The open source AI movement has produced genuinely impressive models. DeepSeek now processes over a third of all tokens

ഓപ്പൺ സോഴ്സ് AI പ്രസ്ഥാനം അവിശ്വസനീയമായ മോഡലുകൾ സൃഷ്ടിച്ചിട്ടുണ്ട്. Vercel-ന്റെ AI ഗേറ്റ്‌വേയിലൂടെ ഒഴുകുന്ന എല്ലാ ടോക്കണുകളിൽ മൂന്നിലൊന്നിന് മുകളിൽ ഇപ്പോൾ DeepSeek ആണ് പ്രോസസ്സ് ചെയ്യുന്നത്. Z.ai-യുടെ GLM-5.2 വോളിയത്തിന്റെ കാര്യത്തിൽ പ്ലാറ്റ്‌ഫോമിലെ ആദ്യ നാലിൽ ഇടംപിടിച്ചിരിക്കുന്നു. ഇവ വെറും വിനോദത്തിനായി ചെയ്യുന്ന പ്രോജക്റ്റുകളല്ല. ഇവ വൻതോതിൽ യഥാർത്ഥ എന്റർപ്രൈസ് വർക്ക്ലോഡുകൾ കൈകാര്യം ചെയ്യുന്ന പ്രൊഡക്ഷൻ-ഗ്രേഡ് സിസ്റ്റങ്ങളാണ്. ഈ കണക്കുകൾ വെച്ച് നോക്കുമ്പോൾ, Anthropic പോലുള്ള ഫ്രോണ്ടിയർ ലാബുകൾക്ക് അവരുടെ വിപണിയിലെ സ്ഥാനം നിലനിർത്താൻ വലിയ ഭീഷണി നേരിടുന്നുണ്ടെന്ന് കരുതാൻ എളുപ്പമാണ്.

എന്നാൽ ആ അനുമാനം യഥാർത്ഥത്തിൽ സംഭവിക്കുന്നത് എന്താണെന്ന് തിരിച്ചറിയുന്നതിൽ പരാജയപ്പെടുന്നു.

Frontier മോഡലുകളുടെ യഥാർത്ഥ പങ്ക്

പ്രൊപ്രൈറ്ററി AI-യും ഓപ്പൺ സോഴ്സ് AI-യും തമ്മിലുള്ള വ്യത്യാസം മനസ്സിലാക്കാൻ Decagon CEO Jesse Zhang കൂടുതൽ വ്യക്തമായ ഒരു വഴി നിർദ്ദേശിച്ചിട്ടുണ്ട്. ഈ മത്സരം പരസ്പരം മാറ്റിസ്ഥാപിക്കാനുള്ള ഒരു ഓട്ടമല്ല. പകരം, ഈ രണ്ട് വിഭാഗങ്ങളും ഒരു എന്റർപ്രൈസ് ലൈഫ്സൈക്കിളിന്റെ വ്യത്യസ്ത ഘട്ടങ്ങളെയാണ് സേവിക്കുന്നത്.

Frontier മോഡലുകൾ ഒരു ഡിസ്കവറി ലെയർ (discovery layer) ആയി പ്രവർത്തിക്കുന്നു. ഒരു കമ്പനി AI എങ്ങനെ അവരുടെ ആഭ്യന്തര പ്രക്രിയകളെ മാറ്റുമെന്ന് പര്യവേക്ഷണം ചെയ്യാൻ തുടങ്ങുമ്പോൾ, ആ ദൗത്യം മിക്കവാറും കൃത്യമായി നിർവചിക്കപ്പെട്ടതാകില്ല. ഇൻപുട്ടുകൾ അവ്യക്തമായിരിക്കും. ആഗ്രഹിക്കുന്ന ഔട്ട്പുട്ടുകളും വ്യക്തമായിരിക്കില്ല. അവ്യക്തതകൾക്കിടയിലും യുക്തിസഹമായി ചിന്തിക്കാനും, ടീം ഇതുവരെ തിരിച്ചറിഞ്ഞിട്ടില്ലാത്ത സാഹചര്യങ്ങൾ (edge cases) കൈകാര്യം ചെയ്യാനും, ഓരോ മണിക്കൂറിലും മാറിക്കൊണ്ടിരിക്കുന്ന പ്രോംപ്റ്റുകളോട് പൊരുത്തപ്പെടാനും വിജയം ആവശ്യമാണ്. ഇത് പ്രോട്ടോടൈപ്പിംഗിന്റെയും പ്രൂഫ്-ഓഫ്-കോൺസെപ്റ്റിന്റെയും (proof-of-concept) ജോലിയാണ്. ഇതിനായി ലഭ്യമായ ഏറ്റവും മികച്ച സിസ്റ്റം ആവശ്യമാണ്, ചിലവ് എത്രയായാലും കുഴപ്പമില്ല, കാരണം പരാജയപ്പെട്ട ഒരു പരീക്ഷണം കൊണ്ട് ഒന്നും പഠിക്കാൻ കഴിയില്ല.

ഈ ഘട്ടത്തിൽ, ഒരു വിലകൂടിയ Frontier മോഡൽ എന്നത് വെറുമൊരു അധികച്ചെലവല്ല. അത് ഏതാനും API കോളുകളിലൂടെ ചുരുക്കിയെടുത്ത ഒരു മാർക്കറ്റ് റിസർച്ച് ചിലവാണ്. ഉപയോഗക്രമം (use case) തെളിയിക്കപ്പെടുകയും വർക്ക്ഫ്ലോ തയ്യാറാക്കപ്പെടുകയും ചെയ്താൽ, പ്രശ്നത്തിന്റെ സ്വഭാവം മാറുന്നു. അവ്യക്തതകൾ ഇല്ലാതാകുന്നു. ഇൻപുട്ടുകൾ ഏകീകൃതമാകുന്നു. പ്രോംപ്റ്റുകൾ സ്ഥിരത കൈവരിക്കുന്നു. ജോലി പതിവ് രീതിയിലുള്ളതാകുന്നു. ആ ഘട്ടത്തിൽ, പല എന്റർപ്രൈസുകളും ഈ വർക്ക്ലോഡുകളെ കുറഞ്ഞ ചിലവുള്ള ലഘുവായ മോഡലുകളിലേക്ക് മാറ്റുന്നു. ഓപ്പൺ സോഴ്സ് ബദലുകൾ പ്രൊഡക്ഷൻ ഘട്ടത്തിൽ കടന്നുവരികയും അത് ഏറ്റെടുക്കുകയും ചെയ്യുന്നു, അതേസമയം Frontier മോഡലുകൾ അടുത്ത അറിവില്ലാത്ത പ്രശ്നങ്ങളെ കൈകാര്യം ചെയ്യാൻ frontier-ൽ തന്നെ തുടരുന്നു.

ഇത് AI എങ്ങനെ പ്രവർത്തിക്കണം എന്നതിനെക്കുറിച്ചുള്ള ഒരു സിദ്ധാന്തമല്ല. മറിച്ച്, ബജറ്റുകൾ നിലവിൽ എങ്ങനെ മാറിക്കൊണ്ടിരിക്കുന്നു എന്നതിന്റെ വിവരണമാണ്.

വർക്ക്ലോഡുകൾ കുറഞ്ഞ നിരക്കുകളിലേക്ക് മാറുമ്പോൾ

ഓപ്പൺ സോഴ്സിലേക്കുള്ള ഈ മാറ്റം യാഥാർത്ഥ്യമാണ്, അത് ട്രാഫിക് ഡാറ്റയിൽ വ്യക്തമാണ്. Vercel-ന്റെ ഇൻഫ്രാസ്ട്രക്ചറിലെ ടോക്കൺ വോളിയത്തിന്റെ മൂന്നിലൊന്നിന് മുകളിൽ DeepSeek-ന്റെ വളർച്ച കാണിക്കുന്നത് കമ്പനികൾ കുറഞ്ഞ ചിലവുള്ള മോഡലുകളിലൂടെ വൻതോതിൽ ഇൻഫറൻസ് (inference) നടത്തുന്നു എന്നാണ്. Z.ai-യുടെ GLM-5.2-ഉം സ്ഥിരവും പ്രവചിക്കാവുന്നതുമായ ട്രാഫിക് കൈകാര്യം ചെയ്യുന്നതിലൂടെ ടോപ്പ് ഫോർ സ്ഥാനത്ത് ഇടംപിടിച്ചിട്ടുണ്ട്.

