اشتراک ثابت در برابر پرداخت بر اساس مصرف در Copilot Cowork

اگر هر هفته صدها تسک را به عامل‌های هوش مصنوعی می‌سپارید، باید منتظر تغییر قیمت در صورت‌حساب ماهانه خود باشید. مایکروسافت (Microsoft) در حال انتقال Copilot Cowork از قیمت‌گذاری ثابت به مدل «پرداخت بر اساس مصرف» است تا جلوی ضررهای مالی ناشی از کاربران پرمصرف را بگیرد.

این تصمیم در واقع پاسخ به بحران هزینه توکن‌ها در سیستم‌های عامل‌محور (Agentic) است؛ سیستم‌هایی که مثل کارمندانی هستند که به‌جای انجام یک دستور ساده، زنجیره‌ای از تصمیمات را می‌گیرند تا یک پروژه بزرگ را به پایان برسانند. این رویکرد مایکروسافت با استراتژی‌های اخیر سایر غول‌های فناوری همسو است، به‌طوری‌که متا نیز برای بازگشت هزینه‌های زیرساختی عامل‌های خود، طرح‌های اشتراکی گران‌قیمتی را معرفی کرده است. همان‌طور که در تحلیل قبلی ما درباره‌ی حفره‌های امنیتی SearchLeak و خروج داده‌های سازمانی اشاره کردیم، مقیاس‌پذیری این عامل‌ها با چالش‌های جدی مالی و امنیتی روبروست.

طبق گزارش Axios در ۱۶ ژوئن ۲۰۲۶، چارلز لامانا، نایب‌رئیس اجرایی Copilot، تأکید کرد که مدل اشتراک ثابت برای کاربرانی که حجم कार्योंشان بسیار بالاست، دیگر توجیه اقتصادی ندارد. برای کاهش هزینه‌های استنتاج (Inference) — که شبیه پرداخت کرایه برای هر بار استفاده از یک آشپزخانه صنعتی است — مایکروسافت گزینه‌های زیر را بررسی می‌کند:

• استقرار نسخه تنظیم دقیق (Fine-tuning) شده و میزبانی‌شده از مدل DeepSeek V4 (مثلاً شبیه تبدیل یک پزشک عمومی به متخصص پوست برای کاهش هزینه) به عنوان جایگزینی ارزان‌تر. این تلاش برای بهینه‌سازی هزینه‌ها، یادآور مدل‌های تخصصی دیگری است که مانند Oasis 3، هزینه اجرای شبیه‌سازی‌های پیچیده را به مقادیر بسیار پایین رسانده‌اند.
• نگهداشت تمامی داده‌ها در بستر Azure برای حفظ حریم خصوصی.
• طراحی لایه‌های حفاظتی سفارشی برای رفع سوگیری‌های احتمالی در مدل‌های چینی.

ساتیا نادلا در یادداشتی نوشت که شرکت‌ها برای جلوگیری از انحصار اقتصادی، به «سرمایه توکنی» نیاز دارند. به این معناست که سازمان‌ها باید کنترل مدل‌های مورد استفاده خود را در دست بگیرند. با این تغییر، دوران «سلف‌سرویس بی‌حدومرز» در هوش مصنوعی سازمانی به پایان می‌رسد و بهره‌وری حالا مستقیماً با هزینه‌های عملیاتی گره می‌خورد.

گام بعدی شما

• اگر مدیر محصول هستید، هزینه‌های توکنی مدل‌های فعلی خود را پایش کنید تا غافلگیر نشوید.
• احتمال ادغام DeepSeek را دنبال کنید زیرا می‌تواند هزینه‌ی عملیات شما را به شدت کاهش دهد.
• استراتژی‌های جایگزین برای مدل‌های باز-وزن را بررسی کنید تا وابستگی کمتر شود.

اما تأثیر این تغییر بر رقابت مدل‌های متن‌باز و بسته حتی پیچیده‌تر است؛ در تحلیل ما درباره‌ی استراتژی‌های قیمت‌گذاری OpenAI این موضوع را بررسی کنید.