اگر امروز از اشتراک‌های سطح بالای آنتروپیک استفاده می‌کنید، باید خود را با نیمی از ظرفیت همیشگی کنار بیایید. این تصمیم سختگیرانه، پایان پنج هفته تردید، تغییر مداوم ضرب‌الاجل‌ها و افزایش نارضایتی عمومی برای دسترسی به مدل Fable 5 است و تأیید می‌کند که این مدل برای مشترکین رده‌بالا باقی می‌ماند. با این حال، مدل صرفاً در قالب اشتراک‌های پولی باقی نخواهد ماند؛ کاربران اکنون باید محدودیت‌های سختگیرانه‌ای در میزان استفاده را مدیریت کنند تا بتوانند دسترسی خود را حفظ نمایند.
این تحول در حالی رخ می‌دهد که آزمایشگاه‌های هوش مصنوعی وارد رقابتی شدید برای تأمین ظرفیت استنتاج (Inference Capacity) شده‌اند. مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — دیگر فقط با قدرت خام شناخته نمی‌شود، بلکه پایداری دسترسی به آن معیار اصلی است. همان‌طور که در تحلیل قبلی ما درباره‌ی نحوه تنظیم سقف‌های استفاده در کلود اشاره کردیم، این پیچیدگی‌ها نشان‌دهنده تلاش شرکتی است که برای ایجاد تعادل بین قابلیت‌های پیشرو (Frontier) و قوانین سخت فیزیکِ محاسبات در تکاپو است. صنعت اکنون از مسابقه‌ای برای دستیابی به قدرت خام، به نبردی تبدیل شده است بر سر اینکه چه کسی می‌تواند دسترسی ثابت و مستمر به این قدرت را فراهم کند.
به گزارش رسانه The Rundown، جزئیات مدل دسترسی جدید و دائمی برای Fable 5 به شرح زیر است:
- طرح‌های Max و Team Premium: مدل Fable 5 در دسترس می‌ماند، اما سقف‌های استفاده (Usage Caps) اکنون به ۵۰٪ از محدودیت‌های استاندارد این طرح‌ها کاهش یافته است.
- طرح‌های سطح پایین: مشترکانی که از طرح‌های ارزان‌تر استفاده می‌کنند، دسترسی اشتراکی خود را از دست می‌دهند. این کاربران پیش از انتقال به مدل «پرداخت به میزان مصرف» (Pay-per-use)، یک اعتبار تک‌باره ۱۰۰ دلاری دریافت خواهند کرد.
به نقل از بیانیه رسمی آنتروپیک، پیش‌بینی تقاضا برای این مدل «بسیار دشوار» بوده است. این شرکت ماه گذشته را که با تمدیدهای مکرر و قطع‌های ناگهانی همراه بود «ناامیدکننده» توصیف کرد و stated کرد که در حال حاضر در حال سرمایه‌گذاری روی محاسبات (Compute) — یعنی کرایه آشپزخانه صنعتی برای پخت مدل‌های سنگین — است تا دسترسی کلی را بهبود بخشد.
این دشواری تنها مختص یک شرکت نیست. بازار گسترده‌تر اکنون شاهد یک برخورد (Clash) بین عرضه سریع مدل‌ها و ظرفیت فیزیکی میزبانی آن‌هاست. مدل Fable اکنون شش هفته است که عرضه شده و با توجه به اینکه سرعت انتشار مدل‌ها از سرعت ایجاد ظرفیت بیشتر است، این «رقص دسترسی» احتمالاً آنتروپیک را از یک عرضه تا عرضه بعدی دنبال خواهد کرد.
زمان‌بندی این تصمیم احتمالاً با حرکات تهاجمی رقباء گره خورده است. OpenAI به گسترش محدودیت‌های استفاده از رقیب خود یعنی مدل 5.6 Sol ادامه می‌دهد، در حالی که Moonshot AI اخیراً مدل نزدیک به پیشرو خود یعنی Kimi K3 را منتشر کرده است.
این نوسانات و بی‌ثباتی از چشم‌ها دور نماند. سم آلتمن، مدیرعامل OpenAI، در شبکه اجتماعی X به طور علنی نحوه مدیریت این وضعیت توسط آنتروپیک را به باد تمسخر گرفت. پست‌های او، از جمله نظراتی مانند «شفافیت چیز خوبی است» و «پیش ما بمانید چون با شما با تحقیر رفتار نمی‌کنیم»، دقیقاً روی نقاط ضعف روابط عمومی (PR) آنتروپیک دست گذاشت که بر اثر تغییر مداوم ضرب‌الاجل‌ها ایجاد شده بود.
در این میان، اقتصاد هوش مصنوعی در حال تغییر است و تلاش برای تأمین ظرفیت، نحوه تعریف «ارزش» در این صنعت را تغییر می‌دهد. سارا فرایر، مدیر مالی (CFO) شرکت OpenAI، اخیراً تغییری در بودجه‌بندی‌های شرکتی پیشنهاد کرد و خواستار حرکت از قیمت‌گذاری بر اساس توکن به سمت معیاری تحت عنوان «هوش مفید به ازای هر دلار» شد.
جدول ارزیابی (Scorecard) جدید فرایر برای رتبه‌بندی بودجه‌های هوش مصنوعی شرکتی، بر یک سلسله‌مراتب خاص از معیارها تمرکز دارد:
- قابلیت اطمینان (Reliability): این مورد در اولویت اول است و به عنوان شاخص اصلی ارزش ردیابی می‌شود.
- خروجی مفید (Useful Output): بررسی کیفیت کار نهایی تولید شده.
- مقیاس (Scale): توانایی مدل در مدیریت حجم بالای درخواست‌ها.
- هزینه کل (Total Expense): هزینه کلی در رابطه با خروجی تولید شده.
فرایر با استفاده از محک کدنویسی DeepSWE، این منطق را به تصویر کشید و اشاره کرد که مدل 5.6 Sol نمره‌ای ۲.۸ واحد بالاتر از Fable 5 کسب کرده، در حالی که هزینه تخمینی API آن ۳۶.۲٪ کمتر است.
به گفته خود فرایر، پرسش حیاتی برای کسب‌وکارها این است که «آیا ارزش کاری که هوش مصنوعی تکمیل می‌کند، سریع‌تر از هزینه تولید آن رشد می‌کند یا خیر؟» این امر نشان‌دهنده یک روند گسترده‌تر است: گران‌ترین مدل‌ها اکنون به عنوان گزینه‌هایی با «ارزش بهتر» فروخته می‌شوند، به شرطی که در هر دلار هزینه، کار بیشتری را به سرانجام برسانند. این رویکرد، صنعت را از جنون «توکن-بیشینگی» (Tokenmaxxing) دور می‌کند.
فشار بر سایر آزمایشگاه‌ها نیز اثر گذاشته است. Moonshot AI پس از آنکه تقاضا برای Kimi K3 ظرفیت‌های محاسباتی‌اش را به限界 رساند، ثبت‌نام‌های جدید را به طور کامل متوقف کرد. در پاسخ، Moonshot در حال تقسیم عضویت‌ها به دو طرح مجزای «چت» و «کدنویسی» است.
در همین حال، تیم Qwen متعلق به Alibaba اعلام کرد که مدل Qwen3.8 که به زودی با وزن‌های باز (Open Weights) — یعنی انتشار دستور پخت مدل به جای فقط غذای آماده — عرضه می‌شود، با «مدل‌های پیشرو پیشرو» سازگار خواهد بود و از نظر توانایی «تنها در رده دوم پس از Fable 5» قرار می‌گیرد.
در لایه‌ی زیرساختی و ژئوپلیتیک، بی‌ثباتی این مدل‌ها در پس‌زمینه‌ای از قراردادهای زیربنایی عظیم رخ می‌دهد. SpaceX در حال حاضر در حال مذاکره برای یک قرارداد محاسباتی چند میلیارد دلاری با وزارت دفاع آمریکا (DoD) است. این مورد به لیستی از مشارکت‌های اجاره‌ای می‌پیوندد که پیش از این گوگل، آنتروپیک و Reflection AI را شامل می‌شد.
