کاهش هزینه هوش مصنوعی در شرکت‌ها؛ زنگ خطر برای OpenAI

جدیدترین داده‌های پلتفرم Ramp نشان می‌دهد روند پذیرش و سرانه هزینه هوش مصنوعی در شرکت‌های پیشرو با افت محسوسی روبه‌رو شده است؛ رویدادی که ناشی از جنگ قیمت میان غول‌هایی چون OpenAI و Anthropic و گرایش کسب‌وکارها به مدل‌های اقتصادی‌تر است. بر اساس آمار مربوط به هزینه‌کرد ۷۰ هزار کسب‌وکار که توسط شرکت پرداخت Ramp گردآوری شده، روند به‌کارگیری ابزارهای هوش مصنوعی توسط شرکت‌ها در ماه اوت کند شد. جدیدترین بررسی‌ها حاکی از آن است که ۵۶ درصد از مشتریان Ramp در این ماه برای محصولات مبتنی بر هوش مصنوعی هزینه پرداخت کرده‌اند که این رقم نسبت به ماه قبل تنها ۰.۴ درصد رشد داشته است.

این نخستین باری نیست که شاخص‌های Ramp از کند شدن روند پذیرش و استقبال حکایت دارند. سال گذشته نیز شاخص هوش مصنوعی این شرکت نشان داد که رشد به‌کارگیری این فناوری بین ماه‌های اوت و اکتبر تقریبا متوقف شده بود، اما با نزدیک شدن به ماه‌های پایانی سال، روند رشد مجددا شتاب گرفت.

کاهش سرانه مخارج هوش مصنوعی به ازای هر کارمند و چالش بازگشت سرمایه

با این وجود، با توجه به سرعت سرسام‌آور توسعه زیرساخت‌های هوش مصنوعی، حتی کوچک‌ترین افت یا کندی نیز می‌تواند مایه نگرانی باشد. سرمایه‌گذاری‌های حیرت‌انگیز آزمایشگاه‌های پیشرو و ابرتأمین‌کنندگان ابری (Hyperscalers) بر روی زیرساخت‌ها، به امید دستیابی به درآمدهای سرشاری در بازار صورت می‌گیرد که بتواند بازگشت این سرمایه را تضمین کند. تا به امروز، استفاده از این فناوری رشدی جهشی داشته است؛ به‌ویژه با روی آوردن مهندسان نرم‌افزار به ابزارهای برنامه‌نویسی عامل‌محور (Agentic Coding). با این حال، اگر این روند پذیرش کند شود، احتمالا رشد درآمدها نیز فروکش خواهد کرد.

البته آمار و ارقام Ramp ممکن است میزان پذیرش در کل بازار را بیش از اندازه برآورد کند، چرا که بیشتر مشتریان این پلتفرم از شرکت‌های فناورمحور هستند. برای نمونه، نظرسنجی ادامه‌دار اداره سرشماری ایالات متحده درباره پذیرش فناوری که در ۲۳ اوت به‌روزرسانی شد، نشان می‌دهد تنها ۲۲ درصد از کسب‌وکارها از به‌کارگیری ابزارهای نوین خبر داده‌اند. اگرچه جامعه آماری Ramp لزوما نمایانگر کل بازار نیست، اما یکی از معدود داده‌های دست‌اول و مستقیم مربوط به هزینه‌کرد واقعی به شمار می‌رود و می‌تواند به عنوان یک شاخص پیشرو عمل کند.

مسلما این داده‌ها به ماه اوت اختصاص دارند؛ زمانی که بخش عمده‌ای از صنعت در تعطیلات تابستانی به سر می‌برد و همین امر شاید رکود حاکم را توضیح دهد. اما به گفته آرا خارازیان (Ara Kharazian)، اقتصاددان شرکت Ramp، هشدارهای دیگری نیز برای کسب‌وکارهایی که وابسته به مصرف توکن (Token Spend) هستند دیده می‌شود.

نخستین هشدار، کاهش چشمگیر سرانه هزینه هوش مصنوعی به ازای هر کارمند در میان یک درصد شرکت‌های برتر این نمونه آماری است؛ رقمی که با کاهشی نزدیک به ۱۰ درصد، به ۷٬۲۰۵ دلار رسیده است. شاید بخشی از این افت به دلیل کاهش مصرف در فصل تعطیلات باشد، اما سوی دیگر آن به افت قیمت توکن‌ها بازمی‌گردد. با کاهش قیمت‌هایی که توسط OpenAI و Anthropic اعمال شده، میانگین هزینه هر یک میلیون توکن به ۰.۶۸ دلار کاهش یافته، در حالی که در اوج خود در مارس ۲۰۲۶ به ۱.۱۵ دلار به ازای هر میلیون توکن رسیده بود.

نمودار تحلیلی داده‌های Ramp که روند افت سرانه هزینه هوش مصنوعی در شرکت‌های برتر را به تصویر می‌کشد.

منبع تصویر: Ramp

داده‌ها نشان می‌دهند که آزمایشگاه‌های هوش مصنوعی هنوز نتوانسته‌اند کاهش قیمت‌ها را با افزایش حجم مصرف جبران کنند. همین محرک‌های مالی موجب شده است بسیاری از مشتریان ترجیح دهند به جای استفاده از مدل‌های پیشگام و پرهزینه‌تر، به سراغ مدل‌های قدیمی‌تر و اقتصادی‌تری همچون ChatGPT 5.6-Terra متعلق به OpenAI و Sonnet متعلق به Anthropic بروند. کارکنان آزمایشگاه‌های تراز اول بارها اشاره کرده‌اند که بخش عمده‌ای از هزینه‌های آموزش مدل‌ها در همان هفته‌های اولیه انتشار جبران می‌شود؛ بنابراین کند شدن روند پذیرش می‌تواند این چرخه اقتصادی را به خطر بیندازد.

با این حال، به رغم تمام مباحث پیرامون تهدید آزمایشگاه‌های پیشرو توسط مدل‌های Open-Weight، تنها ۶.۴ درصد از کسب‌وکارهای خریدار خدمات هوش مصنوعی، در ماه اوت از پلتفرم‌های «میزبانی مدل» (Model-Serving) یا «استنتاج» (Inference) استفاده کرده‌اند؛ سهمی که هرچند به صورت پیوسته در حال افزایش است، اما برای ایجاد شتاب در جریان پذیرش عمومی میان کسب‌وکارها کافی به نظر نمی‌رسد.

خارازیان در این باره می‌گوید: «بررسی‌های ما نشان می‌دهد که رقابت میان OpenAI و Anthropic دسترسی به هوش مصنوعی را آسان‌تر کرده و هزینه‌ها را برای شرکت‌ها کاهش می‌دهد؛ نه تنها کاهش قیمت‌ها، بلکه کاهش هزینه‌کرد در ۱ درصد از برترین شرکت‌هایی که پیشتر بازار انتظار داشت پیشران بخش عمده‌ای از رشد آینده باشند.»

همین موضوع همچنین تمرکز آزمایشگاه‌های هوش مصنوعی بر جذب کاربران غیرفنی برای ابزارهای همکاری مبتنی بر هوش مصنوعی (AI Co-Working Tools) را توجیه می‌کند.

این داده آماری — که شاید بتوان آن را یک نوسان گذرا (Blip) نامید — در صورتی که توسعه‌دهنده مدل یا یک Hyperscaler با سفارش صدها میلیارد تراشه باشید، می‌تواند نشانه‌ای نگران‌کننده تلقی شود. با این حال، خارازیان خاطرنشان می‌کند: «همه چیز به جایگاه شما در بازار بستگی دارد؛ اگر شرکت شما از مصرف‌کنندگان ابزارهای هوشمند است و مدیریت هزینه هوش مصنوعی اولویت شماست، این خبر فوق‌العاده‌ای محسوب می‌شود.»