کاهش یافته است.

زیرساخت تریلیون‌دلاری و ریسک سودآوری

برآورد گلدمن ساکس نشان می‌دهد سرمایه‌گذاری سالانه در تراشه‌ها، دیتاسنترها و برق موردنیاز هوش مصنوعی از ۷۶۵ میلیارد دلار در سال ۲۰۲۶ به ۱٫۶ تریلیون دلار در سال ۲۰۳۱ می‌رسد؛ مجموع سرمایه‌گذاری شش‌ساله نیز ۷٫۶ تریلیون دلار برآورد شده است.

• تراشه‌های هوش مصنوعی معمولاً ۴ تا ۶ سال کارآمد می‌مانند.
• ساختمان دیتاسنتر ممکن است حدود ۲۰ سال دوام بیاورد.
• زیرساخت تأمین برق باید بیش از ۲۵ سال کار کند.
• بدهی مرتبط با هوش مصنوعی در سال ۲۰۲۶ حدود ۵۷۰ میلیارد دلار پیش‌بینی شده است.

اگر تقاضا دیرتر از انتظار رشد کند، پردازنده‌ها ممکن است پیش از ایجاد درآمد کافی قدیمی شوند و بخشی از زیان به وام‌دهندگان و سهام‌داران منتقل شود. توسعه شبکه‌های برق و تأسیسات بلااستفاده نیز می‌تواند هزینه‌هایی فراتر از صنعت فناوری ایجاد کند.

چه کسی صورت‌حساب را می‌پردازد؟

در مرحله نخست، سرمایه‌گذاران خطرپذیر هزینه جذب کاربران را پرداخت کردند و سپس شرکت‌های سازنده مدل، پردازش را یارانه دادند. اکنون مشتریان سازمانی باید برای هر ایجنت و هر میلیون توکن بودجه تعیین کنند. مهاجرت به مدل‌های ارزان‌تر نیز می‌تواند حاشیه سود شرکت‌های بزرگ را کاهش دهد.

در بدترین سناریو، اگر دیتاسنترها و شبکه‌های برق زودتر از شکل‌گیری تقاضای واقعی ساخته شوند، زیان پروژه‌ها به سهام‌داران، طلبکاران و خریداران اوراق بدهی منتقل خواهد شد. همچنین ممکن است هزینه زیرساخت‌های برقی بلااستفاده به قبض برق خانوارهایی برسد که هرگز اشتراک چت‌باتی نخریده‌اند.

هوش مصنوعی می‌تواند بهره‌وری اقتصاد را افزایش دهد، اما موفقیت فنی آن تضمین‌کننده سودآوری سازندگان مدل‌ها نیست. پس از سه سال پنهان‌ماندن هزینه واقعی مصرف، کنتورها اکنون روشن شده‌اند و رقابت بر سر این است که ارزش اقتصادی نهایی نصیب چه کسی شود.