صورت‌حساب هنگفت هوش مصنوعی را در نهایت چه کسی پرداخت می‌کند؟

تصور کنید سه سال تمام در یک هتل پنج‌ستاره اقامت داشته‌اید، از بهترین امکانات استفاده کرده‌اید و تک‌تک صورت‌حساب‌هایتان را شخص یا اشخاصی ناشناس پرداخت کرده‌اند. حالا ناگهان مدیریت هتل به شما می‌گوید: «از امروز، پول هر لیوان آبی که می‌خورید محاسبه می‌شود.» حال‌‌وهوای فعلی شرکت‌های هوش مصنوعی دقیقاً به همین سناریو شباهت دارد.

دوران استفاده‌ی ارزان و بی‌دغدغه از مدل‌های هوش مصنوعی به پایان خود نزدیک می‌شود؛ اما انتقال هزینه‌های واقعی و پنهان به مشتری نهایی، می‌تواند تمام رؤیاهای اقتصادی این صنعت را بر باد دهد.

۲۷ آوریل ۲۰۲۶، گیت‌هاب اطلاعیه‌ای منتشر کرد که در نگاه اول فقط برای مشترکان کوپایلت اهمیت داشت. این شرکت اعلام کرد از ابتدای ژوئن، شیوه‌ی محاسبه‌ی مصرف تغییر می‌کند و به‌جای شمردن درخواست‌های پریمیوم، حجم ورودی، خروجی و توکن‌های ذخیره‌شده‌ی هر مدل ملاک قرار می‌گیرد و از اعتبار ماهانه‌ی کاربر کسر می‌شود.

ظاهر ماجرا تغییری نکرده بود؛ حق اشتراک کوپایلت پرو همان ۱۰ دلار در ماه باقی ماند؛ ولی قبلاً این ۱۰ دلار قابلیت‌های اصلی کوپایلت را برای یک ماه فعال می‌کرد و سهمیه‌ی جداگانه‌ای نیز برای امکانات پیشرفته در اختیار کاربر می‌گذاشت. در مدل جدید، همان ۱۰ دلار اشتراک به اعتبار مصرفی تبدیل می‌شد؛ اعتباری که پس از تمام‌شدنش کاربر باید هزینه‌ی بیشتری می‌پرداخت یا قید دستیار هوشمندش را می‌زد.

گیت‌هاب نوشت بخش زیادی از افزایش هزینه‌ی پردازشی را خودش پرداخت می‌کند و ادامه‌ی این وضعیت دیگر امکان‌پذیر نیست. کنتور هوش مصنوعی باید روشن می‌شد!

بیانیه‌ی گیت‌هاب فقط خبر تغییر قیمت یک ابزار برنامه‌نویسی ساده نبود. پس از سه سال استفاده‌ی یارانه‌ای از هوش مصنوعی، یکی از بزرگ‌ترین بازیگران دنیای فناوری به کاربرانش می‌گفت هر کاری که هوش مصنوعی انجام می‌دهد، هزینه‌ای دارد؛ هزینه‌ای که تا امروز شخص دیگری آن را می‌پرداخت و حالا نوبت شماست.

در سال‌های نخست پس از عرضه‌ی ChatGPT، رابطه‌ی ما با هوش مصنوعی بیش از حد ساده و رؤیایی به‌نظر می‌رسید. می‌توانستیم ساعت‌ها با یک مدل زبانی قدرتمند گپ بزنیم یا با پرداخت حق اشتراک ثابت ماهانه، ساعت‌ها از آن کار بکشیم. برای کاربر اهمیتی نداشت که سؤال کوتاهش، چند پردازنده را درگیر می‌کند یا برای تولید یک گزارش طولانی، چقدر برق و ظرفیت محاسباتی سرورها مصرف می‌شود؛ اما پشت این سادگی دلپذیر، مکانیزم بسیار پرهزینه‌ای پنهان شده بود.

به تعبیر فایننشال‌تایمز، کاربران در دوران ابتدایی هوش مصنوعی، زندگی یارانه‌ای داشتند و تنها برنده‌های قطعی بازار هم سازندگان تراشه و تجهیزات شبکه و دیتاسنترها بودند که پولشان را تقریباً به‌صورت آنی دریافت می‌کردند. درآمد شرکت‌های سمت زیرساخت به مدل کسب‌وکار هوش مصنوعی بستگی نداشت؛ زیرا هر مدل زبانی جدید تقاضای پردازنده‌ها را بالا می‌برد و هر دور رقابت، سفارش‌های بزرگ‌تری برای زیرساخت ایجاد می‌کرد.

