شهریور
اخبار
چرخش بازار هوش مصنوعی شرکتی؛ اوپنایآی فاصله را کم کرد
بازار هوش مصنوعی سازمانی در آمریکا در نیمهی دوم امسال یک چرخش محسوس را تجربه کرده است. گزارش تازهی پلتفرم مالی رمپ نشان میدهد آنتروپیک هنوز در صدر ایستاده، اما شتاب رشدش کم شده و رقیب قدیمیاش در فصل سوم با سرعت بیشتری جلو میآید. نکتهی مهمتر این است که کل بازار هم بزرگتر شده و شرکتهای بیشتری حاضرند برای هوش مصنوعی پول بدهند. اما وفاداری در این بازار هنوز شکل نگرفته و همین، تصویر رقابت را شکننده کرده است.
لیست مطالب
۱) دادهای که تصویر رقابت را عوض کرد
بیشتر آنچه دربارهی سهم بازار هوش مصنوعی میشنویم، از دل بیانیههای خود شرکتها بیرون میآید؛ اعدادی که معمولاً روی بهترین زاویهی ممکن تنظیم شدهاند. به همین دلیل است که گزارش دورهای رمپ اهمیت پیدا میکند: این پلتفرم مدیریت هزینه، بهجای پرسیدن از فروشندگان، مستقیم به تراکنشهای واقعی کسبوکارهای آمریکایی نگاه میکند و میبیند چه کسی واقعاً برای کدام سرویس هوش مصنوعی پول پرداخت کرده است.
روش کار ساده اما گویاست. رمپ کارتهای شرکتی و پرداختهای هزاران کسبوکار را پردازش میکند و از دل همین جریان، سهم هر ارائهدهندهی هوش مصنوعی را استخراج میکند. خروجی، شاخصی است که نشان میدهد چند درصد از شرکتها در یک ماه مشخص دستکم یک پرداخت به یک ارائهدهندهی مشخص داشتهاند. این عدد با «درآمد» یکی نیست، اما چیزی را نشان میدهد که درآمد پنهانش میکند: گسترهی نفوذ.
تفاوت این دو مفهوم مهم است. یک شرکت میتواند درآمد بسیار بالایی از چند مشتری بسیار بزرگ داشته باشد و در عین حال نفوذ کمی میان کسبوکارهای کوچک و متوسط. برعکسش هم ممکن است. شاخص رمپ عمداً روی همین لایهی دوم تمرکز دارد؛ لایهای که معمولاً زودتر از بقیه ارائهدهنده عوض میکند و به همین دلیل، شاخص خوبی برای سنجش جهت باد است. برای درک بهتر این تصویر کلان، مرور اهمیت هوش مصنوعی در کسبوکار کمک میکند.
۲) روایت عددها؛ از بهار تا پایان تابستان
تا اوایل امسال، اوپنایآی بدون رقیب جدی در صدر این شاخص نشسته بود. اما در ماه مه اتفاقی افتاد که تا آن روز سابقه نداشت: آنتروپیک برای نخستین بار از اوپنایآی جلو زد. این پیشیگرفتن، در ماههای بعد نهتنها ادامه پیدا کرد، بلکه فاصله هم بیشتر شد.
در تازهترین برش داده که مربوط به ژوئیه است، آنتروپیک با ۴۳٫۵ درصد از کسبوکارهای زیر پوشش رمپ در صدر ایستاده و اوپنایآی با ۳۹٫۷ درصد در جایگاه دوم است. اختلاف حدود چهار واحد درصدی، در بازاری که چند ماه پیش کاملاً یکطرفه بود، عدد کمی نیست.
اما داستان اصلی در مشتق این عددهاست، نه در خودشان. رشد ماهانهی آنتروپیک در ژوئیه حدود ۱٫۱ واحد درصدی بوده، در حالی که اوپنایآی تنها حدود ۰٫۲۳ واحد درصدی اضافه کرده است. اگر تصویر همینجا تمام میشد، باید نتیجه میگرفتیم که فاصله دارد بازتر میشود. اما گزارشهای منتشرشده از دادهی فصل سوم تصویر دیگری میدهند: در بازهی جاری، آهنگ رشد اوپنایآی از رقیبش تندتر شده و فاصله در حال آبرفتن است.
پس دقیقتر این است که بگوییم: آنتروپیک هنوز جلوتر است، اما دیگر تنها بازیگری نیست که شتاب دارد. صدرنشینی امروز، ضمانتی برای صدرنشینی فصل بعد نیست.
۳) چرا اوپنایآی دوباره شتاب گرفت
تحلیلگران رمپ بخش عمدهای از این چرخش را به عملکرد نسل تازهی مدلهای اوپنایآی نسبت میدهند. مدل جیپیتی-۵٫۶ سول بهویژه میان توسعهدهندگان با استقبال روبهرو شده؛ همان گروهی که در عمل تصمیم میگیرد کدام رابط برنامهنویسی به خط تولید نرمافزار یک شرکت وصل شود.
این نکته را نباید دستکم گرفت. در بیشتر سازمانها، انتخاب ارائهدهندهی هوش مصنوعی یک تصمیم مدیریتی از بالا نیست؛ تصمیمی است که از پایین و از داخل تیم مهندسی شروع میشود. یک توسعهدهنده مدلی را در یک پروژهی کوچک امتحان میکند، جواب میگیرد، و چند ماه بعد همان مدل به ستون فقرات چند سرویس اصلی تبدیل شده است. هر مدلی که تجربهی توسعهدهنده را بهتر کند، در واقع دارد یک کانال توزیع بیسروصدا برای خودش میسازد.
عامل دوم، پهنای سبد محصول است. اوپنایآی همزمان در لایهی مصرفکننده، لایهی تیمی و لایهی رابط برنامهنویسی حضور دارد و همین باعث میشود ورود یک شرکت به اکوسیستمش از چند در مختلف ممکن باشد. برای مروری بر پیشینه و ساختار این شرکت، میتوانید معرفی اوپنایآی را بخوانید.
۴) مدل تازهی آنتروپیک و معمای قیمت
در طرف مقابل، ماجرا پیچیدهتر است. مدل فیبل ۵ آنتروپیک از نظر معیارهای عملکردی در بالای جدول ایستاده، اما این برتری فنی به سهم بازار ترجمه نشده است. بر پایهی دادههای منتشرشده، این مدل تنها حدود ۶ درصد از توکنهای خریداریشده از آنتروپیک را به خود اختصاص داده؛ عددی که برای پرچمدار یک شرکت، کوچک است.
دلیل اصلی، قیمت است. آرا خرازیان، کارشناس ارشد اقتصادی رمپ، جمعبندی صریحی از این وضعیت دارد و میگوید عملکرد بیشتر، ارزش برچسب قیمتش را ندارد. وقتی قیمت هر یک میلیون توکن در سطح ده دلار قرار میگیرد، تیمهای مالی شروع میکنند به پرسیدن این پرسش که آیا چند درصد دقت بیشتر، هزینهی چند برابری را توجیه میکند یا نه. پاسخ بیشتر شرکتها تا امروز منفی بوده است.
به این دو مورد باید عامل سومی را هم اضافه کرد که در گزارشهای میدانی به آن اشاره شده است: الزامات مربوط به نگهداری و پردازش داده. سازمانهای بزرگ، بهویژه در حوزههای تنظیمشده، پیش از اتصال یک مدل تازه به دادهی واقعی، یک چرخهی بازبینی حقوقی و امنیتی را طی میکنند. هر اصطکاکی در این مرحله، ماهها تأخیر در پذیرش ایجاد میکند؛ حتی اگر مدل از نظر فنی بهترین گزینه باشد.
نتیجه یک درس روشن است: در بازار سازمانی، بهترین مدل لزوماً پرمصرفترین مدل نیست. آنچه برنده را تعیین میکند، نسبت میان ارزش افزوده و مجموع هزینهی مالکیت است؛ و هزینه فقط قیمت توکن نیست.
۵) بازار بزرگتر میشود، اما وفاداری نه
یکی از یافتههای مهم گزارش، اصلاً به رقابت دو شرکت مربوط نیست. سهم کسبوکارهایی که برای هوش مصنوعی هزینه میکنند در ماههای اخیر بهطور پیوسته بالا رفته است؛ روندی که نشان میدهد هوش مصنوعی از مرحلهی آزمایش عبور کرده و به یک قلم هزینهی ثابت در ترازنامهی شرکتها تبدیل شده است.
شدت این هزینه هم قابل توجه است. طبق گزارشها، یک درصد بالای شرکتها در ژوئیه بهطور میانه حدود ۷٬۴۰۰ دلار به ازای هر کارمند برای هوش مصنوعی خرج کردهاند. این دیگر بودجهی یک پروژهی آزمایشی نیست؛ این عدد در سطح زیرساخت است.
اما همین بازار در حال رشد، یک ویژگی خطرناک برای فروشندگان دارد: هزینهی جابهجایی پایین. بیشتر شرکتها روی یک لایهی انتزاعی کار میکنند که تعویض مدل زیرین را به تغییر چند خط پیکربندی تقلیل میدهد. نتیجه این است که با عرضهی هر مدل بهتر یا ارزانتر، بخشی از بازار جابهجا میشود. تحلیلگران همین بیثباتی را نگرانکنندهترین بخش گزارش میدانند، چون یعنی هیچکدام از این سهمها قفلشده نیست.
۶) بازیگران تازه؛ ایکسایآی و مدلهای متنباز
دوقطبی اوپنایآی و آنتروپیک، همهی تصویر نیست. بر پایهی همین گزارش، ایکسایآی حالا حدود ۴ درصد از کسبوکارها را پوشش میدهد و در ماههای اخیر یکی از سریعترین رشدها را ثبت کرده است. عدد مطلقش کوچک است، اما جهتش معنادار.
موج دوم، از سمت پلتفرمهای ارائهی مدل میآید. حدود ۶٫۱ درصد از شرکتهایی که از هوش مصنوعی استفاده میکنند، سراغ سرویسهایی رفتهاند که مدلهای متنباز یا مدلهای توسعهیافته در چین را میزبانی میکنند. این مسیر معمولاً ارزانتر است و کنترل بیشتری روی داده میدهد؛ دو چیزی که دقیقاً همان دو مانع پذیرش مدلهای گرانقیمت را حل میکند.
اگر این روند ادامه پیدا کند، فشار قیمتی روی مدلهای پرچمدار بیشتر خواهد شد. رقابت دیگر فقط میان دو آزمایشگاه بزرگ نیست؛ میان یک مدل گران و دقیق با یک مدل ارزان و «بهاندازهی کافی خوب» است. نمونهی روشن این رقابت را پیشتر در مقایسهی چتجیپیتی و دیپسیک بررسی کردهایم.
۷) این داده چه چیزی را نشان نمیدهد
پیش از هر نتیجهگیری بزرگ، باید محدودیتهای این شاخص را جدی گرفت. نخست اینکه جامعهی آماری، کسبوکارهای آمریکایی مشتری رمپ است؛ نه کل جهان و نه کل اقتصاد آمریکا. شرکتهای خیلی بزرگ که قراردادهایشان را مستقیم و خارج از کارت شرکتی میبندند، در این تصویر کموزناند.
دوم اینکه این شاخص «تعداد شرکتهای پرداختکننده» را میشمارد، نه حجم پول. یک شرکت با اشتراک ماهانهی کوچک، در این شمارش هموزن شرکتی است که میلیونها دلار توکن میخرد. به همین دلیل ممکن است یک ارائهدهنده در نفوذ عقب باشد و در درآمد جلو.
سوم اینکه استفادهی غیرمستقیم دیده نمیشود. بسیاری از شرکتها مدلها را از طریق ابرهای عمومی یا نرمافزارهای واسط مصرف میکنند و آن پرداخت زیر نام ارائهدهندهی اصلی ثبت نمیشود. به بیان دیگر، این شاخص یک عکس زاویهدار دقیق است، نه نقشهی کامل. مرور تواناییها و محدودیتهای واقعی هوش مصنوعی در همین چارچوب مفید است.
۸) معنای این چرخش برای کسبوکارها
برای مدیران فنی، پیام عملی این گزارش روشن است. اول، معماری خود را طوری بسازید که وابسته به یک ارائهدهنده نباشد؛ لایهی انتزاعی میان کد و مدل، دیگر یک تجمل معماری نیست، یک اهرم چانهزنی است. دوم، هزینه را در سطح وظیفه اندازه بگیرید نه در سطح سازمان؛ بسیاری از تیمها متوجه میشوند که ۹۰ درصد کارشان با مدل ارزانتر هم انجام میشود.
سوم، معیار ارزیابی را از «بهترین نمره در آزمونها» به «بهترین نتیجه در کار واقعی خودمان» تغییر دهید. جدولهای عملکردی نقطهی شروع خوبی هستند، اما تصمیم نهایی باید بر پایهی یک آزمون کوچک روی دادهی خودتان گرفته شود. برای شروع این مسیر، راهنمای نوشتن پرامپت نقطهی ورود مناسبی است.
و در نهایت، این را بپذیرید که جدول رتبهبندی امسال بارها جابهجا خواهد شد. بازاری که در آن هزینهی جابهجایی پایین است، بهطور طبیعی بیثبات میماند. برندهی بلندمدت احتمالاً کسی نیست که امروز بالاترین نمره را دارد، بلکه کسی است که نسبت قیمت به فایده را برای بیشترین تعداد سازمان حل کند. آخرین تحولات این رقابت را میتوانید در بخش اخبار هوش مصنوعی دنبال کنید.
پرسشهای پرتکرار دربارهی گزارش رمپ
شاخص هوش مصنوعی رمپ دقیقاً چه چیزی را اندازه میگیرد؟
این شاخص سهم کسبوکارهای آمریکایی زیر پوشش رمپ را نشان میدهد که در یک ماه مشخص دستکم یک پرداخت به یک ارائهدهندهی هوش مصنوعی داشتهاند. یعنی معیار آن «تعداد شرکتهای پرداختکننده» است، نه مبلغ پرداختی.
آیا این یعنی آنتروپیک از اوپنایآی درآمد بیشتری دارد؟
خیر. نفوذ و درآمد دو چیز متفاوتاند. یک ارائهدهنده میتواند مشتریان کمتر اما بسیار بزرگتری داشته باشد. این گزارش دربارهی درآمد قضاوت نمیکند.
چرا مدل قویتر آنتروپیک سهم کمی گرفته است؟
طبق گزارشها، ترکیبی از قیمت بالای هر میلیون توکن، سرعت پایین پذیرش در سازمانها و الزامات مربوط به نگهداری داده باعث شده تیمها به مدلهای ارزانتر بسنده کنند.
جایگاه مدلهای متنباز در این تصویر کجاست؟
بر پایهی همین گزارش، حدود ۶٫۱ درصد از شرکتهای استفادهکننده از هوش مصنوعی سراغ پلتفرمهایی رفتهاند که مدلهای متنباز یا چینی را میزبانی میکنند؛ عمدتاً به دلیل هزینهی کمتر و کنترل بیشتر روی داده.
یک شرکت کوچک چطور باید از این داده استفاده کند؟
بهترین کار این است که بهجای انتخاب بر پایهی رتبهبندیها، دو یا سه مدل را روی یک کار واقعی خودتان آزمایش کنید و هزینهی هر وظیفه را اندازه بگیرید. معماری را هم طوری بچینید که تعویض مدل ساده باشد.
