AI खर्चामध्ये लाखो डॉलर्स वाचवण्यासाठी Lindy ने Claude ऐवजी DeepSeek चा वापर करण्यास सुरुवात केली

जसा 'एजेंटिक' (agentic) AI प्रणालींचा काळ मोठ्या प्रमाणात टोकन्सचा वापर करू लागला आहे, तसे स्टार्टअप्सना एका कठोर वास्तवाचा सामना करावा लागत आहे: बुद्धिमत्तेचा (intelligence) खर्च वेगाने महसुलापेक्षा वाढू शकतो. AI स्टार्टअप Lindy ने या आर्थिक दबावापासून वाचण्यासाठी Anthropic च्या Claude ला पूर्णपणे सोडून DeepSeek कडे वळण्याचा एक निर्णायक निर्णय घेतला आहे.

फ्रंटियर मॉडेल्सचा (Frontier Models) अदम्य खर्च

अनेक वेगाने वाढणाऱ्या AI स्टार्टअप्ससाठी, लार्ज लँग्वेज मॉडेल्स (LLMs) चालवण्याचा खर्च हा त्यांच्या आर्थिक स्थिरतेसाठी (solvency) मुख्य धोका बनला आहे. केवळ २५ कर्मचाऱ्यांची छोटी टीम असलेल्या Lindy समोर अशी परिस्थिती निर्माण झाली होती की, त्यांचा AI कॉम्प्युट खर्च त्यांच्या कर्मचाऱ्यांच्या खर्चापेक्षाही जास्त झाला होता. CEO Flo Crivello यांनी अलीकडेच CNBC ला सांगितले की, हे खर्च "अदम्य" (unsustainable) झाले असून त्यामुळे व्यवसायाचे अस्तित्व धोक्यात आले आहे.

यावर मात करण्यासाठी, Lindy ने एक मोठा बदल (pivot) केला आणि Claude इकोसिस्टम पूर्णपणे सोडली. DeepSeek कडे स्थलांतरित झाल्यामुळे—ज्याला भू-राजकीय (geopolitical) चिंता कमी करण्यासाठी अमेरिकेत स्थित कंपनीद्वारे अमेरिकेतच होस्ट केले जाते—स्टार्टअपचा खर्च प्रचंड प्रमाणात कमी झाला, ज्यामुळे लाखो डॉलर्सची बचत झाली.

किंमत-कार्यक्षमता (Price-Performance Efficiency) वाढीचा उदय

Lindy चा हा निर्णय केवळ मॉडेलच्या क्षमतेपेक्षा "किंमत-कार्यक्षमता" (price-performance) ऑप्टिमायझेशनकडे उद्योगातील व्यापक बदलाचे प्रतिबिंब आहे. जरी Claude आणि GPT-4 सारखी फ्रंटियर मॉडेल्स तर्कशक्तीसाठी (reasoning) सुवर्णमानक (gold standard) मानली जात असली, तरी त्यांची किंमत खूप जास्त आहे, जी वेगाने वाढणाऱ्या स्टार्टअप्ससाठी टिकवून ठेवणे कठीण आहे.

उद्योग तज्ज्ञ या बदलाला मान्यता देऊ लागले आहेत. Snowflake च्या CTO यांनी केलेल्या अलीकडील विश्लेषणात नमूद केले आहे की, जरी GLM-5.2 सारखी काही चिनी मॉडेल्स प्रत्येक बेंचमार्कमध्ये Claude पेक्षा सरस नसली, तरी ती अत्यंत स्पर्धात्मक आहेत आणि अनेकदा विशिष्ट कामांच्या किंमत-कार्यक्षमता गुणोत्तरामध्ये (price-performance ratio) आघाडीवर असतात. जसे कंपन्या 'एजेंटिक वर्कफ्लो' (agentic workflows) कडे वळत आहेत—जिथे AI एजंट स्वायत्तपणे बहु-स्तरीय कामे करतात—तेथे लागणाऱ्या टोकन्सच्या प्रचंड प्रमाणामुळे उच्च-खर्च असलेली मॉडेल्स मालमत्तेऐवजी ओझे (liability) ठरत आहेत.

AI क्षेत्र आणि Anthropic साठी याचे परिणाम

ही घडामोड Anthropic सारख्या मॉडेल पुरवठादारांसाठी एक इशारा आहे. OpenAI चे Sam Altman यांनी मान्य केल्याप्रमाणे, एजेंटिक प्रणालींकडे होणारे संक्रमण उद्योगांसाठी AI खर्च हा एक "मोठा मुद्दा" बनवत आहे. जर फ्रंटियर मॉडेल पुरवठादारांनी त्यांच्या किंमत संरचनेवर (pricing structures) लक्ष दिले नाही, तर त्यांना अधिक कार्यक्षम, विशेष किंवा स्वस्त पर्यायांकडे मोठा बाजार हिस्सा गमवावा लागू शकतो.

Crivello यांनी नमूद केले की DeepSeek वापरण्याचा निर्णय कायमस्वरूपी नाही; त्यांनी असेही म्हटले की जर कंपनीने त्यांच्या किमती लक्षणीयरीत्या कमी केल्या तर ते पुन्हा Anthropic कडे वळतील. सध्या तरी, Lindy आणि तत्सम स्टार्टअप्ससाठी प्राधान्य म्हणजे अशा बाजारपेठेत कार्यात्मक अस्तित्व टिकवून ठेवणे, जिथे बुद्धिमत्तेचा खर्च हा व्यावसायिक धोरणाचा मुख्य आधार बनत आहे.

मुख्य निष्कर्ष

  • खर्च-आधारित स्थलांतर: Lindy सारखे AI स्टार्टअप्स कॉम्प्युट खर्च कर्मचाऱ्यांच्या खर्चापेक्षा जास्त होऊ नये म्हणून Claude सारख्या प्रीमियम मॉडेल्सकडून DeepSeek सारख्या अधिक परवडणाऱ्या पर्यायांकडे वळत आहेत.
  • एजेंटिक टोकन संकट: एजेंटिक AI प्रणालींचा उदय, ज्यांना मोठ्या प्रमाणात टोकन्सची आवश्यकता असते, उच्च किंमत-कार्यक्षमता (price-performance efficiency) असलेल्या मॉडेल्सची मागणी वाढवत आहे.
  • पुरवठादारांवर बाजारपेठेचा दबाव: डेव्हलपर्स आता केवळ सर्वोच्च कामगिरीपेक्षा शाश्वत युनिट इकॉनॉमिक्सना (unit economics) प्राधान्य देत असल्याने, फ्रंटियर मॉडेल कंपन्यांवर किमती कमी करण्यासाठी वाढता दबाव येत आहे.