اگر برای کدنویسی روزانه به گیت‌هاب کوپایلت (GitHub Copilot) تکیه می‌کنید، باید بدانید که صورت‌حساب ماهانه شما از این پس غیرقابل‌پیش‌بینی خواهد بود. مایکروسافت قیمت‌گذاری این ابزار را از یک نرخ ثابت و قابل‌توقع به مدل «به‌ازای توکن» تغییر داده است؛ تغییری که برخی تحلیل‌گران صنعت آن را «توکن-پوکالیپس» یا همان آخرالزمان توکن‌ها نامیده‌اند.
این اتفاق در لحظه‌ای رخ می‌دهد که کل صنعت هوش مصنوعی در یک نقطه بحرانی قرار دارد. سال‌ها بود که اکوسیستم AI توسط سرمایه‌های مخاطره‌طلب و پول سرمایه‌گذاران یارانه‌پردازی می‌شد و کاربران می‌توانستند با هزینه‌ای ناچیز، از پردازش‌های بسیار گران‌قیمت استفاده کنند. اکنون که بازیگران بزرگی مثل آنتروپیک (Anthropic) برای عرضه سهام در بورس (IPO) آماده می‌شوند، فشار برای نمایش سود واقعی، آن‌ها را مجبور کرده تا با هزینه واقعی استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی در مقابل دوره‌ی آموزش آشپز — روبرو شوند.
زمینه: تغییر به سمت قیمت‌گذاری مبتنی بر توکن
به گزارش پادکست Equity از وب‌سایت TechCrunch، میزبانان این برنامه شامل کیرستن کوروسک، شان اوکین و آنتونی ها، درباره پیامدهای این تغییرات بحث کرده‌اند. آن‌ها به چرخه متناقض و متلاطم رفتار شرکت‌ها اشاره کردند؛ شرکت‌هایی که ابتدا درگیر «بیشینه‌سازی توکن» (tokenmaxxxing) بودند تا مدل‌ها را به نهایت توانشان برسانند، اما به محض دریافت صورت‌حساب‌های سنگین، به سرعت به سمت اعمال سقف‌های سخت‌گیرانه برای استفاده رفتند. تمام این چرخه، از اوج گرفتن تا سقوط و کنار گذاشته شدن، تنها در بازه زمانی شش ماه اتفاق افتاد.
این تکامل سریع، یک معمای بزرگ برای آزمایشگاه‌های AI در هنگام نوشتن اظهارنامه‌های ثبت IPO (فرم S-1) ایجاد می‌کند. همان‌طور که کیرستن کوروسک اشاره کرد، ریسک‌ها «روز به روز» در حال تغییرند و مستند کردن آن‌ها در پرونده‌های رسمی، زمانی که مدل‌های کسب‌وکار هنوز در حال شکل‌گیری و تثبیت هستند، تقریباً غیرممکن است. او این سؤال را مطرح کرد که وقتی ریسک‌ها «پیش روی چشمان ما» در حال تغییرند، اصلاً چگونه می‌توان آن‌ها را در یک پرونده رسمی ثبت کرد؟
جزئیات: فشار مالی بر بخش سازمانی
بر اساس بررسی منابع متعدد، فشار مالی بر بخش سازمانی اکنون به اوج رسیده است:
- شوک بودجه اوبر: شرکت اوبر (Uber) نمونه‌ای بارز از این نوسان است. طبق گزارش‌ها، این شرکت بودجه AI خود را بسیار سریع‌تر از حد انتظار مصرف کرد. اوبر در عرض یک ماه و نیم، از پذیرش تهاجمی تکنولوژی به این نتیجه رسید که این ابزارها بیش از حد گران هستند و برای کنترل هزینه‌ها، محدودیت‌های داخلی شدیدی وضع کرد. این قوس سریع — از مصرف بی‌رویه بودجه تا اعمال محدودیت‌های سخت — برای کل اکوسیستم «کمی نگران‌کننده» توصیف شده است.
- حدس ۲۰ دلاری: قیمت ۲۰ دلار ماهانه برای ChatGPT Plus در ابتدا بیشتر یک «حدس» بود تا یک استراتژی تجاری حساب‌شده. شان اوکین معتقد است این عدد اساساً یک عدد «تصادفی» بود که به زبان ساده «تَف شده» و بیرون انداخته شده است. ما از آن زمان تاکنون با پیامدهای این حدس دست و پنجه نرم می‌کنیم. حتی قیمت‌های بالاتر برای مدل‌های پیشرفته نیز اغلب برای پوشش فاصله تا هزینه واقعی پردازش کافی نیستند.
