هزینه استنتاج به ازای توکن حاشیه سود هوش مصنوعی را در سقف ۵۰ درصد مهار کرد

شرکت‌های نرم‌افزاری سنتی در ازای هر ۱۰۰ دلاری که از مشترکان دریافت می‌کنند، تنها حدود ۱۵ دلار خرج سرورها می‌کنند. ۸۵ دلار باقی‌مانده حاشیه سود ناخالص است؛ همان برتری ساختاری که نرم‌افزارهای ابری را به سودآورترین مدل کسب‌وکار دهه گذشته تبدیل کرد. اما هوش مصنوعی زاینده این معادله را به کلی دگرگون کرده است.[1]

وقتی کاربری از یک برنامه کاربردی سنتی می‌خواهد پرونده مشتری را بازیابی کند، نرم‌افزار دیتابیس را جست‌وجو می‌کند. هزینه نهایی این بازیابی عملاً صفر است. اما هنگامی که کاربر از یک عامل هوش مصنوعی می‌خواهد همان پرونده را خلاصه کند، سیستم ناچار است برای تک‌تک کلماتی که تولید می‌کند، عملیات محاسباتی فعالی انجام دهد.[1]

این پردازش فعال «استنتاج» (Inference) نامیده می‌شود و هزینه‌ای واقعی و فیزیکی به همراه دارد. از آنجا که پردازش هر توکن مستلزم میلیاردها عملیات ریاضی است، هزینه ارائه نرم‌افزار به صورت خطی با میزان مصرف مشتری افزایش می‌یابد. در واقع، هر چه نرم‌افزار ارزش بیشتری ارائه دهد، اجرای آن گران‌تر تمام می‌شود.[1][4]

این ساختار هزینه خطی، کل صنعت فناوری را با بحران مواجه کرده است. شاخص‌های مالی سال ۲۰۲۶ نشان می‌دهند که حاشیه سود ناخالص برنامه‌های کاربردی هوش مصنوعی از نظر ساختاری روی حدود ۵۰ درصد مهار شده است. صنعت نرم‌افزار اکنون می‌کوشد نسل نوین محاسبات را بر پایه اقتصادی بنا کند که به کسب‌وکارهای خدماتی با حاشیه سود پایین شباهت دارد.[1]

مبنای فیزیکی پردازش فعال

برای درک علت کاهش حاشیه سود هوش مصنوعی، باید زیرساخت فیزیکی لازم برای تولید پاسخ را بررسی کرد. میزبانی ابری سنتی بر پردازنده‌های مرکزی متکی است که در جابه‌جایی داده‌ها تخصص دارند؛ در حالی که مدل‌های زاینده به هسته‌های تنسور تخصصی نیاز دارند تا ضرب ماتریسی موازی و عظیمی را به اجرا بگذارند.[1]

شرکت انویدیا در سخنرانی ۱۲ اکتبر ۲۰۲۶ خود در نشست جهانی اوپن کامپیوت پراجکت تأکید کرد: «همگام با توسعه کارخانه‌های هوش مصنوعی از مگاوات به گیگاوات، ساخت آن‌ها به چیزی فراتر از محاسبات پیشرفته نیاز دارد.» انویدیا معماری ورا روبین (Vera Rubin) را دقیقاً برای تسهیل مقیاس‌پذیری این تأسیسات غول‌پیکر معرفی کرد؛ زیرا ردپای فیزیکی این مراکز بسیار عظیم است.[2]

احداث یک کارخانه هوش مصنوعی به ازای هر مگاوات ظرفیت برق، حدود ۶۰ میلیون دلار هزینه دارد. این مخارج سرمایه‌ای مستقیماً به قیمت محاسبات اجاره‌ای سرریز می‌شود. بنابراین وقتی توسعه‌دهنده نرم‌افزار برای استفاده از رابط برنامه‌نویسی کاربردی (API) به ارائه‌دهنده ابری پول می‌پردازد، در واقع هزینه استهلاک مراکز داده در مقیاس گیگاوات را تسویه می‌کند.[2]

هر بار که یک مدل زبانی توکنی تولید می‌کند — که تقریباً معادل سه‌چهارم یک کلمه انگلیسی است — باید کل شبکه عصبی خود را رو به جلو اجرا کند. یک مدل با یک تریلیون پارامتر تنها برای تولید یک سیلاب نیازمند انجام یک تریلیون عملیات محاسباتی است. اگر کاربر مقاله‌ای هزار کلمه‌ای بخواهد، مدل باید این تلاش محاسباتی عظیم را بیش از هزار بار پیاپی تکرار کند.[1]

به همین دلیل است که هزینه نهایی هیچ‌گاه به صفر نزدیک نمی‌شود. در نرم‌افزارهای کلاسیک، مرحله توسعه پرهزینه اما توزیع محصول رایگان است؛ حال آنکه در هوش مصنوعی زاینده، توزیع نیازمند ساخت مستمر و فعال است. نرم‌افزار در حقیقت برای هر پرسش مجدداً از نو ساخته می‌شود.[1][4]

سقف ساختاری حاشیه سود

پیامد مالی این نیاز به توان پردازشی، در شاخص‌های بازار خصوصی کاملاً نمایان است. گزارش شاخص‌های سال ۲۰۲۶ الف و بنچ‌مارکیت که ۳۴۲ شرکت خصوصی ارائه‌دهنده خدمات به کسب‌وکارها (B2B) را بررسی کرده، نشان می‌دهد حاشیه سود ناخالص نرم‌افزارهای سنتی روی ۸۰ درصد ثابت مانده و چارک برتر شرکت‌ها به ۸۶ درصد یا بیشتر دست یافته‌اند.

اما شرکت‌های هوش مصنوعی با واقعیت متفاوتی روبه‌رو هستند. طبق گزارش وضعیت هوش مصنوعی ایکانیک گروث (ICONIQ Growth) در سال ۲۰۲۶، میانگین حاشیه سود ناخالص یک محصول هوش مصنوعی ۵۲ درصد است. هرچند این رقم نسبت به ۴۱ درصد ثبت‌شده در سال ۲۰۲۴ رشد کرده، اما همچنان بسیار پایین‌تر از سقف تاریخی نرم‌افزارها باقی مانده است.

صندوق خطرپذیر اندریسن هوروویتز پیش‌تر به این پویایی اشاره کرده و یادآور شده بود که کسب‌وکارهای هوش مصنوعی معمولاً با حاشیه سود ناخالص ۵۰ تا ۶۰ درصدی فعالیت می‌کنند. این شرکت برآورد کرد که شرکت‌های توسعه‌دهنده بین ۲۰ تا ۴۰ درصد از کل درآمد خود را صرفاً برای استنتاج و تنظیم دقیق (فاین‌تیونینگ) اختصاصی برای مشتری می‌پردازند.[4]

این فشار بر حاشیه سود، ناکارآمدی گذرا نیست که با سریع‌تر شدن تراشه‌ها از بین برود. سکویا کپیتال نیز در به‌روزرسانی تحلیل «پرسش ۶۰۰ میلیارد دلاری هوش مصنوعی» خود در ژوئن ۲۰۲۴، حاشیه سود ناخالص ۵۰ درصدی را برای مصرف‌کننده نهایی پردازنده‌های گرافیکی فرض کرده بود.[3]

این برآورد نشان‌دهنده یک واقعیت ساختاری است. اگر توسعه‌دهنده‌ای ظرفیت پردازشی را از مایکروسافت آژور یا خدمات وب آمازون اجاره کند، باید روی هزینه آن حاشیه سودی بکشد تا سودآور شود. با توجه به بالا بودن هزینه بنیادین استنتاج، فراتر بردن حاشیه سود از ۵۰ درصد به معنای تعیین قیمت‌هایی است که بیشتر خریداران از پرداخت آن سر باز می‌زنند.[1][3]

علت بی‌اثر بودن پردازش ارزان‌تر

استدلال متقابل رایج این است که پیشرفت سخت‌افزار در نهایت معضل سودآوری را حل خواهد کرد؛ به این صورت که با عرضه معماری‌های پرسرعت‌تر انویدیا و بهینه‌سازی دیتاسنترها، هزینه هر توکن افت می‌کند. با این حال، کاهش هزینه پردازش در عمل موفق به افزایش حاشیه سود ناخالص برنامه‌ها نشده است.[1][2]

این رویداد نمونه‌ای بارز از معمای جونز است؛ نظریه‌ای که می‌گوید افزایش بهره‌وری در مصرف یک منبع، میزان کل مصرف آن را بالا می‌برد. وقتی استنتاج ارزان‌تر می‌شود، توسعه‌دهندگان پس‌انداز حاصل را ذخیره نمی‌کنند، بلکه مدل‌های بزرگ‌تر و توانمندتری را مستقر می‌کنند که تمام توان پردازشی آزادشده را می‌بلعد.[1]

کانیکا ماتور در تحلیل فوریه ۲۰۲۶ ریسورسایفای از اقتصاد هوش مصنوعی خاطرنشان کرد: «با ارزان‌تر شدن استنتاج، این شکاف در حال باریک شدن است اما همچنان ساختاری باقی مانده؛ پس برای آن برنامه‌ریزی کنید و هرگز حاشیه سود مشابه نرم‌افزار سنتی را متصور نشوید.» عطش برای بهبود توان استدلال پیوسته توسعه‌دهندگان را به سوی روش‌های سنگین‌تر سوق می‌دهد.[4]

روش‌هایی نظیر استدلال زنجیره تفکر و رمزگشایی گمانه‌زن مستلزم آن است که مدل برای تولید هر کلمه‌ای که به کاربر نشان می‌دهد، ده‌ها توکن پنهان خلق کند. هزینه هر توکن شاید نصف شود، اما اگر برنامه برای پاسخی دقیق‌تر سه برابر توکن بیشتری بسوزاند، کل هزینه استنتاج کماکان افزایش خواهد یافت.[1]

تا زمانی که هوشمندی محور بنیادین رقابت باشد، شرکت‌ها حاشیه سود بهبودیافته خود را پای مدل‌های عظیم‌تر خواهند ریخت. سقف سود ۵۰ درصدی ناشی از ناکارآمدی سخت‌افزار نیست؛ بلکه نقطه تعادل طبیعی میان سودآوری و رقابت بر سر ارائه هوشمندترین محصول ممکن است.[1][4]

پایان اشتراک با نرخ ثابت

هزینه خطی استنتاج، قیمت‌گذاری سنتی نرم‌افزار را بسیار پرریسک کرده است. این صنعت برای دهه‌ای متمادی بر اشتراک ماهانه با قیمت ثابت تکیه می‌کرد؛ مدلی که در آن ورود یک کاربر به ابزار مدیریت پروژه چه یک بار در ماه رخ می‌داد و چه صد بار در روز، هزینه‌ای کاملاً مشابه روی دست شرکت می‌گذاشت.[1]

اما در پلتفرم هوش مصنوعی، یک کاربر پرمصرف می‌تواند سودآوری شرکت را به کلی نابود کند. اگر مشترک ماهانه ۲۰ دلار بپردازد اما با تولید مداوم متن ۳۰ دلار هزینه محاسبات ابری بتراشد، شرکت در هر تراکنش متضرر می‌شود. در عمل، قیمت‌گذاری ثابت به معنای اعطای یارانه به پرمصرف‌ترین مشتریان است.[1]

برای حفظ توجیه اقتصادی، شرکت‌ها به سرعت در حال کنار گذاشتن مدل اشتراک محض هستند. بر پایه پیمایش سال ۲۰۲۶ شرکت د ساس سی‌اف‌او (The SaaS CFO)، پذیرش مدل‌های قیمت‌گذاری ترکیبی طی یک سال از ۲۵ درصد به ۳۷ درصد جهش یافته و اکنون به رایج‌ترین ساختار درآمدی استارتاپ‌ها تبدیل شده است.

مدل‌های ترکیبی اشتراک پایه ثابت را با سیستم اعتباری مبتنی بر مصرف پیوند می‌زنند. مثلاً کاربر ماهانه ۱۵ دلار برای دسترسی به سامانه و تعداد محدودی پرسش می‌پردازد، اما برای تولیدات حجیم‌تر ناچار است اعتبار پردازشی مجزا بخرد. این تدبیر، درآمدهای شرکت را مستقیماً با هزینه‌های متغیر همگام می‌سازد.[1]

انتقال مستقیم هزینه نهایی استنتاج به کاربر نهایی، به شرکت‌ها امکان می‌دهد از حاشیه سود ۵۰ درصدی خود دفاع کنند. با این حال، این دگرگونی ماهیت رابطه با مشتری را تغییر می‌دهد؛ به گونه‌ای که خریداران دیگر حق اشتراک نرم‌افزار نمی‌خرند، بلکه دسترسی کنتوردار به یک خدمت عمومی دیجیتال را تهیه می‌کنند.[1]

افت مضرب‌های ارزش‌گذاری در بازار

کاهش دائمی حاشیه سود، شیوه ارزش‌گذاری این بنگاه‌ها را نیز تحت تأثیر قرار داده است. در اوج شکوفایی نرم‌افزارهای ابری در سال ۲۰۲۱، شاخص ابری بسمر نشان می‌داد شرکت‌های عمومی با مضربی معادل ۱۸ تا ۲۰ برابر درآمد دوازده ماه آینده معامله می‌شدند؛ امتیازی که با حاشیه سود ۸۰ درصدی توجیه می‌شد.

تا اواخر اوت ۲۰۲۶، شاخص ابری بسمر در محدوده ۸ برابر درآمد آینده تثبیت شد. در حالی که نرخ رشد و حفظ خالص درآمد بخش عمده تمایز میان شرکت‌ها را تبیین می‌کند، حاشیه سود ناخالص تعیین‌کننده سقف نهایی توانایی تبدیل درآمد به جریان نقد آزاد است.

د ساس سی‌اف‌او در سپتامبر ۲۰۲۶ هشدار داد: «اگر هزینه‌های محاسباتی هوش مصنوعی را با میزبانی وب استاندارد ادغام کنید یا آن را به عنوان ابزارهای توسعه در ردیف تحقیق و توسعه پنهان سازید، دو خطای اساسی مالی مرتکب شده‌اید.» تحریف حاشیه سود، بهای واقعی ارائه خدمات را از چشم پنهان می‌کند.

شرکتی با حاشیه سود ۵۰ درصدی برای توجیه همان مضرب ارزش‌گذاری، ناچار است با سرعتی به‌مراتب بیشتر از رقیبی با حاشیه سود ۸۰ درصدی رشد کند. زیرا هر دلار درآمد تازه سود کمتری برای سرمایه‌گذاری روی فروش، بازاریابی و توسعه بعدی تولید می‌کند؛ منطق ریاضی در این زمینه انعطاف‌ناپذیر است.[1]

سرمایه‌گذاران به طور فزاینده میان پلتفرم‌هایی که هوش مصنوعی را تنها به ابزارهای خود می‌افزایند با شرکت‌های کاملاً بومی هوش مصنوعی مرز می‌کشند. گروه نخست حاشیه سود ۸۰ درصدی را حفظ می‌کنند زیرا استنتاج سهم ناچیزی از کارکرد آن‌هاست؛ اما برنامه‌های بومی که مدل بار اصلی را بر دوش دارد، بیشتر شبیه به خدمات متکی بر فناوری ارزش‌گذاری می‌شوند.[4]

فروش نتیجه کار به جای ابزار

اگر مدل بنیادین از ارائه‌دهنده ابری اجاره شود و حاشیه سود ناخالص به طور ساختاری پایین باشد، سنگر رقابتی سنتی نرم‌افزار فرو می‌ریزد. دیگر نمی‌توان صرفاً با اتکا به داشتن کدنویسی بهتر از بقای کسب‌وکار محافظت کرد، زیرا موتور هوشمندی به کالایی عمومی بدل شده که برای هر دارنده کلید API در دسترس است.[1][4]

قابلیت دفاع از محصول اکنون ناشی از گردش چرخه داده و عمق گردش کار است. همان‌طور که اندریسن هوروویتز خاطرنشان کرده، موفق‌ترین نهادهای این حوزه چالش هوشمندی را به مهندسی داده تبدیل می‌کنند؛ یعنی داده‌های انحصاری کاربر را گردآوری کرده تا سیستم‌ها را دقیق‌تر کنند و مزیتی بومی بسازند که مدل‌های عمومی فاقد آن هستند.[4]

افزون بر این، پایدارترین استارتاپ‌ها کالای فروشی خود را متحول کرده‌اند. به جای فروش ابزاری که به انسان در انجام وظیفه‌اش یاری برساند، آن‌ها نتیجه کامل کار را می‌فروشند. چنانچه عاملی مصنوعی بتواند بازبینی حقوقی یا پشتیبانی مشتریان را تماماً خودکار کند، دیگر با مجوز نرم‌افزاری ۵۰ دلاری رقابت نمی‌کند.[1][4]

بلکه با حقوق سالانه ۵۰ هزار دلاری یک کارشناس رقابت می‌کند. در مقایسه با هزینه دستمزد انسانی، حاشیه سود ۵۰ درصدی فوق‌العاده چشمگیر به شمار می‌رود؛ چراکه شرکت‌های خدمات حرفه‌ای سنتی با حاشیه سود ۳۰ تا ۴۰ درصدی روزگار می‌گذرانند. استارتاپ‌ها با جایگزینی نیروی کار به جای نرم‌افزار، به بودجه‌های کلان‌تری دست می‌یابند.[1]

دوران نرم‌افزارهای مبتنی بر هزینه نهایی نزدیک به صفر سپری شده و جای خود را به مدلی داده که در آن توان پردازشی هزینه‌ای مستمر و زنده است. سقف حاشیه سود ۵۰ درصدی نشان از شکست فناوری ندارد؛ بلکه واقعیت نوین اقتصادی در دادوستد هوشمندیِ ماشینی است.[1]