چت‌بات‌های اولیه ابرازهای منفعلی بودند و بیشتر وقت خود را در سکوت می‌گذراندند. وقتی کاربر چیزی می‌پرسید، آن‌ها پاسخی تولید می‌کردند و پردازش متوقف می‌شد؛ اما ظهور ایجنت‌ها (Agents) این رابطه را تغییر داد. حالا دیگر کاربر سؤال نمی‌پرسد؛ بلکه هدف تعیین می‌کند و مدل هوش مصنوعی باید خودش مسیر رسیدن را بیابد.

به‌عنوان مثال، شاید یک ایجنت برنامه‌نویسی ابتدا هزاران خط کد را بخواند، برای رفع باگ نقشه بکشد، فایل‌ها را تغییر دهد و تست‌ها را اجرا کند. اگر مسیر ایجنت به بن‌بست بخورد یا نتیجه درست نباشد، گزارش خطا نیز وارد پنجره‌ی متنی مدل می‌شود و چرخه‌ی تازه‌ای آغاز می‌کند. هر دور، توکن بیشتری می‌سوزاند؛ حتی زمانی که کاربر پشت کامپیوتر نیست.

آمارهای پلتفرم OpenRouter نشان می‌دهند که یک درخواست ایجنتی، به‌طور متوسط ۱۵برابرِ تعامل مستقیم انسان با هوش مصنوعی توکن مصرف می‌کند. در فوریه‌ی ۲۰۲۶، برای اولین‌بار تعداد توکن‌های مصرفی توسط ایجنت‌ها، از مصرف مستقیم کاربران انسانی پیشی گرفت.

وقتی شرکتی برای همه‌ی درخواست‌ها مبلغ ثابتی دریافت کند، هرچه محصولش قوی‌تر و کاربردی‌تر شود، بیشتر ضرر می‌کند؛ چون باید هزینه‌ی بیشتری از جیب خود بپردازد. قیمت‌گذاری براساس مصرف راهی بود برای انتقال تفاوت هزینه‌ها به کاربر. از مقطعی به بعد، هوش مصنوعی دیگر در قالب نرم‌افزاری با هزینه‌های قابل‌پیش‌بینی نمی‌گنجید و بیشتر شبیه شبکه‌ی آب و برق شهری می‌شد. هربار که شیر آب را باز می‌کردید، عقربه‌ی کنتور جلو می‌رفت.

در دوران آزمایشی و ماه‌های نخست تب هوش مصنوعی، مدیران شرکت‌ها کارمندانشان را تشویق می‌کردند تا جای ممکن از ابزارهای هوشمند استفاده کنند. هزینه‌های اشتراک ثابت ماهیانه در برابر وعده‌ی جذاب «افزایش خیره‌کننده‌ی بهره‌وری» ناچیز به‌نظر می‌رسید؛ اما ورود قیمت‌گذاری براساس مصرف (Usage-based)، تمام قواعد بازی را به‌هم ریخت.

با روی‌کار آمدن سیستم قیمت‌گذاری Usage-based، مدیر مالی یک شرکت می‌توانست با چشمانی گردشده به داشبورد خود نگاه کند و ببیند که کدام تیم، کارمند یا حتی ایجنت نرم‌افزاری، به‌تنهایی چند میلیون توکن مصرف می‌کند. به همین دلیل گیت‌هاب هم‌زمان با تغییر سیستم اعتباری خود، ابزارهایی برای تعیین سقف بودجه‌ی سازمان، تیم‌ها و حتی تک‌تک کاربران معرفی کرد.

گزارش سال ۲۰۲۶ بنیاد FinOps نشان می‌دهد که حالا ۹۸ درصد از سازمان‌ها مدیریت مخارج هوش مصنوعی را در دستور کارشان قرار داده‌اند؛ آماری که تا سال قبل به ۶۳ درصد می‌رسید. درواقع هوش مصنوعی از یک آزمایش فنی هیجان‌انگیز به یک ردیف بودجه‌ی جدی تبدیل شد که به برنامه‌ریزی، پیش‌بینی و توجیه اقتصادی نیاز داشت.

