The open-source AI movement has produced genuinely impressive models. DeepSeek now processes over a third of all tokens flowing through Vercel’s AI gateway. Z.ai’s GLM-5.2 sits comfortably in the platform’s top four by volume. These are not hobbyist projects. They are production-grade systems handling real enterprise workloads at massive scale. Given these numbers, it would be easy to assume that frontier labs like Anthropic are facing an existential threat to their market position.
That assumption misses what is actually happening.
The Real Work of Frontier Models
Decagon CEO Jesse Zhang has proposed a clearer way to understand the split between proprietary and open-source AI. The competition is not a simple race to replace one another. Instead, the two categories serve different phases of a single enterprise lifecycle.
Frontier models function as the discovery layer. When a company begins exploring how AI might change an internal process, the task is almost always poorly defined. The inputs are messy. The desired outputs are vague. Success requires reasoning through ambiguity, handling edge cases the team has not yet catalogued, and adapting to prompts that change by the hour. This is prototyping and proof-of-concept work. It demands the most capable system available, cost be damned, because the alternative is a failed experiment that teaches nothing.
In this phase, an expensive frontier model is not overhead. It is the cost of market research compressed into a few API calls. Once the use case is proven and the workflow is mapped, the nature of the problem shifts. The ambiguity disappears. Inputs become standardized. Prompts stabilize. The task has become routine. At that point, many enterprises migrate the workload to a lighter, cheaper model. Open-source alternatives step in and own the production stage, while frontier models remain stationed at the frontier, handling the next wave of unknown problems.
This is not a theory about how AI should work. It is a description of how budgets are already moving.
When Workloads Move Downmarket
The migration to open source is real, and it is visible in the traffic data. DeepSeek’s surge to over one-third of token volume on Vercel’s infrastructure shows that companies are running enormous quantities of inference through cheaper models. Z.ai’s GLM-5.2 has also carved out a top-four position by handling steady, predictable traffic.
These models excel at tasks that have been tamed. Think of high-volume data extraction from standardized forms, first-pass customer support triage that routes tickets based on obvious keywords, or routine code linting and documentation generation. The prompts are templated. The error modes are understood. The business risk of a bad output is contained. When the work is defined and repetitive, the cost of inference becomes the primary concern. Running that same workload on a six-cent model instead of a premium tier makes immediate financial sense.
But volume is not revenue. The fact that open-source models dominate token counts does not mean they dominate value creation. Token volume measures activity. Token spend measures what companies are willing to pay for irreplaceable capability.
Where the Money Actually Flows
Vercel’s AI gateway data makes the economic split impossible to ignore. Despite DeepSeek’s dominance in raw token traffic, Anthropic continues to capture more than half of the total AI spend on the platform. The gap between activity and expenditure comes down to a staggering price differential.
According to OpenRouter data, Anthropic’s Opus 4.8 costs approximately $1.37 per million tokens. DeepSeek’s V4Flash costs roughly six cents for the same volume. Opus is priced about twenty-three times higher. That multiplier matters more than raw token counts ever could. A development team could move ninety percent of their inference volume to the cheaper model and still see the expensive model account for the majority of their budget.
ही विसंगती योगायोग नाही. ती ही वास्तवता दर्शवते की फ्रंटियर प्रदाते काहीतरी वेगळे विकत आहेत. ते केवळ टोकन्स विकत नाहीत. ते स्थापित नियमावली नसलेल्या समस्यांवर तर्क करण्याची क्षमता विकत आहेत. प्रीमियम दर भरत असलेले उद्योग हे अज्ञानापोटी असे करत नाहीत. ते असे करत आहेत कारण त्यांनी या मॉडेल्सना दिलेली कामे एकतर उच्च-जोखीम असलेली आहेत किंवा संरचनात्मकदृष्ट्या गुंतागुंतीची आहेत. नवीन नियामक जोखमींचे विश्लेषण करणारी कायदेशीर टीम एखादा भ्रामक संदर्भ (hallucinated citation) सहन करू शकत नाही. मल्टि-स्टेप एजेंटिक वर्कफ्लो डिझाइन करणारी उत्पादन टीम मॉडेलने अनेक टप्प्यांमध्ये तर्कसंगत साखळी (chain logic) योग्यरित्या तयार करावी अशी अपेक्षा करते. या परिस्थितींमध्ये अपयशाची किंमत API कॉलच्या खर्चापेक्षा कितीतरी जास्त असते.
भांडवली खर्च (Capital expenditure) त्या थराकडे वाहतो जिथे मूल्य अजूनही निर्माण केले जात आहे, केवळ कार्यान्वित केले जात नाही.
स्थलांतरापेक्षा बाजार वेगाने वाढत आहे
जर ओपन-सोर्स मॉडेल्स इतकी स्वस्त असतील आणि उद्योग सक्रियपणे प्रगल्भ वर्कलोड्स त्यांच्याकडे वळवत असतील, तर फ्रंटियरवरील खर्च का कमी झालेला नाही? याचे उत्तर असे आहे की, एआय (AI) कामांचा एकूण बाजार कोणत्याही एका मॉडेलने कमोडिटाइज करण्यापेक्षा वेगाने विस्तारत आहे.
जेव्हा एखादी कंपनी ओपन-सोर्स पर्यायाद्वारे एखादा अंदाज लावता येण्याजोगा वर्कफ्लो यशस्वीरित्या ऑटोमेट करते, तेव्हा दोन गोष्टी घडतात. पहिले म्हणजे, त्या टीमचा अंमलबजावणीवरील खर्च वाचतो. दुसरे म्हणजे, ती संसाधने आणि ती प्रतिभा अधिक कठीण आणि लगतच्या समस्यांकडे वळवली जाते. नियमित काम आता यंत्रांद्वारे हाताळले जाते, ज्याचा अर्थ असा की मानवी बुद्धिमत्ता आता अनियमित, धोरणात्मक आणि अभूतपूर्व गोष्टींवर लक्ष केंद्रित करू शकते. नवीन शोधलेली समस्या ही जवळजवळ नेहमीच फ्रंटियर मॉडेलच्या तर्कक्षमतेची (reasoning depth) मागणी करते.
ही पद्धत सर्व उद्योगांमध्ये दिसून येते. एक बँक स्वस्त मॉडेल वापरून दस्तऐवज पुनरावलोकन (document review) ऑटोमेट करते आणि त्यानंतर सूक्ष्म निर्णयक्षमतेची आवश्यकता असलेल्या डायनॅमिक रिस्क मॉडेलच्या निर्मितीकडे लक्ष वळवते. एक सॉफ्टवेअर कंपनी टेस्ट जनरेशन ऑटोमेट करते आणि त्यानंतर एक स्वायत्त डीबगिंग एजंट (autonomous debugging agent) तयार करण्याचा प्रयत्न करते, ज्याला वितरित प्रणालींमध्ये (distributed systems) त्रुटींचा मागोवा घ्यावा लागतो. फ्रंटियर सतत पुढे जात आहे. जसा एखादा टास्क कमोडिटी बनतो, तसाच अधिक गुंतागुंतीचा वापर (use case) समोर येतो ज्याला प्रीमियम क्षमतेची आवश्यकता असते.
अनेक एंटरप्राइझ टास्क सध्याच्या ओपन-सोर्स पर्यायांकडे सोपवण्यासाठी खूप संवेदनशील आहेत. वैद्यकीय ट्रायज सपोर्ट (Medical triage support), नियामक तपासणीखालील आर्थिक अंदाज आणि कार्यकारी धोरणात्मक विश्लेषण (executive strategy analysis) यामध्ये असे धोके असतात की, अचूकता आणि विश्वासार्हतेच्या तुलनेत इन्फरन्स खर्च (inference cost) गौण ठरतो. हे वर्कलोड्स एक टिकाऊ प्रीमियम स्तर तयार करतात. याचा परिणाम एक स्थिर दोन-स्तरीय अर्थव्यवस्थेत होतो: गुंतागुंतीचे तर्क आणि शोधासाठी एक उच्च-मार्जिन स्तर, आणि नियमित उत्पादन अंमलबजावणीसाठी एक उच्च-प्रमाण (high-volume) कमोडिटी स्तर.
एंटरप्राइझ खरेदीदारांसाठी याचा अर्थ काय
व्यावहारिक निष्कर्ष असा आहे की, मॉडेलची निवड ही विचारधारेवर नाही, तर कामाच्या परिपक्वतेवर आधारित असावी. तुम्ही प्रवेश करू शकत असलेल्या सर्वात सक्षम फ्रंटियर मॉडेल्सवर नवीन AI ॲप्लिकेशन्स तयार करा आणि त्यांची पडताळणी करा. शोध प्रक्रियेदरम्यान (discovery phase) प्रीमियम किंमत मोजा. मर्यादित मॉडेलवर काम करून, मूल्य सिद्ध करण्यात अपयशी ठरून आणि प्रकल्प सोडून देण्यापेक्षा हे स्वस्त आहे. एकदा इनपुट्स, आउटपुट्स आणि अपयशाचे प्रकार (failure modes) समजले की, त्यानंतर वेगाने ऑप्टिमाइझ करा. स्थिर वर्कलोड ओपन-सोर्स पर्यायाकडे वळवा आणि खर्च वाचवा.
प्रत्येक टास्क एकाच थरात बसवण्याचा प्रयत्न करणे म्हणजे भांडवल वाया घालवणे किंवा क्षमता गमावणे असे आहे. जे कंपन्या हे योग्यरित्या हाताळतील, ते तडजोड म्हणून नाही, तर डीफॉल्टनुसार हायब्रिड आर्किटेक्चरचा वापर करतील.
येथे कथा अशी नाही की ओपन सोर्स हरत आहे किंवा फ्रंटियर लॅब्स अजेय आहेत. तर दोन्ही स्तर वाढत आहेत, परंतु ते वेगवेगळ्या दिशांनी वाढत आहेत. ओपन-सोर्स मॉडेल्स AI कामांच्या ज्ञात जगाला व्यापत आहेत. फ्रंटियर मॉडेल्स अज्ञात क्षेत्रावर आपला दावा ठोकत आहेत. येणाऱ्या काळात, ही दोन्ही बाजूंसाठी एक सोयीस्कर व्यवस्था आहे.