Модел кокаина у индустрији вештачке интелигенције: Замка од милијарду долара – Зашто би јефтини токени вештачке интелигенције ускоро могли да униште средњу класу

Xpert прелиминарно издање

Доступно на 27 језика 📢

Објављено: 9. јула 2026. / Ажурирано: 9. јула 2026. – Аутор: Konrad Wolfenstein

Модел кокаина у индустрији вештачке интелигенције: Замка од милијарду долара – Зашто би јефтини токени вештачке интелигенције ускоро могли да униште средњу класу – Слика: Xper.Digital

Опасна веза са вештачком интелигенцијом: Зашто би прелазак са ChatGPT-а ускоро могао да кошта милионе и зашто је ваш пословни модел изграђен на позајмљеном новцу

Отворени код уместо замке у облаку: Како спасити своју стратегију вештачке интелигенције од експлозије цена

Архитектура побеђује хајп: Неугодна истина о будућности цена вештачке интелигенције

Тренутна помпе која окружује вештачку интелигенцију прикрива једну незгодну економску истину: изузетно ниске цене за приступ вештачкој интелигенцији од провајдера попут OpenAI или Anthropic су чиста илузија. Субвенционисани милијардама инвеститорских средстава, ови технолошки гиганти тренутно маме првенствено мала и средња предузећа (МСП) у опасну зависност. Али шта се дешава када инвеститори захтевају повраћај инвестиција, а трошкови за ове наводно јефтине токене изненада експлодирају? Свако ко слепо прилагођава своју ИТ архитектуру интерфејсима једног провајдера сада ризикује грубо буђење и огромно повећање трошкова у блиској будућности. Овај чланак открива зашто је тренутни ниво цена вештачке интелигенције неодржив, како функционише потцењени „ефекат закључавања“ и зашто је паметна, хибридна архитектура са моделима отвореног кода једини начин да компаније остану конкурентне и агилне на дужи рок.

У вези са овим:

Зашто компаније улажу милионе у погрешно вештачко решење и како другачија архитектура мења све

Зашто су најјефтинији токени у историји заправо најскупљи – и зашто скоро свака средња компанија плаћа рачун за две године

Постоје тренуци у економској историји када целокупно тржиште погрешно сматра илузију стварношћу. Бум персоналних рачунара почетком 1990-их био је један такав тренутак, окружење са нултом каматном стопом после 2010. године други, а дот-ком балон на прелазу миленијума свакако јесте. Бум генеративне вештачке интелигенције између 2023. и 2026. године несумњиво спада у исту категорију. Само што овог пута илузија није надувавање цене акција, већ нешто много уобичајеније: цена по токену. Милиони малих, неупадљивих бројева на фактурама добављача услуга у облаку сугеришу европским малим и средњим предузећима да захтев за веома сложен језички модел кошта десетине цента, да ће ти трошкови остати стабилни и да се на њима могу изградити читави пословни модели. Чисте бројке говоре другачију причу, и говоре је недвосмислено.

OpenAI је генерисао приближно 13,07 милијарди долара прихода у фискалној 2025. години, што је утростручено у односу на 3,7 милијарди долара из претходне године. Истовремено, укупни трошкови и расходи порасли су на око 34 милијарде долара. То је резултирало оперативним губитком од 20,92 милијарде долара и нето губитком по GAAP-у од 38,53 милијарде долара, при чему је овај други увећан једнократним рачуноводственим ефектом од приближно 41,55 милијарди долара од конверзије компаније у корпорацију за јавни интерес. Прилагођавањем за овај једнократни ефекат, сагоревање оперативне готовине износило је приближно 8 милијарди долара. Другим речима, за сваки зарађени долар, компанија је потрошила између 1,60 и 1,69 долара. Слика је изузетно слична за Anthropic. Компанија је остварила приход од приближно девет милијарди америчких долара током године, али је потрошила 5,2 милијарде готовине и пројектује даљи мањак од 25 милијарди у 2026. години, са циљем прихода од 30 милијарди. Прогнозе до 2028. године предвиђају кумулативни губитак од око 74 милијарде за OpenAI, а тачка рентабилности је сада званично одложена на 2029. до 2030. годину.

Ове бројке нису израз предузетничке смелости или посебне технолошке визије. Оне су економски темељ на коме почива данашња цена API-ја. Цена коју крајњи купац плаћа за милион токена емисије по GPT-5.4 или Claude Sonnet-у не одражава стварне маргиналне трошкове закључивања, а камоли пропорционалне трошкове обуке, особља и инфраструктуре. Оне одражавају спремност инвеститора да субвенционишу сваки API захтев широм света, верујући да ће тржишна моћ и моћ одређивања цена касније трансформисати данашње губитке у будуће приходе. За корисника у Улму, Минхену или Дортмунду који тренутно повезује свој рачуноводствени софтвер, CRM или цевовод садржаја са API-јем једног од ових добављача, ово значи нешто веома конкретно: Њихов пословни модел је заснован на нивоу цена који је економски неодржив из перспективе добављача. Изграђен је на позајмљеном капиталу, а позајмљени капитал на крају захтева повраћај.

У вези са овим:

Архитектура вештачке интелигенције: Зашто је модел најмање важан део вашег система вештачке интелигенције

Економија првог пуцња

У бихејвиоралној економији постоји механизам који се у сувим уџбеницима често назива „пенетрационо одређивање цена“ или „предаторско одређивање цена“. У мање рафинираном царству уличне економије, исти процес је једноставно познат као логика првог ударца: Понудити прву потрошњу бесплатно или знатно испод цене, створити зависност, а затим прилагодити цену. Ова стратегија је стара колико и организована трговина; функционише за претплате на новине, стриминг сервисе, кредитне картице и оперативне системе. Посебно добро функционише када су испуњена два услова: Трошкови преласка расту са трајањем коришћења, а добављач се касније може позиционирати између купца и алтернативног извора снабдевања. Генеративна вештачка интелигенција испуњава оба ова услова, а оба се и даље изненађујуће ретко разматрају на састанцима управних одбора немачких средњих компанија.

Тренутни рат цена API-ја додатно појачава ову илузију. Између почетка 2025. и средине 2026. године, цене приступа језичким моделима од водећих провајдера пале су за 60 до 80 процената. GPT-4o је смањио своју улазну цену са пет долара на 2,50 долара по милиону токена, док је o3 забележио пад улазне цене са десет на два долара, а производне са 40 на осам долара по милиону токена у року од дванаест месеци. DeepSeek V4, са улазом од 28 центи, сада поткопава цео западни ниво цена, Gemini 2.5 Flash је на 30 центи, а GPT-5.4 mini на 40 центи. Ове бројке су добре за краткорочни новчани ток корисника, али су економски неодрживе. Ниједан провајдер не може одрживо даље снизити цене са оперативним губитком ових размера. Једино питање је када ће инвеститори очекивати повраћај и колико ће цена тада порасти. Историјски обрасци са упоредивих тржишта платформи сугеришу да прилагођавања нису линеарна, већ се дешавају скоковито када се фаза консолидације заврши. Убер и Лифт су повећали цене карата за 30 до 60 процената за само неколико квартала након својих иницијалних јавних понуда, Нетфликс је удвостручио своје основне пакете у року од неколико година, а Амазон Веб Сервисес је више пута смањивао своје почетно агресивне попусте за резервисане инстанце и смањивао своје бесплатне квоте.

Оно што ову дискусију чини посебно релевантном за европске кориснике јесте чињеница да сама цена токена представља само врх леденог брега. Прави трошкови интеграције вештачке интелигенције леже у архитектури, повезивању података, библиотекама промптова, пакетима за евалуацију и пенетрацији процеса. Маркетиншка агенција средње величине која данас пребацује целу своју продукцију садржаја, токове рада превођења и комуникацију са купцима на крајње тачке за завршетак ћаскања провајдера гради структуру која се протеже далеко изван пуких API позива. Сваки фино подешен системски промпт је инвестиција, свака дефиниција позива функције је инвестиција, сваки обучени запослени који је интернализовао специфичне карактеристике модела је инвестиција. Ова улагања се не могу отписати ако провајдер на крају удвостручи или утростручи цене. Она су део прага пребацивања који израчунава провајдер и који утиче на њихову каснију моћ одређивања цена.

Анатомија зависности

Да бисмо разумели зашто су трошкови преласка у вештачкој интелигенцији толико већи него у упоредивим софтверским областима, мора се размотрити колико су дубоко модерни модели уграђени у логику апликације. Класичан пројекат миграције базе података може се релативно лако пренети са једног добављача на другог коришћењем стандардног SQL-а јер је језик упита стандардизован. Ова стандардизација не постоји за језичке моделе. Иако је OpenAI интерфејс за довршавање ћаскања постао де факто индустријски стандард и реплицира га већина конкурената, стварна логика апликације не лежи у интерфејсу, већ у понашању модела. Системски упит који јасно испоручује жељену структуру, тон и ниво детаља у GPT-5.4 може довести до суптилних одступања у Claude Sonnet-у, одступања која, у продуктивном B2B маркетиншком току рада, могу значити разлику између употребљивог нацрта и накнадног получасовног преписивања. Ове идиосинкразије модела је тешко квантификовати, али су стварне и представљају саму срж везаности за добављача.

Поред тога, постоје специфичне конфигурације помоћних услуга. Свако ко користи функцију претраге датотека одређеног добављача, помоћни API, уграђено складиштење вектора или интегрисане дефиниције алата за своју апликацију, аутсорсује значајан део архитектуре своје апликације. Промена добављача у овом случају не значи само замену једног API URL-а, већ репрограмирање неколико основних компоненти. Ово је још критичније за купце који фино подешавају своје системе: фино подешене верзије модела остају власништво добављача, а уложени трошкови обуке се губе приликом преласка. Једини преносиви ресурс је сам скуп података за обуку, под условом да је у потпуности документован унутар компаније, што изненађујуће често није случај у пракси. Детаљна ревизија сопствене изложености зависности од добављача требало би да обухвати пет нивоа: сам модел, ниво промпта, ниво уграђивања и вектора, ниво дефиниције алата и функција и коначно ниво оркестрације са његовим оквирима агената и резервним ланцима. Само они који знају ког добављача користе на сваком од ових нивоа, колико би коштала промена и коју стратегију ублажавања су већ имплементирали могу озбиљно говорити о свесној пословној одлуци. Све остало је ненамерно закључавање и стога технички дуг у строгом пословном смислу.

Практично правило које је произашло из пројеката миграције који захтевају опсежне консултације је следеће: Ако су ваши трошкови миграције за промену добављача у року од тридесет дана непознати или прелазе милион евра, онда имате проблем са „закључавањем“. Ова цифра је наравно приближна, али има предност што покреће пословну дискусију која би иначе имала тенденцију да се заглави у техничким детаљима. Јер кључно питање није да ли је промена технички могућа, већ да ли остаје економски исплатива ако тренутни добављач подигне цене.

Јаз између логике инвеститора и логике купаца

Да би се проценила предстојећа динамика цена, вреди преусмерити фокус са корисника на инвеститоре. ОпенАИ се процењује на приближно 852 милијарде долара, планира почетну јавну понуду (ИПО) са распоном вредновања до 1 билион долара, а Мајкрософту је само у 2025. години платио око 17,2 милијарде долара. Ова сума представља 50,5 процената укупних трошкова и превазилази годишње приходе. Свако ко размисли шта ово значи разуме хитност ситуације. Компанија није финансијски самодовољна, већ се ослања на континуирани прилив свежег капитала. Разни аналитичари процењују кумулативне губитке до планиране тачке рентабилности 2029. или 2030. године на 115 милијарди долара, што превазилази целокупну тржишну капитализацију неких европских компанија листираних на ДАКС-у. Инвеститори који обезбеђују ове износе то не чине из филантропских мотива. Они очекују да ће се на крају фазе губитака појавити тржишна структура у којој преживели добављачи могу да остваре моћ одређивања цена. Ова моћ одређивања цена је управо стварни циљ улагања.

