ओपन-सोर्स AI आंदोलन ने वास्तव में प्रभावशाली मॉडल तैयार किए हैं। DeepSeek अब Vercel के AI गेटवे के माध्यम से प्रवाहित होने वाले सभी टोकन के एक तिहाई से अधिक को प्रोसेस करता है। Z.ai का GLM-5.2 वॉल्यूम के मामले में प्लेटफॉर्म के शीर्ष चार में आसानी से शामिल है। ये कोई शौकिया प्रोजेक्ट नहीं हैं। ये बड़े पैमाने पर वास्तविक एंटरप्राइज वर्कलोड को संभालने वाले प्रोडक्शन-ग्रेड सिस्टम हैं। इन आंकड़ों को देखते हुए, यह मान लेना आसान होगा कि Anthropic जैसे फ्रंटियर लैब्स को अपनी बाजार स्थिति के लिए अस्तित्वगत खतरे का सामना करना पड़ रहा है।
यह धारणा उस बात को नजरअंदाज करती है जो वास्तव में हो रही है।
फ्रंटियर मॉडल्स का वास्तविक कार्य
Decagon के CEO Jesse Zhang ने प्रोप्रायटरी (proprietary) और ओपन-सोर्स AI के बीच के अंतर को समझने का एक स्पष्ट तरीका प्रस्तावित किया है। यह प्रतिस्पर्धा एक-दूसरे को बदलने की कोई साधारण दौड़ नहीं है। इसके बजाय, ये दोनों श्रेणियां एक ही एंटरप्राइज लाइफसाइकिल के विभिन्न चरणों में काम आती हैं।
फ्रंटियर मॉडल्स 'डिस्कवरी लेयर' (discovery layer) के रूप में कार्य करते हैं। जब कोई कंपनी यह तलाशना शुरू करती है कि AI आंतरिक प्रक्रियाओं को कैसे बदल सकता है, तो कार्य लगभग हमेशा अस्पष्ट होता है। इनपुट अव्यवस्थित होते हैं। वांछित आउटपुट अस्पष्ट होते हैं। सफलता के लिए अस्पष्टता के बीच तर्क करने, उन एज केसेस (edge cases) को संभालने की आवश्यकता होती है जिन्हें टीम ने अभी तक सूचीबद्ध नहीं किया है, और उन प्रॉम्प्ट्स के साथ तालमेल बिठाने की आवश्यकता होती है जो हर घंटे बदलते रहते हैं। यह प्रोटोटाइपिंग और प्रूफ-ऑफ-कॉन्सेप्ट (proof-of-concept) का काम है। इसके लिए उपलब्ध सबसे सक्षम सिस्टम की आवश्यकता होती है, चाहे लागत कितनी भी क्यों न हो, क्योंकि इसका विकल्प एक विफल प्रयोग है जिससे कुछ भी सीखने को नहीं मिलता।
इस चरण में, एक महंगा फ्रंटियर मॉडल कोई अतिरिक्त बोझ (overhead) नहीं है। यह कुछ API कॉल्स में सिमटी हुई मार्केट रिसर्च की लागत है। एक बार जब यूज़ केस सिद्ध हो जाता है और वर्कफ़्लो मैप हो जाता है, तो समस्या का स्वरूप बदल जाता है। अस्पष्टता समाप्त हो जाती है। इनपुट मानकीकृत (standardized) हो जाते हैं। प्रॉम्प्ट स्थिर हो जाते हैं। कार्य अब नियमित हो जाता है। उस बिंदु पर, कई एंटरप्राइजेज वर्कलोड को एक हल्के और सस्ते मॉडल पर माइग्रेट कर देते हैं। ओपन-सोर्स विकल्प उत्पादन (production) चरण में कदम रखते हैं और उसे संभाल लेते हैं, जबकि फ्रंटियर मॉडल्स फ्रंटियर पर ही तैनात रहते हैं, अज्ञात समस्याओं की अगली लहर को संभालते हुए।
यह इस बारे में कोई सिद्धांत नहीं है कि AI को कैसे काम करना चाहिए। यह इस बात का विवरण है कि बजट वास्तव में कैसे बदल रहे हैं।
जब वर्कलोड डाउनमार्केट की ओर बढ़ते हैं
ओपन सोर्स की ओर माइग्रेशन वास्तविक है, और यह ट्रैफिक डेटा में दिखाई देता है। Vercel के इंफ्रास्ट्रक्चर पर टोकन वॉल्यूम में DeepSeek की एक-तिहाई से अधिक की वृद्धि यह दर्शाती है कि कंपनियां सस्ते मॉडल्स के माध्यम से भारी मात्रा में इन्फरेंस (inference) चला रही हैं। Z.ai के GLM-5.2 ने भी स्थिर और अनुमानित ट्रैफिक को संभालकर शीर्ष चार में अपनी जगह बना ली है।
ये मॉडल्स उन कार्यों में उत्कृष्ट हैं जिन्हें नियंत्रित (tamed) कर लिया गया है। मानकीकृत फॉर्मों से उच्च-मात्रा वाले डेटा एक्सट्रैक्शन, स्पष्ट कीवर्ड्स के आधार पर टिकटों को रूट करने वाले फर्स्ट-पास कस्टमर सपोर्ट ट्राइएज (triage), या नियमित कोड लिंटिंग और डॉक्यूमेंटेशन जनरेशन के बारे में सोचें। प्रॉम्प्ट्स टेम्पलेटेड होते हैं। एरर मोड (error modes) समझे जा चुके होते हैं। खराब आउटपुट का व्यावसायिक जोखिम सीमित होता है। जब काम परिभाषित और दोहराव वाला होता है, तो इन्फरेंस की लागत प्राथमिक चिंता बन जाती है। उसी वर्कलोड को प्रीमियम टियर के बजाय छह सेंट वाले मॉडल पर चलाना तत्काल वित्तीय रूप से समझदारी भरा लगता है।
लेकिन वॉल्यूम का मतलब रेवेन्यू नहीं है। तथ्य यह है कि ओपन-सोर्स मॉडल्स टोकन काउंट में हावी हैं, इसका मतलब यह नहीं है कि वे वैल्यू क्रिएशन (value creation) में भी हावी हैं। टोकन वॉल्यूम गतिविधि को मापता है। टोकन खर्च यह मापता है कि कंपनियां अपरिहार्य क्षमता (irreplaceable capability) के लिए कितना भुगतान करने को तैयार हैं।
पैसा वास्तव में कहाँ बहता है
Vercel के AI गेटवे का डेटा आर्थिक विभाजन को नजरअंदाज करना असंभव बना देता है। कच्चे टोकन ट्रैफिक में DeepSeek के प्रभुत्व के बावजूद, Anthropic प्लेटफॉर्म पर कुल AI खर्च का आधे से अधिक हिस्सा हासिल करना जारी रखता है। गतिविधि और खर्च के बीच का अंतर एक चौंकाने वाले मूल्य अंतर (price differential) के कारण है।
OpenRouter के डेटा के अनुसार, Anthropic का Opus 4.8 लगभग $1.37 प्रति मिलियन टोकन की लागत लेता है। DeepSeek का V4Flash उसी वॉल्यूम के लिए लगभग छह सेंट खर्च करता है। Opus की कीमत लगभग तेईस गुना अधिक है। यह मल्टीप्लायर (multiplier) कच्चे टोकन काउंट की तुलना में कहीं अधिक महत्वपूर्ण है। एक डेवलपमेंट टीम अपने इन्फरेंस वॉल्यूम का नब्बे प्रतिशत सस्ते मॉडल पर ले जा सकती है और फिर भी देख सकती है कि उनके बजट का अधिकांश हिस्सा महंगे मॉडल पर ही खर्च हो रहा है।
यह विसंगति कोई संयोग नहीं है। यह इस वास्तविकता को दर्शाती है कि फ्रंटियर प्रदाता कुछ अलग बेच रहे हैं। वे केवल टोकन नहीं बेच रहे हैं। वे उन समस्याओं को सुलझाने की क्षमता बेच रहे हैं जिनके लिए कोई स्थापित कार्यप्रणाली (playbooks) मौजूद नहीं है। प्रीमियम दरें चुकाने वाले उद्यम अज्ञानता के कारण ऐसा नहीं कर रहे हैं। वे ऐसा इसलिए कर रहे हैं क्योंकि वे इन मॉडलों को जो कार्य सौंपते हैं, वे या तो उच्च-जोखिम वाले होते हैं या संरचनात्मक रूप से जटिल। एक कानूनी टीम जो नए नियामक जोखिमों का विश्लेषण कर रही है, वह किसी काल्पनिक संदर्भ (hallucinated citation) को बर्दाश्त नहीं कर सकती। एक प्रोडक्ट टीम जो मल्टी-स्टेप एजेंटिक वर्कफ़्लो डिज़ाइन कर रही है, उसे मॉडल से कई चरणों में तर्क को सही ढंग से जोड़ने की आवश्यकता होती है। इन परिदृश्यों में विफलता की लागत API कॉल की लागत से कहीं अधिक है।
पूंजीगत व्यय उस स्तर की ओर प्रवाहित होता है जहाँ मूल्य का निर्माण किया जा रहा है, न कि केवल उसका निष्पादन किया जा रहा है।
बाजार माइग्रेशन से अधिक तेजी से बढ़ रहा है
यदि ओपन-सोर्स मॉडल इतने सस्ते हैं, और उद्यम सक्रिय रूप से परिपक्व वर्कलोड को उनकी ओर स्थानांतरित कर रहे हैं, तो फ्रंटियर पर होने वाला खर्च क्यों कम नहीं हुआ है? उत्तर यह है कि एड्रेसेबल AI कार्यों का कुल बाजार किसी भी एकल मॉडल द्वारा उसे कमोडिटी बनाने की गति से कहीं अधिक तेजी से बढ़ रहा है।
हर बार जब कोई कंपनी किसी ओपन-सोर्स विकल्प के साथ एक अनुमानित वर्कफ़्लो को सफलतापूर्वक ऑटोमेट करती है, तो दो चीजें होती हैं। पहला, वह टीम निष्पादन पर पैसा बचाती है। दूसरा, वे संसाधन और वह प्रतिभा कठिन आसन्न समस्याओं की ओर निर्देशित हो जाते हैं। नियमित काम अब मशीनों द्वारा संभाला जाता है, जिसका अर्थ है कि इंसान अनियमित, रणनीतिक और अभूतपूर्व कार्यों पर ध्यान केंद्रित कर सकते हैं। नई खोजी गई समस्या के लिए लगभग हमेशा फ्रंटियर मॉडल की तर्क क्षमता (reasoning depth) की आवश्यकता होती है।
यह पैटर्न उद्योगों में दोहराया जाता है। एक बैंक सस्ते मॉडल का उपयोग करके दस्तावेज़ समीक्षा को ऑटोमेट करता है, फिर अपना ध्यान एक गतिशील जोखिम मॉडल बनाने की ओर लगाता है जिसमें सूक्ष्म निर्णय लेने की क्षमता की आवश्यकता होती है। एक सॉफ्टवेयर फर्म टेस्ट जनरेशन को ऑटोमेट करती है, फिर एक स्वायत्त डिबगिंग एजेंट बनाने का प्रयास करती है जिसे वितरित प्रणालियों (distributed systems) में त्रुटियों का पता लगाना होता है। फ्रंटियर लगातार आगे बढ़ रहा है। जैसे ही कोई कार्य कमोडिटी बन जाता है, एक अधिक जटिल उपयोग का मामला सामने आता है जो प्रीमियम क्षमता की मांग करता है।
कई उद्यम कार्य वर्तमान पीढ़ी के ओपन-सोर्स विकल्पों को सौंपने के लिए भी बहुत संवेदनशील बने हुए हैं। मेडिकल ट्राइएज सपोर्ट, नियामक जांच के तहत वित्तीय पूर्वानुमान, और कार्यकारी रणनीति विश्लेषण में ऐसे जोखिम शामिल हैं जो सटीकता और विश्वसनीयता के सामने इन्फरेंस लागत (inference cost) को अप्रासंगिक बना देते हैं। ये वर्कलोड एक टिकाऊ प्रीमियम टियर बनाते हैं। इसका परिणाम एक स्थिर दो-स्तरीय अर्थव्यवस्था है: जटिल तर्क और खोज के लिए एक उच्च-मार्जिन वाला स्तर, और नियमित उत्पादन निष्पादन के लिए एक उच्च-वॉल्यूम कमोडिटी स्तर।
उद्यम खरीदारों के लिए इसका क्या अर्थ है
व्यावहारिक निष्कर्ष यह है कि मॉडल का चयन विचारधारा के बजाय काम की परिपक्वता के आधार पर होना चाहिए। नए AI एप्लिकेशन को उन सबसे सक्षम फ्रंटियर मॉडलों पर बनाएं जिन्हें आप एक्सेस कर सकते हैं। खोज (discovery) के दौरान प्रीमियम भुगतान करें। यह एक सीमित मॉडल पर निर्माण करने, मूल्य सिद्ध करने में विफल रहने और परियोजना को छोड़ने की तुलना में सस्ता है। एक बार जब इनपुट, आउटपुट और विफलता के तरीके (failure modes) ज्ञात हो जाएं, तो फिर आक्रामक रूप से अनुकूलन (optimize) करें। स्थिर वर्कलोड को ओपन-सोर्स विकल्प पर ले जाएं और लागत बचत का लाभ उठाएं।
हर कार्य को एक ही स्तर में जबरदस्ती फिट करने की कोशिश करना या तो पूंजी की बर्बादी या क्षमता खोने का नुस्खा है। जो कंपनियां इसे सही ढंग से संचालित करेंगी, वे डिफ़ॉल्ट रूप से हाइब्रिड आर्किटेक्चर का उपयोग करेंगी, न कि समझौते के रूप में।
यहाँ कहानी यह नहीं है कि ओपन सोर्स हार रहा है, या फ्रंटियर लैब्स अजेय हैं। बात यह है कि दोनों स्तर बढ़ रहे हैं, लेकिन वे अलग-अलग दिशाओं में बढ़ रहे हैं। ओपन-सोर्स मॉडल AI कार्यों की ज्ञात दुनिया को अपने भीतर समाहित कर रहे हैं। फ्रंटियर मॉडल अज्ञात पर अपना दावा ठोक रहे हैं। निकट भविष्य के लिए, यह दोनों के लिए एक सुविधाजनक व्यवस्था है।