قیمت‌گذاری جدید نه‌تنها مصرف را محدود کرد؛ بلکه معیار انتخاب مدل‌های هوش مصنوعی را هم تغییر داد. تا زمانی‌که شرکت‌های سازنده تفاوت قیمت را از جیب می‌پرداختند، همه به‌راحتی قدرتمندترین مدل را انتخاب می‌کردند؛ اما وقتی پای پرداخت هزینه به‌ازای هر توکن به‌میان آمد، مشخص شد که بهترین مدل، لزوماً بهترین انتخاب اقتصادی نیست.

در نیمه‌ی نخست سال ۲۰۲۶، پلتفرم OpenRouter تغییر مسیر معناداری را در جریان مصرف توکن‌ها مشاهده کرد. مدل چینی دیپ‌سیک سال را با سهمی کمتر از ۱۰ درصد آغاز کرد؛ اما پس از انتشار خانواده‌ی V4، سهمش تا اوایل ژوئن به حدود ۱۸ درصد رسید. در یک اتفاق بی‌سابقه، مدل‌های چینی از نظر حجم توکن‌های مصرفی روی این پلتفرم، از رقبای آمریکایی خود پیشی گرفتند.

اوپن‌روتر بیشتر رفتار توسعه‌دهندگان و استارتاپ‌ها را به‌تصویر می‌کشد و کل بازار را پوشش نمی‌دهد؛ اما همین گروه پیشگام، معمولاً مسیر آینده‌ی بازار را مشخص می‌کنند. دلیل این مهاجرت بزرگ هم به اختلاف قیمت مدل‌ها برمی‌گشت.

البته بالارفتن سهم دیپ‌سیک درآمد ارائه‌دهندگان مدل را به همان نسبت افزایش نداد. کاربران حجم بیشتری از درخواست‌های خود را به مدل چینی می‌سپردند؛ اما چون قیمت پردازش هر درخواست بسیار پایین بود، دیپ‌سیک هم پول زیادی به‌دست نمی‌آورد.

رویکرد جدید شرکت‌ها در زمینه‌ی جابه‌جاشدن میان مدل‌ها، دقیقاً در زمانی رخ می‌دهد که شرکت‌های پیشرو می‌خواهند برای جبران هزینه‌های توسعه‌ی خود پول بیشتری از مشتریان بگیرند؛ ولی حالا کاربران به گزینه‌های ارزان‌تر و راه‌حل‌های جایگزینی دسترسی دارند.

خوش‌بین‌های بازار فناوری، توکن‌های ارزان و مدل‌های کم‌هزینه را تهدیدی برای شرکت‌های بزرگ نمی‌دانند و معتقدند این روند لزوماً صورت‌حساب هوش مصنوعی کسب‌وکارها را کوچک‌تر نمی‌کند. مشتریان سازمانی به‌لطف توکن‌های ارزان‌تر هوش مصنوعی را وارد فرایندهای بیشتری می‌کنند و درنهایت مصرف کل افزایش می‌یابد.

نظریه‌ی افزایش مصرف هوش مصنوعی را می‌توانیم با «پارادوکس جوونز» توجیه کنیم. در قرن نوزدهم، اقتصاددانی به‌نام ویلیام استنلی جوونز متوجه شد کارآمدترشدن موتورهای بخار برخلاف انتظار، مصرف زغال‌سنگ را کمتر نمی‌کند.

موتور بخاری که جیمز وات طراحی کرد، نسبت به موتورهای قدیمی تا ۷۵ درصد زغال‌سنگ کمتری می‌خواست؛ ولی مقرون‌به‌صرفه‌شدن نیروی بخار باعث شد صنایع بیشتری به موتورهای جدید روی بیاورند و نهایتاً تقاضای کلی برای زغال‌سنگ هم نسبت به گذشته افزایش یافت؛ بیایید همین روند را برای هوش مصنوعی بسط دهیم.

از طرف دیگر پارادوکس جوونز شاید افزایش تقاضای هوش مصنوعی را توضیح دهد؛ اما سودآوری را تضمین نمی‌کند. درآمد از حاصل‌ضرب تعداد توکن‌ها در قیمتشان به‌دست می‌آید و سود، پس از کسر هزینه‌های کمرشکن تراشه، برق، تجهیزات شبکه و استهلاک باقی می‌ماند. اگر مصرف ده‌برابر شود؛ اما قیمت و حاشیه‌ی سود با سرعت بیشتری سقوط کنند، شرکت‌های سازنده‌ی مدل، فقط مشتریان بیشتری خواهند داشت، بی‌آنکه کسب‌وکار بهتری را توسعه دهند.

هوش مصنوعی می‌تواند همه‌جا حاضر شود و همچنان برای تولیدکنندگانش بازده ناامیدکننده‌ای داشته باشد. جهان امروز مقدار عظیمی برق مصرف می‌کند؛ ولی ضروری‌بودن انرژی باعث نشد همه‌ی تولیدکنندگان برق، حاشیه‌ی سودی مشابه شرکت‌های نرم‌افزاری کسب کنند.

بسیاری از سرمایه‌گذاران هوش مصنوعی امیدوارند شرکت‌های توسعه‌دهنده‌ی مدل‌ها، آینده‌ای مثل غول‌های نرم‌افزاری داشته باشند و به مزایایی مانند مشتریان وفادار، هزینه‌ی پایین خدمات‌رسانی و قدرت بالای قیمت‌گذاری برسند؛ اما فراوانی مدل‌ها و قدرتمند شدن نسخه‌های متن‌باز (Open-Source)، این رؤیا را تهدید می‌کند.

هرچه فاصله‌ی کیفی مدل‌های بسته و وزن‌باز کمتر شود، مشتریان راحت‌تر از یک تأمین‌کننده به شرکتی دیگر کوچ می‌کنند؛ برای مثال ابزارهای مسیریاب نظیر اوپن‌روتر می‌توانند هر درخواست را به بهینه‌ترین مدل موجود بفرستند، بدون اینکه کاربر تغییری حس کند. به‌تدریج نام مدل‌ها پشت محصولات پنهان می‌شود و رقابت براساس قیمت و سرعت پیش می‌رود.

بانکی که اطلاعات اختصاصی مشتریانش را دارد، کارخانه‌داری که خطوط تولیدش را هوشمند می‌کند یا نرم‌افزاری که هوش مصنوعی را به‌صورت کاربردی در اختیار مردم می‌گذارد، ارزش بیشتری نسبت به مالکین اصلی مدل‌ها به‌دست می‌آورد. بسیاری از سرمایه‌گذاران به‌خاطر هیجان بازار اهمیت ارزش‌آفرینی نهایی را نمی‌بینند.

تحلیل‌های مؤسسه‌ی RBC نیز نشان می‌دهند که مدل‌های زبانی و توان محاسباتی به کالاهایی قابل‌تعویض تبدیل می‌شوند و شرکت‌هایی برنده‌ی بازار خواهند بود که هوش مصنوعی را بهتر به‌کار می‌گیرند.

درحالی‌که قدرت مانور شرکت‌های پیشرو در زمینه‌ی قیمت‌گذاری مدل‌ها روزبه‌روز کمتر می‌شود، هزینه‌های زیرساختی سر به فلک کشیده‌اند. گلدمن ساکس تخمین می‌زند که سرمایه‌گذاری سالانه در تراشه، دیتاسنتر و برق موردنیاز هوش مصنوعی، از ۷۶۵ میلیارد دلار در سال ۲۰۲۶ به ۱٫۶ تریلیون دلار در ۲۰۳۱ خواهد رسید؛ یعنی مجموعاً ۷٫۶ تریلیون دلار در شش سال.

باید توجه داشت که اجزای مختلف سرمایه‌گذاری‌های هوش مصنوعی هم عمر متفاوتی دارند. تراشه‌های هوش مصنوعی معمولاً بین ۴ تا ۶ سال کارآمد می‌مانند، ساختمان دیتاسنتر شاید ۲۰ سال دوام بیاورد و زیرساخت‌های تأمین برق باید بیش از ۲۵ سال کار کنند.

