لم تعد المنافسة بين شركات الذكاء الاصطناعي تقتصر على من يقدّم “أقوى نموذج” فقط، بل تحولت تدريجيًا إلى معركة حول خفض تكلفة تنفيذ كل مهمة. فمع توسّع استخدام النماذج داخل المؤسسات—من المساعدة في كتابة المحتوى إلى التحليل البرمجي وخدمة العملاء—بدأت الشركات تراجع فواتير الاستخدام بدقة، وتفرض حدودًا أكثر صرامة على عدد الطلبات والاعتماد على النماذج داخل بيئات العمل، لا سيما بعد ملاحظة أن تكلفة الرموز (tokens) قد تصبح عنصرًا حاسمًا في ميزانيات التقنية.
ووفقًا لتقرير نشرته Bloomberg، اتجهت بعض التطويرات الحديثة إلى تصميم نماذج تستهدف إنجاز نفس المهمة بمقدار أقل من الرموز. ويظهر هذا التوجه في مثال GPT-5.6 الذي يقال إنه صُمم للعمل بعدد أقل من الرموز لتحقيق المهام بكفاءة أعلى. وفي المقابل، تروّج SpaceXAI لفكرة كفاءة استهلاك الرموز عبر Grok 4.5، مشيرةً إلى تحقيق مضاعفة في الكفاءة مقارنةً بنماذج منافسة. كما أعلنت Meta استعدادها لتقديم تسعير شديد التنافسية لنموذج Muse Spark 1.1، ضمن سباق تسويقي يركّز على “كم تستحق كل وحدة إنفاق” وليس فقط على جودة المخرجات.
وقد تعزز هذا التحول عبر شكاوى متزايدة من ارتفاع نفقات تشغيل الأدوات. أحد الأمثلة التي وردت في سياق القطاع تمثل فاتورة شهرية قدرت “بملايين الدولارات” داخل مؤسسة تعمل على تشغيل خدمات مرتبطة بالنماذج. هذا النوع من الأرقام يوضح لماذا أصبحت مراقبة الإنفاق وتحسين كفاءة الاستخدام أولوية لدى العملاء، وما ينجم عنها من ضغط مباشر على الشركات لتقديم نماذج أرخص أو أكثر فاعلية في استهلاك الموارد.
في هذا المناخ، لم تعد المؤسسات تتعامل مع نموذج واحد باعتباره “الخيار الافتراضي”. بل اتجهت—في بعض الحالات—إلى استخدام خدمات توجيه النماذج (Model Routing) التي تختار تلقائيًا أنسب نموذج من بين مجموعة كبيرة، اعتمادًا على نوع المهمة ومستوى الدقة المطلوب، إضافةً إلى السعر المتوقع لكل عملية. وبدلًا من الاعتماد الكامل على مزود واحد، تقوم الأنظمة بتوزيع المهام بحيث تُسند الأعمال البسيطة أو المتوسطة إلى نماذج أرخص، بينما تُخصّص المهام الأكثر تعقيدًا للنماذج الأعلى أداءً عند الحاجة.
ومن ناحية أخرى، تعمل OpenAI على توفير أدوات تساعد العملاء على تحليل استهلاك “الأرصدة” وضبط الإنفاق بشكل أفضل، بهدف جعل إدارة التكاليف جزءًا من تجربة الاستخدام لا مجرد إجراء لاحق. وتزداد أهمية هذه الأدوات مع تزايد عدد حالات الاستخدام داخل المؤسسات، مثل تلخيص الوثائق، استخراج البيانات، ترجمة المحتوى، المساعدة في كتابة الشيفرات، وإنشاء مسودات أولية للوثائق القانونية أو التجارية.
وتفرض هذه المنافسة الجديدة ضغوطًا إضافية على شركات تُصنّف نماذجها ضمن الفئات الأعلى تكلفةً لكل مهمة. ففي بعض الحالات، تكون نماذج الشركات الأكثر تطورًا أكثر كلفة تشغيلًا، ما يدفع العملاء إلى المقارنة الصارمة بين “الجودة المطلقة” و“التكلفة الفعلية” عند التنفيذ. لذلك تحاول الشركات المنافسة—ومن ضمنها من يقدم أسعارًا ترويجية أو حزمًا—خلق معادلة جذابة تجمع بين الأداء المرتفع وانخفاض تكلفة التشغيل.
وبشكل عام، تتجه المرحلة الحالية إلى سباق متعدد المحاور: ليس فقط تحسين قدرات النماذج، بل أيضًا تقليل الرموز المطلوبة، رفع كفاءة الاستدلال (inference efficiency)، وتقديم أدوات تحكم ومراقبة تضمن عدم انفلات التكاليف. ومع استمرار ارتفاع الطلب على حلول الذكاء الاصطناعي داخل الشركات، يبدو أن معيار “التكلفة لكل مهمة” سيستمر في تحديد من يحصل على حصة أكبر في السوق—خصوصًا لدى المؤسسات التي تربط قراراتها المالية بمقاييس استخدام واضحة ومستمرة.
التعليقات