اگر امروز بودجه‌ای برای استنتاج مدل‌های پیشرفته اختصاص می‌دهید، احتمالاً متوجه شده‌اید که افزایش هوشمندی مدل‌ها دیگر با هزینه‌هایشان هم‌خوانی ندارد. داده‌های شرکت Ramp نشان می‌دهد که شرکت‌های آمریکایی به‌سختی به سراغ Fable 5، قدرتمندترین مدل Anthropic، می‌روند؛ حتی با وجود اینکه این مدل در بنچمارک‌ها پیشتاز است.
این اتفاق درست زمانی رخ می‌دهد که صنعت از مرحلهٔ آزمایش‌های اولیه به مقیاس تولید می‌رسد. برای اکثر کسب‌وکارها، هدف دیگر یافتن «باهوش‌ترین» مدل نیست، بلکه یافتن مدلی است که بازگشت سرمایه (ROI) ملموسی داشته باشد و هزینه‌های عملیاتی را منفجر نکند. مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — اکنون باید از نظر اقتصادی هم به صرفه باشد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد مدل‌های بازمتن اشاره کردیم، توازن بین هزینه و کیفیت، تعیین‌کننده برنده نهایی بازار است.
طبق گزارش Ramp، شرکت‌ها به‌ندرت Fable 5 را از طریق API خریداری می‌کنند. در نخستین ماه پس از عرضه، این مدل تنها ۶ درصد از توکن‌های خریداری‌شده از Anthropic را به خود اختصاص داد. اگر کل هزینه‌های مدل‌های این شرکت را بسنجیم، سهم Fable 5 تنها ۱۱.۴ درصد است.
در مقابل، مدل GPT-5.6 Sol شرکت OpenAI، ۲۵ درصد از توکن‌ها و ۲۳ درصد از کل هزینه‌ها را به خود اختصاص داده است. در مجموع، درآمد Fable 5 تنها ۷۵ درصد درآمد مدل رقیب است، در حالی که قیمت هر توکن (Token) — تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — در آن به‌مراتب بیشتر است.
آرا کارازیان، اقتصاددان Ramp، این استقبال کم را به ساختار قیمتی تند و تیز این مدل نسبت می‌دهد:
- هزینه ورودی Fable 5: حدود ۱۰ دلار به‌ازای هر میلیون توکن
- هزینه خروجی Fable 5: حدود ۵۰ دلار به‌ازای هر میلیون توکن
این نرخ‌ها باعث شده مدل Fable 5 تقریباً دو برابر گران‌تر از GPT-5.6 Sol یا سایر مدل‌های پرچم‌دار باشد. کارازیان استدلال می‌کند که عملکرد اضافی این مدل، به‌سادگی ارزش این هزینه را ندارد و این موضوع نشان‌دهنده سقف جدیدی در تمایل شرکت‌ها برای پرداخت هزینه است.
بر اساس بررسی منابع متعدد، برتری عملکرد Fable 5 در بسیاری از کاربردهای واقعی یا غیرقابل اندازه‌گیری است یا تأثیر ناچیزی در کارهای روزمره دارد. این مسئله به یک مشکل بنیادی در محاسبه بازگشت سرمایه اشاره می‌کند؛ یعنی تبدیل فاصله عملکردی بین دو نسل از مدل‌ها به یک عدد مالی، معادله‌ای پیچیده و مبهم است.
در حالی که مدل‌هایی با قابلیت‌های به‌مراتب بیشتر می‌توانند ارزش ملموسی ایجاد کنند، اما شرکت‌ها تنها چیزی را می‌خرند که سودآوری‌اش ثابت شده باشد. تا زمانی که این ارزش انتزاعی باقی بماند، تمایل به پرداخت مبالغ هنگفت محدود خواهد بود.
اگرچه کل هزینه‌های هوش مصنوعی در حال افزایش است، اما رشد آزمایشگاه‌های پیشرو در حال کند شدن است. در جولای ۲۰۲۵، ۱ درصد از شرکت‌های برتر آمریکا به‌طور میانگین ۷۴۰۰ دلار به‌ازای هر کارمند هزینه کردند. برای ۱۰ درصد برتر، این رقم ۶۵۰ دلار بود، در حالی که میانگین کل شرکت‌ها تنها ۱۱.۹۵ دلار به‌ازای هر کارمند هزینه کردند.
در حال حاضر Anthropic با ۴۳.۵ درصد، پیشتاز پذیرش سازمانی در آمریکا است و نسبت به ماه قبل ۱.۱ واحد درصد رشد کرده است. OpenAI با ۳۹.۷ درصد در رتبه دوم قرار دارد، اما رشد آن تنها ۰.۲۳ واحد درصد بوده که از رشد کلی پذیرش هوش مصنوعی عقب‌تر است. در همین حال، xAI با رشد ۰.۹۴ واحد درصدی به ۴ درصد رسید که سریع‌ترین رشد این شرکت از جولای ۲۰۲۵ است.
با این حال، کاربران پیشرفته به‌طور فزاینده‌ای به سمت مدل‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده و فقط غذای آماده نیستند — کوچ می‌کنند. Ramp اشاره می‌کند که این جایگزین‌ها اکنون تنها چند ماه با مدل‌های پیشرو فاصله دارند و نسبت هزینه به عملکرد پایدارتری برای کارهای حجیم ارائه می‌دهند.
این وضعیت نشان‌دهنده یک مشکل اساسی در ROI هوش مصنوعی است. وقتی برتری عملکرد یک مدل پرمیوم در جریان‌های کاری روزمره به‌سادگی قابل اندازه‌گیری نباشد، شرکت‌ها حاضر نیستند ۱۰۰ درصد هزینه اضافی بپردازند. برای پیشبرد پذیرش مدل‌ها، ارزش باید ملموس باشد، نه انتزاعی.
این موضوع یک هشدار برای سرمایه‌گذاران است. اگر فرضیه سرمایه‌گذاری بر اساس رشد سریع درآمد از مدل‌های قدرتمندتر باشد، این توقف رشد یک زنگ خطر است. شرکت‌ها برای «پرستیژ عملکرد» که تأثیری بر سود خالص ندارد، هزینه اضافی نمی‌پردازند.
باید منتظر ماند و دید آیا Anthropic نسخه‌ای «Lite» از Fable 5 معرفی می‌کند یا قیمت‌های API خود را برای رقابت با موج رو به رشد بهره‌وری مدل‌های بازمتن تغییر می‌دهد.
گام بعدی شما
- اگر از Fable 5 استفاده می‌کنید، خروجی‌های آن را با مدل‌های ارزان‌تر مقایسه کنید تا ببینید آیا تفاوت کیفیت، هزینه دوبرابری را توجیه می‌کند یا خیر.
- مدل‌های وزن‌های باز را برای کارهای با حجم توکن بالا تست کنید تا هزینه‌های استنتاج را کاهش دهید.
- منتظر معرفی نسخه‌های Lite یا تغییر قیمت API توسط Anthropic باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو