جنبش هوش مصنوعی متنباز مدلهای واقعاً چشمگیری تولید کرده است. DeepSeek اکنون بیش از یکسوم تمام توکنهای عبوری از درگاه هوش مصنوعی Vercel را پردازش میکند. GLM-5.2 از Z.ai با حجم بالا، به راحتی در میان چهار مدل برتر این پلتفرم قرار دارد. اینها پروژههای آماتوری نیستند؛ بلکه سیستمهایی در سطح تولید (production-grade) هستند که حجم عظیمی از بارهای کاری واقعی سازمانی را مدیریت میکنند. با توجه به این اعداد، ساده است که تصور کنیم آزمایشگاههای پیشرو مانند Anthropic با تهدیدی وجودی برای جایگاه خود در بازار روبرو هستند.
این فرض، آنچه را که واقعاً در حال رخ دادن است، نادیده میگیرد.
کار واقعی مدلهای پیشرو (Frontier Models)
Jesse Zhang، مدیرعامل Decagon، راه روشنتری برای درک شکاف بین هوش مصنوعی اختصاصی و متنباز پیشنهاد کرده است. این رقابت، یک مسابقه ساده برای جایگزینی یکدیگر نیست. در عوض، این دو دسته از مراحل مختلف یک چرخه حیات واحد سازمانی خدمترسانی میکنند.
مدلهای پیشرو به عنوان «لایه اکتشاف» عمل میکنند. وقتی شرکتی شروع به بررسی این موضوع میکند که هوش مصنوعی چگونه ممکن است یک فرآیند داخلی را تغییر دهد، وظیفه تقریباً همیشه به درستی تعریف نشده است. ورودیها نامنظم هستند. خروجیهای مورد نظر مبهماند. موفقیت مستلزم استدلال در میان ابهام، مدیریت موارد خاصی (edge cases) است که تیم هنوز آنها را فهرست نکرده، و سازگاری با پرامپتهایی است که ساعت به ساعت تغییر میکنند. این کار مربوط به نمونهسازی و اثبات مفهوم (proof-of-concept) است. این مرحله نیازمند توانمندترین سیستم موجود است، بدون توجه به هزینه، زیرا جایگزین آن، یک آزمایش شکستخورده است که هیچ درسی نمیآموزد.
در این مرحله، یک مدل پیشرو و گرانقیمت، هزینه اضافی (overhead) نیست؛ بلکه هزینه تحقیقات بازار است که در قالب چند فراخوانی API فشرده شده است. هنگامی که مورد استفاده (use case) اثبات شد و جریان کاری ترسیم گردید، ماهیت مسئله تغییر میکند. ابهام از بین میرود. ورودیها استاندارد میشوند. پرامپتها تثبیت میشوند. وظیفه به یک کار روتین تبدیل شده است. در آن نقطه، بسیاری از سازمانها حجم کاری را به یک مدل سبکتر و ارزانتر منتقل میکنند. جایگزینهای متنباز وارد میدان شده و مرحله تولید را در اختیار میگیرند، در حالی که مدلهای پیشرو در مرز باقی میمانند تا موج بعدی مشکلات ناشناخته را مدیریت کنند.
این یک تئوری درباره نحوه عملکرد هوش مصنوعی نیست؛ بلکه توصیفی از نحوه حرکت بودجهها در حال حاضر است.
وقتی حجم کاری به سمت بازارهای ارزانتر حرکت میکند
مهاجرت به سمت متنباز واقعی است و در دادههای ترافیکی نیز مشهود است. جهش DeepSeek به بیش از یکسوم حجم توکنها در زیرساخت Vercel نشان میدهد که شرکتها مقادیر عظیمی از استنتاج (inference) را از طریق مدلهای ارزانتر انجام میدهند. GLM-5.2 از Z.ai نیز با مدیریت ترافیک مداوم و قابل پیشبینی، جایگاه خود را در میان چهار مدل برتر تثبیت کرده است.
این مدلها در وظایفی که رام شدهاند، عالی عمل میکنند. استخراج دادههای حجیم از فرمهای استاندارد، اولویتبندی اولیه پشتیبانی مشتری که تیکتها را بر اساس کلمات کلیدی واضح هدایت میکند، یا لینتینگ (linting) روتین کد و تولید مستندات را در نظر بگیرید. پرامپتها قالببندی شدهاند. حالتهای خطا شناخته شدهاند. ریسک تجاری یک خروجی بد محدود است. وقتی کار تعریف شده و تکراری باشد، هزینه استنتاج به نگرانی اصلی تبدیل میشود. اجرای همان حجم کاری روی یک مدل شش سنتی به جای یک سطح پرمیوم، از نظر مالی منطقی و فوری است.
اما حجم، به معنای درآمد نیست. این واقعیت که مدلهای متنباز بر تعداد توکنها تسلط دارند، به این معنا نیست که بر خلق ارزش تسلط دارند. حجم توکن، میزان فعالیت را میسنجد. هزینه توکن، آنچه شرکتها حاضرند برای قابلیتهای جایگزینناپذیر بپردازند را اندازهگیری میکند.
پول واقعاً به کجا جریان مییابد
دادههای درگاه هوش مصنوعی Vercel، شکاف اقتصادی را غیرقابل چشمپوشی میکند. علیرغم تسلط DeepSeek در ترافیک خام توکنها، Anthropic همچنان بیش از نیمی از کل هزینههای هوش مصنوعی در این پلتفرم را به خود اختصاص میدهد. شکاف بین فعالیت و مخارج به یک اختلاف قیمت خیرهکننده برمیگردد.
طبق دادههای OpenRouter، مدل Opus 4.8 از Anthropic تقریباً ۱.۳۷ دلار به ازای هر میلیون توکن هزینه دارد. مدل V4Flash از DeepSeek برای همان حجم، تقریباً شش سنت هزینه دارد. قیمت Opus حدود بیست و سه برابر بیشتر است. این ضریب اهمیت بیشتری نسبت به تعداد خام توکنها دارد. یک تیم توسعه میتواند نود درصد از حجم استنتاج خود را به مدل ارزانتر منتقل کند و همچنان شاهد باشد که مدل گرانقیمت بخش عمدهای از بودجه آنها را به خود اختصاص میدهد.
این اختلاف تصادفی نیست. این موضوع بازتابدهنده این واقعیت است که ارائهدهندگان مدلهای پیشرو (frontier providers) چیز متفاوتی را میفروشند. آنها فقط توکن نمیفروشند؛ آنها توانایی استدلال برای حل مسائلی را میفروشند که فاقد دستورالعملهای از پیش تعیینشده هستند. شرکتهایی که نرخهای بالا پرداخت میکنند، از روی نادانی این کار را انجام نمیدهند. آنها به این دلیل چنین میکنند که وظایفی که به این مدلها میسپارند یا بسیار حساس هستند و یا از نظر ساختاری پیچیدهاند. یک تیم حقوقی که در حال تحلیل ریسکهای نظارتی جدید است، نمیتواند یک استناد ساختگی (hallucinated citation) را تحمل کند. یک تیم محصول که در حال طراحی یک گردش کار عاملمحور (agentic workflow) چند مرحلهای است، نیاز دارد که مدل بتواند منطق را در چندین مرحله بهدرستی زنجیره کند. هزینه شکست در این سناریوها بسیار فراتر از هزینه فراخوانی API است.
هزینههای سرمایهای به سمت لایهای جریان مییابد که در آن ارزش همچنان در حال خلق شدن است، نه صرفاً در حال اجرا.
بازار سریعتر از مهاجرت رشد میکند
اگر مدلهای متنباز (open-source) بسیار ارزانتر هستند و شرکتها فعالانه در حال انتقال حجمهای کاری بالغ به سمت آنها هستند، چرا هزینهکرد در بخش مدلهای پیشرو فرو نریخته است؟ پاسخ این است که کل بازار وظایف قابل دسترس هوش مصنوعی، سریعتر از آن چیزی که یک مدل واحد بتواند آن را به کالایی عمومی (commodity) تبدیل کند، در حال گسترش است.
هر بار که شرکتی با موفقیت یک گردش کار قابل پیشبینی را با یک جایگزین متنباز خودکارسازی میکند، دو اتفاق میافتد. اول، آن تیم در هزینه اجرا صرفهجویی میکند. دوم، آن منابع و استعدادها به سمت مسائل دشوارتر و مرتبط هدایت میشوند. کارهای روتین اکنون توسط ماشینها انجام میشوند، که به این معناست که انسانها میتوانند بر مسائل نامنظم، استراتژیک و بیسابقه تمرکز کنند. مسئلهی جدیدی که کشف میشود، تقریباً همیشه به عمق استدلال یک مدل پیشرو نیاز دارد.
این الگو در صنایع مختلف تکرار میشود. یک بانک با استفاده از یک مدل ارزان، بازبینی اسناد را خودکار میکند و سپس توجه خود را به ساخت یک مدل ریسک پویا معطوف میکند که نیازمند قضاوت دقیق و ظریف است. یک شرکت نرمافزاری تولید تست را خودکار میکند و سپس تلاش میکند یک عامل عیبیابی خودکار بسازد که باید خطاها را در سیستمهای توزیعشده ردیابی کند. مرزهای پیشرو مدام در حال جلو رفتن است. به محض اینکه یک وظیفه به یک کالای عمومی تبدیل میشود، مورد استفاده پیچیدهتری پدید میآید که نیازمند قابلیتهای سطح بالا است.
بسیاری از وظایف سازمانی نیز برای سپردن به نسل فعلی از جایگزینهای متنباز، بیش از حد حساس باقی ماندهاند. پشتیبانی از تریاژ پزشکی، پیشبینی مالی تحت نظارتهای قانونی، و تحلیل استراتژیهای مدیریتی، ریسکهای منفیای دارند که باعث میشود هزینه استنتاج (inference cost) در کنار دقت و قابلیت اطمینان، بیاهمیت باشد. این حجم از کار، یک لایه ممتاز و پایدار ایجاد میکند. نتیجه، یک اقتصاد دو لایه پایدار است: یک لایه با حاشیه سود بالا برای استدلال پیچیده و اکتشاف، و یک لایه کالایی با حجم بالا برای اجرای روتین تولید.
این موضوع برای خریداران سازمانی چه معنایی دارد
نتیجهگیری عملی این است که انتخاب مدل باید از پختگیِ کار پیروی کند، نه از ایدئولوژی. برنامههای جدید هوش مصنوعی را روی توانمندترین مدلهای پیشرو که میتوانید به آنها دسترسی داشته باشید، بسازید و اعتبارسنجی کنید. در مرحله اکتشاف، هزینه بیشتر را بپردازید. این کار ارزانتر از آن است که روی یک مدل محدود کار کنید، در اثبات ارزش شکست بخورید و پروژه را رها کنید. زمانی که ورودیها، خروجیها و حالتهای شکست مشخص شدند، آنگاه به شکلی تهاجمی بهینهسازی کنید. حجم کار پایدار را به یک جایگزین متنباز منتقل کنید و از صرفهجویی در هزینهها بهرهمند شوید.
تلاش برای گنجاندن هر وظیفهای در یک لایه واحد، نسخهای برای هدر رفتن سرمایه یا از دست دادن قابلیتهاست. شرکتهایی که این مسیر را به درستی طی میکنند، به طور پیشفرض از معماریهای ترکیبی (hybrid architectures) استفاده خواهند کرد، نه به عنوان یک راه حل میانبر یا مصالحهای.
داستان اینجا این نیست که متنباز در حال شکست خوردن است، یا آزمایشگاههای پیشرو شکستناپذیرند. داستان این است که هر دو لایه در حال رشد هستند، اما در جهتهای متفاوتی رشد میکنند. مدلهای متنباز در حال بلعیدن دنیای شناختهشدهی وظایف هوش مصنوعی هستند. مدلهای پیشرو در حال تصاحب قلمروهای ناشناختهاند. برای آیندهای قابل پیشبینی، این یک توافق دوجانبه و مطلوب برای هر دو است.