Антропик показује занимљиву варијацију овог обрасца. Компанија очекује да ће смањити свој коефицијент губитака са тренутног нивоа од око 70 процената прихода на девет процената до 2027. године, док се предвиђа да ће ОпенАИ остати на 57 процената у истом периоду. Разлог за то лежи мање у бољем квалитету производа него у стратешки другачијем профилу купаца. Антропик се више фокусира на пословне купце, има релативно јефтиније коришћење чет-бота за потрошаче у свом портфолију и стога може брже стабилизовати своје бруто марже. За европску компанију средње величине, ово представља суптилну, али важну диференцијацију: неће сви добављачи истовремено или у истој мери повећати цене. Време и обим прилагођавања цена зависиће од притиска инвеститора и одговарајуће структуре купаца. Али смер је исти за све, и то је навише, а не надоле.

Још једна ствар заслужује пажњу. Економиста Ед Зитрон и други аналитичари су истакли да значајан део такозваног блока трошкова рачунарства компаније OpenAI произилази из кружних трансакција које укључују Мајкрософт и Нвидију. Капитал тече од Нвидије ка стартаповима за вештачку интелигенцију, ови стартапови га плаћају добављачима услуга у облаку, добављачи услуга у облаку купују чипове од Нвидије, а приход се бележи у сваком од ових корака. Ово није морална критика, већ опис мреже која смањује отпорност тржишта на спољне шокове. Ако Нвидија не може да одржи своје стопе раста, стартапови за вештачку интелигенцију ће изгубити кључни прилив капитала, а субвенционисана цена API-ја ће постати још неодрживија.

Шта отворени код заиста значи

У овом тренутку, дебата се често гура у идеолошки угао који не чини правду теми. Они који се залажу за отворене моделе брзо се повезују са романтичним антикорпоративним активизмом, што поткопава економску суштину аргумента. У ствари, тржиште за моделе отвореног језика се толико фундаментално променило у последњих осамнаест месеци да се дискусија више не води између комерцијалних граничних модела и аматерских имитатора, већ између две готово једнаке опције са веома различитим профилима оперативних трошкова.

Конкретно: GLM-5.1 постиже резултат од 58,4 процента на захтевном SWE-Bench Pro тесту, надмашујући и GPT-5.4 (57,7 процената) и Claude Opus 4.6 (57,3 процента). Qwen 3.6-35B-A3B, модел „мешавине стручњака“ са укупно 35 милијарди параметара и само три милијарде активно омогућених параметара по токену, испоручује 73,4 процента на SWE-Bench Verified тесту и може се покренути на две RTX 5060 Ti картице брзином од 21,7 токена у секунди. Mistral Large 3, са 675 милијарди MoE параметара, постиже 92 процента перформанси GPT-5.2 уз приближно 15 процената трошкова. Gemma 3 27B, Google-ов модел отвореног кода, надмашио је и модел са 405 милијарди параметара од Meta-е и модел са 685 милијарди параметара од DeepSeek-а у евалуацијама Chatbot Arena-е, упркос томе што ради на једном GPU-у. Ове бројке нису нишни извештаји из заједнице отвореног кода, већ резултат независних бенчмаркова који се све више користе као основа за доношење одлука у пословним контекстима.

Економске импликације су изванредне. Према прорачунима индустријских стандарда, примена Qwen 3.5 32B система на Apple M4 Max рачунару у предузећу ствара трошкове електричне енергије од приближно два цента по милиону токена. Амортизујући се током три године коришћења хардвера, ово је еквивалентно отприлике осам центи по милиону токена. Поређења ради, GPT-4o кошта 2,50 долара улазних и 10 долара излазних трошкова по милиону токена, док Claude Sonnet кошта 3 долара улазних и 15 долара излазних трошкова. Разлика у трошковима је стога две до триста пута већа. Чак и реално узимајући у обзир оперативне трошкове за одржавање, редундантност, напајање и особље, предност у трошковима од једног до два реда величине остаје за средње количине коришћења. Тачка рентабилности између самостално хостоване инстанце Qwen-27B на H100 серверу и коришћења OpenAI API-ја је око 4,5 милијарди токена месечно. То звучи као много, али многе B2B маркетиншке операције средње величине са свеобухватном локализацијом садржаја, преводилачким токовима рада и аутоматизованим интеракцијама са купцима достижу овај обим у року од дванаест до осамнаест месеци. Они који пређу овај праг, а и даље остану код добављача услуга у облаку, субвенционишу његове губитке својим оперативним профитом.

