Làm thế nào để tầng ứng dụng AI tìm kiếm không gian kiếm tiền bền vững?

Mô hình đăng ký AI tiêu dùng đang rơi vào tình thế tiến thoái lưỡng nan: Chi phí Token liên tục tăng, nhưng sự sẵn sàng chi trả của người dùng lại khó tăng theo. Sức căng cấu trúc này khiến mô hình kinh doanh này trở nên cực kỳ mong manh. Thương mại hóa AI bền vững hơn có thể xảy ra trong các kịch bản gắn với người dùng giá trị cao, luồng công việc chuyên sâu và kết quả kinh doanh thực tế. Đây chính là tiền đề kinh tế cho sự ra đời của mảng AI dọc. Số thứ 9 của "Agentic Economy" sẽ phân tích ba trường hợp Harvey, Farther và Adyen để xem họ xây dựng lợi thế cạnh tranh như thế nào trong bối cảnh mô hình nền tảng đã trở thành hàng hóa. Đồng thời, nó cũng đối mặt trực diện hai câu hỏi khó trả lời hơn: Khi các khoản trợ cấp token biến mất, những lợi thế này có còn tồn tại không? Và khi OpenAI và Anthropic bắt đầu cử các đội kỹ sư đến doanh nghiệp khách hàng, điều đó có ý nghĩa gì?

Bất kỳ công nghệ nào, một khi đã trở nên đủ phổ biến, sẽ không còn tạo ra giá trị vượt trội. Các mô hình nền tảng đa năng cũng vậy. Khi tác động cận biên của cuộc đua tham số giảm dần, trí thông minh vốn từng khan hiếm đang nhanh chóng biến thành cơ sở hạ tầng tiện ích được hàng hóa hóa. Điều này dẫn đến sự sụp đổ ngày càng nhanh của mô hình kinh doanh cho các ứng dụng nhẹ chỉ dựa trên việc gọi API bên thứ ba một cách đơn thuần, thiếu khả năng tích hợp bối cảnh.

Nhưng hàng hóa hóa chưa bao giờ là điểm kết thúc. Mỗi khi một công nghệ mới nổi trở nên phổ biến, nó sẽ chuyển giá trị từ những người sở hữu công nghệ sang những người thực sự có thể ứng dụng nó.

Quy luật này đã thúc đẩy sự trỗi dậy nhanh chóng của các nền tảng AI dọc trong thời điểm hiện tại.

Cái gọi là nền tảng AI dọc là các lớp ứng dụng AI đi sâu vào các ngành cụ thể, đóng gói sâu khả năng của các mô hình nền tảng đa năng, và sắp xếp lại các quy trình kinh doanh xung quanh các luồng công việc cụ thể. Bằng cách xây dựng hệ thống đánh giá riêng (Eval) và kiến trúc nhiều tác nhân (Multi-Agent), các nền tảng này đang hạ cấp các mô hình nền tảng cơ sở thành các thành phần tính toán có thể thay thế bất cứ lúc nào, từ đó khóa chặt tài sản luồng công việc cốt lõi nhất của ngành bên trong hệ thống. Ý nghĩa cốt lõi của nó là loại bỏ ma sát trong quy trình kinh doanh, biến công việc chuyên môn phức tạp thành tài sản hệ thống có thể tích lũy bền vững.

Để hiểu được sự ra đời của mảng mới này, trước tiên phải làm rõ một thực tế: Các doanh nghiệp và chuyên gia chi trả không phải cho quy mô tham số của mô hình cơ sở, mà cho khả năng của nó để tích hợp sâu vào luồng công việc nội bộ, hình thành vòng lặp dữ liệu và thúc đẩy doanh thu thực tế.

Chính vì lý do này, các chuyên gia pháp lý với mức lương theo giờ cao, các cố vấn tài chính phục vụ khách hàng giá trị cao và các thương gia hàng đầu với khối lượng giao dịch lớn đang trở thành tâm điểm tranh giành của thế hệ nền tảng AI dọc mới. Những người này nắm quyền quyết định ngân sách, chịu trách nhiệm tuân thủ và hướng tới kết quả kinh doanh rõ ràng. Cho dù đó là giúp một luật sư kiếm một nghìn đô la mỗi giờ tiết kiệm mười giờ, hay giúp cố vấn tài sản tăng quy mô quản lý và tối ưu hóa lợi nhuận sau thuế, giá trị kinh doanh được tạo ra đều có thể được định lượng trực tiếp. Sự gắn kết chính xác này với các đối tượng sản xuất giá trị cao chính là cơ sở kinh tế giúp AI dọc có thể hoạt động.

Hiện tại, cuộc khám phá này chủ yếu diễn ra theo hai hướng.

Thứ nhất, sử dụng AI để sắp xếp lại các luồng công việc chuyên nghiệp, giảm đáng kể chi phí vận hành mà trước đây chỉ các tổ chức lớn mới có thể gánh chịu. Trong lĩnh vực pháp lý và quản lý tài sản, các công việc đòi hỏi trình độ cao như tuân thủ, quản lý rủi ro và phân phối chuyên nghiệp đang được hệ thống hóa thông qua các nền tảng công nghệ, cho phép các chuyên gia hoàn thành công việc với mật độ cao hơn với ít tài nguyên hơn.

Thứ hai, tái cấu trúc cơ sở hạ tầng giao dịch, định hình lại kết nối giữa thương gia và các tác nhân (Agents). Trong thương mại tác nhân (Agentic Commerce), mặc dù việc chặn và tương tác ở phía trước do các phòng thí nghiệm AI kiểm soát, nhưng chuyển đổi giao dịch cuối cùng vẫn diễn ra trong cơ sở hạ tầng của thương gia. Adyen Agentic hoạt động như một trình dịch vạn năng, giúp thương gia kết nối một lần và tham gia các nền tảng mua sắm AI khác nhau thông qua các giao thức khác nhau mà không cần xây dựng lại hệ thống cho mỗi giao thức mới.

Ba trường hợp có điểm bắt đầu khác nhau, nhưng tất cả đều biến các năng lực cốt lõi trong ngành vốn khó tiêu chuẩn hóa thành tài sản có thể gọi một cách bền vững thông qua hệ thống. Harvey tích lũy phán đoán pháp lý và kiến thức ngành; Farther tích lũy mối quan hệ khách hàng và khả năng tối ưu hóa thuế của cố vấn; Adyen tích lũy dữ liệu sản phẩm của thương gia, khả năng thích ứng giao thức và thanh toán.

Đây chính là những gì CEO của Microsoft, Satya Nadella, gọi là Token Capital: Giá trị dài hạn của AI không chỉ đến từ việc thực hiện các nhiệm vụ đơn lẻ, mà còn từ việc lưu trữ cấu trúc các phán đoán, kiến thức và luồng công việc của con người vào hệ thống, hình thành tài sản có thể tự cải thiện trong tương tác liên tục.

1.9 tỷ ARR và 460 triệu chi phí tính toán: Trò chơi quy mô khó duy trì của Harvey

Harvey là một trong những mẫu hình tăng trưởng nhanh nhất và được định giá cao nhất trong làn sóng AI dọc hiện tại. Tiềm năng và khó khăn của logic này được thể hiện tập trung nhất ở Harvey.

Nền tảng pháp lý không sở hữu bất kỳ mô hình đa năng nào này, nhờ vào việc tùy chỉnh sâu luồng công việc cốt lõi của các công ty luật, đã tăng ARR từ 100 triệu đô la lên 190 triệu đô la trong vòng năm tháng (tháng 8 năm 2025 đến tháng 1 năm 2026), với định giá đạt 11 tỷ đô la. Điều này cho thấy các nền tảng dọc hoàn toàn không cần tham gia vào cuộc tranh giành cơ bản của các mô hình đa năng; chỉ cần thực sự hiểu các nhiệm vụ ngành và tái cấu trúc các kịch bản làm việc hàng ngày của người dùng giá trị cao, họ có thể xây dựng khả năng thương mại hóa mạnh mẽ.

Nhưng đằng sau những con số tài chính sáng sủa là một hóa đơn tính toán đang phình to không ngừng.

Dữ liệu công bố cho thấy mức sử dụng Token hàng tháng của Harvey đã tăng từ khoảng 1 nghìn tỷ ban đầu lên 12-13 nghìn tỷ. Với mức ước tính 3 đô la cho mỗi triệu Token, chi phí suy luận lý thuyết hàng năm của nó lên tới 468 triệu đô la. Mặc dù hiện tại chi phí này đang được tạm thời giảm xuống nhờ chiết khấu từ các công ty lớn và các công nghệ như Prompt Caching, nhưng cấu trúc chi phí phụ thuộc có nghĩa là một khi các khoản trợ cấp được thu hẹp, hóa đơn sẽ ngay lập tức tăng trở lại. Dưới áp lực tài chính này, tăng trưởng ARR rất khó chuyển đổi thành dòng tiền thực tế, thay vào đó, nó liên tục đối mặt với nguy cơ phản tác dụng của quy mô.

Đằng sau điều này là nghịch lý chi phí khó tránh khỏi của các ứng dụng AI nguyên bản: Sản phẩm càng phổ biến, chi phí suy luận càng cao. Chi phí biên của SaaS truyền thống gần như bằng không, nhưng trong các kịch bản pháp lý với ngữ cảnh dài và mật độ suy luận cao, mỗi nhiệm vụ phức tạp đều tiêu thụ sức mạnh tính toán thực tế. Do đó, việc tự phát triển mô hình đã chuyển từ một lựa chọn kỹ thuật thành một lựa chọn bắt buộc do chi phí thúc đẩy.

Hiện tại, Harvey đang thúc đẩy chiến lược đào tạo sau (post-training) cho các mô hình độc quyền, hợp tác sâu với Applied Compute để tinh chỉnh các mô hình nền tảng nguồn mở (như GLM-5.1) cho ngành pháp lý. Theo tiết lộ kỹ thuật mới nhất từ cả hai bên, các mô hình độc quyền sau đào tạo sau đã cải thiện tỷ lệ đạt tiêu chuẩn (rubric pass rate) trong bài kiểm tra điểm chuẩn của tác nhân pháp lý (LAB) do Harvey tự xây dựng từ 0,853 lên 0,913, vượt qua GPT-5.5 xhigh và tiến gần đến Opus 4.8 Max.

Việc nén chi phí cũng đáng kể không kém. Bằng cách thay thế mô hình đánh giá từ mô hình tiên tiến sang GPT-5 Mini và kết hợp xử lý hàng loạt nhiều tiêu chí đánh giá, chi phí đánh giá đã được nén từ 40 đến 100 lần. Điều này cho phép Harvey liên tục lặp lại các vòng đánh giá với chi phí thấp hơn. Bản thân hệ thống đánh giá độc quyền đã trở thành một tài sản cạnh tranh có thể tích lũy.

Điều đáng chú ý hơn là những thay đổi xảy ra đằng sau sự cải thiện hiệu suất. Tính đầy đủ của đầu ra, độ chính xác số, truy xuất tài liệu và ức chế ảo giác, một số hành vi chính đã có cải thiện có thể định lượng. Trong quá trình đào tạo, số lần mô hình gọi các công cụ tiếp tục giảm, nhưng mỗi lần gọi lại chính xác hơn, tổng lượng token tiêu thụ cũng giảm theo. Nói cách khác, mô hình học cách hoạt động hiệu quả trong một môi trường công cụ cụ thể, và mô hình hành vi được tích lũy thông qua một số lượng lớn các nhiệm vụ pháp lý này khó sao chép từ bên ngoài hơn là các tham số mô hình.

Trường hợp của Harvey cho thấy cơ sở cạnh tranh của các nền tảng AI dọc đang mở rộng sâu hơn. Thiết kế luồng công việc và mối quan hệ khách hàng chắc chắn là quan trọng, nhưng khả năng đào tạo sau và quyền kiểm soát đối với các mô hình nguồn mở, hệ thống đánh giá độc quyền và khả năng tạo dữ liệu, kiến trúc nhiều tác nhân và tối ưu hóa chi phí suy luận đang trở thành những nguồn khác biệt hóa mới.

Phi tổ chức hóa của Farther: Phá vỡ sự ràng buộc của các nhà môi giới lớn truyền thống đối với cố vấn

Nếu Harvey nén chi phí phân phối bên trong các tổ chức dịch vụ chuyên nghiệp lớn, thì nền tảng quản lý tài sản Farther cho thấy cách hỗ trợ các nhân tài cốt lõi thoát khỏi lực hấp dẫn tổ chức của các gã khổng lồ truyền thống.

Farther là một nền tảng công nghệ dành cho các cố vấn độc lập (RIA), chuyên tuyển dụng các cố vấn tài sản rời khỏi các gã khổng lồ như Morgan Stanley, Merrill Lynch, UBS và Goldman Sachs. Trong hệ thống môi giới dịch vụ đầy đủ truyền thống, các cố vấn thường phải chịu tỷ lệ chia thấp và gánh nặng hành chính trung gian nặng nề. Cách tiếp cận của Farther là trực tiếp tuyển dụng các cố vấn, tích hợp các khả năng trung gian trước đây do các tổ chức lớn độc quyền vào một nền tảng thống nhất: Bên cạnh tỷ lệ chia cao, các tính năng như thu hoạch lỗ thuế, chỉ số hóa trực tiếp, tiếp cận thị trường tư nhân, xem xét tuân thủ và quản lý tài liệu đều được tích hợp. Dữ liệu chính thức cho thấy chỉ riêng thuật toán thông minh về thuế đã có thể cải thiện lợi nhuận đầu tư sau thuế cho khách hàng từ 1% đến 3%.

Mô hình này đã nhận được sự xác nhận mạnh mẽ từ thị trường vốn. Vào tháng 5 năm 2026, Farther đã hoàn thành vòng gọi vốn Series D 150 triệu đô la do General Atlantic dẫn đầu, chính thức gia nhập nhóm kỳ lân. Hiện tại, tài sản mà nó thu hút và quản lý đã vượt quá 23 tỷ đô la, bao gồm một đội ngũ ngân hàng tư nhân ngôi sao vừa được tuyển dụng từ bộ phận tài sản tư nhân của Goldman Sachs, quản lý 1,5 tỷ đô la tài sản. Sự gia nhập liên tục của các cố vấn tài sản độc lập cho thấy sự ràng buộc hệ thống mà các nhà môi giới lớn truyền thống dựa vào để tồn tại đang suy yếu, và việc hành nghề độc lập ngoài tổ chức không còn là lựa chọn bên lề của số ít.

Harvey tập trung vào việc nâng cao hiệu quả phân phối chuyên nghiệp bên trong các công ty luật; Farther xây dựng một nền tảng độc lập từ đầu, cho phép các cố vấn có được khả năng trung gian mạnh mẽ ngang bằng hoặc thậm chí vượt trội mà không cần phụ thuộc vào các nhà môi giới lớn truyền thống. Điểm bắt đầu khác nhau, nhưng cả hai đều đang định nghĩa lại phương thức sản xuất của các dịch vụ chuyên nghiệp. Với sự hỗ trợ của nền tảng này, các công cụ đầu tư phức tạp trước đây chỉ giới hạn trong các bộ phận siêu giàu (UHNW) của các tổ chức lớn, như chỉ số hóa trực tiếp và thị trường tư nhân, giờ đây có thể được các cố vấn độc lập dễ dàng triển khai, mở rộng đáng kể phạm vi kinh doanh của các cá nhân chuyên nghiệp.

SaaS truyền thống chỉ có thể xử lý tự động hóa quy trình nông cạn như ghi chép, lưu trữ, không thể chia sẻ các thực thi phức tạp như ra quyết định và điều phối. Trong khi đó, các hệ thống AI nguyên bản dựa trên kiến trúc nhiều tác nhân, phù hợp một cách tự nhiên để tiếp nhận các vùng mờ giữa thực thi hành chính và phán đoán logic phi tiêu chuẩn, như xem xét tuân thủ, viết tài liệu cá nhân hóa và đề xuất phân bổ tài sản. Những nhiệm vụ trước đây cần sự hợp tác của toàn bộ đội ngũ trung gian đang được hệ thống hấp thụ nhanh chóng.

Phía thương gia bị đánh giá thấp: Vòng lặp giao dịch của Agentic Commerce

Cuộc thảo luận về Agentic Commerce vẫn rất nóng, nhưng sự chú ý của dư luận hiện tại gần như bị độc chiếm bởi phía người tiêu dùng, tức là cách các trợ lý AI thay thế người dùng tìm kiếm hàng hóa, so sánh giá và tự động đặt hàng. Ngược lại, phản hồi thực tế từ phía thương gia lại lạnh lùng hơn nhiều.

Tỷ lệ chuyển đổi của Walmart trên hệ thống thanh toán AI nguyên bản (Instant Checkout) hiện chỉ bằng một phần ba so với mô hình chuyển hướng nhấp chuột truyền thống; và tỷ lệ thương gia thực sự tích hợp đầy đủ hệ thống thanh toán AI của Shopify trong năm 2026 vẫn còn hạn chế. Giữa việc kích hoạt nhu cầu từ AI và việc hoàn thành giao dịch thực tế, tồn tại một khoảng cách rõ ràng.

Nguyên nhân của khoảng cách này là giao dịch tác nhân là một hệ thống kỹ thuật. Hiểu ý định của người dùng chỉ là bước đầu tiên; để chuyển nhu cầu thành doanh thu, cần có sự hỗ trợ của toàn bộ chuỗi: kiểm tra hàng tồn kho, tính thuế, chống gian lận, thực hiện và thanh toán, và những khả năng này hiện vẫn bị khóa chặt trong các hệ thống cục bộ của thương gia. Đồng thời, nhiều giao thức thanh toán tác nhân như UCP, ACP, AP2, Agent Pay, Visa Tokenization tồn tại song song và không tương thích với nhau; thương gia không có động lực để thích ứng từng cái một, và cũng không thể chịu được chi phí do phân mảnh công nghệ.

Để giải quyết vấn đề này, Adyen đã ra mắt Adyen Agentic, với ba mô-đun API, bao gồm các phần khác nhau của chuỗi giao dịch:

• Agentic Feed: Chịu trách nhiệm tiêu chuẩn hóa và phân phối danh mục sản phẩm, giá cả và dữ liệu tồn kho thời gian thực của thương gia tới các nền tảng AI chính thống;
• Agentic Cart: Kết nối các hệ thống thanh toán, thuế, thực hiện và quản lý đơn hàng hiện có của thương gia với tầng thương mại đối thoại;
• Agentic Payments: Xử lý xác thực danh tính, quản lý rủi ro mạng và thanh toán đa kênh trong các giao dịch do tác nhân hướng dẫn.

Thương gia chỉ cần kết nối một lần, Adyen có thể dịch chuyển qua các nền tảng và giao thức tác nhân AI khác nhau, mà không cần phải thiết kế lại hệ thống cơ bản mỗi khi thị trường thay đổi.

Trong hệ sinh thái thương mại tác nhân, mặc dù các phòng thí nghiệm AI và giao diện hội thoại ở phía trước có thể chặn ý định và lưu lượng người dùng, nhưng chuyển đổi giá trị thực chất, giao dịch hoàn thành và vòng lặp tài chính vẫn phụ thuộc nhiều vào cơ sở hạ tầng của thương gia. So với các điểm vào phía trước cạnh tranh gay gắt, dịch vụ kết nối hệ thống hóa phía thương gia có nhiều khả năng hơn để trở thành cơ sở hạ tầng cốt lõi ổn định và có thể tính phí.

Nỗi lo của nền tảng dọc: Sự thâm nhập của nhà sản xuất mô hình và tái cấu trúc chi phí Token

Khi các công cụ đa năng giá rẻ bão hòa thị trường, logic kinh doanh mà các nền tảng mô hình lớn duy trì bằng đăng ký giá thấp đang dần bộc lộ sự mong manh. Khi các chức năng tổng quát như tóm tắt trang web và soạn thảo email dễ bị thay thế, các nền tảng dọc phải tập trung vào các khách hàng giá trị cao, những người quan tâm hơn đến kết quả kinh doanh. Nhưng càng đi sâu vào các ngành giá trị cao, môi trường cạnh tranh mà lớp ứng dụng phải đối mặt càng phức tạp.

Một trong những áp lực đến từ việc mở rộng biên giới kinh doanh của các nhà sản xuất mô hình. OpenAI và Anthropic không còn hài lòng với vai trò chỉ là nhà bán buôn API; thay vào đó, họ trực tiếp bước vào các khách hàng cốt lõi thông qua các đội kỹ sư tiền tuyến (FDE). Vào tháng 4 năm 2026, OpenAI đã hợp tác với Customers Bank, một ngân hàng có 26 tỷ đô la tài sản; đội ngũ kỹ sư đã vào ngân hàng, phát triển các tác nhân cho phê duyệt cho vay và mở tài khoản bằng dữ liệu cục bộ; Anthropic hợp tác với FIS, một gã khổng lồ công nghệ tài chính, nhúng đội FDE vào hệ thống nội bộ của họ để phát triển các công cụ chống rửa tiền, tận dụng kênh FIS phục vụ nhiều ngân hàng để tiếp cận trực tiếp phần sâu nhất của ngành ngân hàng.

Mô hình hợp tác thực địa này cho thấy các nhà sản xuất mô hình lớn đang sử dụng các kênh cơ sở hạ tầng để trực tiếp học và sao chép các quy trình kinh doanh nội bộ của các ngành có rào cản cao.

Một áp lực khác là logic định giá Token không bền vững. Hiện tại, hầu hết các mô hình nền tảng tiên tiến đang bán Token với giá giảm, thua lỗ. Với sự kêu gọi tần suất cao của kiến trúc nhiều tác nhân cấp doanh nghiệp, một khi các khoản trợ cấp từ các công ty lớn rút lui, các nền tảng dọc hoàn toàn phụ thuộc vào API bên ngoài tiên tiến sẽ không thể duy trì hóa đơn tính toán của mình.

Áp lực này sẽ còn lớn hơn khi nhu cầu suy luận tăng lên. Khi hàng trăm tác nhân hoạt động suốt ngày đêm tương tác tần suất cao ở hậu trường, nhu cầu về sức mạnh tính toán sẽ tăng theo cấp số nhân, trong khi chuỗi cung ứng phần cứng cơ bản, bị giới hạn bởi chu kỳ sản xuất cực kỳ dài như máy in lithography ASML, không thể theo kịp. Đối với hầu hết các hoạt động kinh doanh hàng ngày, sử dụng các mô hình tiên tiến để xử lý tất cả các nhiệm vụ là một sự phân bổ nguồn lực sai lầm nghiêm trọng.

Đây cũng chính là lý do thực sự khiến Harvey phải hợp tác với Applied Compute để xây dựng bộ kiểm tra chuyên dụng, hệ thống đánh giá độc quyền và quy trình chú thích thủ công. Nền tảng dọc không chỉ làm sản phẩm, mà còn thực hiện một kỹ thuật chi phí khó: đo lường chính xác lượng token tiêu thụ cho mỗi nhiệm vụ, xác định các bước trung gian nào có thể được chuyển hướng sang các mô hình nhỏ nguồn mở chi phí thấp, các quyết định chính nào phải gọi các mô hình hàng đầu đắt tiền, và đánh giá thủ công nên được can thiệp ở đâu.

Trong bối cảnh này, chỉ một lớp giao diện luồng công việc đẹp mắt khó có thể cung cấp lợi thế cạnh tranh lâu dài. Đưa kỹ thuật chi phí ở cuối lên mức tối ưu mới là vấn đề then chốt để nền tảng AI dọc duy trì sự tồn tại lâu dài.

Kết luận: Sự khan hiếm của thị trường, quay trở lại đầu chuỗi công nghiệp

Khi các mô hình nền tảng đa năng trở nên dễ dàng có được như điện, nước, khí đốt, giá trị của lớp ứng dụng AI bắt đầu tập trung vào đầu và cuối chuỗi công nghiệp.

Trong giai đoạn này, đặc tính khan hiếm của ngành không biến mất: Ở thượng nguồn vẫn là cốt lõi không thể được thuật toán hóa, như lòng tin của khách hàng, phán đoán phi tiêu chuẩn phức tạp và kiến thức phi cấu trúc ẩn trong kinh nghiệm của người hành nghề; ở hạ nguồn là mạng lưới thương gia, mang dữ liệu sản phẩm, chuỗi tuân thủ và kênh thanh toán. Ý nghĩa thực chất của nền tảng dọc là biến kinh nghiệm chuyên môn của các đối tượng giá trị cao này thành Token Capital có thể tích lũy bền vững.

Điều này cũng quyết định logic cạnh tranh của lớp ứng dụng đang quay trở lại thực tế. "Câu chuyện quy mô" đã hỗ trợ ngành phần mềm trong suốt một thập kỷ qua đang bắt đầu thất bại trước những ràng buộc cứng nhắc của chi phí tính toán và chuỗi cung ứng vật lý.

Trong chu kỳ mới, sự tồn tại của các công ty lớp ứng dụng phụ thuộc vào một cuộc chênh lệch chi phí và sức mạnh tính toán tinh vi. Khi cuộc chiến giá mô hình hạ nhiệt và tài nguyên tính toán bị hạn chế, các nền tảng ứng dụng phải tìm ra giải pháp tối ưu giữa chi phí và hiệu suất, thay vì tiếp tục dựa vào bơm vốn.

Mặc dù các nhà sản xuất mô hình lớn có nhiều tài nguyên tính toán hơn và các đội kỹ thuật tiền tuyến, nhưng đối với các nền tảng dọc nhanh nhẹn và các chuyên gia độc lập, lợi thế cạnh tranh độc đáo nhất vẫn là biến kinh nghiệm chuyên môn tiềm ẩn tích lũy được thành tài sản hệ thống mà các nhà sản xuất mô hình nền tảng không thể sao chép. Tránh cạnh tranh lưu lượng rộng, ưu tiên đáp ứng vòng lặp kinh doanh của các đối tượng sản xuất giá trị cao, đây mới là logic mà AI dọc có thể tồn tại lâu dài trong kỷ nguyên mô hình hàng hóa.