اگر تقاضا برای خدمات هوش مصنوعی طبق انتظار رشد کند، درآمد دیتاسنترها می‌تواند هزینه‌ی ساختشان را پوشش دهد؛ ولی اگر مشتریان دیرتر از پیش‌بینی‌ها از راه برسند، ممکن است پردازنده‌ها پیش از آنکه درآمد کافی ایجاد کنند، قدیمی و ناکارآمد شوند. در این صورت بخشی از زیان شرکت‌ها، به وام‌دهندگان و سهام‌داران منتقل می‌شود.

هوش مصنوعی مثل اغلب فناوری‌های عمومی، پیش از اینکه بهره‌وری واقعی‌اش را نشان دهد، شرکت‌ها را وادار به آزمون‌وخطا می‌کند. به‌علاوه صِرف نصب چند ابزار هوشمند کافی نیست و سازمان‌ها برای تطبیق با این فناوری باید داده‌هایشان را مرتب کنند، کارکنان را آموزش دهند و برخی مسئولیت‌ها و دسترسی‌هایشان را از نو تعریف کنند.

فرایندهای مکمل ابتدا خرج می‌تراشند و فوایدشان دیرتر مشخص می‌شود، به‌همین دلیل با «منحنی J بهره‌وری» شناخته می‌شوند. همین تأخیر باعث می‌شود تحلیلگران در مورد رونق هوش مصنوعی اختلاف‌نظر داشته باشند.

کمیسیون Little Hoover کالیفرنیا هشدار می‌دهد که اگر قراردادها درست تنظیم نشوند، هزینه‌ی توسعه‌ی شبکه‌های برقی که برای هوش مصنوعی توسعه یافته و بلااستفاده مانده‌اند، به قبض برق مردم عادی منتقل خواهد شد. در این صورت افرادی که حتی یک‌بار هم اشتراک چت‌باتی را نخریده‌اند، باید سهمی از صورت‌حساب هوش مصنوعی را بپردازند.

در آغاز مسیر صنعت هوش مصنوعی، سرمایه‌گذاران خطرپذیر، هزینه‌ی جذب کاربران را از جیب پرداختند. در مرحله‌ی بعد شرکت‌های سازنده‌ی مدل و پلتفرم‌ها برای مدتی طولانی، یارانه‌ی سنگین پردازش‌ها را به دوش کشیدند تا عادت استفاده از هوش مصنوعی را در ما نهادینه کنند.

امروز مشتریان سازمانی باید تصمیم بگیرند که چه بودجه‌ای به هر ایجنت یا هر میلیون توکن اختصاص می‌دهند. اگر کسب‌وکارها به مدل‌های ارزان‌تر مهاجرت کنند، شرکت‌های بزرگ حاشیه‌ی سودشان را از دست می‌دهند و از این نقطه به بعد مسیر صورت‌حساب هوش‌مصنوعی تغییر می‌کند.

اگر دیتاسنترهای میلیارددلاری سریع‌تر از شکل‌گیری تقاضای واقعی ساخته شوند، سهام‌داران و طلبکاران این پروژه‌ها زیر بار زیان‌های هنگفت له می‌شوند. در بدترین سناریو، اگر هزینه‌های توسعه‌ی شبکه‌ی برق و زیرساخت‌ها بدون مصرف باقی بماند، بعید نیست که صورت‌حساب سرگردان هوش مصنوعی، راهش را به قبض‌های خانگی مردم عادی باز کند.

هوش مصنوعی احتمالاً تمام وعده‌های فنی‌اش را عملی خواهد کرد؛ کارها را با سرعتی غیرقابل‌تصور انجام می‌دهد، محصولات جدیدی خلق می‌کند و بهره‌وری اقتصاد جهانی را بالا می‌برد؛ ولی هیچ‌یک از این دستاوردها تضمین نمی‌کند شرکت‌هایی که امروز صدها میلیارد دلار برای توسعه‌ی مدل‌های پایه می‌سوزانند، همان برندگانی باشند که فردا سود اصلی را به‌دست می‌آورند.

سه سال نخست عصر هوش مصنوعی، با پنهان‌کردن قیمت واقعیِ مصرف سپری شد؛ اما حالا اعداد روی کنتورها ظاهر شده‌اند و تازه مشخص می‌شود که موفقیت این فناوری، برای چه کسانی سودآور خواهد بود و برای چه کسانی، صرفاً فاکتور بدهی به‌جا می‌گذارد.