Jesse Zhang, a Decagon vezérigazgatója hétfőn publikált egy provokatív elméletet „Everyone is wrong about open source AI in the enterprise” (Mindenki téved az open source AI vállalati szerepével kapcsolatban) címmel. A bejegyzés azt a látszólagos ellentmondást vizsgálja, hogy bár érettebb AI-alkalmazások többnyire könnyebb, olcsóbb modellekre váltanak, az összköltség a csúcskategóriás, drágább modellekre gyakorlatilag nem csökkent jelentősen.
A felvetés lényege
Zhang szerint a frontier (csúcskutatói) modellek és az open-source modellek nem közvetlen versenytársak, hanem inkább két egymást követő fázisa ugyanannak az életciklusnak: a drágább frontier modellek szerepe a használati esetek felfedezése és kipróbálása, majd ezek egy részét a későbbiekben olcsóbb, open-source alternatívákba lehet átadni, amikor a megoldás érettebbé válik. Zhang összegzése: „The frontier labs will keep owning discovery. Open source will increasingly own production.”
Mit mutatnak a mérések?
Zhang maga nem közölt sok saját adatot, de több nyilvános forrásból is látszik a jelenség. A Vercel AI gateway műszerfala szerint az elmúlt héten a DeepSeek modell előretört a tokenvolumenekben, és most a vállalat infrastruktúráján áthaladó tokenek valamivel több mint egyharmadát dolgozza fel. Ugyanebben az időszakban a Z.ai — a népszerű GLM-5.2 modell mögötti labor — a negyedik helyre lépett elő.
Ha azonban a teljes token-költést nézzük, Anthropic továbbra is az összköltség több mint feléért felel a Vercel-platformon. A megoszlás az elmúlt hónapban némileg csökkent, részben Anthropic saját árnövekedése miatt, de a változás nem volt jelentős.
OpenRouter adatai hasonló képet mutatnak, bár az ott mért piac nagyobb és kevésbé „vállalati” jellegű. OpenRouter szerint a Deepseek V4Flash a heti feldolgozási volument tekintve 5,3 billió (trillion) tokent dolgoz fel, míg a legnépszerűbb frontier modell, az Opus 4.8, kicsivel több mint 2 billió tokent kezel. OpenRouter ugyan nem listázza a modelleket összkiadás szerint, de az átlagos tokenköltségek alapján az Opus 4.8 költsége nagyjából 23-szorosa a V4Flash-ének (kb. 1,37 USD per millió token kontra 0,06 USD), ami azt sugallja, hogy a frontier modell valószínűleg a költések nagyobb részét viszi el.
Ezek a számok ráadásul nem veszik figyelembe a legújabb belépőt, az Nvidia Nemotronját, amely Nvidia kapcsolatai és a modell alkalmazkodóképessége miatt várhatóan gyorsan előretörhet.
Miért nem gyengül tehát Anthropic piaca?
A párhuzamos magyarázatok a következők:
- A mesterséges intelligencia által megcélzott feladatok piaca olyan gyorsan növekszik, hogy a csúcskategóriás modellek meg tudják tartani pozíciójukat azáltal, hogy uralják a korai, felfedező fázisokat. Így bár a már érett alkalmazások átkerülnek olcsóbb modellekhez, a frontier modellek folyamatosan új, kezdeti feladatokba kerülnek be. Ez visszhangozza Zhang megfogalmazását a discovery és production szerepekről.
- Egyes felhasználási esetek egyszerűen annyira nehezek vagy érzékenyek, hogy nem helyettesíthetők teljesen olcsóbb alternatívákkal — legalábbis még nem.
Ezek együtt azt eredményezhetik, hogy a kétsebességes modellgazdaság stabil jellemzővé válik az AI-piacon: open-source modellek dominálhatják a volumennövekedés és a termelési fázisokat, a frontier labok pedig továbbra is a prémium tokenárbevétel nagy részét szerzik meg.
Korábbi előrejelzések és mit láttunk eddig
A szerző korábbi, tavaly szeptemberi gondolatai között szerepelt az is, hogy a foundation labok „kávébabokat” adhatnak a platformoknak — azaz áruféleségként működhetnek, miközben az alkalmazásréteg hasznát mások aratják le. Részben ez a forgatókönyv részben megvalósult: bizonyos vertikális AI-alkalmazások valóban könnyebb modellekre tértek át, és a „GPT wrapper” startupok gazdaságtana alapvetően stabil maradt.
Ugyanakkor a jelenlegi adatok alapján a csúcskategóriás szolgáltatók továbbra is képesek megtartani a piacnak azt a részét, amelyik a legmagasabb tokenárakat fizeti. Ebből a szempontból jelentős átrendeződés rövidtávon nem feltétlenül várható.
Összegzés
Jesse Zhang elmélete hasznos keretet ad annak megértéséhez, hogy miért él meg egyszerre a nyitott forrású modellek térnyerése és a frontier laborok piaci ereje: nem feltétlenül egymás helyettesítői, hanem egymást kiegészítő fázisai az AI-alkalmazások életciklusának. A nyilvános mérőszámok — tokenvolumenek és tokenköltségek — arra utalnak, hogy az open-source modellek volumenenként előretörtek, de a prémium tokenárak révén Anthropic és más frontier szereplők továbbra is a bevételek nagy részét megszerzik. Ennek a kétszintű struktúrának a fennmaradása reális forgatókönyv a közeljövőben.
Adatok forrása: Vercel AI gateway dashboard, OpenRouter (adatok a cikkben közölt exportok alapján). Szereplők említve: Jesse Zhang (Decagon CEO), DeepSeek, Z.ai (GLM-5.2), Anthropic, Deepseek V4Flash, Opus 4.8, Nvidia Nemotron.