تنش‌های بیشتری در بخش‌های استعداد و سیاست در حال ظهور است. دین بال (استخدام جدید OpenAI) پیش‌بینی کرد که ایالات متحده شرکت‌ها را از هوش مصنوعی چینی بترساند؛ ادعایی که دیوید ساکس، مقام سابق کاخ سفید در حوزه AI، آن را به عنوان «توطئه آزمایشگاه‌های بسته» مورد انتقاد شدید قرار داد.
در سطح عملیاتی، کاربران با وجود نوسانات در سطح مدل‌های پیشرو، روش‌های خلاقانه‌ای برای پیاده‌سازی این ابزارها یافته‌اند. برخی به Vibe Coding روی آورده‌اند و با ابزارهایی مثل Retool، اپلیکیشن‌هایی با سیستم‌های احراز هویت داخلی، کنترل دسترسی مبتنی بر نقش (RBAC) و لاگ‌های بازرسی می‌سازند که اغلب از ایجنت‌هایی مانند Claude Code یا Cursor استفاده می‌کنند.
برخی دیگر استراتژی «میکرو-سرویس» (mini-SaaS) را از طریق ChatGPT Sites پیش می‌برند. برای مثال، با ترکیب APIهای عمومی (مانند داده‌های هواشناسی برای ابزار پیمانکاران به نام WeatherLedger) با یک طرح PRD از ChatGPT و ساخت MVP توسط Codex، کاربران اکنون می‌توانند سایت‌های کاربردی را به صورت عمومی یا خصوصی با تحلیل‌های وب یکپارچه مستقر کنند.
کاربردهای دنیای واقعی نشان می‌دهد که انتقال از قدرت خام مدل به کاربرد عملی در گردش کارهای فعلی مشهود است. به عنوان مثال، برخی کاربران از ChatGPT برای برنامه‌ریزی پیچیده رویدادها استفاده می‌کنند — با ترکیب عکس‌های حیاط، بودجه‌ها و تعداد مهمانان (مثلاً برای یک مهمانی ۴۰ نفره) تا لیست خرید، برنامه‌های جایگزین برای بارش باران و اسناد ترتیب اجرای برنامه را تولید کنند.
در محافل فنی‌تر، Claude Code برای ساخت اتوماسیون‌ها به کار می‌رود؛ مانند ربات‌های تلگرامی که لینک‌های کتاب‌ها را از آمازون آرشیو می‌کنند یا ابزارهایی که یادداشت‌های صوتی حاصل از مطالعه را به «کپسول‌های حافظه» HTML با موضوعات خاص تبدیل می‌کنند.
حتی کاربران غیرفنی نیز بهره‌مند شده‌اند. در ولینگتون نیوزیلند، یک GPT سفارشی به نام Ask Ella ساخته شده تا به زنی ۸۰ ساله به طور ویژه کمک کند تا سوالات باغبانی، مشکلات پایه تکنولوژی و شناسایی کلاهبرداری‌ها را با زبانی صبورانه و ساده مدیریت کند.
برای کاربر تجاری، ماجرای Fable 5 ثابت کرد که تکیه بر یک مدل «پیشرو» ریسک بزرگی است. گردش کار شما ممکن است به جای نیازهایتان، بر اساس بار سرورهای یک آزمایشگاه و کاهش ناگهانی سقف‌ها یا تغییر قیمت‌ها تغییر کند. این موضوع با اقدام اخیر MLB برای ممنوعیت آیپدهای محیط بازی (Dugout) جهت جلوگیری از استفاده از AI برای تصمیمات استراتژیک پیچیده‌تر شده است.
انتشار مدل Qwen3.8 را دنبال کنید تا ببینید آیا جایگزینی پایدارتر و با وزن باز برای نوسانات اشتراکی که در حال حاضر مدل‌های بسته رده‌بالا را گرفتار کرده است، وجود دارد یا خیر.
گام بعدی شما
- اگر از Fable 5 استفاده می‌کنید، توکن‌های مصرفی خود را مانیتور کنید تا با محدودیت ۵۰ درصدی غافلگیر نشوید.
- برای کاهش ریسک وابستگی، بخشی از گردش کارهای خود را به مدل‌های جایگزین یا مدل‌های متن‌باز منتقل کنید.
- انتشار مدل Qwen3.8 را دنبال کنید تا ببینید آیا جایگزینی پایدارتر برای مدل‌های بسته وجود دارد یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو