اوپن سورس AI تحریک نے واقعی متاثر کن ماڈلز تیار کیے ہیں۔ DeepSeek اب Vercel کے AI gateway کے ذریعے بہنے والے تمام ٹوکنز کے ایک تہائی سے زیادہ حصے کو پروسیس کرتا ہے۔ Z.ai کا GLM-5.2 والیوم کے لحاظ سے پلیٹ فارم کے ٹاپ چار میں آرام سے شامل ہے۔ یہ محض شوقیہ پروجیکٹس نہیں ہیں۔ یہ پروڈکشن گریڈ سسٹمز ہیں جو بڑے پیمانے پر حقیقی کاروباری ورک لوڈز کو سنبھال رہے ہیں۔ ان اعداد و شمار کو دیکھتے ہوئے، یہ فرض کرنا آسان ہوگا کہ Anthropic جیسے فرنٹیر لیبز کو اپنی مارکیٹ پوزیشن کے لیے وجودی خطرے کا سامنا ہے۔
یہ مفروضہ اس حقیقت سے نظر انداز کرتا ہے کہ اصل میں کیا ہو رہا ہے۔
فرنٹیر ماڈلز کا اصل کام
Decagon کے CEO Jesse Zhang نے ملکیتی (proprietary) اور اوپن سورس AI کے درمیان فرق کو سمجھنے کا ایک واضح طریقہ تجویز کیا ہے۔ یہ مقابلہ ایک دوسرے کو بدلنے کی محض ایک دوڑ نہیں ہے۔ اس کے بجائے، یہ دونوں کیٹیگریز ایک ہی کاروباری لائف سائیکل کے مختلف مراحل میں کام کرتی ہیں۔
فرنٹیر ماڈلز بطور 'ڈسکوری لیئر' (discovery layer) کام کرتے ہیں۔ جب کوئی کمپنی اس بات کی تلاش شروع کرتی ہے کہ AI کس طرح ایک اندرونی عمل کو تبدیل کر سکتا ہے، تو کام تقریباً ہمیشہ غیر واضح ہوتا ہے۔ ان پٹس بے ترتیب ہوتے ہیں۔ مطلوبہ آؤٹ پٹس مبہم ہوتے ہیں۔ کامیابی کے لیے ابہام کے ذریعے استدلال کرنے، ان کیسز کو سنبھالنے کی ضرورت ہوتی ہے جنہیں ٹیم نے ابھی تک فہرست میں شامل نہیں کیا، اور ان پرامپٹس کے مطابق ڈھلنے کی ضرورت ہوتی ہے جو گھنٹوں میں بدلتے رہتے ہیں۔ یہ پروٹو ٹائپنگ اور پروف آف کانسیپٹ کا کام ہے۔ اس کے لیے دستیاب سب سے زیادہ قابل سسٹم کی ضرورت ہوتی ہے، چاہے اس کی قیمت کچھ بھی ہو، کیونکہ متبادل ایک ناکام تجربہ ہے جس سے کچھ نہیں سیکھنے کو ملتا۔
اس مرحلے میں، ایک مہنگا فرنٹیر ماڈل اضافی بوجھ (overhead) نہیں ہے۔ یہ چند API کالز میں سمٹی ہوئی مارکیٹ ریسرچ کی قیمت ہے۔ ایک بار جب استعمال کا طریقہ (use case) ثابت ہو جاتا ہے اور ورک فلو کا نقشہ تیار ہو جاتا ہے، تو مسئلے کی نوعیت بدل جاتی ہے۔ ابہام ختم ہو جاتا ہے۔ ان پٹس معیاری ہو جاتے ہیں۔ پرامپٹس مستحکم ہو جاتے ہیں۔ کام معمول کا بن جاتا ہے۔ اس موڑ پر، بہت سے ادارے ورک لوڈ کو ہلکے اور سستے ماڈل پر منتقل کر دیتے ہیں۔ اوپن سورس متبادل اس مرحلے میں قدم رکھتے ہیں اور پروڈکشن کا مرحلہ سنبھال لیتے ہیں، جبکہ فرنٹیر ماڈلز فرنٹیر پر ہی موجود رہتے ہیں، تاکہ نامعلوم مسائل کی اگلی لہر کو سنبھالا جا سکے۔
یہ اس بارے میں کوئی نظریہ نہیں ہے کہ AI کو کیسے کام کرنا چاہیے، بلکہ یہ اس بات کی وضاحت ہے کہ بجٹ پہلے سے ہی کس طرح منتقل ہو رہا ہے۔
جب ورک لوڈز کم قیمت مارکیٹ کی طرف منتقل ہوتے ہیں
اوپن سورس کی طرف منتقلی حقیقت ہے، اور یہ ٹریفک ڈیٹا میں واضح طور پر نظر آتی ہے۔ Vercel کے انفراسٹرکچر پر DeepSeek کے ٹوکن والیوم میں ایک تہائی سے زیادہ کا اضافہ ظاہر کرتا ہے کہ کمپنیاں سستے ماڈلز کے ذریعے انفرنس کی بہت بڑی مقدار چلا رہی ہیں۔ Z.ai کے GLM-5.2 نے بھی مستقل اور قابل پیش گوئی ٹریفک کو سنبھال کر ٹاپ فور میں اپنی جگہ بنا لی ہے۔
یہ ماڈلز ان کاموں میں مہارت رکھتے ہیں جنہیں قابو پا لیا گیا ہو۔ معیاری فارمز سے بڑے پیمانے پر ڈیٹا نکالنے، کسٹمر سپورٹ کے ابتدائی مرحلے میں ٹکٹس کو واضح کی ورڈز کی بنیاد پر تقسیم کرنے، یا معمول کی کوڈ لنٹنگ اور دستاویز سازی کے بارے میں سوچیں۔ پرامپٹس ٹیمپلیٹ پر مبنی ہوتے ہیں۔ غلطیوں کے انداز (error modes) کو سمجھا جا چکا ہوتا ہے۔ غلط آؤٹ پٹ کا کاروباری خطرہ محدود ہوتا ہے۔ جب کام متعین اور بار بار ہونے والا ہو، تو انفرنس کی قیمت بنیادی تشویش بن جاتی ہے۔ اسی ورک لوڈ کو پریمیم ٹائر کے بجائے چھ سینٹ والے ماڈل پر چلانا فوری طور پر مالی طور پر فائدہ مند ہوتا ہے۔
لیکن والیوم کا مطلب ریونیو نہیں ہے۔ اس حقیقت کا یہ مطلب نہیں ہے کہ اوپن سورس ماڈلز ٹوکن کی تعداد پر حاوی ہیں تو وہ قدر کی تخلیق (value creation) پر بھی حاوی ہیں۔ ٹوکن والیوم سرگرمی کی پیمائش کرتا ہے۔ ٹوکن خرچ اس بات کی پیمائش کرتا ہے کہ کمپنیاں ناقابلِ متبادل صلاحیت کے لیے کتنا ادائیگی کرنے کو تیار ہیں۔
پیسہ اصل میں کہاں بہتا ہے
Vercel کے AI gateway کا ڈیٹا معاشی تقسیم کو نظر انداز کرنا ناممکن بنا دیتا ہے۔ خام ٹوکن ٹریفک میں DeepSeek کے غلبے کے باوجود، Anthropic پلیٹ فارم پر کل AI اخراجات کے نصف سے زیادہ حصے پر قابض ہے۔ سرگرمی اور اخراجات کے درمیان فرق قیمت کے حیرت انگیز فرق کی وجہ سے ہے۔
OpenRouter کے ڈیٹا کے مطابق، Anthropic کا Opus 4.8 تقریباً $1.37 فی ملین ٹوکنز کے حساب سے پڑتا ہے۔ DeepSeek کا V4Flash اسی والیوم کے لیے تقریباً چھ سینٹ کے قریب پڑتا ہے۔ Opus کی قیمت تقریباً تیئیس گنا زیادہ ہے۔ یہ کثیر (multiplier) اس سے کہیں زیادہ اہمیت رکھتا ہے جتنا کہ خام ٹوکن کی تعداد۔ ایک ڈویلپمنٹ ٹیم اپنے انفرنس والیوم کا نوے فیصد سستے ماڈل پر منتقل کر سکتی ہے اور پھر بھی مہنگا ماڈل ان کے بجٹ کا زیادہ تر حصہ ہوگا۔
یہ فرق کوئی اتفاق نہیں ہے۔ یہ اس حقیقت کی عکاسی کرتا ہے کہ فرنٹیر فراہم کنندگان کچھ مختلف فروخت کر رہے ہیں۔ وہ صرف ٹوکنز نہیں بیچ رہے، بلکہ وہ ان مسائل کو منطقی طور پر حل کرنے کی صلاحیت بیچ رہے ہیں جن کے لیے کوئی طے شدہ طریقہ کار موجود نہیں ہے۔ جو ادارے بھاری قیمتیں ادا کر رہے ہیں، وہ لاعلمی کی وجہ سے ایسا نہیں کر رہے۔ وہ اس لیے ایسا کر رہے ہیں کیونکہ وہ کام جو وہ ان ماڈلز کو سونپتے ہیں، یا تو انتہائی حساس ہوتے ہیں یا ساختی طور پر پیچیدہ۔ ایک قانونی ٹیم جو نئے ریگولیٹری خطرات کا تجزیہ کر رہی ہو، وہ کسی فرضی حوالے (hallucinated citation) کو برداشت نہیں کر سکتی۔ ایک پروڈکٹ ٹیم جو ایک کثیر مرحلہ وار ایجنٹک ورک فلو (agentic workflow) ڈیزائن کر رہی ہو، اسے ضرورت ہوتی ہے کہ ماڈل کئی مرحلوں میں منطق کو درست طریقے سے جوڑ سکے۔ ان حالات میں ناکامی کی قیمت API کال کی قیمت سے کہیں زیادہ ہے۔
سرمایہ کاری کے اخراجات اس سطح کی طرف بہتے ہیں جہاں قدر (value) ابھی پیدا کی جا رہی ہو، نہ کہ صرف اس جگہ جہاں اسے نافذ کیا جا رہا ہو۔
مارکیٹ ہجرت سے زیادہ تیزی سے بڑھ رہی ہے
اگر اوپن سورس ماڈلز اتنے سستے ہیں، اور ادارے فعال طور پر اپنے پختہ ورک لوڈز کو ان کی طرف منتقل کر رہے ہیں، تو فرنٹیر پر ہونے والے اخراجات میں کمی کیوں نہیں آئی؟ اس کا جواب یہ ہے کہ قابلِ استعمال AI کاموں کی کل مارکیٹ کسی بھی واحد ماڈل کی کموڈٹی بننے کی رفتار سے زیادہ تیزی سے پھیل رہی ہے۔
ہر بار جب کوئی کمپنی اوپن سورس متبادل کے ذریعے کسی قابلِ پیش گوئی ورک فلو کو کامیابی سے خودکار بناتی ہے، تو دو چیزیں ہوتی ہیں۔ پہلا یہ کہ وہ ٹیم عمل درآمد پر رقم بچاتی ہے۔ دوسرا یہ کہ وہ وسائل اور وہ ٹیلنٹ مشکل تر متعلقہ مسائل کی طرف موڑ دیا جاتا ہے۔ معمول کے کام اب مشینوں کے ذریعے سنبھالے جا رہے ہیں، جس کا مطلب ہے کہ انسان غیر معمولی، اسٹریٹجک اور بے مثال کاموں پر توجہ مرکوز کر سکتے ہیں۔ نیا دریافت ہونے والا مسئلہ تقریباً ہمیشہ فرنٹیر ماڈل کی منطقی گہرائی کا تقاضا کرتا ہے۔
یہ نمونہ تمام صنعتوں میں دہرایا جاتا ہے۔ ایک بینک سستے ماڈل کا استعمال کرتے ہوئے دستاویزات کے جائزے کو خودکار بناتا ہے، پھر اپنی توجہ ایک متحرک رسک ماڈل بنانے کی طرف مبذول کرتا ہے جس کے لیے باریک بینانہ فیصلہ سازی کی ضرورت ہوتی ہے۔ ایک سافٹ ویئر فرم ٹیسٹ جنریشن کو خودکار بناتی ہے، پھر ایک خود مختار ڈی بگنگ ایجنٹ بنانے کی کوشش کرتی ہے جسے تقسیم شدہ سسٹمز (distributed systems) میں غلطیوں کا سراغ لگانا ہوتا ہے۔ فرنٹیر مسلسل آگے بڑھ رہا ہے۔ جیسے ہی کوئی کام کموڈٹی بن جاتا ہے، ایک زیادہ پیچیدہ استعمال کا کیس سامنے آتا ہے جو اعلیٰ صلاحیت کا تقاضا کرتا ہے۔
بہت سے کاروباری کام موجودہ نسل کے اوپن سورس متبادل کے حوالے کرنے کے لیے بھی بہت حساس رہتے ہیں۔ طبی تشخیص (medical triage) میں مدد، ریگولیٹری نگرانی کے تحت مالیاتی پیش گوئی، اور انتظامی حکمت عملی کا تجزیہ ایسے نقصانات کے خطرات رکھتے ہیں جو درستگی اور بھروسہ مندی کے سامنے انفرنس کی لاگت کو غیر اہم بنا دیتے ہیں۔ یہ ورک لوڈز ایک پائیدار پریمیم درجہ (premium tier) تخلیق کرتے ہیں۔ اس کا نتیجہ ایک مستحکم دو سطحی معیشت کی صورت میں نکلتا ہے: پیچیدہ منطق اور دریافت کے لیے ایک ہائی مارجن لیئر، اور معمول کے پیداواری عمل کے لیے ایک ہائی والیوم کموڈٹی لیئر۔
کاروباری خریداروں کے لیے اس کے معنی
عملی نتیجہ یہ ہے کہ ماڈل کا انتخاب نظریات کے بجائے کام کی پختگی کے مطابق ہونا چاہیے۔ نئی AI ایپلی کیشنز کو ان سب سے زیادہ قابل فرنٹیر ماڈلز پر بنائیں جن تک آپ کی رسائی ہے۔ دریافت کے مرحلے کے دوران پریمیم قیمت ادا کریں۔ یہ ایک محدود ماڈل پر کام کرنے، ویلیو ثابت کرنے میں ناکام ہونے اور پھر پروجیکٹ کو چھوڑ دینے سے زیادہ سستا ہے۔ ایک بار جب ان پٹس، آؤٹ پٹس اور ناکامی کے طریقے معلوم ہو جائیں، تو پھر جارحانہ طور پر اسے بہتر (optimize) بنائیں۔ مستحکم ورک لوڈ کو اوپن سورس متبادل پر منتقل کریں اور لاگت کی بچت حاصل کریں۔
ہر کام کو زبردستی ایک ہی سطح میں لانے کی کوشش کرنا یا تو سرمائے کے ضیاع یا صلاحیت کے ضیاع کا نسخہ ہے۔ جو کمپنیاں اسے درست طریقے سے انجام دیں گی، وہ ہائبرڈ آرکیٹیکچرز (hybrid architectures) کو بطور سمجھوتہ نہیں بلکہ بطور ڈیفالٹ استعمال کریں گی۔
یہاں کہانی یہ نہیں ہے کہ اوپن سورس ہار رہا ہے، یا فرنٹیر لیبز ناقابل تسخیر ہیں۔ بلکہ یہ ہے کہ دونوں سطحیں بڑھ رہی ہیں، لیکن وہ مختلف سمتوں میں بڑھ رہی ہیں۔ اوپن سورس ماڈلز AI کاموں کی معلوم دنیا کو اپنے قبضے میں لے رہے ہیں۔ فرنٹیر ماڈلز نامعلوم پر اپنا دعویٰ جما رہے ہیں۔ آنے والے قابلِ پیش گوئی مستقبل کے لیے، یہ دونوں کے لیے ایک آرام دہ انتظام ہے۔