കൃത്യമായി നിർവചിക്കപ്പെട്ട ജോലികളിൽ ഈ മോഡലുകൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നു. ഏകീകൃതമായ ഫോമുകളിൽ നിന്നുള്ള ഉയർന്ന അളവിലുള്ള ഡാറ്റാ എക്‌സ്‌ട്രാക്ഷൻ, കീവേഡുകൾ അടിസ്ഥാനമാക്കി ടിക്കറ്റുകൾ റൂട്ട് ചെയ്യുന്ന കസ്റ്റമർ സപ്പോർട്ട് ട്രയാജ് (triage), അല്ലെങ്കിൽ പതിവ് കോഡ് ലിന്റിംഗും ഡോക്യുമെന്റേഷൻ നിർമ്മാണവും എന്നിവ ഇതിന് ഉദാഹരണങ്ങളാണ്. പ്രോംപ്റ്റുകൾ ടെംപ്ലേറ്റ് രൂപത്തിലുള്ളതാണ്. പിശകുകൾ എവിടെ വരാമെന്ന് മുൻകൂട്ടി അറിയാം. തെറ്റായ ഔട്ട്പുട്ട് മൂലമുണ്ടാകുന്ന ബിസിനസ്സ് റിസ്ക് പരിമിതമാണ്. ജോലി കൃത്യമായി നിർവചിക്കപ്പെട്ടതും ആവർത്തന സ്വഭാവമുള്ളതുമാകുമ്പോൾ, ഇൻഫറൻസ് ചിലവാണ് പ്രധാന ആശങ്കയാകുന്നത്. ഒരു പ്രീമിയം മോഡലിന് പകരം ആറ് സെന്റ് ചിലവുള്ള ഒരു മോഡലിൽ അതേ വർക്ക്ലോഡ് പ്രവർത്തിപ്പിക്കുന്നത് സാമ്പത്തികമായി ലാഭകരമാണ്.

എന്നാൽ വോളിയം എന്നാൽ വരുമാനമല്ല. ഓപ്പൺ സോഴ്സ് മോഡലുകൾ ടോക്കൺ എണ്ണത്തിൽ മുന്നിലാണെന്നതിനർത്ഥം അവ മൂല്യസൃഷ്ടിയിലും (value creation) മുന്നിലാണെന്നല്ല. ടോക്കൺ വോളിയം എന്നത് പ്രവർത്തനത്തിന്റെ അളവാണ്. ടോക്കൺ ചിലവ് എന്നത് പകരം വെക്കാനില്ലാത്ത കഴിവിനായി കമ്പനികൾ എത്രത്തോളം നൽകാൻ തയ്യാറാണ് എന്നതിനെ സൂചിപ്പിക്കുന്നു.

പണം യഥാർത്ഥത്തിൽ എങ്ങോട്ടാണ് ഒഴുകുന്നത്

Vercel-ന്റെ AI ഗേറ്റ്‌വേ ഡാറ്റ സാമ്പത്തികമായ ഈ വ്യത്യാസം അവഗണിക്കാൻ കഴിയില്ലെന്ന് വ്യക്തമാക്കുന്നു. ടോക്കൺ ട്രാഫിക്കിൽ DeepSeek ആധിപത്യം പുലർത്തുന്നുണ്ടെങ്കിലും, പ്ലാറ്റ്‌ഫോമിലെ ആകെ AI ചിലവിന്റെ പകുതിയിലധികവും Anthropic ആണ് കൈക്കലാക്കുന്നത്. പ്രവർത്തന량വും (activity) ചെലവും (expenditure) തമ്മിലുള്ള ഈ വലിയ വ്യത്യാസത്തിന് കാരണം വിലയിലെ വൻ വ്യത്യാസമാണ്.

OpenRouter ഡാറ്റ പ്രകാരം, Anthropic-ന്റെ Opus 4.8-ന് പത്ത് ലക്ഷം ടോക്കണുകൾക്ക് ഏകദേശം $1.37 ചിലവ് വരുന്നു. അതേ അളവിൽ DeepSeek-ന്റെ V4Flash ഏകദേശം ആറ് സെന്റ് മാത്രമേ ചിലവാക്കുന്നുള്ളൂ. Opus-ന്റെ വില ഏകദേശം ഇരുപത്തിമൂന്ന് മടങ്ങ് കൂടുതലാണ്. ടോക്കൺ എണ്ണത്തേക്കാൾ പ്രാധാന്യം ഈ ഗുണനഫലത്തിനാണ് (multiplier). ഒരു ഡെവലപ്‌മെന്റ് ടീമിന് അവരുടെ ഇൻഫറൻസ് വോളിയത്തിന്റെ തൊണ്ണൂറ് ശതമാനവും കുറഞ്ഞ ചിലവുള്ള മോഡലിലേക്ക് മാറ്റിയാലും, അവരുടെ ബജറ്റിന്റെ ഭൂരിഭാഗവും ഇപ്പോഴും വിലകൂടിയ മോഡലിനായി തന്നെ ചെലവാകുന്നുണ്ടാകും.

ഈ വ്യത്യാസം ഒരു ആകസ്മികതയല്ല. ഫ്രോണ്ടിയർ (Frontier) സേവനദാതാക്കൾ വ്യത്യസ്തമായ ഒന്നാണ് വിൽക്കുന്നത് എന്ന യാഥാർത്ഥ്യത്തെയാണ് ഇത് പ്രതിഫലിപ്പിക്കുന്നത്. അവർ വെറും ടോക്കണുകൾ മാത്രമല്ല വിൽക്കുന്നത്. കൃത്യമായ മാർഗ്ഗനിർദ്ദേശങ്ങളില്ലാത്ത പ്രശ്നങ്ങളെ യുക്തിസഹമായി വിശകലനം ചെയ്യാനുള്ള കഴിവാണവർ വിൽക്കുന്നത്. ഉയർന്ന നിരക്കുകൾ നൽകുന്ന സംരംഭങ്ങൾ അറിവില്ലായ്മ കൊണ്ടല്ല അങ്ങനെ ചെയ്യുന്നത്. അവർ ഈ മോഡലുകൾക്ക് നൽകുന്ന ജോലികൾ അതീവ ഗൗരവമുള്ളതോ അല്ലെങ്കിൽ ഘടനാപരമായി സങ്കീർണ്ണമോ ആയതുകൊണ്ടാണ്. പുതിയ നിയന്ത്രണങ്ങളെക്കുറിച്ച് വിശകലനം ചെയ്യുന്ന ഒരു നിയമസംഘത്തിന് തെറ്റായ (hallucinated) ഉദ്ധരണികൾ അംഗീകരിക്കാനാവില്ല. മൾട്ടി-സ്റ്റെപ്പ് ഏജൻറ്റിക് വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യുന്ന ഒരു പ്രൊഡക്റ്റ് ടീമിന്, പല ഘട്ടങ്ങളിലായി യുക്തിസഹമായി കാര്യങ്ങൾ ബന്ധിപ്പിക്കാൻ മോഡലിന് സാധിക്കണം. ഇത്തരം സാഹചര്യങ്ങളിൽ പരാജയപ്പെടുന്നത് മൂലമുണ്ടാകുന്ന നഷ്ടം ഒരു API കോളിന്റെ ചിലവിനേക്കാൾ എത്രയോ കൂടുതലാണ്.

മൂല്യം സൃഷ്ടിക്കപ്പെടുന്ന തലത്തിലേക്കാണ് മൂലധന ചെലവ് (Capital expenditure) ഒഴുകുന്നത്, അല്ലാതെ കേവലം നടപ്പിലാക്കുന്ന തലത്തിലേക്കല്ല.

മൈഗ്രേഷനേക്കാൾ വേഗത്തിൽ വിപണി വളരുന്നു

ഓപ്പൺ സോഴ്സ് മോഡലുകൾ ഇത്രയധികം വില കുറഞ്ഞതാണെങ്കിൽ, സംരംഭങ്ങൾ അവയിലേക്ക് സജീവമായി മാറിക്കൊണ്ടിരിക്കുകയാണെങ്കിൽ, എന്തുകൊണ്ടാണ് ഫ്രോണ്ടിയർ മോഡലുകൾക്കായുള്ള ചെലവ് കുറയാത്തത്? ഉത്തരം ഇതാണ്: പരിഹരിക്കാൻ കഴിയുന്ന AI ജോലികളുടെ ആകെ വിപണി, ഏതെങ്കിലും ഒരു മോഡലിന് അവയെ സാധാരണവൽക്കരിക്കുന്നതിനേക്കാൾ (commoditize) വേഗത്തിൽ വളർന്നുകൊണ്ടിരിക്കുന്നു.

ഒരു കമ്പനി ഓപ്പൺ സോഴ്സ് ഉപയോഗിച്ച് ഒരു പ്രവചിക്കാവുന്ന വർക്ക്ഫ്ലോ വിജയകരമായി ഓട്ടോമേറ്റ് ചെയ്യുമ്പോൾ രണ്ട് കാര്യങ്ങൾ സംഭവിക്കുന്നു. ഒന്നാമതായി, ആ ടീമിന് പ്രവർത്തനച്ചെലവ് കുറയ്ക്കാൻ സാധിക്കുന്നു. രണ്ടാമതായി, ആ വിഭവങ്ങളും കഴിവും കൂടുതൽ പ്രയാസകരമായ മറ്റ് പ്രശ്നങ്ങളിലേക്ക് തിരിച്ചുവിടുന്നു. പതിവ് ജോലികൾ ഇപ്പോൾ യന്ത്രങ്ങൾ കൈകാര്യം ചെയ്യുന്നു, അതായത് മനുഷ്യർക്ക് കൂടുതൽ തന്ത്രപരമായതും അപ്രതീക്ഷിതവുമായ കാര്യങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കാം. പുതുതായി കണ്ടെത്തുന്ന പ്രശ്നങ്ങൾക്ക് മിക്കവാറും ഒരു ഫ്രോണ്ടിയർ മോഡലിന്റെ യുക്തിപരമായ ആഴം ആവശ്യമായി വരും.

ഈ രീതി എല്ലാ വ്യവസായങ്ങളിലും ആവർത്തിക്കുന്നു. ഒരു ബാങ്ക് കുറഞ്ഞ ചിലവുള്ള മോഡൽ ഉപയോഗിച്ച് ഡോക്യുമെന്റ് റിവ്യൂ ഓട്ടോമേറ്റ് ചെയ്യുന്നു, തുടർന്ന് സൂക്ഷ്മമായ വിധിനിർണ്ണയം ആവശ്യമായ ഒരു ഡൈനാമിക് റിസ്ക് മോഡൽ നിർമ്മിക്കുന്നതിലേക്ക് ശ്രദ്ധ തിരിക്കുന്നു. ഒരു സോഫ്റ്റ്‌വെയർ കമ്പനി ടെസ്റ്റ് ജനറേഷൻ ഓട്ടോമേറ്റ് ചെയ്യുന്നു, തുടർന്ന് വിതരണം ചെയ്യപ്പെട്ട സിസ്റ്റങ്ങളിലെ (distributed systems) പിഴവുകൾ കണ്ടെത്താൻ കഴിയുന്ന ഒരു സ്വയംപ്രവർത്തിത ഡീബഗ്ഗിംഗ് ഏജന്റിനെ നിർമ്മിക്കാൻ ശ്രമിക്കുന്നു. ഫ്രോണ്ടിയർ നിരന്തരം മുന്നേറിക്കൊണ്ടിരിക്കുന്നു. ഒരു ജോലി സാധാരണവൽക്കരിക്കപ്പെട്ടാലുടൻ, ഉയർന്ന ശേഷി ആവശ്യപ്പെടുന്ന കൂടുതൽ സങ്കീർണ്ണമായ ഉപയോഗങ്ങൾ ഉയർന്നുവരുന്നു.

പല സംരംഭക ജോലികളും നിലവിലെ ഓപ്പൺ സോഴ്സ് മോഡലുകൾക്ക് കൈമാറാൻ കഴിയാത്തവിധം അതീവ ഗൗരവമുള്ളതാണ്. മെഡിക്കൽ ട്രയാജ് സപ്പോർട്ട്, നിയന്ത്രണങ്ങൾക്കുള്ള സാമ്പത്തിക പ്രവചനങ്ങൾ, എക്സിക്യൂട്ടീവ് സ്ട്രാറ്റജി വിശകലനം എന്നിവ കൃത്യതയ്ക്കും വിശ്വാസ്യതയ്ക്കും മുൻഗണന നൽകുന്നവയാണ്; ഇവിടെ ചിലവ് ഒരു പ്രധാന ഘടകമല്ല. ഈ ജോലികൾ ഒരു സ്ഥിരമായ പ്രീമിയം വിഭാഗം സൃഷ്ടിക്കുന്നു. ഇതിന്റെ ഫലമായി ഒരു സുസ്ഥിരമായ രണ്ട് തട്ടുകളുള്ള സമ്പദ്‌വ്യവസ്ഥ രൂപപ്പെടുന്നു: സങ്കീർണ്ണമായ യുക്തിക്കും കണ്ടെത്തലുകൾക്കുമായി ഉയർന്ന ലാഭമുള്ള ഒരു വിഭാഗവും, പതിവ് ജോലികൾക്കായി ഉയർന്ന അളവിൽ ഉപയോഗിക്കപ്പെടുന്ന ഒരു സാധാരണ വിഭാഗവും.

സംരംഭക വാങ്ങുന്നവർക്ക് ഇതിന്റെ അർത്ഥമെന്താണ്

പ്രായോഗികമായി പറഞ്ഞാൽ, മോഡലുകൾ തിരഞ്ഞെടുക്കുന്നത് ആശയങ്ങൾക്കനുസരിച്ചല്ല, മറിച്ച് ജോലിയുടെ പക്വതയ്ക്ക് (maturity) അനുസരിച്ചായിരിക്കണം. പുതിയ AI ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കാനും പരിശോധിക്കാനും നിങ്ങൾക്ക് ലഭ്യമായ ഏറ്റവും മികച്ച ഫ്രോണ്ടിയർ മോഡലുകൾ ഉപയോഗിക്കുക. പുതിയ കാര്യങ്ങൾ കണ്ടെത്തുന്ന ഘട്ടത്തിൽ ഉയർന്ന നിരക്ക് നൽകുന്നതിൽ തെറ്റില്ല. പരിമിതമായ ഒരു മോഡലിൽ നിർമ്മിച്ച് മൂല്യം തെളിയിക്കാൻ കഴിയാതെ പ്രോജക്റ്റ് ഉപേക്ഷിക്കുന്നതിനേക്കാൾ ലാഭകരമാണിത്. ഇൻപുട്ടുകളും ഔട്ട്പുട്ടുകളും പരാജയസാധ്യതകളും മനസ്സിലാക്കിക്കഴിഞ്ഞാൽ, പിന്നീട് ശക്തമായി ഒപ്റ്റിമൈസ് ചെയ്യുക. സ്ഥിരമായ ജോലികൾ ഓപ്പൺ സോഴ്സ് മോഡലുകളിലേക്ക് മാറ്റുകയും ചെലവ് കുറയ്ക്കുകയും ചെയ്യുക.

എല്ലാ ജോലികളെയും ഒരൊറ്റ വിഭാഗത്തിലേക്ക് ഒതുക്കാൻ ശ്രമിക്കുന്നത് മൂലധനം പാഴാക്കാനോ അല്ലെങ്കിൽ മികച്ച അവസരങ്ങൾ നഷ്ടപ്പെടുത്താനോ കാരണമാകും. ഇത് ശരിയായി കൈകാര്യം ചെയ്യുന്ന കമ്പനികൾ ഒരു വിട്ടുവീഴ്ചയായിട്ടല്ല, മറിച്ച് സ്വാഭാവികമായ രീതിയിൽ ഹൈബ്രിഡ് ആർക്കിടെക്ചറുകൾ ഉപയോഗിക്കും.

ഇവിടെ ഓപ്പൺ സോഴ്സ് പരാജയപ്പെടുന്നു എന്നോ ഫ്രോണ്ടിയർ ലാബുകൾ അജയ്യരാണെന്നോ അല്ല പറയുന്നത്. രണ്ട് വിഭാഗങ്ങളും വളരുകയാണ്, പക്ഷേ അവ വ്യത്യസ്ത ദിശകളിലേക്കാണ് വളരുന്നത്. ഓപ്പൺ സോഴ്സ് മോഡലുകൾ AI ജോലികളുടെ അറിയപ്പെടുന്ന ലോകത്തെ കീഴടക്കുമ്പോൾ, ഫ്രോണ്ടിയർ മോഡലുകൾ അറിയപ്പെടാത്ത മേഖലകളിൽ തങ്ങളുടെ സാന്നിധ്യം ഉറപ്പിക്കുന്നു. വരുംകാലങ്ങളിൽ ഇത് ഇരുവിഭാഗത്തിനും ഗുണകരമായ ഒരു ക്രമീകരണമായിരിക്കും.