Део интегритета такве анализе јесте и признавање ограничења модела. Самостално хостовање подразумева оперативне трошкове, захтева специјализовано особље, захтева робустан хардвер и није увек најбољи избор, посебно за мала предузећа са веома променљивим вршним оптерећењима. Имплементација GLM 5.1 на осам H100 картица кошта приближно 25.000 до 35.000 долара месечно, док подешавање Gemma 4-31B на A100 кошта између 2.500 и 3.500 долара. Ове бројке нису безначајне, али прво, брзо се надокнађују уз одговарајуће коришћење, а друго, предвидљиве су. Предвидљивост је права економска вредност локалног решења јер стабилизује прорачуне трошкова и тиме елиминише ризике цена који произилазе из будућег одређивања цена API-ја. За компанију која нуди купцима фиксне цене током уговорних рокова од дванаест или двадесет четири месеца, предвидљиви трошкови могу бити вреднији од било које израчунате предности у трошковима.

🎯🎯🎯 B2B индустријски центар вођен подацима као квази-интерно решење

Квази-интерно решење: Како Xpert.Digital затвара оперативне празнине у B2B маркетингу и продаји – Паметно пословање вођено садржајем - Слика: Xpert.Digital

Xpert.Digital је B2B индустријски центар вођен подацима, којим руководи Konrad Wolfenstein . Компанија делује као екстерно, квази-интерно решење за индустријске партнере, попуњавајући оперативне празнине у маркетингу, садржају и продаји – без потребе за додатним ресурсима на страни клијента.

Више информација овде:

Квази-интерно решење: Како Xpert.Digital затвара оперативне празнине у B2B маркетингу и продаји – Паметно пословање вођено садржајем

Како избећи зависност од америчких облака: Архитектура уместо провајдера

Заштита података као занемарена конкурентска димензија

Поред чистих трошкова, друга димензија игра улогу која се систематски потцењује у земљама немачког говорног подручја и истовремено постаје све значајније правно питање. Општа уредба о заштити података (GDPR), Закон о подацима, Закон о вештачкој интелигенцији и њихове одговарајуће националне имплементације стварају регулаторно окружење у којем пренос осетљивих пословних података америчким добављачима услуга у облаку постаје све проблематичнији. Док сви главни добављачи сада нуде европску резиденцију података и гаранције да се подаци неће користити за обуку будућих модела, фундаментална правна несигурност у вези са приступом подацима у облаку од стране америчких безбедносних агенција, коју омогућава Закон CLOUD, не може се у потпуности елиминисати уговорно. За компаније које раде у име владиних агенција, здравствених осигуравајућих друштава, извођача радова у одбрамбеном сектору или посебно поверљивих B2B клијената, ово представља структурни недостатак који се протеже даље од пуког поређења цена.

Самостално хостовани, отворени модел који ради у сопственом дата центру компаније или код европског добављача колокације структурно заобилази овај проблем. Не захтева одлуку о преносу према Поглављу V Опште уредбе о заштити података (GDPR), не подлеже захтевима за откривање података према Закону CLOUD и може се лако укључити у уговоре о обради података. Ово законско смањење површине напада је пословна корист која, иако је тешко квантификовати, све више постаје предуслов у тендерима, поступцима јавних набавки и оквирним споразумима са осетљивим клијентима. Свако ко данас циља на јавни сектор, здравствену заштиту или одбрамбену индустрију тешко може избећи овај проблем.

У вези са овим:

Три архитектонска принципа управљане вештачке интелигенције: Зашто класични пројекти вештачке интелигенције не успевају и шта их разликује од брзих имплементација

Архитектура је важнија од избора добављача

Кључни стратешки увид добијен заједничким разматрањем ових фактора није који је модел данас најбољи. Већ како ваш систем мора бити структуриран тако да избор модела не постане егзистенцијално питање сутра. Чисто апстрактован вештачки интелигентни систем састоји се од најмање четири слоја. На дну је слој модела, који је стварни позив интерфејсу за довршавање ћаскања. Изнад њега је слој модела, који омогућава да се различити модели адресирају иза јединственог интерфејса и организују у резервне ланце. Алати попут LiteLLM или OpenRouter испуњавају ову улогу и могу се подесити за производњу за само неколико дана. Изнад тога је слој промпта, где се стварне инструкције одржавају као верзионисани артефакти, идеално са матрицом компатибилности која документује која је верзија промпта успешно валидирана на ком моделу. На самом врху је слој оркестрације и евалуације, који се састоји од златних скупова података, аутоматских рубрика и сенчених распоређивања, осигуравајући да су промене модела засноване на поузданим упоредним подацима, а не на нагађањима.

Компанија која структурира своје вештачке интелигенције дуж ова четири нивоа може да мења моделе уз напор који се мери у човек-данима, а не у човек-месецима. Може да прослеђује критичне захтеве граничним моделима и преусмерава стандардне захтеве економичним отвореним моделима. Може да спроводи суверенитет података тако што ће приморавати операције осетљиве на приватност на локалне инстанце и дозвољавати само анонимне или некритичне захтеве облаку. И, што је најважније, може да уради једну ствар: да користи чврсте бројке како би оправдала својим инвеститорима, надзорном одбору или саветодавном одбору да њена вештачка интелигенција није заснована на привременом тржишном поремећају, већ на здравој структури трошкова.

Они који игноришу ове слојеве и програмирају целу своју пословну логику директно према крајњим тачкама за завршетак ћаскања једног провајдера могу данас уштедети труд слоја апстракције. Међутим, они сносе ризик чије трошкове схватају тек када је прекасно да их спрече. Искуство са сличним зависностима платформи, било да је реч о Salesforce-у, SAP-у или Oracle-у, показује да се ови ризици не материјализују линеарно, већ изненада, често у облику прилагођавања цене везаног за обнављање уговора које не оставља времена за прилагођавање.

Време транзиције

Немогуће је тачно предвидети када ће инвеститори очекивати повраћај инвестиција до краја квартала, али релевантни индикатори су јасни. OpenAI планира своју почетну јавну понуду (IPO) у распону вредновања који би могао достићи један билион америчких долара, што нужно захтева конвергенцију прихода и трошкова у јасно дефинисаном временском оквиру. Аналитичари очекују оперативни преокрет између 2029. и 2030. године. Anthropic је себи поставио циљ да смањи своје губитке на једну деветину својих прихода до 2027. године. Са пројектованим приходима од око 70 милијарди у 2028. години, могуће је реконструисати имплицитна повећања цена потребна да би се то постигло, а резултат је у распону удвостручавања или утростручавања тренутних цена. За кориснике то значи да се структурно прилагођавање цена може очекивати у временском оквиру од осамнаест до тридесет шест месеци; обим овог прилагођавања је још увек нејасан, али је његов правац известан.

Свако ко данас израчунава профитабилност вештачке интелигенције користећи тренутне цене токена као основу за петогодишњи повраћај инвестиције вероватно греши. Међутим, свако ко у свом планирању дода премију од 100 до 200 процената на цену токена и чији прорачуни остану одрживи, има робустан пословни модел. Они чији прорачуни више нису одрживи требало би да размотре да ли би прелазак на отворене, самосталне моделе могао да спасе њихово пословање. Ова процена не би требало да се решава као ИТ пројекат, већ као стратешко питање на највишем менаџерском нивоу, јер се тиче темеља конкурентности компаније за наредну деценију.

Зашто ће сутрашња компетенција вештачке интелигенције изгледати другачије од данашње

Значајан споредни ефекат ове анализе је редефиниција онога што се тренутно сматра компетенцијом за вештачку интелигенцију. У јавној перцепцији, компанија се сматра компетентном за вештачку интелигенцију ако су њени запослени вешти у коришћењу интерфејса за ћаскање познатог добављача, ако су интерни процеси побољшани њиховим API-јем и ако су продајне презентације пуне модних речи. Ова дефиниција компетенције биће брутално тестирана због своје економске исплативости у предстојећој фази одређивања цена. Права компетенција ће лежати у изградњи система где основни модел остаје заменљив, где се сопствени упити компаније одржавају као верзионисани артефакти, где постоје пакети за евалуацију који валидирају промену модела за сате, а не за месеце, и где архитектура података компаније остаје отворена за различите оперативне моделе.

Ова промена ће такође променити профил посла. Менаџер вештачке интелигенције у компанији средње величине између 2027. и 2030. године биће мање брзи песник, а више архитекта инфраструктуре, интегришући центре трошкова, захтеве за усклађеност и преносивост модела у робусну системску архитектуру. Лојалност добављача постаће стратешко питање, упоредиво са избором система база података крајем 1990-их или добављача услуга у облаку крајем 2010-их. Они који се овим питањима баве рано и намерно стичу преговарачку моћ, стабилност трошкова и регулаторни мир. Они који их игноришу претпостављају да ће гиганти у облаку губити новац унедоглед, а ова претпоставка ће се показати као најскупља заблуда у историји ИТ-а.

Трезан закључак

Генеративна вештачка интелигенција једна је од најзначајнијих технологија за повећање продуктивности нашег времена; у то нема озбиљне сумње. Прави одговор није да је напустимо, већ да је користимо промишљено. Међутим, употреба не значи одустајање од контроле, а ниске цене не гарантују трајно ниске цене. Свако ко непристрасно погледа бројке водећих добављача препознаће да данашње цене АПИ-ја не одражавају економску равнотежу тржишта, већ почетну тачку пре прилагођавања цена, чије време одређује добављач, а не купац. Компаније које желе да се имунизују против овог прилагођавања имају три полуге на располагању: чисту архитектуру са заменљивим моделима, намерну пропорцију отворених и самостално управљаних модела за праве случајеве употребе и дисциплину континуиране евалуације која третира промену модела као рутински процес, а не као изузетну околност.

Препорука за сваки менаџерски тим који данас наручује или преузима одговорност за пројекат вештачке интелигенције је сходно томе прагматична. Израчунајте трошкове ваше тренутне употребе вештачке интелигенције са 100% маржом у односу на вашу маржу профита. Процените да ли је апликација и даље одржива на овом нивоу цена. Ако не, размотрите хибридну архитектуру где се стандардни задаци обављају отвореним моделима у оквиру ваших операција, а гранични модели се користе само за оне задатке где нуде очигледну предност у квалитету. Чувајте своје упите, скупове података за евалуацију и податке за фино подешавање у преносивом формату. И не посматрајте своје добављаче вештачке интелигенције као стратешке партнере, већ као добављаче чије цене континуирано упоређујете и чије трошкове преласка активно одржавате ниским. Овај приступ није ни непријатељски нити претерано опрезан; то је једноставно фундаментални став здравог пословног човека према трошковној ставки која би, за само неколико година, могла бити међу пет највећих ставки у билансу успеха.

Права провокација целе ове дебате на крају није то што OpenAI, Anthropic и Google губе новац. То је корпоративно коцкање које припада акционарима тих компанија. Провокација лежи у чињеници да милиони европских компанија корисника праве исто коцкање са сопственом оперативном будућношћу, а да тога нису ни свесни. Најјефтинији токени у историји су најскупљи ценовни сигнал који је тржиште икада послало, јер покрећу инвестициону одлуку засновану на привременом тржишном изобличењу. Они који данас прихвате ову истину могу у складу с тим да изграде своју архитектуру. Они који је прихвате тек када стигне рачун, већ су пропустили време за реакцију. Архитектура побеђује рекламу. Увек.