Roczny wskaźnik przychodów modeli AI w Chinach może osiągnąć 13 mld USD do końca roku, ale test przychodów dopiero się zaczyna

Goldman Sachs trafił do Google News z uderzającą prognozą: roczny wskaźnik przychodów z modeli AI w Chinach może osiągnąć 13 mld USD do końca roku. Szacunek sugeruje, że chińscy dostawcy wykraczają poza zwycięstwa w benchmarkach i darmowe chatboty. Nagłówek rodzi jednak trudniejsze pytanie. Czy szybko rosnące użycie może przełożyć się na trwałe przychody, podczas gdy ceny tokenów nadal spadają?

Liczba pojawia się w okresie rosnącego popytu na chińskie modele ze strony programistów, przedsiębiorstw i użytkowników zagranicznych. DeepSeek zmienił postrzeganie ich efektywności na początku 2025 roku. Alibaba, Moonshot AI, Z.ai i inni dostawcy od tego czasu wprowadzili nowe modele, aplikacje i usługi chmurowe na coraz bardziej zatłoczony rynek.

Główna rywalizacja nie polega już po prostu na starciu Chin ze Stanami Zjednoczonymi. Chodzi o wzrost przychodów w warunkach agresywnej presji na ceny. Chińscy dostawcy potrzebują niższych kosztów, aby zdobywać użytkowników, ale te same mechanizmy ekonomiczne mogą osłabiać przychody generowane przez każde zapytanie.

Co faktycznie mówi nam nagłówek Google News o 13 mld USD

Prognoza ma znaczenie, ponieważ przedstawia chińską AI jako rynek komercyjny, a nie wyłącznie techniczne wyzwanie dla amerykańskich laboratoriów.

Nagłówek Google News przypisuje Goldman Sachs szacunek 13 mld USD na koniec roku. Dostępny materiał syndykowany nie ujawnia jednak podstawowego modelu, podziału według spółek ani okresu kalkulacji. Liczbę należy więc traktować jako raportowaną prognozę, a nie zweryfikowane przychody branży.

Roczny wskaźnik przychodów, czyli ARR, to miara tempa przychodów oparta na bieżącej sprzedaży cyklicznej. Jest przydatny do szacowania skali subskrypcji i zakontraktowanych usług. Nie jest tym samym co przychód już rozpoznany w zakończonym roku finansowym.

To rozróżnienie staje się ważne, gdy rynek szybko rośnie. Dostawca może zakończyć grudzień z wysokim rocznym wskaźnikiem przychodów po ekspansji w drugiej połowie roku. Jego faktyczne przychody zebrane w całym roku mogą pozostać znacznie niższe.

Prognoza wydaje się też obejmować rynek szerszy niż subskrypcje konsumenckich chatbotów. Goldman Sachs wcześniej wskazywał szkolenie modeli, dalsze dostrajanie, inferencję oraz aplikacje AI jako kanały monetyzacji. Dalsze dostrajanie dostosowuje model do wymagań klienta, natomiast inferencja to obliczenia wykonywane, gdy użytkownicy przesyłają nowe zapytania.

Wcześniejsza analiza przychodów z AI Goldman Sachs wskazywała, że chińscy hyperscalerzy zaczynali generować szybko rosnącą sprzedaż związaną z AI. Wyróżniała generowanie wideo, edycję obrazów i rozpoznawanie obiektów jako wiodące zastosowania komercyjne.

Analiza opisywała również trudny rynek konsumencki. Goldman twierdził, że wiodące chatboty w Chinach były darmowe i miały wówczas nieistotną liczbę płacących użytkowników. W efekcie większa część ciężaru monetyzacji spoczywała na obliczeniach dla przedsiębiorstw i wyspecjalizowanych aplikacjach.

Kwota 13 mld USD może obejmować przychody z kilku warstw tego stosu technologicznego. Dostawcy chmury sprzedają dostęp do modeli przez interfejsy programowania aplikacji, czyli API. Programiści używają API, aby osadzać możliwości modeli we własnym oprogramowaniu. Dostawcy mogą także sprzedawać dedykowane wdrożenia, dostosowywanie modeli, subskrypcje i usługi aplikacyjne.

Bez opublikowanej metodologii sumowanie tych kategorii tworzy potencjalne niejasności. Twórca modelu może uzyskiwać przychody z API za pośrednictwem partnera chmurowego. Partner może raportować tę aktywność jako przychody z chmury AI. Zliczanie obu pozycji zawyżyłoby wartość ekonomiczną wytworzoną dla klientów końcowych.

Kolejną zmienną jest przeliczenie walut. Dostawcy uzyskują większość krajowych przychodów w renminbi, podczas gdy nagłówek przedstawia szacunek w dolarach. Zmiany kursów walut mogą przesunąć raportowaną sumę, nawet jeśli bazowa działalność pozostaje bez zmian.

Prognoza pozostaje użyteczna jako sygnał kierunkowy. Wskazuje, że Goldman postrzega komercjalizację jako postępującą wystarczająco szybko, aby uzasadnić oszacowanie wskaźnika dla całego rynku. Czytelnicy nie powinni jednak interpretować jednej liczby z nagłówka jako czystej miary zysku, generowania gotówki czy zakończonej rocznej sprzedaży.

To zastrzeżenie prowadzi do kluczowego testu. Chińscy dostawcy zbudowali strategię pozyskiwania użytkowników wokół niedrogich modeli. Muszą teraz udowodnić, że ogromna skala użycia może zrekompensować spadający przychód na token.

Spadające koszty inferencji stworzyły tę szansę

Szansa na przychody z AI w Chinach istnieje, ponieważ niższe koszty inferencji uczyniły eksperymentowanie przystępnym dla większej liczby produktów i organizacji.

Goldman Sachs oszacował w styczniu 2025 roku, że koszty inferencji w Chinach spadły o ponad 95% w ciągu poprzedniego roku. Jego analiza kosztów przekonywała, że tańsze wykonywanie modeli zachęci do większej liczby zastosowań generatywnej AI.

Inferencja występuje po szkoleniu modelu. Obejmuje obliczenia wykorzystywane do odpowiedzi na prompt, wygenerowania obrazu, napisania kodu lub wykonania innego zadania w czasie rzeczywistym. Każde dodatkowe zapytanie zużywa moc obliczeniową, dlatego ekonomika inferencji kształtuje zarówno ceny dla klientów, jak i marże dostawców.

Niższe koszty pozwalają programistom testować więcej przypadków użycia bez podejmowania dużych zobowiązań. Sprzedawca detaliczny może podsumowywać rozmowy z pomocą techniczną. Firma programistyczna może dodać wsparcie w kodowaniu. Zespół medialny może tworzyć wizualne szkice, a producent może przetwarzać obrazy z kontroli jakości.

Agenci AI wzmacniają ten efekt. Agent wykonuje wieloetapowe zadanie, wielokrotnie wywołując modele, sprawdzając wyniki i wybierając kolejne działania. Jedno zapytanie użytkownika może zatem powodować wielokrotnie większe zużycie tokenów niż odpowiedź konwencjonalnego chatbota.

Mechanizm ten sprzyja dostawcom oferującym akceptowalną wydajność przy niskim koszcie. Model nie musi przewodzić w każdym benchmarku, jeśli działa niezawodnie w ramach określonego procesu. Programiści często bardziej dbają o opóźnienia, spójność, wysiłek integracyjny i całkowity koszt operacyjny.

Chińskie laboratoria postawiły na tę pozycję. DeepSeek przyciągnął globalną uwagę, prezentując wydajne modele rozumowania o konstrukcji nastawionej na efektywność. Rodzina Qwen firmy Alibaba zyskała szeroką widoczność wśród programistów dzięki modelom do pobrania i dostępowi przez chmurę. Moonshot AI i Z.ai również konkurowały poprzez częste premiery i oferty o niższych kosztach.

Najnowsze dane dotyczące adopcji wspierają ten podstawowy kierunek. Associated Press podała, że pięć najczęściej używanych modeli w OpenRouter w ostatnim miesiącu było chińskich. OpenRouter agreguje dostęp do wielu modeli, co czyni jego aktywność użytecznym sygnałem dla programistów, choć nie reprezentuje całego rynku.

Ten sam raport o adopcji stwierdzał, że chińskie modele przyciągają amerykańskich użytkowników, ponieważ są przystępne cenowo i coraz bardziej zaawansowane. Wskazywał firmy oceniające je pod kątem programowania, badań, wyszukiwania potencjalnych klientów oraz innych praktycznych zadań.

Popyt ten wykracza poza Chiny. Goldman wcześniej szacował, że chińscy hyperscalerzy generowali od 90% do 95% swoich przychodów na rynku krajowym. Mimo to wskazywał Azję, Bliski Wschód i Amerykę Łacińską jako rynki ekspansji dla nowych centrów danych i usług.

Generowanie obrazów już dostarcza dowodów na tę zagraniczną szansę. Goldman podał, że rynki zagraniczne przynosiły większe przychody niż Chiny dla niektórych zastosowań do generowania wideo i edycji obrazów. Produkty te mogą obsługiwać globalnych klientów bez konieczności uwzględniania w każdej interakcji rozległego lokalnego kontekstu biznesowego.

Otwarte modele również zmniejszają bariery adopcji. Programiści mogą przeglądać dostępny kod, wdrażać modele w wybranych środowiskach i dostosowywać swoje systemy. Ta elastyczność jest atrakcyjna dla firm obawiających się uzależnienia od jednego zamkniętego API.

Pobrania i wolumen tokenów nie przekładają się jednak automatycznie na cykliczną sprzedaż. Programista może korzystać z wag modelu do pobrania bez płacenia laboratorium, które go stworzyło. Dostawca chmury uzyskuje przychody tylko wtedy, gdy klienci korzystają z jego hostowanej infrastruktury lub kupują powiązane usługi.

Tworzy to wyzwanie związane z konwersją. Chińscy dostawcy muszą przekształcić techniczną dystrybucję w płatną inferencję, zarządzane wdrożenia, wsparcie dla przedsiębiorstw lub własne aplikacje. Prognoza 13 mld USD zależy od tego, czy ten pomost stanie się komercyjnie znaczący dla wielu klientów.

Organizacje oceniające te usługi mierzą się także z problemem informacyjnym. Zapowiedzi modeli, benchmarki, przeglądy bezpieczeństwa i wyniki testów wewnętrznych pochodzą z różnych miejsc. Przeszukiwalna baza wiedzy AI może pomóc zespołom zachować te dowody przed powierzeniem procesu jednemu dostawcy.

Historia adopcji jest więc realna, lecz niepełna. Niższe koszty inferencji zwiększają liczbę ekonomicznie opłacalnych zadań. Pozostaje pytanie, czy dostawcy zdołają zachować wystarczającą wartość po obniżeniu kosztu każdego zadania.

Alibaba, DeepSeek i chińscy dostawcy AI stoją przed paradoksem przychodów

Najsilniejsza broń rynku w walce o adopcję, agresywna efektywność, wywiera również bezpośrednią presję na prognozę przychodów.

Chińscy dostawcy modeli rywalizują o programistów niższymi kosztami użycia, otwartymi premierami i szybką iteracją. Takie działania mogą zwiększać całkowity popyt. Mogą też utrudniać utrzymanie siły cenowej któremukolwiek dostawcy.

Podstawowe równanie ma trzy części: wolumen zapytań, przychód na zapytanie oraz koszt obsłużenia każdego zapytania. Spadające ceny pomagają przychodom tylko wtedy, gdy użycie rośnie szybciej niż spada kwota zarabiana na jednostce. Zysk wymaga kolejnego warunku: koszty obsługi muszą spadać wystarczająco szybko, aby zachować marżę.

Agenci AI poprawiają stronę wolumenu tego równania. Mogą wielokrotnie wywoływać modele podczas przeszukiwania dokumentów, pisania kodu lub koordynowania narzędzi programowych. Goldman Sachs prognozował znaczny wzrost globalnej liczby zapytań do modeli wraz z rozprzestrzenianiem się systemów agentowych.

Jednak konkurencja cenowa może pochłonąć ten wzrost. Jeśli jeden dostawca obniża stawki, rywale muszą zdecydować, czy pójść w jego ślady. Klienci mogą też kierować różne zadania do kilku modeli, przekazując proste prace do najtańszej akceptowalnej opcji.

Otwarte modele nasilają presję. Firma chmurowa może hostować model innej firmy, zamiast płacić jego twórcy za każde wywołanie. Duzi klienci mogą uruchamiać pobrane wagi na własnej infrastrukturze. Laboratorium może zyskać wpływ, jednocześnie przechwytując ograniczone bezpośrednie przychody.

Alibaba ma w tej rywalizacji przewagi strukturalne. Kontroluje dużą platformę chmurową, rozwija modele Qwen i oferuje aplikacje biznesowe. Ta integracja daje mu kilka możliwości monetyzacji tej samej fali popytu.

Spółka wyznaczyła sobie cel przekroczenia 100 mld USD łącznych przychodów z AI i chmury w ciągu pięciu lat. Jej przychody z chmury wzrosły o 36% w kwartale od października do grudnia opisanym w marcowym raporcie wyników z 2026 roku. Jednak całkowity kwartalny zysk Alibaba spadł o 67%, ponieważ wzrosły szersze wydatki.

Wyniki te ilustrują główny konflikt na rynku. Popyt na chmurę i AI może rosnąć, podczas gdy inwestycje i konkurencja obniżają krótkoterminowe zyski. Sam wzrost przychodów nie pokazuje, czy dostawcy uzyskują odpowiednią stopę zwrotu z infrastruktury.

Alibaba zobowiązał się również zainwestować co najmniej 380 miliardów juanów w ciągu trzech lat w infrastrukturę chmurową i AI. Moce obliczeniowe wspierają szersze wykorzystanie modeli, lecz zwiększają też przychody niezbędne do uzasadnienia tych wydatków. Firma musi równoważyć dostępność, jakość usług i dyscyplinę kapitałową.

DeepSeek obrał inną drogę. Jego modele pomogły uczynić efektywność kluczowym priorytetem konkurencyjnym. Wpływ firmy wykracza poza przychody bezpośrednio jej przypisywane, ponieważ inne platformy mogą wdrażać jej rozwiązania lub budować na bazie jej wydań.

To sprawia, że DeepSeek jest istotny dla tezy o 13 miliardach dolarów, choć nie czyni go oczywistym beneficjentem wynikających z niej przychodów. Jego modele mogą stymulować wykorzystanie chmury u zewnętrznych dostawców. Korzyści ekonomiczne mogą przypadać operatorom infrastruktury, twórcom aplikacji i integratorom dla przedsiębiorstw.

Z.ai pokazuje inną stronę tego kompromisu. Według Associated Press firma odnotowała w poprzednim roku wzrost przychodów o 132%, do 724 milionów juanów. Jej strata netto wzrosła o 60%, do 4,7 miliarda juanów.

Liczby te pokazują, dlaczego ARR wymaga kontekstu. Szybki wzrost powtarzalnych przychodów może współistnieć ze znacznie większymi stratami, gdy badania, zasoby obliczeniowe i pozyskiwanie klientów pozostają kosztowne. Wskaźnik przychodów dostawcy w ujęciu rocznym nie odpowiada na pytanie, czy jego działalność może finansować dalszy rozwój modeli.

Niedawny wzrost popytu na rozwiązania Moonshot AI niesie podobną lekcję dotyczącą dostępnych mocy. Associated Press podała, że firma tymczasowo wstrzymała nowe subskrypcje po tym, jak zainteresowanie jej modelem Kimi nadwyrężyło dostępne zasoby. Wysoki popyt potwierdza zainteresowanie produktem, ale ograniczanie dostępu zmniejsza też możliwości natychmiastowej monetyzacji.

Amerykańscy dostawcy stoją przed własną wersją tego problemu. OpenAI, Anthropic i Google konkurują możliwościami modeli z najwyższej półki, platformami dla deweloperów i integracjami biznesowymi. Mają większy dostęp do zaawansowanych chipów i dojrzałej infrastruktury chmurowej, ale ich zobowiązania dotyczące trenowania i inferencji są znaczące.

Granica konkurencji staje się też mniej geograficzna. Amerykański deweloper może korzystać z chińskiego otwartego modelu za pośrednictwem globalnej usługi hostingowej. Chińskie przedsiębiorstwo może łączyć krajowe modele z wewnętrznymi danymi i specjalistycznym oprogramowaniem. Klienci coraz częściej porównują obciążenia robocze, a nie krajowe portfolio modeli.

Osłabia to prostą narrację o rywalizacji Chin z Ameryką. Chińscy dostawcy wywierają presję na amerykańskie laboratoria pod względem kosztów, lecz jeszcze większą presję wywierają na siebie nawzajem. Każde nowe niskokosztowe wydanie może zmienić oczekiwania klientów na całym krajowym rynku.

Szacunek Goldman stanie się bardziej wiarygodny, jeśli dostawcy utrzymają wzrost bez polegania na rosnących subsydiach. Osłabnie, jeśli udział w rynku będzie wymagał kolejnych obniżek cen, które wyprzedzają popyt na tokeny. Rozstrzygające dowody będą wynikać z jakości przychodów, a nie z pozycji w rankingach benchmarków.

Czego nie pokazuje szacunek ARR

Największą niewiadomą jest sposób pomiaru, ponieważ chiński rynek AI nie ma spójnej, publicznie ujawnianej definicji ARR modeli.

ARR najlepiej sprawdza się w przypadku stabilnych umów subskrypcyjnych. Usługi modelowe często łączą subskrypcje, rozliczane według zużycia API, umowy chmurowe, prace wdrożeniowe i kredyty promocyjne. Ujęcie tych strumieni w skali rocznej może dawać liczbę, która wygląda na precyzyjną, choć opiera się na zmiennych założeniach.

Przychody zależne od wykorzystania są szczególnie zmienne. Deweloper może generować duży ruch podczas premiery produktu, a w następnym miesiącu go ograniczyć. Pomnożenie jednego mocnego miesiąca przez dwanaście może zawyżać trwały popyt.

Umowy korporacyjne mogą stwarzać odwrotny problem. Długoterminowe porozumienie może obejmować zarezerwowaną moc obliczeniową, wsparcie, dostosowanie modelu i przechowywanie danych. Zaklasyfikowanie całej umowy jako ARR modelu może zacierać to, który produkt wygenerował przychód.

Przychody z aplikacji rodzą kolejne pytanie o granice kategorii. Usługa AI do tworzenia wideo zależy od modeli, ale klienci płacą za doświadczenie związane z aplikacją. Ujęcie pełnych przychodów z jej subskrypcji sprawia, że rynek wygląda na większy niż wtedy, gdy liczy się wyłącznie komponenty modelowe i obliczeniowe.

Podawana prognoza 13 miliardów dolarów może wykorzystywać solidne wewnętrzne ramy analityczne. Publiczny nagłówek nie zawiera jednak wystarczających szczegółów, by ją ocenić. Nie ma widocznej listy spółek, definicji kategorii, założenia dotyczącego waluty ani uzgodnienia z raportowanymi sprawozdaniami finansowymi.

To ograniczenie nie unieważnia prognozy. Badania rynku akcji często łączą prognozy spółek, kontrole kanałów sprzedaży, popyt na zasoby obliczeniowe i szacunki analityków. Oznacza jednak, że czytelnicy powinni unikać traktowania tej liczby jako niezależnie audytowanej wartości całego rynku.

Drugim pominiętym elementem jest rentowność. Dostawcy muszą płacić za chipy, energię elektryczną, sieci, pojemność centrów danych, inżynierię i obsługę klientów. Ekspansja zagraniczna zwiększa koszty zgodności, lokalizacji, sprzedaży i infrastruktury.

Goldman prognozował wcześniej, że wiodące chińskie spółki internetowe zainwestują w 2026 roku ponad 70 miliardów dolarów w centra danych i powiązane moce AI. Jego perspektywa infrastrukturalna opisywała sektor jako znajdujący się w fazie „najpierw budowa”.

Te wydatki mogą zapewnić wystarczającą moc dla aplikacji agentowych. Mogą też wyprzedzić monetyzację, jeśli wdrażanie rozwiązań biznesowych będzie postępować wolniej od oczekiwań. Centrów danych nie da się łatwo ograniczyć po podjęciu długoterminowych zobowiązań dotyczących energii, gruntów i sprzętu.

Dostęp do sprzętu pozostaje kolejnym ograniczeniem. Amerykańskie kontrole eksportowe ograniczają Chinom dostęp do części zaawansowanych chipów AI. Chińscy dostawcy coraz częściej korzystają z krajowych akceleratorów, lecz kompatybilność oprogramowania i moce produkcyjne nadal wpływają na decyzje wdrożeniowe.

Goldman podawał, że chińskie firmy tradycyjnie przeznaczały od 50% do 75% nakładów inwestycyjnych na zagraniczne chipy, przy czym równowaga przesuwa się w kierunku krajowych dostawców. Ta transformacja może poprawić odporność łańcucha dostaw. Może jednak również wymagać prac inżynieryjnych, aby dostosować modele i aplikacje do różnych systemów sprzętowych.

Ryzyko geopolityczne komplikuje wzrost za granicą. Rządy mogą wprowadzać przeglądy bezpieczeństwa, ograniczenia zamówień publicznych lub nowe kontrole eksportowe. Przedsiębiorstwa mogą również odrzucić model, jeśli nie są w stanie ustalić, gdzie przetwarzane są prompty, wyniki i dane operacyjne.

Jakość modeli stanowi odrębną kwestię. Chińskie systemy stały się konkurencyjne w programowaniu, badaniach i typowych zadaniach asystenckich. Niezależni ewaluatorzy nadal stwierdzają nierówną wydajność w zakresie wyspecjalizowanych funkcji, języków, użycia narzędzi i trudnych zadań wymagających rozumowania.

Model wystarczająco dobry dla jednego procesu może nie nadawać się do innego. Przedsiębiorstwa muszą testować niezawodność na własnych dokumentach i w warunkach awaryjnych. Publiczne benchmarki nie mogą w pełni odzwierciedlić prywatnych procesów biznesowych.

Bezpieczeństwo i zarządzanie mają równie duże znaczenie jak wyniki benchmarków. Niedrogi model może stać się kosztowny, jeśli ujawnia poufne dane, generuje niewiarygodne działania lub wymaga szerokiego nadzoru człowieka. Nabywcy będą oceniać cały system operacyjny, a nie tylko stawki za tokeny.

Wymogi regulacyjne w Chinach również kształtują zachowanie modeli i sposób ich wdrażania. Dostawcy muszą przestrzegać krajowych zasad regulujących publiczne usługi generatywnej AI. Klienci zagraniczni mogą stosować inne standardy prywatności, praw autorskich, przejrzystości i zautomatyzowanych decyzji.

Te niepewności wyznaczają wymagający standard dowodowy. Silna wartość ARR wymaga potwierdzenia poprzez ujęte w księgach przychody, retencję klientów, marże brutto i powtarzalne płatne obciążenia robocze. Liczba pobrań i tymczasowe skoki ruchu nie mogą samodzielnie stanowić takiego dowodu.

Prognozę należy zatem odczytywać jako tezę podlegającą weryfikacji. Wskazuje ona, że chiński rynek niskokosztowych modeli zbliża się do skali komercyjnej. Nie dowodzi jednak, że każdy dostawca znalazł zrównoważony model biznesowy.

Trzy sygnały zweryfikują prognozę Google News

Kolejne trzy sygnały pokażą, czy fala wdrażania AI w Chinach generuje trwałe przychody, czy jedynie większe wolumeny przy niższych cenach.

Pierwszym sygnałem są ujęte w księgach przychody z AI u głównych dostawców chmury. Alibaba, Baidu i Tencent mogą dostarczyć rynkowi bardziej jednoznacznych dowodów poprzez ujawnienia wyników finansowych. Inwestorzy potrzebują spójnych danych oddzielających usługi modeli AI od ogólnych usług chmurowych i niepowiązanych aplikacji.

Wzrost wzmocniłby prognozę, gdyby utrzymał się przez kilka okresów sprawozdawczych. Pojedynczy kwartał przeliczony na skalę roczną byłby mniej przekonujący. Najlepsze dowody łączyłyby wyższe przychody z AI z rosnącym wykorzystaniem przez klientów i poprawą marż chmurowych.

Alibaba zasługuje na szczególną uwagę, ponieważ łączy rozwój Qwen z dystrybucją chmurową. Jego szeroka platforma może przechwytywać popyt na trenowanie, inferencję, przechowywanie danych i aplikacje. Może również zacierać warstwę modelową, gdy te usługi są raportowane łącznie.

Baidu oferuje kolejny użyteczny test dzięki działalności modelowej i chmurowej. Tencent może pokazać, czy wykorzystanie AI rozprzestrzenia się w komunikacji, grach, reklamie i usługach dla przedsiębiorstw. Podobne tempo we wszystkich trzech firmach sugerowałoby zmianę na całym rynku, a nie wybór księgowy jednej spółki.

Drugim sygnałem jest relacja między wolumenem tokenów a cenami jednostkowymi. Dostawcy muszą ujawniać wystarczająco dużo informacji operacyjnych, aby pokazać, czy wzrost wykorzystania wyprzedza spadki cen. Stabilne lub rosnące marże brutto nadałyby wskaźnikowi 13 miliardów dolarów w skali rocznej większe znaczenie ekonomiczne.

Wdrożenia agentowe mogłyby przynieść taki wynik. Agent korporacyjny może wykonać dziesiątki wywołań modelu w trakcie jednego zadania. Jeśli takie procesy wejdą do regularnej produkcji, całkowite zużycie może rosnąć szybciej, niż spadają deklarowane stawki API.

Tymczasowe promocje wskazywałyby na przeciwny kierunek. Darmowe kredyty i subsydiowany dostęp mogą zwiększać mierzoną aktywność bez tworzenia trwałych przychodów. Klienci przyciągnięci wyłącznie najniższą stawką mogą ponownie zmienić dostawcę, gdy zareaguje konkurent.

Niedobory mocy również wymagają ostrożnej interpretacji. Pokazują, że popyt przekroczył dostępne możliwości świadczenia usług w określonym momencie. Nie ujawniają, ile użytkownicy zapłacą, gdy pojawi się dodatkowa pojemność, a początkowe zainteresowanie osłabnie.

Trzecim sygnałem jest retencja za granicą po przeglądach bezpieczeństwa i zgodności. Chińscy dostawcy już przyciągają deweloperów spoza swojego rynku krajowego. Trwałe umowy międzynarodowe rozszerzyłyby ich bazę przychodową i zmniejszyły zależność od intensywnej konkurencji krajowej.

Retencja ma większe znaczenie niż początkowe testy. Deweloperzy rutynowo oceniają kilka modeli, zanim wybiorą konfigurację produkcyjną. Dostawca wygrywa komercyjnie wtedy, gdy aplikacje nadal generują płatny ruch po zakończeniu testów.

Wdrożenie w przedsiębiorstwach będzie wymagało wyraźniejszych zapewnień dotyczących obsługi danych, aktualizacji modeli, dostępności usług i odpowiedzialności prawnej. Dostawcy spełniający te wymagania mogą przekształcić niskokosztowe eksperymenty w dłuższe umowy. Ci, którzy nie potrafią tego zrobić, mogą pozostać popularni w projektach osobistych bez pozyskania dużych klientów.

Zmiany polityczne mogą szybko wzmocnić lub osłabić ten sygnał. Dodatkowe ograniczenia mogłyby zamknąć kanały zamówień publicznych w niektórych krajach. Ograniczenia dotyczące amerykańskich usług mogłyby również stworzyć w innych miejscach możliwości dla chińskich alternatyw.

Dystrybucja open source dodaje niuansów. Powszechne samodzielne hostowanie może ustanowić chiński model standardem technicznym bez generowania bezpośredniej sprzedaży API. Ten wpływ nadal ma znaczenie, ponieważ może wspierać usługi dla przedsiębiorstw, partnerstwa i wdrożenia chmurowe.

Czytelnicy śledzący tę historię za pośrednictwem Google News powinni powstrzymać się od sprowadzania jej do jednej liczby na koniec roku. Istotne pytanie brzmi, czy ujęte w księgach przychody, ekonomika jednostkowa i retencja klientów poruszają się w tym samym kierunku.

Jeśli ujawnienia dotyczące chmury się poprawią, marże się utrzymają, a klienci zagraniczni pozostaną po okresach próbnych, raportowana prognoza Goldman będzie wyglądać coraz bardziej wiarygodnie. Jeśli ceny będą nadal gwałtownie spadać, podczas gdy straty i subsydia będą rosnąć, nagłówek trafniej zmierzy aktywność niż wartość.

Deweloperzy i nabywcy korporacyjni mogą działać, zanim zapadnie ten werdykt. Powinni porównywać modele na jasno zdefiniowanym obciążeniu, dokumentować wskaźniki błędów, mierzyć pełne koszty operacyjne i zachowywać alternatywy. Przydatna ocena uwzględnia koszty bezpieczeństwa i weryfikacji przez ludzi obok zużycia tokenów.

Ta sama dyscyplina dotyczy pracowników umysłowych wybierających aplikacje AI. Niższe koszty modeli mogą wspierać lepsze narzędzia do wyszukiwania, tworzenia szkiców i analizy. Jednak niezawodne przepływy pracy wymagają możliwych do prześledzenia źródeł, kontrolowanego dostępu i jasnych zasad postępowania z informacjami wrażliwymi.

Chińscy dostawcy już zmienili rynek, czyniąc zaawansowaną AI tańszą i bardziej dostępną. Ich kolejne wyzwanie jest trudniejsze. Muszą wykazać, że przystępność cenowa tworzy powtarzalny biznes, a nie niekończący się wyścig ku coraz tańszej inteligencji.

Prognoza Google News na poziomie 13 mld dolarów wyznacza temu testowi widoczny cel. Warto obserwować, co firmy ujmują jako przychód, ile zachowują po kosztach obsługi oraz czy klienci nadal płacą, gdy pojawia się najnowszy model.