2026 ஜூன் நடுப்பகுதி புள்ளிவிவரங்கள் வந்துவிட்டன, அவை ஒரு தெளிவான பிம்பத்தை உருவாக்குகின்றன. சீன AI மாதிரிகள் தொடர்ச்சியாக பத்து வாரங்களாக டோக்கன் அளவில் (token volume) உலக அளவில் முதலிடத்தைப் பிடித்துள்ளன. இது ஒரு ஒற்றை அளவுகோலில் (benchmark) இருந்து வந்த தற்காலிகச் செய்தி அல்லது ஒரு வைரல் வெளியீட்டினால் ஏற்பட்ட தற்காலிக உயர்வு அல்ல. இது செயற்கை நுண்ணறிவின் உண்மையான வேலை எங்கு நடைபெறுகிறது என்பதைக் காட்டும், வாரக்கணக்கில் நீடிக்கும் ஒரு நிலையான போக்காகும்.
உலகளாவிய வாராந்திர மொத்த டோக்கன் அளவில் 46.7 டிரில்லியன் டோக்கன்களில், சீன மாதிரிகள் 18.81 டிரில்லியனைச் செயலாக்கின. அமெரிக்க மாதிரிகள் 5.76 டிரில்லியனைக் கையாண்டன. இது சீனாவிற்கு 46% மற்றும் அமெரிக்காவிற்கு 13% எனப் பிரிக்கப்படுகிறது. AI பயன்பாட்டை (adoption) அளவிடுவதற்கான மிகவும் உறுதியான அளவுகோல் டோக்கன் அளவு ஆகும். ஒவ்வொரு டோக்கனும் கணக்கீட்டு உழைப்பின் (computational labor) ஒரு உண்மையான அலகைக் குறிக்கிறது—ஆய்வு செய்யப்பட்ட ஒரு வரி குறியீடு (code), பதிலளிக்கப்பட்ட ஒரு வாடிக்கையாளர் கேள்வி, சுருக்கப்பட்ட ஒரு ஆவணம், விவரிக்கப்பட்ட ஒரு படம், அல்லது செயல்படுத்தப்பட்ட ஒரு தர்க்கச் சங்கிலி (reasoning chain). உலகின் AI உழைப்பில் கிட்டத்தட்ட பாதி சீனாவில் உருவாக்கப்பட்ட மாதிரிகள் மூலம் இயங்கும்போது, நாம் உலகளாவிய AI பொருளாதாரத்தின் அடிப்படை மறுசீரமைப்பைக் காண்கிறோம்.
நிறுவனங்களின் இடமாற்றம் வேகமாக நடந்தது
அமெரிக்க நிறுவனங்களுக்குள் ஏற்பட்டுள்ள மாற்றம் மிகத் தீவிரமானது. சீன மாதிரிகளுக்கான அமெரிக்க நிறுவனங்களின் டோக்கன் பயன்பாடு 2025-ல் 4.5%-லிருந்து 2026-ல் 46%-ஆக உயர்ந்தது. பிப்ரவரி 2026 முதல், அந்தப் பங்கு 30%-க்கு மேல் நீடிக்கிறது. இந்த இரண்டு தரவுப் புள்ளிகளும் ஒரு தெளிவான கதையைச் சொல்கின்றன. இது சில ஆர்வமுள்ள பொறியாளர்களால் செய்யப்பட்ட ஆரம்பகால சோதனையல்ல. இது இந்த ஆண்டின் தொடக்கத்தில் ஒரு எல்லையைத் தாண்டி, பின்னோக்கிப் பார்க்காத ஒரு பரந்த, கட்டமைப்பு ரீதியான இடமாற்றமாகும்.
அமெரிக்க வணிகங்கள் ஆரம்பத்தில் சீன மாதிரிகளை ஒரு மாற்றுத் தேர்வாகவோ அல்லது ஒரு ஆர்வத்தைத் தூண்டும் விஷயமாகவோ மட்டுமே கருதின. பின்னர் குழுக்கள் உள்நாட்டுச் செலவு ஒப்பீடுகளைச் செய்யத் தொடங்கின. வழக்கமான பணிகளில் துல்லியத்தை விட்டுக்கொடுக்காமல் மாற்றுவது சாத்தியம் என்பதை அவர்கள் கண்டறிந்தனர். அது தெளிவானவுடன், கொள்முதல் முடிவுகள் விரைவாக எடுக்கப்பட்டன. 46% நிறுவனப் பங்கு என்பது, அமெரிக்க நிறுவனங்களுக்குள் உள்ள AI கணக்கீட்டு பட்ஜெட்டில் (compute budget) கிட்டத்தட்ட பாதி இப்போது பசிபிக் கடலுக்கு அப்பால் உருவாக்கப்பட்ட கட்டமைப்புகளுக்குச் செல்கிறது என்று பொருள்படும். சான் பிரான்சிஸ்கோ மற்றும் பே ஏரியாவைத் (Bay Area) தனது மையப்புள்ளியாகக் கருதி பல ஆண்டுகள் கழித்த ஒரு தொழில்துறைக்கு, இது ஒரு குறிப்பிடத்தக்க மறுசீரமைப்பாகும்.
உண்மையான நிறுவனங்கள், உண்மையான சேமிப்பு
புகழ்பெற்ற நிறுவனங்களின் உறுதியான முடிவுகள் இது எவ்வளவு ஆழமானது என்பதைக் காட்டுகின்றன. கிரிப்டோகரன்சி பரிமாற்ற நிறுவனமான Coinbase, தனது பொறியாளர்களுக்காக GLM-5.2 மற்றும் Kimi K2.7 ஆகியவற்றைத் தேர்ந்தெடுத்தது. இது ஒரு ஆராய்ச்சி ஆய்வகத்தில் புதைந்து கிடந்த முன்னோடித் திட்டம் (pilot program) அல்ல. இந்த மாதிரிகள் உண்மையான டெவலப்பர் பணிப்பாய்வுகளை (workflows)—குறியீடு நிறைவு செய்தல் (code completion), தொழில்நுட்ப ஆவணங்கள், பிழைத்திருத்த உதவி (debugging assistance) மற்றும் உள் கருவிகள் (internal tooling) ஆகியவற்றைச் செயல்படுத்துகின்றன. Coinbase கடுமையான நேரடிச் செயல்பாட்டுத் தேவைகளையும் (uptime requirements) பாதுகாப்பு நிலைகளையும் கொண்டுள்ளது. அதன் பொறியியல் குழு சிறிய லாபத்திற்காக வெளிநாட்டு மாதிரிகளைத் தேர்ந்தெடுக்கவில்லை. அந்த மாதிரிகள் சிறந்த பொருளாதாரச் சிக்கனத்தை வழங்குவதோடு, நிறுவனங்களின் நம்பகத்தன்மைத் தரங்களையும் பூர்த்தி செய்ததால் அவற்றை ஏற்றுக்கொண்டன.
அடுத்து, Anthropic Claude-லிருந்து DeepSeek-V4-க்கு மாறிய அமெரிக்க ஸ்டார்ட்அப் Lindy உள்ளது. இதன் விளைவாக 95% செலவு குறைந்தது மற்றும் மில்லியன் கணக்கான டாலர்கள் சேமிக்கப்பட்டன. ஸ்டார்ட்அப்கள் மிகக் குறைந்த நிதி ஆதாரங்களுடன் (runways) இயங்குகின்றன. இன்ஃபரன்ஸ் (inference) செலவில் 95% குறைப்பு என்பது, பதினெட்டு மாதங்களில் பணம் தீர்ந்து போவதற்கும் அல்லது பல ஆண்டுகளுக்குத் தடையின்றி வளர்வதற்கும் இடையிலான வித்தியாசத்தைக் குறிக்கும். ஆனால் Lindy-யின் இந்த நடவடிக்கை ஒரு பரந்த விஷயத்தையும் உணர்த்துகிறது: DeepSeek-V4 ஒரு உற்பத்திச் சூழலில் (production environment) Claude-க்கு மாற்றாகச் செயல்படும் அளவுக்குச் சிறப்பாகச் செயல்பட்டது. இது ஒரு பட்ஜெட் விருப்பத்திற்குத் தரத்தைக் குறைக்கும் மாற்றம் அல்ல. இது பயன்பாட்டைத் தக்கவைத்துக்கொண்டு, செலவை முற்றிலுமாகத் தகர்த்தெறிந்த ஒரு மாற்றமாகும்.
இந்த இரண்டு உதாரணங்களும் கார்ப்பரேட் உலகின் இரு வேறு துருவங்களில் உள்ளன. Coinbase என்பது இணக்கக் குழுக்கள் (compliance teams) மற்றும் பாரம்பரியக் கட்டமைப்பு (legacy infrastructure) கொண்ட ஒரு பொதுப் பங்கு வர்த்தகத் தொழில்நுட்ப ஜாம்பவான். Lindy என்பது தனது உயிர்வாழ்வைச் சிறந்த AI பொருளாதாரத்தின் மீது பந்தயம் கட்டும் ஒரு ஆரம்பக்கட்ட நிறுவனம். இரண்டுமே ஒரே இடத்திற்கு வந்து சேர்ந்தன. அது நமக்கு ஏதோ ஒன்றை உணர்த்த வேண்டும்.
நடைமுறையில் செயல்திறன் (Efficiency) என்பது உண்மையில் எதைக் குறிக்கிறது
செயல்திறன் தான் இந்தத் தேர்வுகளுக்குக் காரணமாக இருக்கிறது, ஆனால் அது எதைக் குறிக்கிறது என்பதை நாம் துல்லியமாகப் புரிந்துகொள்ள வேண்டும். இது ஒரு டேஷ்போர்டில் (dashboard) குறைந்த API விலையைக் காண்பது போன்ற சாதாரண விஷயம் அல்ல. சீன ஆய்வகங்கள் ஒவ்வொரு கணக்கீட்டுச் சுழற்சியிலிருந்தும் (compute cycle) கணிசமான கூடுதல் செயல்திறனைப் பெறும் இன்ஃபரன்ஸ் கட்டமைப்புகளை (inference architectures) உருவாக்கியுள்ளன. சிறந்த quantization, மேம்படுத்தப்பட்ட attention mechanisms, distilled model variants மற்றும் hardware-aware serving stacks ஆகிய அனைத்தும் இணைந்து டோக்கன் ஒருim செலவைக் குறைக்கின்றன.
அது ஏன் இவ்வளவு முக்கியமானது? ஏனெனில் டோக்கன் அளவு (token volume) நிலையானது அல்ல. ஒரு நிறுவனம் வெற்றிகரமான AI அம்சத்தை உருவாக்கும்போது, அதன் பயன்பாடு கூட்டுத் தன்மையுடன் (compound) அதிகரிக்கும். வாடிக்கையாளர்கள் விரும்பும் காரணத்தால் அடுத்த காலாண்டில் உங்கள் பயன்பாடு பத்து மடங்கு அதிக டோக்கன்களை உருவாக்கினால், உங்கள் உள்கட்டமைப்பு கட்டணமும் அந்த வளர்ச்சியுடன் சேர்ந்து அதிகரிக்கும். வெறும் "மலிவான" மாடல் உதவியாக இருக்கும். ஆனால் தொண்ணூற்று ஐந்து சதவீதம் மலிவான ஒரு மாடல் உங்கள் யூனிட் எகனாமிக்ஸையே (unit economics) முற்றிலும் மாற்றியமைக்கும். இது உங்கள் AI தயாரிப்பு வரி லாபகரமானதா அல்லது நஷ்டத்தை ஏற்படுத்தும் மையமா என்பதைத் தீர்மானிக்கிறது. இது ஸ்டார்ட்அப்கள் ஏற்கனவே உள்ள பெரிய நிறுவனங்களுடன் போட்டியிடவும், அதே சமயம் பெரிய நிறுவனங்கள் அதிக AI திறன்களை வழங்கும் அதே வேளையில் தங்கள் லாப வரம்புகளைப் (margins) பாதுகாக்கவும் அனுமதிக்கிறது.
அமெரிக்க நிறுவனங்கள் இந்த கணக்கீட்டை உணரத் தொடங்கியுள்ளன. டிக்கெட்டுகளைப் பிரித்தல் (routing tickets), மின்னஞ்சல்களைத் தயாரித்தல் (drafting emails), லாக்ஸ்களைப் பகுப்பாய்வு செய்தல் (parsing logs), சோதனைத் தரவுகளை உருவாக்குதல் (generating test cases), கூட்டங்களைச் சுருக்குதல் (summarizing meetings) போன்ற பல உற்பத்திப் பணிகளுக்குச் சந்தையில் உள்ள மிகவும் விலையுயர்ந்த முன்னணி மாடல் (frontier model) தேவையில்லை என்பதை அவர்கள் கண்டறிந்து வருகின்றனர். வணிக மாதிரியைச் செயல்படுத்தக்கூடிய ஒரு செலவு அமைப்பில், போதுமான அளவு திறனுள்ள ஒரு மாடல் அவர்களுக்குத் தேவைப்படுகிறது. சீன நிறுவனங்கள் அந்த இடைவெளியை ஆக்ரோஷமாகப் பிடித்துள்ளன.
பத்து வாரத் தொடர் வெற்றியைப் புரிந்துகொள்ளுதல்
உலகளாவிய டோக்கன் அளவில் முதல் இடத்தில் பத்து வாரங்கள் என்பது AI துறையில் நீண்ட காலமாகும். ஒரு வாரம் என்பது தற்செயலான ஒன்றாக இருக்கலாம். ஆனால் பத்து வாரங்கள் என்பது வேகமான ஒரு போக்கைக் (trend) குறிக்கிறது. இது சீன மாடல்கள் உலகளாவிய நிறுவனங்களுக்குள் "மதிப்பீடு" (evaluation) கட்டத்தைக் கடந்து, "இயல்புநிலை" (default) கட்டத்திற்கு வந்துவிட்டன என்பதைக் காட்டுகிறது. பொறியாளர்கள் அவற்றை வெறும் சோதனை செய்வதோடு நிறுத்தாமல், அவற்றைக் கொண்டு கட்டமைக்கிறார்கள். தயாரிப்பு மேலாளர்கள் அவற்றுக்காக பட்ஜெட்டை ஒதுக்குகிறார்கள். உள்கட்டமைப்பு தொடர்ச்சியான வரிசைப்படுத்தல் குழாய்கள் (continuous deployment pipelines) மற்றும் வாடிக்கையாளர் சார்ந்த அமைப்புகளுடன் ஒருங்கிணைக்கப்படுகிறது.
பிப்ரவரி 2026-ல் ஏற்பட்ட அந்தத் திருப்புமுனை இப்போது திரும்பிப் பார்க்கும்போது சரியாகத் தோன்றுகிறது. DeepSeek-V4, GLM-5.2 மற்றும் Kimi K2.7 போன்ற மாடல்கள் சில காலமாகவே பயன்பாட்டில் இருந்தன, ஆனால் அமெரிக்கக் குழுக்கள் அவற்றை பெரிய அளவில் நம்புவதற்குத் தேவையான உற்பத்தி அனுபவத்தைப் பெற்றபோது, அதாவது 2026 தொடக்க காலத்தில்தான் இந்த மாற்றம் நிகழ்ந்தது போல் தோன்றுகிறது. நம்பிக்கை ஒரு முக்கியமான நிலையைத் தாண்டியவுடன், நிறுவனங்களின் பங்கு 30%-க்கும் மேல் உயர்ந்து தொடர்ந்து அதிகரித்தது. ஜூன் மாத நடுப்பகுதிக்குள், உலகளவில் அமெரிக்க மாடல்களை விட நான்கு மடங்கு அதிக டோக்கன் அளவை சீன மாடல்கள் கையாண்டு வந்தன.
உருவாக்குபவர்களுக்கான முக்கியக் கருத்து
நீங்கள் தயாரிப்புகளை உருவாக்கிக் கொண்டிருந்தாலோ அல்லது பொறியியல் குழுக்களை வழிநடத்திக் கொண்டிருந்தாலோ, இதிலிருந்து கற்றுக்கொள்ள வேண்டிய நடைமுறைப் பாடம் நேரடியானது. மாடல் தரத்தை அதன் இருப்பிடத்துடன் (zip code) ஒப்பிடுவதை நிறுத்துங்கள். உங்கள் குறிப்பிட்ட பணிச்சுமைக்குத் தேவையான சிறந்த கட்டமைப்பு பே ஏரியா (Bay Area) நிறுவனத்திடமிருந்து வராமல் இருக்கலாம். உண்மையான தரவுகளில் உங்கள் சொந்த 'பணிக்கு ஒரு செலவு' (cost-per-task) அளவீடுகளைச் செய்து பாருங்கள். தாமதம் (latency), துல்லியம் (accuracy) மற்றும் விலை ஆகியவற்றை ஒன்றாக அளவிடுங்கள். பயன்பாடு 10 அல்லது 100 மடங்கு அதிகரிக்கும் போது உங்கள் பட்ஜெட்டிற்கு என்னவாகும் என்பதைக் கருத்தில் கொள்ளுங்கள்.
உலகளாவிய AI உள்கட்டமைப்பு அடுக்கு வேகமாக உலகமயமாக்கப்பட்டு வருகிறது. செலவுத் திறன் (Cost efficiency) இப்போது நிறுவனங்களின் பயன்பாட்டை மறுசீரமைக்கும் முதன்மை இயந்திரமாக உள்ளது, மேலும் சீன ஆய்வகங்கள் கடந்த ஒரு ஆண்டாக அந்த அழுத்தத்திற்காகவே தங்களை மேம்படுத்திக் கொண்டுள்ளன. இதன் விளைவாக, உலகின் 46% AI டோக்கன்கள் சீன மாடல்கள் வழியாகப் பாயும் ஒரு சந்தை உருவாகியுள்ளது, மேலும் அமெரிக்க நிறுவனங்களே அந்த நிறுவனப் பயன்பாட்டில் கிட்டத்தட்ட பாதிப் பங்கைக் கொண்டுள்ளன. AI-ன் முக்கியப் பணிகளின் புவியியல் மாறிவிட்டது. எண்கள் பொய் சொல்லாது.
Source: China Dominates Global Token Volume
Optional learning community: GyaanSetu AI on Telegram