كمية رسوم الاشتراك التي تدفعها لClaude، كم ستستفيد شركة وحدات الضوء منها؟

ملخص سريع

· رسم تفكيك تكلفة اشتراك كلاود 20 دولار، يقسم رسوم الاشتراك الشهري للذكاء الاصطناعي إلى شركات النماذج، والحوسبة السحابية، ووحدة معالجة الرسومات، والكهرباء، وسلسلة التوريد.

· الاشتراك في الذكاء الاصطناعي يتطلب تكاليف استدلال مستمرة، ولا يمكن تطبيق فرضية هوامش الربح العالية التقليدية لـ SaaS مباشرة.

· الأسهم المرتبطة: OpenAI، Anthropic، مايكروسوفت، أمازون، جوجل، إنفيديا (NVDA)، تايوان سايبيو، SK هاليكس، سامسونج، Micron، مراكز البيانات وسلسلة الكهرباء.

صورة توضح كيف يتم تقسيم حوالي 20 دولار شهريًا لـ Claude Pro في أمريكا بين شركات النماذج، والحوسبة السحابية، ووحدة معالجة الرسومات، والكهرباء، وسلسلة التوريد، وتعيد المستثمرين مناقشة كيفية تقييم إيرادات تطبيقات الذكاء الاصطناعي.

هذه الصورة ليست بيانات رسمية من Anthropic، أو سحابة أمازون، أو إنفيديا، ولا يمكن اعتبارها سجلات حقيقية لأي شركة. قيمتها تكمن في طرح سؤال أعمق: كم من رسوم الاشتراك التي يدفعها المستخدمون لتطبيقات الذكاء الاصطناعي يمكن أن تتراكم كهوامش ربح للبرمجيات مثل SaaS التقليدي؟

تخيل تقييم SaaS التقليدي واضح. بعد تطوير البرمجيات، بيع حسابات إضافية لا يتطلب تكاليف عالية، وهامش الربح للشركات النقية للبرمجيات غالبًا يتجاوز 70% أو حتى 80%. المستثمرون مستعدون لدفع مضاعفات عالية لأن زيادة حجم الإيرادات تتيح فرصة لزيادة هامش الربح.

مشكلة تطبيقات الذكاء الاصطناعي هي أن كل سؤال يطرحه المستخدم، أو كتابة الكود، أو تحليل الملفات، أو استدعاء الوكيل، يتطلب استهلاك وقت وحدة معالجة الرسومات، والكهرباء، والنطاق الترددي للذاكرة، وموارد السحابة. من الخارج، هو رسوم ثابتة شهريًا، لكن من الأسفل، هناك سلسلة تكاليف تتغير مع حجم الاستخدام. المستخدمون الخفيفون قد يكونون هوامش ربح عالية، بينما المستخدمون الكثيفون الذين يجرون مهامًا متكررة ضمن حدود الاستخدام أو حزم الأدوات، قد تتصاعد تكاليفهم بسرعة.

لذا، فإن رسم تفكيك الـ20 دولارًا لا يهدف إلى تحديد كم من المال تأخذه شركة معينة، بل إلى السؤال: هل إيرادات تطبيقات الذكاء الاصطناعي تتساوى بشكل طبيعي مع إيرادات SaaS؟ لكي تثبت شركة الذكاء الاصطناعي أنها تستحق مضاعفات عالية، عليها أن تثبت أن هامش الربح الإجمالي بعد الوزن بالاستخدام يمكن أن يتحسن باستمرار، وليس فقط أن المستخدمين مستعدون للدفع.

هناك سلسلة تكاليف استدلال خلف الاشتراك

الفرق الأكبر بين اشتراك الذكاء الاصطناعي واشتراك البرمجيات العادي هو أن "التكلفة الحدية للاستخدام مرة واحدة" لم تعد تقترب من الصفر.

في SaaS التقليدي، إضافة حساب واحد لفريق لا يضيف تكاليف عالية، فالسيرفرات، وخدمة العملاء، والنطاق الترددي، لا تتزايد خطيًا مع كل نقرة. التكاليف المكلفة حقًا هي التطوير المبكر، والمبيعات، واكتساب العملاء. بعد توسيع المنتج، جزء كبير من الإيرادات الإضافية يمكن أن يظل.

أما في نماذج الحجم الكبير، فالأمر مختلف. عندما يدخل المستخدم سؤالًا، ويولد النموذج إجابة، يُطلق على هذه العملية استدلال، وهو الحساب الفعلي عند استدعاء النموذج. الوحدة الأساسية لقراءة وكتابة النص هي "Token". كلما زاد عدد الأسئلة، وطول السياق، وتعقيد المحتوى المُنتَج، زاد استهلاك الـToken والقدرة الحسابية.

وهذا يخلق تناقضًا بين التكاليف الثابتة للاشتراك والتكاليف المتغيرة. سعر الاشتراك الشهري في أمريكا حوالي 20 دولارًا، ويتأثر بالموقع، والضرائب، وتعديلات Anthropic. المستخدم يرى سعرًا ثابتًا، لكن شركة النموذج تواجه سلوك استخدام متباين جدًا. بعض المستخدمين يقتصرون على إرسال البريد الإلكتروني والبحث، بينما آخرون يتعاملون مع مستندات طويلة، ويشغلون مهام برمجية، أو يستخدمون عمليات تلقائية أكثر تعقيدًا.

الصورة التفكيكية المنتشرة تحاول تجسيد هذا الأمر: من الـ20 دولارًا، جزء يذهب لشركات النماذج، وجزء يُدفع لمقدمي الحوسبة السحابية ووحدة المعالجة الرسومية. تكاليف الحوسبة تشمل الكهرباء، والصيانة، واهتلاك الـGPU. ثم تتجه مشتريات الـGPU إلى إنفيديا، وتايوان سايبيو، وموردي الذاكرة عالية النطاق HBM، ووحدات الألياف، والمصنعين الأصليين، وشركات الكهرباء.

هنا، يمكن فهم "اهتلاك الـGPU" على أنه أن الـGPU المكلف ليس مهمة واحدة تُنجز مرة واحدة، بل يُستهلك تدريجيًا حسب عمر الاستخدام، وشدة الاستخدام، أو وفقًا للمعايير المحاسبية، ويتم توزيع تكلفته على خدمات الذكاء الاصطناعي ببطء. التوزيع الحقيقي يتأثر بقيود الحزم، ونسبة المستخدمين الخفيفين والثقيلين، وأسعار التسوية الداخلية لمقدمي السحابة، وخصومات الحجز المسبق، ومعدل استخدام الـGPU، وفترة الاهتلاك. والمتوسط ​​التكلفة لا يساوي دائمًا الحد الأدنى للتكلفة.

ما يهم المستثمرين حقًا هو الاتجاه: لا يمكن لشركات تطبيقات الذكاء الاصطناعي أن تكتفي بالإفصاح عن نمو الإيرادات، بل عليها أن تجيب عما إذا كانت تكاليف الحوسبة وراء النمو تتزايد بنفس الوتيرة. إذا توسع الاستخدام بشكل أسرع من تحسين كفاءة النموذج، فإن الإيرادات المرتفعة قد تضغط على الهوامش الربحية. فقط إذا تحسنت الكفاءة بسرعة كافية، يمكن لشركات النماذج أن تعيد تقريب هيكل أرباحها من البرمجيات.

البنية التحتية تحصل على إيرادات أكثر استقرارًا

في المرحلة الحالية، يتجه نمو استخدام الذكاء الاصطناعي بشكل مباشر أكثر نحو البنية التحتية، وليس كل شيء يترسب في طبقة التطبيق.

سواء كان المستخدم يستخدم Claude، ChatGPT، Gemini، أو الوكيل الداخلي للشركة، فإن الاستدلال النهائي يتطلب موارد الحوسبة، والكهرباء، والذاكرة، والشبكة. قد تتغير المنتجات على مستوى التطبيق، لكن استهلاك الموارد الأساسية أكثر صلابة. طالما استمر استخدام الذكاء الاصطناعي في الارتفاع، فإن الإنفاق على السحابة، وشراء الـGPU، وطلب الـHBM، واستهلاك الكهرباء في مراكز البيانات سيزداد.

وهذا هو السبب في أن إنفيديا، وتايوان سايبيو، وSK هاليكس، وغيرها من سلاسل البنية التحتية، لا تزال تُقيم السوق بشكل مستمر. إنفيديا، على سبيل المثال، حققت هوامش ربح عالية في السنوات الأخيرة، مع توقعات لهوامش ربح حوالي 71.1% و71.3% للعام المالي 2026، مع توجيهات ربع سنوية عالية. يجب الانتباه إلى أن بعض الأرباع قد تتأثر بمصاريف خاصة، وأن البيانات المالية لا تظهر دائمًا بشكل مباشر هيكل هوامش الربح لمراكز البيانات، لكن ندرة البنية التحتية تمنحها قوة تسعير واضحة، وهو ما ينعكس في الأداء.

