صورت‌حساب واقعی هوش مصنوعی را چه کسی می‌پردازد؟

دوران دسترسی ارزان و تقریباً نامحدود به هوش مصنوعی به پایان خود نزدیک می‌شود. شرکت‌ها ناگزیرند هزینه‌های پردازش، مصرف برق، تراشه، زیرساخت دیتاسنتر و نگهداری مدل‌ها را با دقت بیشتری محاسبه و در ساختار هزینه‌ای خدمات خود منعکس کنند؛ تغییری که می‌تواند در سال‌های آینده، هم سازوکار قیمت‌گذاری خدمات هوش مصنوعی و هم الگوی استفاده از آن‌ها را دگرگون کند.

در سال‌های نخست، بخش بزرگی از این هزینه‌ها را سرمایه‌گذاران، شرکت‌های توسعه‌دهنده مدل و ارائه‌دهندگان زیرساخت پرداخت می‌کردند. با این حال، افزایش مصرف و ورود ایجنت‌ها نشان داده است که مدل اشتراک ثابت برای بسیاری از کاربردهای جدید پایدار نیست.

تغییر قیمت‌گذاری؛ روشن‌شدن کنتور هوش مصنوعی

گیت‌هاب در اطلاعیه‌ای اعلام کرد که از ابتدای ژوئن ۲۰۲۶، محاسبه مصرف کوپایلت تغییر می‌کند. در روش جدید، حجم توکن‌های ورودی، خروجی و ذخیره‌شده هر مدل در نظر گرفته می‌شود و از اعتبار ماهانه کاربر کسر خواهد شد.

حق اشتراک کوپایلت پرو همچنان ۱۰ دلار در ماه باقی ماند، اما این مبلغ در عمل به اعتبار مصرفی تبدیل شد. پس از پایان اعتبار، کاربر باید هزینه بیشتری بپردازد یا استفاده از قابلیت‌های هوشمند را متوقف کند. دلیل اصلی این تغییر، تفاوت زیاد میان یک درخواست کوتاه و مأموریت‌های طولانی ایجنتی است.

چرا ایجنت‌ها هزینه بیشتری دارند؟

چت‌بات‌های اولیه معمولاً پس از دریافت پرسش و تولید پاسخ متوقف می‌شدند. ایجنت‌ها، در مقابل، می‌توانند هدفی را دنبال کنند، فایل‌ها را بخوانند و تغییر دهند، تست اجرا کنند، خطاها را بررسی کنند و چندین بار چرخه پردازش را تکرار کنند.

بر اساس داده‌های OpenRouter، یک درخواست ایجنتی به‌طور متوسط ۱۵ برابر بیشتر از تعامل مستقیم انسان با هوش مصنوعی توکن مصرف می‌کند. در فوریه ۲۰۲۶ نیز مصرف توکن ایجنت‌ها برای نخستین‌بار از مصرف مستقیم کاربران انسانی در این پلتفرم بیشتر شد.

توکن ارزان‌تر، مصرف بیشتر

هزینه پردازش مدل‌های هوش مصنوعی در سال‌های اخیر کاهش چشمگیری داشته است. طبق گزارش AI Index دانشگاه استنفورد، هزینه استفاده از مدلی در سطح GPT-3.5 از حدود ۲۰ دلار به‌ازای هر یک میلیون توکن در نوامبر ۲۰۲۲، به ۷ سنت در اکتبر ۲۰۲۴ رسید.

این کاهش قیمت الزاماً به معنای کاهش هزینه کل شرکت‌ها نیست. وقتی پردازش ارزان‌تر می‌شود، سازمان‌ها می‌توانند وظایف بیشتری را به مدل‌ها بسپارند، حجم بزرگ‌تری از اسناد را پردازش کنند و ایجنت‌های بیشتری به کار بگیرند. در نتیجه، افزایش مصرف می‌تواند کاهش قیمت هر واحد را جبران یا حتی از آن فراتر رود.

این وضعیت با پارادوکس جوونز قابل توضیح است: کارآمدتر شدن یک فناوری لزوماً مصرف منابع را کاهش نمی‌دهد؛ بلکه ممکن است استفاده از آن را در حوزه‌های بیشتری اقتصادی کند و تقاضای کلی را افزایش دهد. به تعبیر تورستن اسلوک، اقتصاددان ارشد مؤسسه Apollo، توکن‌های ارزان‌تر می‌توانند به قبض‌های بزرگ‌تر منجر شوند.

مدیریت هزینه، به اولویت سازمان‌ها تبدیل می‌شود

در دوره‌ای که اشتراک‌های ثابت، هزینه استفاده از ابزارهای هوش مصنوعی را قابل پیش‌بینی نشان می‌دادند، شرکت‌ها کارکنان را به استفاده گسترده از این ابزارها تشویق می‌کردند. قیمت‌گذاری مصرف‌محور این رویکرد را تغییر داده است.

اکنون مدیران مالی باید مصرف هر تیم، کاربر و ایجنت را بررسی کنند و برای آن سقف بودجه تعیین کنند. گزارش سال ۲۰۲۶ بنیاد FinOps نشان می‌دهد ۹۸ درصد سازمان‌ها مدیریت هزینه‌های هوش مصنوعی را در دستور کار قرار داده‌اند؛ این رقم در سال قبل ۶۳ درصد بود.

• تعیین سقف هزینه برای تیم‌ها و کاربران
• اندازه‌گیری مصرف توکن و هزینه هر وظیفه
• انتخاب مدل براساس نسبت هزینه به عملکرد
• جلوگیری از اجرای بی‌وقفه یا تکراری ایجنت‌ها

قیمت‌گذاری جدید همچنین معیار انتخاب مدل را تغییر داده است. برای کارهای ساده مانند خلاصه‌سازی یا دسته‌بندی، مدل‌های کوچک‌تر و ارزان‌تر ممکن است گزینه مناسب‌تری باشند و مدل‌های قدرتمندتر فقط برای وظایف پیچیده استفاده شوند.

رقابت مدل‌های ارزان و «به‌اندازه کافی خوب»

داده‌های OpenRouter در نیمه نخست سال ۲۰۲۶ از افزایش سهم مدل دیپ‌سیک پس از انتشار خانواده V4 خبر می‌دهد. سهم این مدل از کمتر از ۱۰ درصد در آغاز سال به حدود ۱۸ درصد در اوایل ژوئن رسید. این داده‌ها کل بازار را پوشش نمی‌دهند، اما رفتار توسعه‌دهندگان و استارتاپ‌ها را نشان می‌دهند؛ گروهی که معمولاً در پذیرش فناوری‌های جدید پیشرو هستند.

در پایان ژوئن، پردازش یک میلیون توکن ورودی با V4 Flash دیپ‌سیک ۹ سنت و تولید یک میلیون توکن خروجی ۱۸ سنت هزینه داشت. برای همان مقدار استفاده از GPT-5.5، این هزینه‌ها به‌ترتیب ۵ دلار و ۳۰ دلار اعلام شده بود.

این اختلاف قیمت باعث می‌شود شرکت‌ها وظایف روزمره را به مدل‌های ارزان‌تر بسپارند و فقط برای مسائل دشوار سراغ مدل‌های پیشرو بروند. در چنین بازاری، مدلی که عملکرد «به‌اندازه کافی خوب» و قیمت مناسب دارد، می‌تواند سهم قابل توجهی از مصرف را به دست آورد.

چالش سودآوری شرکت‌های سازنده مدل

افزایش تعداد کاربران و توکن‌های مصرف‌شده، به‌تنهایی سودآوری را تضمین نمی‌کند. درآمد شرکت‌های مدل‌ساز از حاصل‌ضرب حجم توکن در قیمت آن به دست می‌آید و پس از کسر هزینه تراشه، برق، شبکه و استهلاک، حاشیه سود مشخص می‌شود.

اگر مصرف چند برابر شود اما قیمت پردازش و حاشیه سود سریع‌تر کاهش یابد، شرکت‌ها ممکن است کاربران بیشتری داشته باشند، بدون آنکه کسب‌وکار سودآورتری ساخته باشند. رشد مدل‌های متن‌باز و نزدیک‌شدن کیفیت مدل‌های مختلف نیز قدرت قیمت‌گذاری انحصاری شرکت‌های بزرگ را کاهش می‌دهد.

در این شرایط، بخش مهمی از ارزش اقتصادی ممکن است به شرکت‌هایی برسد که هوش مصنوعی را در فرایندهای واقعی بهتر به کار می‌گیرند؛ برای نمونه، بانک‌هایی با داده اختصاصی، کارخانه‌هایی که خطوط تولید خود را هوشمند می‌کنند یا نرم‌افزارهایی که قابلیت‌های هوش مصنوعی را به شکلی کاربردی عرضه می‌کنند.

زیرساخت‌های چندتریلیون‌دلاری و ریسک بدهی

هزینه ساخت زیرساخت‌های هوش مصنوعی بسیار بیشتر از هزینه اشتراک یک چت‌بات است. گلدمن ساکس تخمین می‌زند سرمایه‌گذاری سالانه در تراشه، دیتاسنتر و برق موردنیاز هوش مصنوعی از ۷۶۵ میلیارد دلار در سال ۲۰۲۶ به ۱٫۶ تریلیون دلار در سال ۲۰۳۱ برسد؛ یعنی مجموعاً ۷٫۶ تریلیون دلار در شش سال.

تراشه‌های هوش مصنوعی معمولاً بین ۴ تا ۶ سال کارآمد می‌مانند، ساختمان دیتاسنتر ممکن است ۲۰ سال دوام داشته باشد و زیرساخت تأمین برق به بیش از ۲۵ سال فعالیت نیاز دارد. این تفاوت زمانی، ریسک مهمی ایجاد می‌کند: تقاضا ممکن است با سرعت پیش‌بینی‌شده رشد نکند، اما هزینه ساخت و تعهدات مالی از پیش ایجاد شده باشند.

مورگان استنلی پیش‌بینی می‌کند بدهی مرتبط با هوش مصنوعی در سال ۲۰۲۶ به حدود ۵۷۰ میلیارد دلار برسد. در صورت کاهش تقاضا یا قدیمی‌شدن سریع تجهیزات، زیان احتمالی فقط متوجه شرکت‌های فناوری نخواهد بود و می‌تواند به وام‌دهندگان، سهام‌داران و سرمایه‌گذاران پروژه‌های زیرساختی منتقل شود.

آیا هزینه هوش مصنوعی به قبض برق مردم می‌رسد؟

هوش مصنوعی برای توسعه دیتاسنترها به نیروگاه‌ها، خطوط انتقال و شبکه‌های توزیع جدید نیاز دارد. اگر این زیرساخت‌ها بیش از میزان تقاضای واقعی ساخته شوند یا قراردادها به‌درستی تنظیم نشوند، هزینه دارایی‌های بلااستفاده می‌تواند به مصرف‌کنندگان برق منتقل شود.

کمیسیون Little Hoover کالیفرنیا هشدار داده است که در صورت تنظیم نامناسب قراردادها، هزینه توسعه شبکه‌های برق موردنیاز دیتاسنترها ممکن است به قبض برق مردم عادی راه پیدا کند. بنابراین، حتی افرادی که از خدمات چت‌بات‌ها استفاده نمی‌کنند نیز ممکن است به‌طور غیرمستقیم بخشی از هزینه توسعه این صنعت را بپردازند.

جمع‌بندی

صورت‌حساب هوش مصنوعی ابتدا با سرمایه سرمایه‌گذاران و یارانه شرکت‌های فناوری پرداخت شد، اما افزایش مصرف ایجنت‌ها و رشد هزینه زیرساخت‌ها این مدل را دشوار کرده است. کاربران و سازمان‌ها اکنون با قیمت‌گذاری مصرف‌محور، انتخاب مدل‌های ارزان‌تر و کنترل دقیق بودجه روبه‌رو هستند.

در سطح کلان نیز مشخص نیست چه کسی بیشترین سود را از این صنعت خواهد برد. ممکن است شرکت‌های کاربردی و صاحبان داده ارزش بیشتری خلق کنند، در حالی که بخشی از ریسک سرمایه‌گذاری زیرساختی به بازار مالی یا حتی مصرف‌کنندگان برق منتقل شود. موفقیت فنی هوش مصنوعی در نهایت تضمین نمی‌کند که همه بازیگران اقتصادی آن به یک اندازه سود ببرند.