اگرچه هوش مصنوعی هوشمند‌تر شده، اما هزینه‌های آن نیز افزایش یافته‌اند

به گزارش پیوست، گرچه هزینه پردازش هر «توکن» (واحد محاسباتی مدل‌های هوش مصنوعی) به شکل قابل توجهی در حال کاهش است، اما افزایش پیچیدگی مدل‌ها و رویکرد به ویژه مدل‌های استدلال‌گر، سبب شده‌اند تا تعداد توکن‌های مورد نیاز برای انجام یک کار ساده به شدت افزایش یابد.

اگرچه یک گفت‌وگوی ساده با چت‌بات ممکن است تنها با صد توکن انجام گیرد، اما کدنویسی پیچیده یا تحلیل یک سند حقوقی نیازمند مصرف صدها هزار توکن است.

بر اساس داده‌های مختلف:

• پرسش‌وپاسخ ساده: ۵۰ تا ۵۰۰ توکن
• خلاصه‌سازی کوتاه: ۲۰۰ تا ۶,۰۰۰ توکن
• کمک ساده در کدنویسی: ۵۰۰ تا ۲,۰۰۰ توکن
• تولید کد پیچیده: ۲۰,۰۰۰ تا بیش از ۱۰۰,۰۰۰ توکن
• تحلیل اسناد حقوقی: ۷۵,۰۰۰ تا ۲۵۰,۰۰۰ توکن
• و جریان‌های چندمرحله‌ای عامل‌های هوش مصنوعی: ۱۰۰,۰۰۰ تا بیش از یک میلیون توکن مصرف می‌کنند.

این اختلاف، بسیاری از استارت‌آپ‌های فعال در حوزه «کدنویسی با هوش مصنوعی» یا همان vibecoding را با چالش جدی مواجه کرده است. برای مثال، برخی کاربران سرویس Cursor گزارش داده‌اند که اعتبار ماهانه‌شان در عرض چند روز به پایان می‌رسد. پلتفرم ریپلیت (Replit) نیز پس از معرفی مدل قیمت‌گذاری «بر اساس میزان استفاده» با موجی از انتقادات کاربران در ردیت مواجه شد.

بحران سود‌آوری

در حالی که بهره مالی هوش مصنوعی در سازمان‌ها و تمام بخش‌‌های صنعتی همچنان با ابهام‌های متعدد روبرو است و برای مثال گزارش جدیدی از MIT می‌گوید تنها پنج درصد از پیلوت‌های هوش مصنوعی سازمانی با افزایش بهره‌وری و بازده مالی همراه هستند، شرکت‌های ارائه دهنده خدمات نیز با افزایش مصرف توکن‌ها با چالش جدی در این عرصه روبه‌رو شده‌اند.

ایوان ژائو، مدیرعامل شرکت نرم‌افزار بهره‌وری Notion، می‌گوید حاشیه سود این شرکت ظرف دو سال گذشته حدود ۱۰ درصد کاهش یافته و علت اصلی آن هزینه‌های مرتبط با استفاده از مدل‌های هوش مصنوعی است. در حالی که بسیاری از شرکت‌های نرم‌افزاری مبتنی بر ابر حاشیه سودی نزدیک به ۹۰ درصد داشتند، ورود هوش مصنوعی این معادله را تغییر داده است.

با این حال، مدیران برخی استارت‌آپ‌ها از جمله ریپلیت می‌گویند تغییر مدل درآمدی باعث ریزش جدی مشتری نشده است و هنوز می‌توان به سودآوری ۸۰ تا ۹۰ درصدی در بازار سازمانی امیدوار بود. سرمایه‌گذاران بزرگی مانند آندریسن هورویتز نیز معتقدند بخشی از این فشار طبیعی است و استارت‌آپ‌ها برای رشد سریع باید سود کوتاه‌مدت را قربانی کنند.

در سوی دیگر، شرکت‌های بزرگی مانند گوگل، اپن‌ای‌آی، آنتروپیک و متا میلیاردها دلار از سود سایر بخش‌های خود را صرف توسعه و آموزش مدل‌های بزرگ می‌کنند. طبق برآوردها، این غول‌ها سالانه بیش از ۱۰۰ میلیارد دلار برای زیرساخت‌های هوش مصنوعی هزینه می‌کنند.

اما همه‌ی کاربران به مدل‌های گران‌قیمت نیاز ندارند. برخی فعالان صنعتی معتقدند که تشویق مصرف‌کنندگان به استفاده از مدل‌های «ضعیف‌تر اما ارزان‌تر» می‌تواند بخشی از هزینه‌ها را کاهش دهد. به گفته تئو براون، مدیرعامل T3 Chat، بسیاری از کاربران برای کارهای روزمره خود نیازی به پیچیده‌ترین مدل‌ها ندارند و می‌توانند با مدل‌های سبک‌تر به نتایج رضایت‌بخش برسند.

نمونه روشنی از این تفاوت را می‌توان در قیمت‌گذاری محصولات شرکت اوپن‌ای‌آی مشاهده کرد. در حالی که مدل سریع و کوچک این شرکت به نام GPT-5 Nano حدود ۱۰ سنت برای هر یک میلیون توکن هزینه دارد، اما این مبلغ در مدل کامل شرکت یا همان GPT-5 استادنارد به ۳.۴۴ دلار برای هر یک میلیون توکن می‌رسد.

این اختلاف ۳۴ برابری نشان می‌دهد که چطور انتخاب مدل مناسب هوش مصنوعی برای کاربری‌های ساده می‌تواند سرنوشت مالی یک استارت‌آپ را تغییر دهد.

با این همه می‌توان گفت که اگرچه هزینه استنتاج (inference) به طور کلی در مدل‌ها رو به کاهش گذاشته است، اما روند مصرف فزاینده توکن‌ها و رقابت شدید بین غول‌های فناوری و استارت‌آپ‌ها پرسش‌های اساسی درباره آینده صنعت ایجاد می‌کند.

آیا شرکت‌های کوچک توانایی ادامه رقابت با غول‌هایی مانند گوگل و اوپن‌ای‌آی را دارند؟ مشتریان تا چه سطحی حاضرند برای کیفیت بالاتر خروجی هوش مصنوعی هزینه بیشتری بپردازند؟ و آیا «هوش ارزان‌تر» می‌تواند به راهکاری پایدار برای صنعت تبدیل شود؟

اما در حال حاضر یک نکته روشن وجود دارد و آن اینکه هرچند هوش مصنوعی وعده سرعت، دقت و بهره‌وری بیشتر را داده، اما هزینه‌های پنهان آن اکنون به یکی از مهم‌ترین چالش‌های این بازار نوپا بدل شده است.