Gerakan AI sumber terbuka telah menghasilkan model yang benar-benar mengagumkan. DeepSeek kini memproses lebih daripada sepertiga daripada semua token yang mengalir melalui gerbang AI Vercel. GLM-5.2 daripada Z.ai berada dengan selesa dalam empat teratas platform tersebut mengikut volum. Ini bukan projek hobi. Ia adalah sistem gred pengeluaran yang mengendalikan beban kerja perusahaan sebenar pada skala yang besar. Memandangkan angka-angka ini, mudah untuk mengandaikan bahawa makmal perintis seperti Anthropic sedang menghadapi ancaman eksistensial terhadap kedudukan pasaran mereka.

Andaian tersebut terlepas pandang apa yang sebenarnya sedang berlaku.

Kerja Sebenar Model Perintis

CEO Decagon, Jesse Zhang, telah mencadangkan cara yang lebih jelas untuk memahami pembahagian antara AI proprietari dan sumber terbuka. Persaingan ini bukanlah perlumbaan mudah untuk saling menggantikan. Sebaliknya, kedua-dua kategori tersebut memenuhi fasa yang berbeza dalam satu kitaran hayat perusahaan.

Model perintis berfungsi sebagai lapisan penemuan. Apabila sesebuah syarikat mula meneroka bagaimana AI boleh mengubah proses dalaman, tugasan tersebut hampir sentiasa tidak ditakrifkan dengan baik. Inputnya tidak teratur. Output yang diingini adalah kabur. Kejayaan memerlukan penaakulan melalui kekaburan, mengendalikan kes terpinggir yang belum dikatalogkan oleh pasukan, dan menyesuaikan diri dengan arahan yang berubah setiap jam. Ini adalah kerja prototaip dan bukti konsep. Ia memerlukan sistem yang paling berkemampuan yang ada, tanpa menghiraukan kos, kerana alternatifnya adalah eksperimen gagal yang tidak memberi sebarang pengajaran.

Dalam fasa ini, model perintis yang mahal bukanlah kos sampingan. Ia adalah kos penyelidikan pasaran yang dimampatkan ke dalam beberapa panggilan API. Sebaik sahaja kes penggunaan terbukti dan aliran kerja dipetakan, sifat masalah tersebut berubah. Kekaburan hilang. Input menjadi standard. Arahan menjadi stabil. Tugasan tersebut telah menjadi rutin. Pada ketika itu, banyak perusahaan memindahkan beban kerja ke model yang lebih ringan dan lebih murah. Alternatif sumber terbuka mengambil alih dan menguasai peringkat pengeluaran, manakala model perintis kekal di barisan hadapan, mengendalikan gelombang masalah tidak diketahui yang seterusnya.

Ini bukan teori tentang bagaimana AI sepatutnya berfungsi. Ia adalah gambaran tentang bagaimana bajet sedang bergerak sekarang.

Apabila Beban Kerja Beralih ke Pasaran Massa

Migrasi ke sumber terbuka adalah nyata, dan ia dapat dilihat dalam data trafik. Lonjakan DeepSeek kepada lebih satu pertiga daripada volum token pada infrastruktur Vercel menunjukkan bahawa syarikat-syarikat menjalankan kuantiti inferens yang sangat besar melalui model yang lebih murah. GLM-5.2 daripada Z.ai juga telah mengukuhkan kedudukan empat teratas dengan mengendalikan trafik yang stabil dan boleh diramal.

Model-model ini cemerlang dalam tugasan yang telah dikawal. Fikirkan tentang pengekstrakan data volum tinggi daripada borang standard, triaj sokongan pelanggan peringkat pertama yang menyalurkan tiket berdasarkan kata kunci yang jelas, atau pembersihan kod rutin dan penjanaan dokumentasi. Arahan adalah berasaskan templat. Mod ralat difahami. Risiko perniagaan daripada output yang buruk dapat dikawal. Apabila kerja telah ditakrifkan dan berulang, kos inferens menjadi kebimbangan utama. Menjalankan beban kerja yang sama pada model berharga enam sen berbanding tahap premium adalah langkah yang masuk akal dari segi kewangan dengan segera.

Tetapi volum bukanlah hasil. Hakikat bahawa model sumber terbuka mendominasi jumlah token tidak bermakna mereka mendominasi penciptaan nilai. Volum token mengukur aktiviti. Perbelanjaan token mengukur apa yang sanggup dibayar oleh syarikat untuk keupayaan yang tidak boleh diganti.

Ke Mana Aliran Wang Sebenarnya

Data gerbang AI Vercel menjadikan pembahagian ekonomi mustahil untuk diabaikan. Walaupun DeepSeek mendominasi trafik token mentah, Anthropic terus merangkumi lebih daripada separuh daripada jumlah perbelanjaan AI di platform tersebut. Jurang antara aktiviti dan perbelanjaan berpunca daripada perbezaan harga yang sangat ketara.

