صورت‌حساب‌های هوش مصنوعی شما در حال گران شدن است؛ هزینه واقعی استفاده از GPT-5.5 در مقایسه با نسل پیشین، تا ۹۲ درصد جهش کرده است. این افزایش قیمت یک نرخ یکسان نیست، بلکه نوعی «مالیات متغیر» است که الگوهای خاصی از استفاده را هدف قرار می‌دهد.
این تغییر قیمت در حالی رخ می‌دهد که OpenAI و Anthropic هر دو به سمت عرضه اولیه سهام (IPO) حرکت می‌کنند؛ حرکتی که سیگنالی از گذار این شرکت‌ها از دوران «رشد به هر قیمت» به دوران «تجاری‌سازی تهاجمی» است. همان‌طور که در تحلیل قبلی ما درباره‌ی توانایی‌های استدلالی این مدل و توانایی آن در ارائه اثبات‌های ریاضی در سطح دکترا اشاره کردیم، اکنون تمرکز سازمان‌ها از «قابلیت‌های خام» به «سودآوری و هزینه‌ها» تغییر یافته است.
مدل زبانی بزرگ (LLM) — تشبیه روزمره: مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — اکنون برای کسب‌وکارها به یک پست هزینه تبدیل شده است. به نقل از وب‌سایت the-decoder.com و بر اساس بررسی لاگ‌های استفاده از OpenRouter در ۱۸ آوریل ۲۰۲۶، قیمت رسمی GPT-5.5 دو برابر شده است. اکنون هر میلیون توکن (Token) — تشبیه روزمره: تکه‌های کوچکی از متن — مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — در ورودی ۵ دلار و در خروجی ۳۰ دلار هزینه دارد (در حالی که پیش‌تر این ارقام ۲.۵ و ۱۵ دلار بودند).
طبق گزارش OpenRouter، میزان افزایش هزینه واقعی به شدت به طول پرامپت وابسته است:
- ورودی‌های کوتاه (کمتر از ۲ هزار توکن): هزینه ۹۲٪ افزایش یافت.
- ورودی‌های متوسط (۲ تا ۱۰ هزار توکن): هزینه ۶۹٪ افزایش یافت (بخشی از این رقم به دلیل ۵۲٪ افزایش طول پاسخ‌هاست).
- ورودی‌های بلند (بیش از ۱۰ هزار توکن): هزینه بین ۴۹٪ تا ۸۵٪ افزایش یافت، هرچند پاسخ‌ها ۱۹٪ تا ۳۴٪ کوتاه‌تر شده‌اند که تا حدی اثر ضربه را گرفته است.
برای سازمان‌ها، این بدان معناست که کارایی یک مدل دیگر تنها با دقت سنجیده نمی‌شود، بلکه مدیریت توکن‌ها کلید بقاست. تفاوت میان داده‌های Artificial Analysis (که تنها ۲۰٪ افزایش قیمت دیده بود) و OpenRouter، یک شکاف حیاتی را آشکار می‌کند: بنچمارک‌های آزمایشگاهی، رفتار واقعی کاربر را پیش‌بینی نمی‌کنند. اگر گردش کار شما بر پرامپت‌های کوتاه و مکرر استوار است، در واقع دارید ۱۰۰٪ مبلغ اضافی برای ارتقای مدل می‌پردازید.
در این شرایط، استنتاج (Inference) — تشبیه روزمره: لحظه‌ای که مدل واقعاً جواب تولید می‌کند — مثل خودِ آشپزی، نه دوره‌ی آموزش آشپز — به گران‌ترین بخش زنجیره تبدیل شده است. اکنون باید منتظر ماند و دید آیا سازمان‌ها برای مقابله با این «مالیات هوشمندی»، به سمت مدل‌های کوچک‌تر با وزن‌های باز (Open Weights) — تشبیه روزمره: یعنی «دستور پخت» مدل علناً منتشر شده، نه فقط غذای آماده — کوچ می‌کنند یا خیر.
گام بعدی شما
- مصرف توکن‌های فعلی خود را تحلیل کنید تا تأثیر قیمت‌گذاری‌های جدید را پیش‌بینی نمایید.
- برای کارهای تکراری با ورودی کوتاه، مدل‌های بهینه شده یا کوچک‌تر را جایگزین کنید.
- استراتژی‌های خلاصه‌سازی ورودی را برای کاهش هزینه‌های توکن‌های ورودی به کار بگیرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو