Harakati za AI za chanzo huru (open-source) zimezalisha mifumo ya kuvutia kweli. DeepSeek sasa inachakata zaidi ya thuluthi moja ya tokeni zote zinazopita kwenye lango la AI la Vercel. GLM-5.2 ya Z.ai imetulia vizuri katika nafasi nne za juu za jukwaa hilo kwa kiasi cha matumizi. Haya si miradi ya wapenzi tu. Ni mifumo ya kiwango cha uzalishaji inayoshughulikia kazi kubwa za kampuni kwa kiwango kikubwa sana. Kutokana na namba hizi, ingekuwa rahisi kudhani kwamba maabara za kisasa (frontier labs) kama Anthropic zinakabiliwa na tishio la kuwepo kwa nafasi yao sokoni.

Dhana hiyo inakosa kile kinachotokea hasa.

Kazi Halisi ya Mifumo ya Kisasa (Frontier Models)

Afisa Mtendaji Mkuu wa Decagon, Jesse Zhang, amependekeza njia ya wazi zaidi ya kuelewa mgawanyo kati ya AI ya umiliki binafsi (proprietary) na ile ya chanzo huru (open-source). Ushindani huu si mbio rahisi za kuchukuliwa nafasi na mwingine. Badala yake, makundi haya mawili yanahudumia hatua tofauti za mzunguko mmoja wa maisha ya kampuni.

Mifumo ya kisasa (frontier models) hufanya kazi kama tabaka la ugunduzi. Kampuni inapozianza kuchunguza jinsi AI inavyoweza kubadilisha mchakato wa ndani, kazi hiyo mara nyingi huwa haijaainishwa vizuri. Data zinazoingizwa (inputs) ni zilizochanganyika. Matokeo yanayohitajika ni ya utata. Mafanikio yanahitaji uwezo wa kufikiri kupitia utata, kushughulikia hali zisizotabirika ambazo timu bado haijaainisha, na kukabiliana na maelekezo (prompts) yanayobadilika kila saa. Hii ni kazi ya kutengeneza mifano ya awali (prototyping) na kuthibitisha dhana (proof-of-concept). Inahitaji mfumo wenye uwezo mkubwa zaidi unaopatikana, bila kujali gharama, kwa sababu mbadala wake ni jaribio lililofeli ambalo halifundishi chochote.

Katika hatua hii, mfumo ghali wa kisasa si gharama ya ziada isiyo na lazima. Ni gharama ya utafiti wa soko iliyofupishwa katika mawasiliano machache ya API. Mara tu matumizi yanapothibitishwa na mtiririko wa kazi unapopangwa, asili ya tatizo inabadilika. Utata huisha. Data zinazoingizwa zinakuwa sanifu. Maelekezo (prompts) yanatulia. Kazi inakuwa ya kawaida. Katika hatua hiyo, kampuni nyingi huhamishia kazi hiyo kwenye mfumo mwepesi na rahisi zaidi. Mifumo mbadala ya chanzo huru huingia na kuchukua hatua ya uzalishaji, wakati mifumo ya kisasa inabaki kwenye mstari wa mbele, ikishughulikia wimbi lijalo la matatizo yasiyojulikana.

Hii si nadharia kuhusu jinsi AI inavyopaswa kufanya kazi. Ni maelezo ya jinsi bajeti zinavyohamia tayari.

Wakati Kazi Zinapohamia Katika Soko la Chini

Uhamiaji kwenda kwenye chanzo huru ni wa kweli, na unaonekana katika data za trafiki. Ongezeko la DeepSeek hadi zaidi ya thuluthi moja ya kiasi cha tokeni kwenye miundombinu ya Vercel linaonyesha kuwa kampuni zinakimbiza kiasi kik

Tofauti hii si ajali. Inaakisi ukweli kwamba watoa huduma wa kilele (frontier providers) wanauza kitu tofauti. Hawauzi tokeni tu. Wanauza uwezo wa kutatua matatizo ambayo hayana miongozo iliyojulikana. Makampuni yanayolipa bei ya juu hayafanyi hivyo kwa ujinga. Yanafanya hivyo kwa sababu kazi wanazozipa mifano hii ni ama zenye hatari kubwa au ni ngumu kimuundo. Timu ya kisheria inayochambua hatari mpya za kisheria haiwezi kuvumilia marejeo ya uongo. Timu ya bidhaa inayounda mchakato wa agentic wa hatua nyingi inahitaji mfano huo uunganishe mantiki kwa usahihi katika mizunguko kadhaa. Gharama ya kushindwa katika mazingira haya inazidi sana gharama ya API call.

Matumizi ya mtaji yanaelekea kwenye tabaka ambapo thamani bado inatengenezwa, siyo tu kutekelezwa.

Soko Linakua Haraka Zaidi Kuliko Uhamiaji

Ikiwa mifano ya chanzo huru (open-source) ni rahisi zaidi, na makampuni yanahamisha kazi zilizokomaa kwenda kwao kwa bidii, kwa nini matumizi ya kilele hayajaporomoka? Jibu ni kwamba soko lote la kazi za AI zinazoweza kushughulikiwa linakua haraka kuliko mfano wowote mmoja unaoweza kuzifanya kuwa bidhaa za kawaida.

Kila wakati kampuni inapofanikiwa kuweka mchakato unaotabirika katika otomatiki kwa kutumia mbadala wa chanzo huru, mambo mawili hutokea. Kwanza, timu hiyo inaokoa pesa kwenye utekelezaji. Pili, rasilimali na vipaji hivyo vinaelekezwa kwenye matatizo magumu zaidi yanayokaribiana na hayo. Kazi za kawaida sasa zinashughulikiwa na mashine, kumaanisha kuwa binadamu wanaweza kuzingatia mambo yasiyo ya kawaida, ya kimkakati, na yasiyojulikana hapo awali. Tatizo jipya linalogunduliwa mara nyingi linahitaji kina cha mantiki cha mfano wa kilele.

Mtindo huu unajirudia katika viwanda mbalimbali. Benki huweka mapitio ya nyaraka katika otomatiki kwa kutumia mfano rahisi, kisha inaelekeza umakini wake katika kujenga mfano wa hatari unaobadilika unaohitaji uamuzi wenye uelewa wa kina. Kampuni ya programu huweka uundaji wa majaribio katika otomatiki, kisha inajaribu kujenga wakala wa kurekebisha makosa (debugging agent) wa kiotomatiki ambaye lazima afuatilie makosa katika mifumo iliyosambazwa. Kilele kinaendelea kusonga mbele. Mara tu kazi moja inapokuwa bidhaa ya kawaida, matumizi magumu zaidi yanatokea yanayohitaji uwezo wa hali ya juu.

Kazi nyingi za makampuni pia zinabaki kuwa nyeti sana kupewa kizazi cha sasa cha mbadala wa chanzo huru. Upatanishi wa matibabu (medical triage), utabiri wa kifedha chini ya ukaguzi wa kisheria, na uchambuzi wa mkakati wa uongozi hubeba hatari zinazofanya gharama ya inference isiwe muhimu ikilinganishwa na usahihi na uaminifu. Kazi hizi zinatengeneza tabaka la juu la kudumu. Matokeo yake ni uchumi imara wa tabaka mbili: tabaka lenye faida kubwa kwa ajili ya mantiki tata na ugunduzi, na tabaka la bidhaa nyingi za kawaida kwa ajili ya utekelezaji wa kazi za kila siku.

Hii Inamaanisha Nini kwa Wanunuzi wa Makampuni

Funzo la vitendo ni kwamba uteuzi wa mfano unapaswa kufuata ukomaavu wa kazi, siyo itikadi. Jenga na thibitisha programu mpya za AI kwa kutumia mifano ya kilele yenye uwezo mkubwa zaidi unayoweza kupata. Lipa bei ya juu wakati wa ugunduzi. Ni rahisi kuliko kujenga kwenye mfano wenye ukomo, kushindwa kuthibitisha thamani, na kuacha mradi. Mara tu ingizo, toleo, na njia za kushindwa zinapojulikana, kisha boresha kwa nguvu. Hamisha kazi iliyokomaa kwenda kwenye mbadala wa chanzo huru na upate akiba ya gharama.

Kujaribu kulazimisha kila kazi katika tabaka moja ni njia ya kupoteza mtaji au kupoteza uwezo. Makampuni yanayopita katika mchakato huu kwa usahihi yataendesha miundo mseto (hybrid architectures) kwa asili, si kama suluhisho la dharura.

Simulizi hapa si kwamba chanzo huru kinashindwa, au kwamba maabara za kilele haziwezi kushindwa. Ni kwamba tabaka zote mbili zinakua, lakini zinakua katika pande tofauti. Mifano ya chanzo huru inameza ulimwengu unaojulikana wa kazi za AI. Mifano ya kilele inadai maeneo yasiyojulikana. Kwa wakati ujao unaotazama, hiyo ni mpangilio mzuri kwa zote mbili.