Menurut data OpenRouter, Opus 4.8 milik Anthropic menelan kos kira-kira $1.37 bagi setiap satu juta token. V4Flash daripada DeepSeek menelan kos kira-kira enam sen untuk volum yang sama. Opus berharga kira-kira dua puluh tiga kali ganda lebih tinggi. Pendarab tersebut lebih penting daripada jumlah token mentah. Sebuah pasukan pembangunan boleh memindahkan sembilan puluh peratus daripada volum inferens mereka ke model yang lebih murah dan masih melihat model yang mahal itu merangkumi sebahagian besar bajet mereka.

Percanggahan ini bukan satu kebetulan. Ia mencerminkan realiti bahawa pembekal frontier menjual sesuatu yang berbeza. Mereka bukan sekadar menjual token. Mereka menjual keupayaan untuk menaakul masalah yang tidak mempunyai panduan sedia ada. Perusahaan yang membayar kadar premium tidak melakukannya kerana kejahilan. Mereka melakukannya kerana tugas yang diberikan kepada model ini sama ada berisiko tinggi atau kompleks secara struktur. Pasukan undang-undang yang menganalisis pendedahan kawal selia baharu tidak boleh bertoleransi dengan petikan yang dihalusinasi. Pasukan produk yang mereka bentuk aliran kerja ejen (agentic workflow) berbilang langkah memerlukan model untuk merangka logik dengan betul merentasi beberapa pusingan. Kos kegagalan dalam senario ini jauh melebihi kos panggilan API.

Perbelanjaan modal mengalir ke arah lapisan di mana nilai masih dicipta, bukan sekadar dilaksanakan.

Pasaran Berkembang Lebih Pantas Daripada Migrasi

Jika model sumber terbuka jauh lebih murah, dan perusahaan secara aktif mengalihkan beban kerja matang kepada model tersebut, mengapa perbelanjaan frontier tidak runtuh? Jawapannya ialah jumlah pasaran tugas AI yang boleh ditangani berkembang lebih pantas daripada mana-mana model tunggal yang boleh menjadikannya sebagai komoditi.

Setiap kali sesebuah syarikat berjaya mengautomasikan aliran kerja yang boleh diramal dengan alternatif sumber terbuka, dua perkara berlaku. Pertama, pasukan tersebut menjimatkan wang dalam pelaksanaan. Kedua, sumber dan bakat tersebut dialihkan ke arah masalah berkaitan yang lebih sukar. Kerja rutin kini dikendalikan oleh mesin, yang bermaksud manusia boleh fokus pada perkara yang tidak menentu, strategik, dan belum pernah berlaku sebelum ini. Masalah yang baru ditemui hampir sentiasa memerlukan kedalaman penaakulan model frontier.

Corak ini berulang merentasi pelbagai industri. Sebuah bank mengautomasikan semakan dokumen menggunakan model murah, kemudian mengalihkan perhatiannya untuk membina model risiko dinamik yang memerlukan pertimbangan halus. Sebuah firma perisian mengautomasikan penjanaan ujian, kemudian cuba membina ejen penyahpepijatan autonomi yang mesti menjejaki ralat merentasi sistem teragih. Sempadan frontier terus maju. Sebaik sahaja satu tugas menjadi komoditi, kes penggunaan yang lebih kompleks muncul yang menuntut keupayaan premium.

Banyak tugas perusahaan juga kekal terlalu sensitif untuk diserahkan kepada generasi alternatif sumber terbuka semasa. Sokongan triaj perubatan, ramalan kewangan di bawah penelitian kawal selia, dan analisis strategi eksekutif membawa risiko ke bawah yang menjadikan kos inferens tidak relevan berbanding ketepatan dan kebolehpercayaan. Beban kerja ini mewujudkan peringkat premium yang tahan lama. Hasilnya ialah ekonomi dua peringkat yang stabil: lapisan margin tinggi untuk penaakulan kompleks dan penemuan, serta lapisan komoditi volum tinggi untuk pelaksanaan pengeluaran rutin.

Apa Maknanya Bagi Pembeli Perusahaan

Pengajaran praktikalnya ialah pemilihan model harus mengikut kematangan kerja, bukan ideologi. Bina dan sahkan aplikasi AI baharu pada model frontier paling berkemampuan yang boleh anda akses. Bayar harga premium semasa fasa penemuan. Ia lebih murah daripada membina pada model yang terhad, gagal membuktikan nilai, dan kemudian meninggalkan projek tersebut. Sebaik sahaja input, output, dan mod kegagalan diketahui, barulah optimumkan secara agresif. Pindahkan beban kerja yang stabil ke alternatif sumber terbuka dan ambil penjimatan kos tersebut.

Cuba memaksa setiap tugas ke dalam satu peringkat sahaja adalah resipi untuk pembaziran modal atau kehilangan keupayaan. Syarikat yang mengemudi perkara ini dengan betul akan menjalankan seni bina hibrid secara lalai, bukan sebagai satu kompromi.

Ceritanya di sini bukanlah sumber terbuka sedang kalah, atau makmal frontier tidak boleh dikalahkan. Ia adalah kedua-dua peringkat sedang berkembang, tetapi mereka berkembang ke arah yang berbeza. Model sumber terbuka sedang menelan dunia tugas AI yang sudah diketahui. Model frontier sedang menuntut hak ke atas perkara yang tidak diketahui. Untuk masa depan yang boleh diramalkan, itu adalah aturan yang selesa bagi kedua-duanya.