- پایان یارانه‌ها: مایکروسافت اکنون این هزینه‌ها را مستقیماً به مصرف‌کننده منتقل می‌کند تا حاشیه سود خود را تثبیت کند و به دورانی پایان دهد که ابزارهای گران‌قیمت به نظر می‌رسید هیچ هزینه‌ای ندارند. آنتونی ها اشاره می‌کند که چون اکوسیستم به‌شدت یارانه‌پردازی شده بود، انتقال به هزینه‌هایی که توسط مصرف‌کننده پرداخت می‌شود، احتمالاً «درد زیادی» ایجاد خواهد کرد.
مسیر رسیدن به سودآوری
در حال حاضر بحث اصلی صنعت این است که آیا آزمایشگاه‌های AI می‌توانند هزینه‌ها را به‌قدری کاهش دهند و تکنولوژی را پیش ببرند که در نهایت با اشتهای هزینه مشتریان همخوانی داشته باشد یا خیر. شان اوکین به‌طور خاص سؤال کرد که آیا آزمایشگاه‌ها می‌توانند «آن هزینه را کاهش داده و تکنولوژی را به اندازه کافی پیش ببرند» تا به آن نقطه تعادل یا زمینه‌ی مشترک برسند.
برخی این وضعیت را با تاریخچه خودِ اوبر مقایسه می‌کنند؛ غول تاکسیرانی سال‌ها به‌شدت ضررده بود تا در نهایت با تغییر مدل کسب‌وکار و رسیدن به مقیاس بالا، سودآور شد. افرادی که معتقدند روند فعلی AI یک حباب است، در پاسخ به این استدلال می‌گویند که عدم سودآوری را می‌توان از طریق مقیاس‌پذیری حل کرد.
اما تفاوت در این است که رسیدن به آن مقیاس، اوبر را مجبور کرد تا به‌طور بنیادی به عنوان یک شرکت تغییر کند. اوبر مجبور شد به حوزه‌های مختلف کسب‌وکار گسترش یابد و هم از مشتریان و هم از رانندگان فشار بیاورد تا به سودآوری برسد. آزمایشگاه‌های AI با چالش متفاوتی روبرو هستند: هزینه‌های آن‌ها مستقیم‌تر و صلب‌تر است. شان اوکین سؤال کرد که آیا در زیرساخت‌های AI چیزی «نرم یا انعطاف‌پذیر» وجود دارد که آزمایشگاه‌ها بتوانند مانند فشار آوردن اوبر به رانندگان، «سنت‌ها را بتراشانند» یا اینکه این هزینه‌ها به‌سادگی غیرقابل اجتناب هستند.
فشار رگولاتوری و ریسک
علاوه بر این، دولت آمریکا در حال سخت‌گیرتر کردن قوانین است. پرزیدنت ترامپ اخیراً یک فرمان اجرایی — در نسخه‌ای محدود — را امضا کرد که طراحی شده تا به دولت فرصتی برای بررسی مدل‌های قدرتمند AI بدهد. این موضوع لایه جدیدی از ریسک رگولاتوری را برای شرکت‌هایی که برای ورود به بازارهای عمومی آماده می‌شوند، ایجاد می‌کند.
کیرستن کوروسک اشاره کرد که سرعت این تغییرات شبیه به هیچ‌چیز نیست که او تا به حال تجربه کرده است؛ چرا که تلاش‌های دولت برای رسیدن به این سرعت، هم‌زمان با تغییر مدل‌های کسب‌وکار آزمایشگاه‌های AI در حال رخ می‌دهد.
برای کاربر نهایی، این یعنی دوران «هوش مصنوعی ارزان» به پایان رسیده است. شما احتمالاً شاهد محدودیت‌های بیشتر، قیمت‌گذاری‌های پلکانی و دوری از دسترسی‌های نامحدود خواهید بود؛ چرا که صنعت از استراتژی «رشد به هر قیمتی» به سمت «مدل‌های کسب‌وکار پایدار» حرکت می‌کند.
گام بعدی شما
- اگر از Copilot در محیط سازمانی استفاده می‌کنید، همین حالا مصرف توکن‌های تیم خود را مانیتور کنید تا از شوک صورت‌حساب ماه آینده در امان بمانید.
- به دنبال ابزارهای جایگزین با مدل قیمت‌گذاری شفاف‌تر یا مدل‌های محلی (Local LLMs) باشید تا وابستگی مالی به توکن‌های گران‌قیمت کاهش یابد.
- در تنظیمات مدل‌های خود، پارامترهای مربوط به طول پاسخ‌ها را بهینه کنید تا توکن‌های کمتری مصرف شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو