۸۲ درصد؛ این رقم خیره‌کننده، میزان کاهش هزینه برای انجام موفقیت‌آمیز وظایف کدنویسی است، وقتی مدل GPT-5.6 Terra را به‌جای پرامپت‌های معمولی، درون محیط Kiro اجرا می‌کنید. طبق اعلام Amazon Web Services (AWS) و OpenAI در ۲۴ اوت ۲۰۲۶، این نتیجه نشان‌دهنده یک چرخش راهبردی از «کدنویسی بر اساس حس» (Vibe Coding) به سمت چرخه‌های توسعه سخت‌گیرانه و مبتنی بر مشخصات فنی (Spec-driven) است.
زمینه راهبردی
این ادغام در حالی رخ می‌دهد که دو غول فناوری، وابستگی مالی و فنی عمیقی را تجربه می‌کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی ساختار قیمت‌گذاری GPT-5.6 اشاره کردیم، جایی که هزینه‌های ورودی مدل Sol تمرکز اصلی بود، اکنون بحث از قیمت خام API به سمت بهره‌وری عملیاتی تغییر کرده است. تصور کنید برنامه‌نویسی که دیگر ساعت‌ها وقتش را صرف اصلاح پرامپت‌های مبهم نمی‌کند، بلکه بر اساس یک نقشه‌ی فنی دقیق کار می‌کند که هوش مصنوعی می‌تواند آن را با دقت اجرا کند — شبیه مهندسی ساختمان که به‌جای توصیفات کلی، از نقشه‌های اجرایی دقیق برای ساخت استفاده می‌کند.
این همکاری از یک قرارداد ابری ساده به یک وابستگی متقابل تبدیل شده است که در کمتر از یک سال شدت یافته است. در نوامبر ۲۰۲۵، این دو شرکت قراردادی ۳۸ میلیارد دلاری برای محاسبات امضا کردند که در ۲۷ فوریه ۲۰۲۶ با افزودن ۱۰۰ میلیارد دلار دیگر برای هشت سال آینده گسترش یافت.
بر اساس مستندات این توافق گسترش‌یافته، آمازون ۵۰ میلیارد دلار در OpenAI سرمایه‌گذاری کرده و OpenAI متعهد شده است از تقریباً ۲ گیگاوات ظرفیت تراشه‌های Trainium استفاده کند. علاوه بر این، AWS به توزیع‌کننده انحصاری پلتفرم سازمانی Frontier متعلق به OpenAI تبدیل شده است، در حالی که این دو شرکت به‌طور مشترک در حال توسعه مدل‌های سفارشی برای برنامه‌های مصرف‌کننده آمازون هستند.
جزئیات مکانیسم Spec-Driven در Kiro
محیط Kiro در واقع یک لایه سازه‌بندی (Scaffolding) است که قصد سطح بالای کاربر را به برنامه‌های اجرایی ساختاریافته تبدیل می‌کند. این محیط که بر پایه Code OSS ساخته شده و با تنظیمات و افزونه‌های VS Code سازگار است، رویکرد «پرامپت بزن و اصلاح کن» را کنار گذاشته است. در Kiro، یک پرامپت ابتدا به «داستان‌های کاربر» (User Stories) با معیارهای پذیرش رسمی تبدیل می‌شود، سپس یک سند طراحی شامل رابط‌ها (Interfaces) و نمودارهای جریان داده ایجاد می‌گردد و در نهایت یک لیست وظایف متوالی شکل می‌گیرد.
این محیط جریان‌های کاری زیر را مدیریت می‌کند:
- تبدیل نیازمندی‌های محصول به طراحی‌های فنی.
- اجرای وظایف کدنویسی چندمرحله‌ای بر اساس لیست‌های اجرایی.
- بازبینی خروجی مدل در نقاط بازرسی (Checkpoints) مشخص پیش از ادغام تغییرات.
- اعتبارسنجی پیاده‌سازی‌ها با استفاده از تست‌های مبتنی بر ویژگی (Property-based testing).
- اجرای اتوماسیون‌های رویداد-محور برای بررسی استانداردها و تست‌ها در پس‌زمینه.
تحلیل ادعای کاهش ۸۲ درصدی هزینه
به گزارش AWS، کاهش ۸۲ درصدی هزینه که در محک Terminal-Bench 2.1 اندازه‌گیری شده، نتیجه همین ساختار است. چون مدل هوش مصنوعی زاینده (Generative AI) — مثل نویسنده‌ای که پیش از شروع، تمام منابع و ساختار کتاب را دریافت کرده — اسناد طراحی و زمینه (Context) را از ابتدا دریافت می‌کند، توکن‌های کمتری را صرف خطا می‌کند و در تکرارهای کمتری به جواب می‌رسد.
البته باید اشاره کرد که این یک نتیجه گزارش‌شده توسط فروشنده در مورد هزینه است، نه دقت. در این اعلان، تفاوتی در میزان صحت (Accuracy) برای پیکربندی Kiro ذکر نشده و مشخص نیست چه مقدار از این صرفه‌جویی مربوط به ابزار Kiro است و چه مقدار به بهینگی توکن‌های خود مدل برمی‌گردد.
برای درک بهتر زمینه، ارزیابی‌های خود OpenAI مدل Terra را با دقت ۸۷.۴٪ در Terminal-Bench 2.1 قرار می‌دهد، در حالی که مدل Sol با ۸۸.۸٪ پیشتاز است. برای مقایسه، نسل قبلی (GPT-5.5) نمره ۸۵.۶٪ را در همین محک ثبت کرده بود. این ادغام شامل هر سه مدل پرچم‌دار Sol، Terra و Luna است.
نوسانات قیمت‌گذاری
این ادعای بهره‌وری پس از یک دوره تغییرات سریع قیمتی می‌آید. در زمان عرضه عمومی در ۹ ژوئیه ۲۰۲۶، قیمت Terra برای هر میلیون توکن ورودی ۲.۵۰ دلار و برای هر میلیون توکن خروجی ۱۵ دلار بود. مدل Sol با قیمت ۵ دلار (ورودی) و ۳۰ دلار (خروجی) و مدل Luna با ۱ دلار (ورودی) و ۶ دلار (خروجی) عرضه شده بود.
تا ۳۰ ژوئیه ۲۰۲۶، OpenAI قیمت Luna را ۸۰٪ و Terra را ۲۰٪ کاهش داد. این اقدام در راستای تسهیل استقرار عامل‌های صنعتی و کاهش هزینه‌های عملیاتی برای وظایف با حجم بالا صورت گرفت تا دسترسی به مدل‌های بهینه ارزان‌تر شود. حتی در ۲۱ اوت ۲۰۲۶، یعنی سه روز پیش از معرفی Kiro، OpenAI قیمت‌های API و اعتبار مدل Sol را برای یک دوره سه ماهه بیش از ۲۰٪ کاهش داد.
برای مدیران کسب‌وکار، این یعنی «هزینه هوش» دیگر فقط قیمت هر توکن نیست، بلکه به محیط پیرامون مدل وابسته است. AWS با اجبار به جریان کاری spec-driven، سعی دارد مشکل تولید را حل کند؛ جایی که کدهای تولید شده توسط AI برای مقیاس سازمانی بیش از حد غیرقابل پیش‌بینی هستند. سوامی سیواسوبرامانیان، معاون AI عامل‌محور در AWS، هدف را «گسترش گزینه‌های آن‌ها برای تسریع توسعه بومی AI با استفاده از Kiro» عنوان کرده است.
برنامه‌نویسان اکنون می‌توانند از طریق سایت Kiro به خانواده GPT-5.6 دسترسی داشته باشند. هر دو شرکت اعلام کرده‌اند که بهینه‌سازی مشترک عملکرد مدل در این محیط ادامه خواهد داشت.
باید دید آیا سایر ارائه‌دهندگان ابری نیز ابزارهای مشابه «ابتدا مشخصات» (Spec-first) را برای رقابت با ادغام عمودی AWS-OpenAI معرفی می‌کنند، یا اینکه OpenAI شروع به بهینه‌سازی مدل‌های خود در سطح وزن‌ها (Weights) برای سازه‌بندی خاص Kiro خواهد کرد.
گام بعدی شما
- اگر در حال مدیریت تیم‌های توسعه هستید، مدل «سند-محور» Kiro را با متدولوژی‌های فعلی خود مقایسه کنید تا گلوگاه‌های توکن را شناسایی کنید.
- بررسی کنید آیا مدل‌های ارزان‌تر مانند Luna برای وظایف ساده‌تر در محیط Kiro همان بازدهی مدل Sol را دارند یا خیر.
- منتظر بمانید و ببینید آیا سایر ارائه‌دهندگان ابری نیز ابزارهای مشابهی برای کاهش هزینه استنتاج از طریق ساختاردهی به پرامپت‌ها معرفی می‌کنند یا خیر.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو