Чи наближається кінець епохи високих цін на AI? П'ять структурних причин, чому токени обов'язково подешевшають

Ефективність покращується зі зменшенням віддачі, вартість моделей з відкритим кодом становить лише десяту частину, спеціалізовані чіпи знижують витрати на логічне виведення, нульові витрати на перехід дозволяють користувачам миттєво перестрибувати, локальні моделі зможуть покінчити з підпискою протягом 4–5 років. Чи швидко звужується простір для високих цін великих AI-компаній?
(Передісторія: Флагманська модель OpenAI GPT-5.6 Sol ексклюзивно з'являється на Cerebras, «Біловолосий фондовий бог» Serenity заявляє «технологію підтверджено» і входить на дні)
(Додатковий контекст: Citrini Research: Уникайте бульбашки AI! Називає «5 сліпих зон надприбутків» для ротації капіталу)

Зміст статті

Toggle

• Подвійний тиск з боку меж ефективності та відкритого коду
• Революція чіпів і нульові витрати на перехід
• Локальні моделі: кінцева загроза для підписки

Інженер-програміст Aditya Patadia у своєму особистому блозі зазначає: Uber за 4 місяці спалив річний бюджет на AI, Microsoft, Salesforce, GitHub також оголосили про контроль витрат співробітників на AI — це вже спільна проблема всієї галузі, а не питання фінансової дисципліни окремих компаній. Але він прогнозує, що дорога структура ціноутворення провідних AI-компаній незабаром зазнає зворотного руху.

Подвійний тиск з боку меж ефективності та відкритого коду

Перше спостереження Patadia: покращення продуктивності моделей має спадну віддачу. Кожна ітерація моделі все ще дає прогрес, але масштаби прогресу стають дедалі меншими, а проблема з тренувальними даними є структурною: великі AI-лабораторії, ймовірно, вже переварили майже всю цифровізовану письмову інформацію в історії людства, і подальше покращення тренувальних наборів надзвичайно складне.

Він наводить приклад Claude Opus 4.8 і Claude Opus 4.7 з однаковими цінами: коли модель більше не може демонструвати значні стрибки між поколіннями, підстави для підвищення цін зникають, і конкуренція зводиться лише до зниження цін.

Другий тиск походить від табору з відкритим кодом. Він наводить приклад GLM-5.2: ця модель з відкритим кодом у тестах коду вже на рівні GPT 5.5 і Claude Opus, але ціна становить лише десяту частину від GPT 5.5, створюючи нищівну перевагу в ціноутворенні.

Висновок Patadia: поки моделі з відкритим кодом продовжують скорочувати розрив у продуктивності з флагманськими закритими моделями, простір для ціноутворення закритих моделей буде постійно стискатися.

Революція чіпів і нульові витрати на перехід

Інша лінія тиску на ціноутворення AI йде з рівня апаратного забезпечення. Patadia зазначає, що спеціалізовані чіпи для AI, розроблені Cerebras, Groq, Google та іншими компаніями, змінюють нижню межу витрат на логічне виведення. Наприклад, Google TPU має витрати на логічне виведення на 30–70% нижчі, ніж Nvidia H100 GPU.

Простіше кажучи, за однакового обсягу обчислень, використання правильного чіпа може значно заощадити кошти, і цей розрив безпосередньо стискає нижню межу цін постачальників моделей. Окрім чіпів, сама архітектура моделей також знижує витрати: механізми кешування дозволяють не перераховувати повторні запити, архітектура MoE (суміш експертів) — простіше кажучи, дозволяє моделі викликати лише частину «експертів» за потреби, не активуючи всі нейрони щоразу, що значно знижує обчислювальні витрати при збереженні такої ж точності.

Ще один момент, який Patadia вважає найбільш недооціненим структурним фактором: нульові витрати на перехід.

Його порівняння дуже пряме: оборонні рови традиційного програмного забезпечення, як-от Windows, Adobe, Salesforce, полягають у тому, що їх заміна коштує дуже дорого, часто потребуючи кілька місяців міграції; AI-моделі не мають такого рову. Сервіси шлюзів AI, як-от OpenRouter.ai, дозволяють розробникам змінювати постачальника моделей за лічені секунди, і навіть програмно налаштувати систему на автоматичне перемикання між різними постачальниками.

Коли конкурента можна миттєво замінити, будь-яка спроба підвищення ціни будь-якою компанією негайно відправить користувачів до конкурентів.

Локальні моделі: кінцева загроза для підписки

Найсміливіший прогноз Patadia стосується локальних моделей. Його оцінка: протягом 4–5 років підвищення продуктивності чіпів і неминуче зниження цін на пам'ять (RAM) дозволять комп'ютерам і смартфонам споживчого класу виконувати мовні моделі локально. Він також прогнозує, що основні операційні системи будуть мати вбудовані інтерфейси розгортання моделей, що дозволить локальним додаткам безпосередньо викликати локальні моделі.

Що це означає, якщо такий сценарій стане реальністю? Хмарні моделі будуть потрібні лише для найскладніших завдань: аналіз юридичних документів, довгоконтекстні міркування, інтеграція між базами даних. Повсякденні завдання, такі як автодоповнення коду, перевірка файлів, базова перевірка фактів, виконуватимуться локально, без щомісячної підписки на хмару вартістю $20 або навіть $200.

Звичайно, сам Patadia зазначає, що це «прогноз», а не встановлений факт, і називає це своїми «сміливими ставками»; час покаже. Але всі п'ять напрямків тиску — спадна віддача ефективності, зростання альтернатив з відкритим кодом, зниження витрат завдяки спеціалізованим чіпам, нульові витрати на перехід, заміна локальними моделями — кожен з них вже підкріплений реальними прикладами, а не є чистим мисленнєвим експериментом.

Якщо прогноз Patadia правильний, це добре для користувачів; але для AI-компаній, які заробляють гроші, це зовсім інша справа.