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.

ความแตกต่างนี้ไม่ใช่เรื่องบังเอิญ แต่มันสะท้อนถึงความจริงที่ว่าผู้ให้บริการโมเดลระดับ frontier กำลังขายสิ่งที่แตกต่างออกไป พวกเขาไม่ได้ขายแค่โทเคน แต่พวกเขากำลังขายความสามารถในการใช้เหตุผลเพื่อแก้ปัญหาที่ยังไม่มีแนวทางปฏิบัติที่ชัดเจน องค์กรที่ยอมจ่ายในราคาพรีเมียมไม่ได้ทำไปเพราะความไม่รู้ แต่เป็นเพราะงานที่พวกเขามอบหมายให้โมเดลเหล่านี้เป็นงานที่มีความเสี่ยงสูงหรือมีความซับซ้อนเชิงโครงสร้าง ทีมกฎหมายที่กำลังวิเคราะห์ความเสี่ยงด้านกฎระเบียบใหม่ๆ ไม่สามารถยอมรับการอ้างอิงที่เกิดจากการหลอน (hallucinated citation) ได้ ทีมผลิตภัณฑ์ที่กำลังออกแบบเวิร์กโฟลว์แบบเอเจนต์ (agentic workflow) หลายขั้นตอน จำเป็นต้องให้โมเดลสามารถเชื่อมโยงตรรกะผ่านการโต้ตอบหลายรอบได้อย่างถูกต้อง ต้นทุนของความผิดพลาดในสถานการณ์เหล่านี้สูงกว่าค่าใช้จ่ายในการเรียกใช้ API มากนัก

รายจ่ายฝ่ายทุนจะไหลไปสู่เลเยอร์ที่ยังมีการสร้างมูลค่า ไม่ใช่แค่เลเยอร์ที่ทำหน้าที่เพียงแค่การประมวลผลตามคำสั่ง

ตลาดเติบโตเร็วกว่าการเปลี่ยนผ่าน

หากโมเดลโอเพนซอร์ส (open-source) มีราคาถูกกว่ามาก และองค์กรต่างๆ กำลังเปลี่ยนถ่ายเวิร์กโหลดที่เสถียรแล้วไปใช้โมเดลเหล่านั้นอย่างจริงจัง แล้วทำไมการใช้จ่ายในกลุ่มโมเดลระดับ frontier ถึงไม่ลดฮวบลง? คำตอบคือ ตลาดรวมของงาน AI ที่สามารถเข้าถึงได้นั้นกำลังขยายตัวเร็วกว่าที่โมเดลใดโมเดลหนึ่งจะทำให้มันกลายเป็นสินค้าโภคภัณฑ์ (commoditize) ได้

ทุกครั้งที่บริษัทสามารถเปลี่ยนเวิร์กโฟลว์ที่คาดเดาได้ให้เป็นระบบอัตโนมัติด้วยทางเลือกแบบโอเพนซอร์สได้สำเร็จ จะเกิดสิ่งสองอย่างขึ้น ประการแรก ทีมนั้นจะประหยัดเงินในส่วนของการประมวลผล ประการที่สอง ทรัพยากรและบุคลากรเหล่านั้นจะถูกเปลี่ยนทิศทางไปสู่ปัญหาที่ยากขึ้นและเกี่ยวเนื่องกัน งานประจำวันจะถูกจัดการโดยเครื่องจักร ซึ่งหมายความว่ามนุษย์สามารถไปโฟกัสกับงานที่ไม่เป็นระบบ งานเชิงกลยุทธ์ และงานที่ไม่เคยเกิดขึ้นมาก่อนได้ ซึ่งปัญหาที่เพิ่งถูกค้นพบใหม่นี้มักจะต้องการความลึกซึ้งในการใช้เหตุผลของโมเดลระดับ frontier เสมอ

รูปแบบนี้เกิดขึ้นซ้ำๆ ในทุกอุตสาหกรรม ธนาคารเปลี่ยนการตรวจสอบเอกสารให้เป็นระบบอัตโนมัติโดยใช้โมเดลราคาถูก จากนั้นจึงหันไปให้ความสำคัญกับการสร้างโมเดลความเสี่ยงแบบไดนามิกที่ต้องใช้การตัดสินใจที่ละเอียดอ่อน บริษัทซอฟต์แวร์เปลี่ยนการสร้างชุดทดสอบ (test generation) ให้เป็นระบบอัตโนมัติ จากนั้นจึงพยายามสร้างเอเจนต์ช่วยดีบั๊กอัตโนมัติ (autonomous debugging agent) ที่ต้องสามารถไล่สายความผิดพลาดผ่านระบบแบบกระจายตัว (distributed systems) ได้ ระดับ frontier จะก้าวหน้าต่อไป เมื่อใดก็ตามที่งานหนึ่งกลายเป็นสินค้าโภคภัณฑ์ งานที่ซับซ้อนกว่าก็จะปรากฏขึ้นและต้องการความสามารถระดับพรีเมียม

งานระดับองค์กรจำนวนมากยังคงมีความละเอียดอ่อนเกินกว่าจะส่งต่อให้โมเดลโอเพนซอร์สในปัจจุบัน การสนับสนุนการคัดกรองผู้ป่วย (medical triage), การพยากรณ์ทางการเงินภายใต้การตรวจสอบของหน่วยงานกำกับดูแล และการวิเคราะห์กลยุทธ์ของผู้บริหาร ล้วนมีความเสี่ยงด้านลบที่ทำให้ค่าใช้จ่ายในการประมวลผล (inference cost) กลายเป็นเรื่องรองเมื่อเทียบกับความแม่นยำและความน่าเชื่อถือ เวิร์กโหลดเหล่านี้สร้างกลุ่มตลาดระดับพรีเมียมที่ยั่งยืน ผลลัพธ์ที่ได้คือระบบเศรษฐกิจแบบสองระดับที่มั่นคง: เลเยอร์ที่มีมาร์จิ้นสูงสำหรับการใช้เหตุผลที่ซับซ้อนและการค้นพบสิ่งใหม่ และเลเยอร์สินค้าโภคภัณฑ์ที่มีปริมาณงานสูงสำหรับการประมวลผลงานประจำวัน

สิ่งนี้หมายถึงอะไรสำหรับผู้ซื้อในระดับองค์กร

บทเรียนที่นำไปใช้ได้จริงคือ การเลือกโมเดลควรเป็นไปตามความพร้อมของงาน ไม่ใช่ตามอุดมการณ์ จงสร้างและทดสอบแอปพลิเคชัน AI ใหม่ด้วยโมเดลระดับ frontier ที่มีความสามารถสูงสุดเท่าที่คุณจะเข้าถึงได้ จงยอมจ่ายราคาพรีเมียมในช่วงของการค้นคว้าและทดลอง (discovery) เพราะมันถูกกว่าการสร้างบนโมเดลที่มีข้อจำกัดแล้วล้มเหลวในการพิสูจน์คุณค่าจนต้องทิ้งโครงการไป เมื่อทราบอินพุต เอาต์พุต และรูปแบบความผิดพลาด (failure modes) ที่ชัดเจนแล้ว จึงค่อยเริ่มทำการเพิ่มประสิทธิภาพ (optimize) อย่างจริงจัง โดยการย้ายเวิร์กโหลดที่เสถียรแล้วไปยังทางเลือกแบบโอเพนซอร์สเพื่อรับผลประโยชน์จากการประหยัดต้นทุน

การพยายามบังคับให้ทุกงานอยู่ในระดับเดียวคือสูตรสำเร็จของการสูญเสียเงินทุนหรือการพลาดโอกาสในการใช้ความสามารถที่เหมาะสม บริษัทที่จัดการเรื่องนี้ได้อย่างถูกต้องจะใช้สถาปัตยกรรมแบบไฮบริด (hybrid architectures) เป็นค่าเริ่มต้น ไม่ใช่ใช้เพราะความจำเป็นในการประนีประนอม

เรื่องราวในที่นี้ไม่ใช่ว่าโอเพนซอร์สกำลังแพ้ หรือห้องแล็บระดับ frontier นั้นไร้เทียมทาน แต่มันคือการที่ทั้งสองระดับกำลังเติบโต แต่เติบโตไปในทิศทางที่ต่างกัน โมเดลโอเพนซอร์สกำลังกลืนกินโลกของงาน AI ที่เรารู้จักอยู่แล้ว ส่วนโมเดลระดับ frontier กำลังปักหมุดในโลกที่ยังไม่รู้จัก สำหรับอนาคตอันใกล้ นี่คือการจัดสรรที่ลงตัวสำหรับทั้งสองฝ่าย