OpenAI और Anthropic ने कुछ ही महीनों में अपने LLM की कीमतें 80% तक घटा दीं। क्यों?
OpenAI और Anthropic की तेज़ और भारी कीमत-कटौती को इस बात के संकेत के रूप में देखा जा रहा है कि large language model inference अब एक कम-मार्जिन कमोडिटी बनता जा रहा है, जिस पर आक्रामक चीनी प्रदाताओं और लगातार सक्षम होते open-weight मॉडलों का दबाव है। टिप्पणीकारों का तर्क है कि efficiency gains और बेहतर inference optimizations ने गिरावट के कुछ हिस्से को समझाया है, लेकिन वे इस पर सवाल उठाते हैं कि क्या ये व्यवसाय कभी विशाल training और infrastructure लागतें पूरी कर पाएँगे, जिससे AI bubble या अंततः consolidation की आशंका पैदा होती है। कई लोगों को उम्मीद है कि incumbents नियामकीय लाभ हासिल करने, enterprise contracts और “agentic” assistants पर ध्यान केंद्रित करने की कोशिश करेंगे, जबकि उपभोक्ताओं को अल्पावधि में सस्ती पहुँच का लाभ मिलेगा.
कमोडिटीकरण और मूल्य-युद्ध
- कई लोग इसे एक क्लासिक race-to-the-bottom मानते हैं: LLMs बैंडविड्थ या एयरलाइंस जैसी कमोडिटी बनते जा रहे हैं, जहाँ मार्जिन पतले हैं और मूल्य-प्रतिस्पर्धा तीव्र है।
- मूल्य कटौती को व्यापक रूप से ओपन-वेट मॉडलों और खासकर सस्ते चीनी APIs (DeepSeek, Kimi, GLM, Qwen) से आए प्रतिस्पर्धी दबाव से जोड़ा जाता है।
- कुछ का तर्क है कि OpenAI/Anthropic मुख्यतः एक-दूसरे से लड़ रहे हैं; जबकि अन्य कहते हैं कि असली खतरा “कम लागत पर पर्याप्त अच्छा” है, जो ओपन/लोकल मॉडलों और थर्ड-पार्टी inference providers से आ रहा है।
तकनीकी दक्षता और लागत-चालक
- कई टिप्पणियाँ rapid efficiency gains (KV-cache tricks, बेहतर inference engines, model slimming/distillation) की ओर इशारा करती हैं, जो per-token लागत को बहुत कम कर रहे हैं।
- DeepSeek के प्रकाशित आँकड़े (एक छोटे, optimized मॉडल पर प्रति GPU-hour उच्च revenue) को अक्सर इस बात के प्रमाण के रूप में उद्धृत किया जाता है कि inference बहुत लाभदायक हो सकता है।
- अन्य लोग नोट करते हैं कि ये आँकड़े self-reported हैं, लगभग पूर्ण utilization मान लेते हैं, और training/R&D या customer acquisition को शामिल नहीं करते।
लाभप्रदता, टिकाऊपन, और बबल संबंधी चिंताएँ
- मौजूदा अर्थशास्त्र टिकाऊ हैं या नहीं, इस पर तीखा मतभेद है:
- एक पक्ष: inference margins “bonkers” हैं, जिससे 80% price cuts के बाद भी positive cashflow रह सकता है।
- दूसरा: labs कुल मिलाकर “wildly unprofitable” हैं; training और capex, inference profits से कहीं भारी हैं, और मौजूदा pricing multi-trillion valuations को न्यायसंगत नहीं ठहरा सकती।
- तुलना airlines, telco fiber overbuild, dot-com, और blockchain से की जाती है: तकनीक मूल्यवान है, लेकिन business models खराब या boom-bust हो सकते हैं।
नियमन, मोअट, और भू-राजनीति
- कई लोग AI regulation के लिए बढ़ते दबाव को regulatory capture का प्रयास मानते हैं: open-weight और विदेशी (खासकर चीनी) मॉडलों को प्रतिबंधित कर अमेरिकी incumbents के margins बचाए जाएँ।
- चीनी/open models पर bans की व्यवहार्यता और प्रभाव पर बहस है: इससे likely law-abiding firms को bad actors से अधिक नुकसान होगा, और दूसरे देशों को लाभ मिल सकता है।
- कुछ लोग outright prohibition की बजाय “certified safe” योजनाओं, compliance requirements, और insurance pressures के जरिए de facto bans की उम्मीद करते हैं।
उपयोग, “Unlimited” योजनाएँ, और माँग
- यह संदेह है कि वास्तविक “unlimited” token plans मौजूद हो सकते हैं, क्योंकि ऊर्जा और compute की वास्तविक लागतें हैं; हालांकि कुछ लोग mobile-style “unlimited with soft caps” की उम्मीद करते हैं।
- अन्य लोग संभावित overbuild की ओर संकेत करते हैं: यदि मॉडल बहुत अधिक efficient हो जाते हैं और demand संतृप्त हो जाती है, तो अतिरिक्त GPU capacity पैदा हो सकती है, जिससे prices और नीचे जा सकती हैं।