AI की वहनीयता का संकट

AI लागत, मूल्य निर्धारण, और मार्जिन

• इस पर तीखा मतभेद है कि क्या “AI बहुत महँगा है।”
  • कुछ कहते हैं कि क्षमता-आधारित API कीमतें कुछ ही वर्षों में ~50x गिर चुकी हैं; जबकि अन्य ध्यान दिलाते हैं कि प्रति-टोकन कीमतें बढ़ रही हैं और हार्डवेयर/कूलिंग लागतें विस्फोटक रूप से बढ़ रही हैं।
  • इस पर बहस है कि क्या inference उच्च-मार्जिन है (API मूल्य निर्धारण पर 75%+), या फिर अवमूल्यन और निरंतर retraining शामिल करने पर भी यह अभी सब्सिडी पर टिका है।
• Subscription बनाम प्रति-टोकन गणित विवादित है:
  • यदि पूरी तरह उपयोग किया जाए तो flat-rate योजनाएँ भारी सब्सिडी वाली दिखती हैं; आलोचक कहते हैं कि यह सामान्य under-usage और caching को नज़रअंदाज़ करता है।
  • अन्य लोग तर्क देते हैं कि API कीमतें पहले ही “soaked” हो सकती हैं, जिससे subscription तुलना भ्रामक हो जाती है।

एंटरप्राइज़ व्यवहार और “Token Panic”

• “AI free-for-all” के बाद अचानक clampdown की कई कहानियाँ हैं, जब token bills आए।
  • frontier models तक पहुँच सीमित कर दी गई, approvals और monitoring जोड़ी गई, कुछ tools पूरी तरह बंद कर दिए गए।
  • कंपनियाँ अब ROI और “cheap models by default” पर ज़ोर दे रही हैं, खासकर coding के लिए।
• महँगे tokens की माँग अत्यधिक elastic दिखती है: budgets और monitoring लागू होते ही usage गिर जाता है।

प्रतिस्पर्धा: चीनी, ओपन, और स्थानीय मॉडल

• बहुत से लोग Chinese और open-weight models (जैसे DeepSeek, Qwen, GLM) को कहीं सस्ता और तेज़ी से “good enough” बताते हैं, खासकर coding के लिए।
• कुछ shops local models, सस्ते Chinese APIs, और कुछ Western subscriptions को मिलाकर पूरी teams के लिए मासिक खर्च कुछ सौ डॉलर तक बताते हैं।
• चिंता है कि US export bans और security policies कुछ users को US models से दूर धकेलेंगी या foreign weights पर घरेलू “rebranded” training के लिए मजबूर करेंगी।

लाभप्रदता, Capex, और Bubble Risk

• GPUs और datacenters पर विशाल capex (~प्रति वर्ष सैकड़ों अरब डॉलर) संभावित रूप से अस्थिर माना जा रहा है।
  • dot-com/fiber और nuclear power economics से तुलना की जाती है; training को लगातार एक power plant फिर से बनाने जैसा कहा जाता है।
• रिपोर्ट की गई profitability पर बहस है:
  • कुछ लोग “profitable quarters” और बढ़ती revenue की ओर इशारा करते हैं।
  • अन्य तर्क देते हैं कि accounting (one-time charges, EBITDA में depreciation का न होना, stock comp, buybacks) असली economics को ढक देती है।
• कई लोग उम्मीद करते हैं कि enterprises सीमित, असमान ROI देखने पर एक shake-out या “correction” आएगा।

डेवलपर उत्पादकता और उपयोग-क्षेत्र

• कई individual devs productivity में भारी बढ़ोतरी की रिपोर्ट करते हैं: तेज़ onboarding, code generation, reviews, और data analysis।
• अन्य लोग कहते हैं कि एक बिंदु के बाद humans को अभी भी code को गहराई से समझना पड़ता है, जिससे net gains घट जाते हैं, खासकर long-lived systems के लिए।
• चिंता है कि “vibe coders” और AI पर अत्यधिक निर्भर students के पास AI-written code को review या debug करने के लिए fundamentals नहीं होंगे।

Lock-in, Regulation, और भविष्य की market structure

• durable vendor lock-in को लेकर skepticism है: harnesses पतले हैं, models कुछ हद तक interchangeable हैं, और switching अपेक्षाकृत आसान है।
• जवाब में कहा जाता है कि असली lock-in enterprise स्तर पर contracts, compliance, और proprietary agent platforms के जरिए हो सकता है।
• कुछ लोगों का अनुमान है कि LLMs अंततः commodity cloud services (जैसे databases) बन जाएँगे, जिनमें hardware/inference efficiency मुख्य moat होगी।

सामाजिक, सांस्कृतिक, और “Enshittification” चिंताएँ

• AI-चालित enshittification का डर: सर्वव्यापी ads, AI-generated slop का forums को भर देना, और “assistant” interfaces में सूक्ष्म manipulation।
• आशंका है कि frontier labs का अस्तित्व white-collar labor, खासकर software engineers, के बड़े हिस्से को बदलने पर निर्भर है।
• अन्य लोग मानते हैं कि “intelligence” की माँग प्रभावी रूप से अनंत है और वित्तीय उथल-पुथल के बावजूद LLMs यहाँ टिके रहेंगे और सुधार जारी रखेंगे।