HBM هو الحلقة الأكثر تمثيلًا في السلسلة. فهي ليست ذاكرة عادية، بل مكون رئيسي يدعم الحوسبة عالية التدفق في معجلات الذكاء الاصطناعي. مع زيادة حجم النموذج، وطول السياق، ومتطلبات الاستدلال المتزامن، أصبح الاعتماد على ذاكرة عالية النطاق الترددي أكثر أهمية. تظهر التقديرات أن حصة HBM من تكلفة الجيل الجديد من شرائح الذكاء الاصطناعي تتزايد، وهو سبب إعادة تقييم أسعار SK هاليكس، وسامسونج، وMicron خلال دورة الذكاء الاصطناعي.

الكهرباء ومراكز البيانات أيضًا تتحول من تكاليف خلفية إلى مسار استثماري رئيسي. استهلاك الطاقة في استعلام نص عادي قد لا يكون مبالغًا فيه، لكن الطلب على الوكيل المعقد، والسياق الطويل، وتوليد الكود، والمهام المتعددة، يضاعف حجم الحسابات. بالنسبة لمشغلي السحابة ومراكز البيانات، المهم ليس استهلاك الطاقة في استعلام واحد، بل أن الطلبات المستمرة للاستدلال الجماعي، وأسعار الكهرباء، والتبريد، وسعة المراكز، وقدرة الربط بالشبكة، كلها تصبح تكاليف وقيود.

ميزة البنية التحتية تكمن في أن الأداء يُثبت بشكل أسرع. إنفاق شركات السحابة على رأس مال الذكاء الاصطناعي قد بدأ، وإيرادات وهوامش إنفيديا تظهر في التقارير المالية، وطلبات وأسعار HBM ستدخل بسرعة في الأرباح. المعاملات على مستوى تطبيقات النموذج تتعلق أكثر بالتوقعات المستقبلية: تحويل الاشتراكات، وانتشار الشركات، وإيرادات API، وتحرير الأرباح مع انخفاض التكاليف المستقبلية.

التحسين في الكفاءة لا يزال هو الأساس للمستثمرين

لا يخلو المستثمرون في البرمجيات والذكاء الاصطناعي من ردود. الرأي السائد هو أن ارتفاع تكاليف الاستدلال اليوم هو ظاهرة مؤقتة في المرحلة المبكرة، وأن تحسين النماذج، والتخزين المؤقت، والنماذج الصغيرة، وتصنيع الشرائح الخاصة، وزيادة استغلال التجمعات، ستستمر في خفض التكاليف لكل وحدة. طالما أن التكاليف تنخفض بسرعة كافية، فإن تطبيقات الذكاء الاصطناعي قد تعود إلى منطق هوامش الربح العالية للبرمجيات.

هذه الردود لها أساس واقعي. بعض النماذج السائدة، بنفس القدرات أو أعلى، انخفضت تكلفتها بشكل واضح. على سبيل المثال، كشفت OpenAI أن تكلفة token لنموذج GPT-4o mini انخفضت بنسبة 99% مقارنة بـ text-davinci-003 في المراحل المبكرة. وتختلف وتيرة التقدم بين الشركات، لكن الاتجاه العام هو تقديم قدرات أقوى بتكاليف أقل.

هناك طرق متعددة لتحسين الكفاءة الاقتصادية لوحدات النماذج. يمكن الاعتماد على نماذج صغيرة للمهام البسيطة، وإعادة استخدام التخزين المؤقت للطلبات الشائعة، وتوجيه المهام الطويلة والمعقدة لنماذج أقوى. كما تقلل شركات السحابة من تكاليف الحساب لكل وحدة عبر تصنيع شرائح خاصة، وتنسيق التجمعات. جوجل لديها TPU، ومايكروسوفت أطلقت Maia للاستدلال، وأمازون تطور Trainium وInferentia.

إذا اكتفينا بالنظر إلى التقدم التكنولوجي، فإن هامش ربح تطبيقات الذكاء الاصطناعي لديه مجال للتحسن. تقنيات استدلال أرخص، وتوجيه نماذج أفضل، وتقنيات ضغط أقوى، يمكن أن تسمح للاشتراك بقيمة 20 دولارًا أن يحمل المزيد من الاستخدام. حزم الشركات ذات الأسعار المرتفعة، والتسعير الطبقي عبر API، والحدود الأكثر صرامة للاستخدام، يمكن أن تحسن الكفاءة الاقتصادية الإجمالية للوحدة.

لكن المشكلة أن انخفاض التكاليف ليس المتغير الوحيد. تطبيقات الذكاء الاصطناعي تتجه من الدردشة البسيطة إلى أعباء عمل أكثر تعقيدًا. في الماضي، كان المستخدمون يقتصرون على الأسئلة وإعادة صياغة النصوص، الآن الطلبات تتزايد على وكيل الكود، ومعالجة المستندات الطويلة، والفيديو، والتوليد متعدد الوسائط، والأتمتة المؤسسية. هذه السيناريوهات ذات قيمة أعلى، وتستهلك موارد أكثر. كلما زادت فائدة النموذج، زاد احتمال أن يترك المستخدمون مهامًا أكثر تعقيدًا وطولًا له.

وهكذا، تتضح الاختلافات بشكل أكثر تحديدًا: هل يمكن أن يتجاوز معدل انخفاض تكلفة الاستدلال النمو في الاستخدام وتعقيد المهام؟ إذا انخفضت الوحدة التكاليف بسرعة، لكن استهلاك المستخدمين المتوسط زاد بشكل أسرع، فإن هامش الربح الموزون للشركات سيظل مضغوطًا. وعلى العكس، إذا كانت توجيه النماذج، والتخزين المؤقت، وتصنيع الشرائح، والتسعير الطبقي فعالًا، فقد تتخلص تطبيقات الاشتراك من سماتها ذات التكاليف العالية تدريجيًا.

عدد المستخدمين للاشتراك ليس هو المقياس الحقيقي للهامش الربحي

لا ينبغي فهم رسم تفكيك الـ20 دولارًا على أنه النهاية. هو تذكير حالي بقيمة التقييم: عندما لا تتوفر بعد بيانات واضحة عن هوامش ربح شركات النماذج، على المستثمرين أن يخصموا فرضية أن "تطبيقات الذكاء الاصطناعي تساوي SaaS" بشكل مبدئي.

بالنسبة لشركات مثل OpenAI وAnthropic التي لم تطرح أسهمها بعد، من الصعب على المستثمرين الخارجيين رؤية الحسابات الكاملة. مواد التمويل، والكشوفات من الشركاء، وهيكل تكاليف السحابة، وأسعار باقات الشركات، وحصص إيرادات API، والقيود على الاستخدام، كلها مؤشرات على التقييم. البيانات الأكثر قيمة ليست عدد المستخدمين المدفوعين، بل نسبة المستخدمين الخفيفين والثقيلين، واستعداد الشركات لدفع أسعار أعلى للاستخدام المكثف، وانخفاض تكاليف التسوية السحابية، وهل يمكن أن تنخفض تكلفة الاستدلال لكل وحدة وتنعكس على هامش ربح الشركة.

أما الشركات المدرجة، فسيتم التحقق بشكل أسرع من خلال التقارير المالية. هوامش ربح إنفيديا، ونمو إيرادات مراكز البيانات، وطلب تكنولوجيا المعالجات المتقدمة من TSMC، وأسعار وهوامش ربح HBM، ووتيرة إنفاق شركات السحابة، ستظل تعكس ما إذا كان استخدام الذكاء الاصطناعي لا يزال يتجه نحو البنية التحتية. إذا استمرت هذه المؤشرات في القوة، وافتقر تطبيق النموذج إلى أدلة على تحسين الهوامش، فسيظل السوق يقدر البنية التحتية بمضاعفات أعلى.

وفي النهاية، لكي تستعيد شركات النماذج تقييمها الأعلى، عليها أن تثبت أن رسوم الاشتراك، حتى بعد الاستخدام المكثف، تظل تدر هامش ربح كافٍ. التباين في التسعير القادم لن يكون في الرقم الرئيسي لـ ARR، بل في قدرة تكلفة الاستدلال، والقيود على الحزم، وأسعار الشركات على الاستمرار في التوافق.

انقر لمعرفة وظائف律动BlockBeats

مرحبًا بك في المجتمع الرسمي律动 BlockBeats:

قناة التليجرام: https://t.me/theblockbeats

مجموعة التليجرام: https://t.me/BlockBeats_App

حساب تويتر الرسمي: https://twitter.com/BlockBeatsAsia