Raport Epoch AI dotyczący kosztów wykazał, że ceny AI spadają szybciej niż zgodnie z prawem Moore’a
Epoch AI twierdzi, że od 2023 roku koszt osiągnięcia określonego poziomu wydajności AI spadał o 47% na kwartał. Nowy raport kosztowy Epoch AI przekłada to tempo na 13-krotny roczny spadek — znacznie szybszy niż historyczna poprawa w sprzęcie komputerowym.
Nie oznacza to, że każdy rachunek za AI spada o tę samą wartość. Pomiar dotyczy najtańszego dostępnego sposobu osiągnięcia zdefiniowanego wyniku w pięciu benchmarkach obejmujących matematykę, naukę i gry. To rozróżnienie ma znaczenie, ponieważ nowsze modele mogą zapewniać porównywalne rezultaty, zużywając mniej zasobów lub korzystając z tańszej infrastruktury.
Porównanie z prawem Moore’a wciąż robi wrażenie. Przetwarzanie danych stawało się stopniowo tańsze przez dekady, umożliwiając rozwój komputerów osobistych, smartfonów i usług chmurowych. Epoch AI argumentuje, że ceny AI skorygowane o wydajność spadają obecnie sześć razy szybciej niż historyczne ceny przetwarzania.
Bezpośrednimi beneficjentami są programiści i organizacje, które mogą przenosić obciążenia między modelami. Presja dotyka OpenAI, Anthropic, Google oraz zewnętrzne usługi AI potrzebujące powtarzalnych przychodów. Model premium może zyskać przewagę, lecz jego ekonomiczna wartość może zniknąć w ciągu kilku miesięcy.
To tworzy centralne napięcie. Tańsza inteligencja wspiera szersze wdrożenia, ale ten sam spadek osłabia lojalność opartą na cenie i ogranicza wartość samego dostępu do modeli. Trwały biznes może znajdować się ponad warstwą modelu — tam, gdzie produkty zachowują kontekst, integrację z procesami pracy, zaufanie i własne dane.
Co właściwie zmierzył raport kosztowy Epoch AI
Epoch AI zmierzyło spadający koszt wyniku, a nie tylko reklamowaną cenę tokena AI.
Organizacja badawcza opublikowała swoją analizę kosztów 22 września 2026 roku. Badacze Luke Emberson i David Roodman przeanalizowali wydajność modeli i koszty w pięciu benchmarkach, począwszy od 2023 roku.
Benchmarki obejmują trudne pytania z matematyki, nauk na poziomie studiów magisterskich, szachów i innych gier wymagających umiejętności. Następnie Epoch AI oszacowało najtańszą dostępną drogę do każdego osiągalnego poziomu wydajności w różnych momentach.
Tę granicę nazywa się frontem Pareto. Reprezentuje ona modele zapewniające najlepszą dostępną wydajność przy określonym koszcie. Model poza tym frontem kosztuje więcej, nie zapewniając lepszego wyniku.
Metoda uwzględnia również budżety rozumowania. Model rozumujący może przeznaczyć więcej tokenów wyjściowych na rozważenie problemu, zwiększając szansę na poprawną odpowiedź. Sama cena tokena nie ujawnia więc pełnego kosztu wykonania zadania.
Epoch AI wykorzystało transkrypcje ewaluacji, aby oszacować, jak wydajność zmienia się przy różnych ograniczeniach budżetowych. Podejście opiera się na pracach federalnego Center for AI Standards and Innovation, czyli CAISI. Tworzy ono krzywą kosztu i wydajności dla każdego modelu, zamiast sprowadzać go do jednej reklamowanej stawki.
To rozróżnienie staje się istotne, gdy dwa modele inaczej wykorzystują tokeny. Model z tańszymi tokenami może wygenerować ich znacznie więcej przed ukończeniem zadania. Jego pozorna przewaga cenowa może zniknąć, gdy mierzy się koszt od pytania do poprawnej odpowiedzi.
W pięciu benchmarkach Epoch AI obliczyło średni spadek cen skorygowanych o wydajność o 47% na kwartał. Przy kumulowaniu trendu oznacza to około 13-krotną redukcję w ciągu roku.
Tempo różniło się zależnie od dziedziny. Ceny spadały o około 39% do 43% na kwartał w łamigłówkach opartych na grach. Benchmarki matematyczne wykazały szybsze spadki, wynoszące około 50% do 52% na kwartał.
Jeden przykład pokazuje skalę bez odwoływania się do cenników tokenów. Epoch AI porównało dwa modele OpenAI wydane w odstępie krótszym niż 18 miesięcy. Późniejszy model miał podobno osiągnąć ten sam wynik GPQA Diamond przy koszcie wynoszącym około jedną siedemset dwudziestą piątą kosztu wcześniejszego modelu.
GPQA Diamond to benchmark wielokrotnego wyboru zaprojektowany wokół pytań na poziomie studiów magisterskich z fizyki, chemii i biologii. Mierzy jeden wymagający rodzaj rozumowania, ale nie pełny zakres użytecznej pracy.
Nagłówek z liczbą należy zatem odczytywać jako indeks cenowy mierzonej zdolności. Nie opisuje on kosztów szkolenia, wydatków firm ani faktur każdego klienta. Śledzi, jak tanio można kupić wynik benchmarku od najbardziej opłacalnego dostępnego modelu.
Wynik ten jest również zgodny z wcześniejszymi dowodami. AI Index Stanforda wykazał ponad 280-krotny spadek kosztu wydajności na poziomie GPT-3.5 między listopadem 2022 a październikiem 2024 roku.
Ustalenie Stanforda wykorzystało MMLU, szeroki benchmark wiedzy, zamiast pełnego zestawu krzywych kosztu i wydajności Epoch AI. Różne metody dają różne wskaźniki, lecz obie wskazują na wyjątkowo stromy spadek.
Zbieżność jest ważniejsza niż pojedynczy szacunek. Niezależne zbiory danych coraz częściej pokazują, że użyteczne możliwości AI stają się tańsze znacznie szybciej niż sprzęt, na którym działają.
Dlaczego ceny wydajności AI spadają tak szybko
Spadek łączy lepsze algorytmy, mniejsze zdolne modele, ulepszony sprzęt oraz agresywną konkurencję między dostawcami.
Prawo Moore’a opisuje historyczną tendencję do wzrostu gęstości tranzystorów w czasie. Określenie to wiąże się również ze spadkiem kosztów przetwarzania, choć liczba tranzystorów i ceny dla klientów nie są identycznymi miarami.
Epoch AI szacuje, że ceny przetwarzania spadały w skumulowanym tempie około 1,51 raza rocznie między 1940 a 2001 rokiem. Szacowany przez organizację spadek cen wydajności AI od 2023 roku wynosi około 13 razy rocznie.
Różnica istnieje, ponieważ AI korzysta z czegoś więcej niż postępu w półprzewodnikach. Twórcy modeli jednocześnie ulepszają architektury, metody szkolenia, dobór danych, kwantyzację, oprogramowanie inferencyjne i wykorzystanie sprzętu.
Kwantyzacja zmniejsza precyzję numeryczną stosowaną do przechowywania i uruchamiania modelu. Starannie zastosowana obniża wymagania dotyczące pamięci i mocy obliczeniowej, zachowując dużą część użytecznej wydajności modelu.
Systemy mixture-of-experts oferują inną drogę. Aktywują jedynie wybrane części modelu dla każdego wejścia, zamiast wykorzystywać wszystkie parametry. Taka konstrukcja może zwiększać możliwości bez konieczności uruchamiania całej sieci dla każdego żądania.
Destylacja przenosi użyteczne zachowania z większego modelu do mniejszego. Mniejszy model może następnie obsługiwać rutynowe zadania z mniejszym opóźnieniem i zużyciem zasobów. Organizacje mogą rezerwować większe modele dla problemów, w których ich dodatkowe możliwości zmieniają rezultat.
Konkurencja wzmacnia te zyski inżynieryjne. Dostawcy wielokrotnie wypuszczają mniejsze modele zaprojektowane tak, by zbliżyć się do wydajności wcześniejszych flagowców. Modele o otwartych wagach pozwalają też niezależnym hostom konkurować efektywnością obsługi.
Artykuł badawczy z 2026 roku zatytułowany The Price of Progress doszedł do bardziej konserwatywnego wniosku, wykorzystując dane Epoch AI i Artificial Analysis. Oszacował roczne spadki od pięciokrotnych do dziesięciokrotnych dla porównywalnej wydajności benchmarkowej.
Autorzy przypisali spadek efektywności sprzętu, postępom algorytmicznym i konkurencji ekonomicznej. Po próbie rozdzielenia efektów sprzętowych i rynkowych oszacowali około trzykrotny roczny postęp wynikający z efektywności algorytmicznej.
Szacunek ten jest niższy niż 13-krotne tempo podawane przez Epoch AI. Różnica nie czyni żadnej z analiz bezużyteczną. Pokazuje, jak silnie wynik zależy od benchmarków, progów wydajności, zestawów modeli i definicji frontu.
Metryka Epoch AI faworyzuje najtańszy dostępny model na każdym poziomie możliwości. Takie podejście zakłada bardzo aktywnego nabywcę, który regularnie ponownie ocenia rynek i przechodzi do obecnego lidera kosztowego.
Rzeczywiste organizacje działają inaczej. Poświęcają czas na testowanie modeli, przepisywanie promptów, sprawdzanie bezpieczeństwa, aktualizowanie ewaluacji i renegocjowanie umów. Te koszty zmiany uniemożliwiają wielu użytkownikom wykorzystanie pełnego teoretycznego spadku.
Badanie wykazało również, że ceny spadają najszybciej zaraz po pierwszym pojawieniu się danego poziomu wydajności. W pięciu głównych benchmarkach wydajność bliska frontowi stawała się początkowo o 66% tańsza na kwartał.
Dwa lata po debiucie poziomu wydajności szacowany kwartalny spadek zwolnił do 32%. Wciąż oznacza to szybką roczną redukcję, ale jest mniej spektakularne niż początkowy wyścig.
Epoch AI sugeruje, że nowa zdolność na krótko uzyskuje premię. Konkurenci następnie ją odtwarzają lub przybliżają, podczas gdy pierwotny dostawca optymalizuje koszty obsługi. Premia maleje, gdy zdolność staje się powszechna.
Ten wzorzec wyjaśnia, dlaczego łączny spadek może przewyższać tempo prawa Moore’a. Rynek nie czeka na nową generację chipów. Nakłada ulepszenia oprogramowania, modeli, infrastruktury i konkurencji na trwające zyski sprzętowe.
Wyjaśnia też, dlaczego trend może utrzymywać się, gdy firmy AI wydają więcej na centra danych. Trenowanie najsilniejszego modelu i obsługa ustalonej zdolności to różne działania ekonomiczne.
Laboratoria pracujące na granicy możliwości mogą inwestować coraz więcej zasobów w badania, podczas gdy klienci płacą mniej za wczorajszą wydajność. Branża jednocześnie sprawia, że tworzenie granicy możliwości jest droższe, a korzystanie z istniejących zdolności — tańsze.
Tańsza inteligencja wywiera presję na dostawców modeli
Szybkie spadki cen zmieniają surową zdolność modelu w produkt tracący wartość, z coraz krótszym okresem uzyskiwania premii.
OpenAI, Anthropic, Google i inni twórcy modeli rywalizują o ustanowienie granicy wydajności. Ta pozycja przyciąga uwagę, testy przedsiębiorstw i programistów szukających najsilniejszego dostępnego systemu.
Ustalenia Epoch AI sugerują, że ta przewaga szybko traci wartość ekonomiczną. W pięciu benchmarkach najszybsze spadki pojawiały się wokół nowo osiągniętych poziomów wydajności. Premia związana z wiodącym wynikiem słabła następnie, gdy konkurenci nadrabiali dystans.
Tworzy to trudny problem przychodowy. Laboratorium potrzebuje znacznych inwestycji, aby szkolić, oceniać, zabezpieczać i obsługiwać model z czołówki. Jednak cena, którą klienci akceptują za określoną zdolność, może spaść, zanim model zdąży cieszyć się długim życiem komercyjnym.
Oryginalna analiza prasowa podkreśliła wynikające z tego wyzwanie dla lojalności klientów. Jeśli porównywalny model staje się tańszy w ciągu kilku miesięcy, nabywcy zyskują powód, by utrzymywać dostępne alternatywy.
Zewnętrzne usługi AI stają przed jeszcze ostrzejszą wersją tego problemu. Produkt, który jedynie odsprzedaje dostęp do jednego modelu, może zostać wyprzedzony cenowo przez inną usługę korzystającą z nowszego modelu.
Klienci mogą również kwestionować długoterminowe zobowiązanie wobec jednego dostawcy. Dzisiejszy preferowany model może utracić przewagę po kolejnym cyklu wydań. Stała architektura może zamienić spadające koszty po stronie dostawców w presję na migrację.
Reakcja rynku jest już widoczna w projektowaniu produktów. Dostawcy coraz częściej konkurują poprzez środowiska programistyczne, agentów, systemy plików, konektory, pamięć, mechanizmy kontroli bezpieczeństwa i opcje wdrożenia.
Te funkcje tworzą wartość, której benchmark nie mierzy. Zmiana modelu staje się trudniejsza, gdy otaczająca go usługa rozumie uprawnienia firmy, terminologię, dokumenty i proces przeglądu.
Niezawodność również ma znaczenie. Przedsiębiorstwo nie zyskuje na tańszej odpowiedzi, jeśli wywołuje ona potrzebę większej liczby kontroli przez człowieka. Użyteczną miarą jest całkowity koszt wykonania akceptowalnej pracy, uwzględniający błędy i nadzór.
Opóźnienie wprowadza kolejne rozróżnienie. Dwa modele mogą osiągać podobne wyniki w benchmarkach, a jednocześnie odpowiadać w różnym czasie. Produkty interaktywne często bardziej cenią przewidywalną szybkość niż niewielkie obniżenie kosztów inferencji.
Prywatność i zarządzanie mogą także przeważać nad ceną. Kupujący muszą wiedzieć, dokąd trafiają dane, jak długo dostawcy je przechowują oraz czy administratorzy mogą egzekwować reguły dostępu.
Czynniki te zapewniają uznanym dostawcom ochronę przed czystą konkurencją cenową. Znajome interfejsy, istniejące integracje, zatwierdzenia bezpieczeństwa i zgromadzony kontekst użytkownika tworzą praktyczne koszty zmiany dostawcy.
Te mechanizmy ochronne działają jednak tylko wtedy, gdy produkt zapewnia wartość wykraczającą poza wybór modelu. Cienka nakładka z ogólnymi promptami ma niewielką ochronę, gdy pojawia się wiele zdolnych substytutów.
Najsilniejsze niezależne usługi prawdopodobnie będą traktować modele jako wymienialną infrastrukturę. Mogą kierować proste zadania do wydajnych systemów, a zaawansowane możliwości rezerwować dla trudnej pracy.
Takie podejście wymaga ewaluacji, a nie lojalności. Deweloperzy potrzebują reprezentatywnych testów dla własnych przypadków użycia, obejmujących jakość, opóźnienia, wskaźniki błędów i zużycie zasobów w całym procesie.
Zmienia ono również sposób, w jaki organizacje powinny postrzegać zakup AI. Pytanie nie brzmi już, który pojedynczy model wygrywa każdy benchmark. Pytanie brzmi, który portfel zapewnia akceptowalne rezultaty w różnych zadaniach.
Produkty oparte na wiedzy mają jeszcze jedną przewagę. System, który organizuje zaufane informacje użytkownika, może zachować wartość nawet wtedy, gdy zmienia się jego bazowy model. Zgromadzony kontekst należy do przepływu pracy, a nie do jednej generacji modelu.
W tym miejscu baza wiedzy AI może stać się trwalsza niż sam dostęp do czatu. Jej wartość wynika z wyszukiwania, organizacji, uprawnień i ciągłości podczas powtarzalnej pracy.
Spadające koszty modeli mogą poprawić marże takich produktów. Mogą one wykorzystywać silniejsze modele bez podnoszenia kosztów dla klientów lub stosować AI w większej liczbie etapów przepływu pracy.
Ten sam spadek może zaszkodzić usługom konkurującym głównie dostępem. W miarę jak sztuczna inteligencja tanieje, zróżnicowanie przesuwa się w stronę własnościowego kontekstu, niezawodnego wykonania i mierzalnych wyników biznesowych.
Czego liczby nie dowodzą
Spadki cen skorygowane o wyniki benchmarków są realnym dowodem, ale nie stanowią uniwersalnej miary użytecznej ani godnej zaufania pracy.
Epoch AI bezpośrednio wskazuje kilka ograniczeń. Jego główny zbiór danych obejmuje około trzech lat, zawiera niekompletne kombinacje modeli i benchmarków oraz uwzględnia szacunkowe dane obarczone szumem.
To krótki okres na porównanie AI z technologiami mierzonymi przez dekady. Obliczenia, baterie, sekwencjonowanie i energia elektryczna różnią się także produktami, rynkami i definicjami wydajności.
Porównania nadal zapewniają skalę historyczną. Odpowiedź w benchmarku jest jednak mniej fizycznie ustandaryzowana niż jednostka energii elektrycznej czy pojemności baterii.
Optymalizacja pod benchmarki budzi kolejne obawy. Deweloperzy mogą trenować modele na zadaniach podobnych do popularnych ewaluacji — celowo lub pośrednio. Wydajność może wtedy poprawiać się szybciej w teście niż w nieznanych warunkach rzeczywistych.
Epoch AI nazywa to ryzyko benchmaxxingiem. Losowe elementy benchmarków mogą ograniczać rozpoznawanie i zapamiętywanie, ale nie są w stanie wyeliminować każdej formy zanieczyszczenia danych ani ukierunkowanej optymalizacji.
Wysoki wynik również nie gwarantuje niezawodnej pracy. GPQA Diamond mierzy odpowiedzi na trudne pytania naukowe. Nie mierzy, czy model potrafi utrzymać projekt, przestrzegać polityki firmy lub unikać kosztownych błędów.
Wskazówki NIST dotyczące ewaluacji podkreślają, że porównania modeli zależą od ustawień zadań, narzędzi, promptów, poziomów rozumowania, liczby próbek i metod punktacji. Niewielkie różnice konfiguracji mogą zmienić zarówno wydajność, jak i koszt.
Ewaluacje CAISI również pokazują, dlaczego pomiar całego procesu ma znaczenie. Model z niższymi stawkami za token może zużywać więcej tokenów, wykonywać więcej wywołań narzędzi lub częściej zawodzić. Jego całkowity koszt zadania może więc przewyższać koszt pozornie droższego konkurenta.
Rzeczywiści użytkownicy również nie zmieniają modeli tak sprawnie, jak zakłada metoda granicy możliwości Epoch AI. Migracja wymaga testów, pracy nad integracją, przeglądu ryzyka i szkolenia pracowników.
Firma może racjonalnie pozostać przy droższym dostawcy, ponieważ już spełnia on wymagania bezpieczeństwa. Inna może cenić stabilne wyniki, ponieważ zmiany zakłóciłyby zautomatyzowane przepływy pracy.
Popyt może pochłonąć część oszczędności. Gdy zadanie AI staje się tańsze, deweloperzy często wykonują je częściej, rozszerzają kontekst, żądają większej liczby kandydatów lub dodają etapy weryfikacji.
To odmiana efektu Jevonsa. Większa wydajność obniża koszt każdej jednostki, lecz całkowite zużycie może wzrosnąć na tyle, by utrzymać lub zwiększyć ogólne wydatki.
Modele rozumujące wzmacniają ten efekt. Wydajniejszy model bazowy może przeznaczać dodatkowe obliczenia na sprawdzanie odpowiedzi lub badanie alternatyw. Użytkownicy uzyskują lepsze wyniki, niekoniecznie obserwując proporcjonalny spadek całkowitego wykorzystania.
Raport nie pokazuje również, że rozwój modeli z czołówki stał się tani. Trenowanie nowego wiodącego modelu wymaga innych zasobów niż obsługa znanej zdolności.
Zespoły badawcze płacą za eksperymenty, wyspecjalizowaną pracę, przygotowanie danych, ewaluację i infrastrukturę. Koszty te mogą rosnąć, nawet gdy inferencja dla ustalonych zadań staje się radykalnie tańsza.
To rozróżnienie wyjaśnia pozorną sprzeczność. Dostawcy modeli mogą ogłaszać ogromne programy infrastrukturalne, podczas gdy cena ich wyników, skorygowana o wydajność, nadal spada.
Raport wspiera zatem wąski, lecz ważny wniosek. Porównywalna mierzona zdolność stała się znacznie tańsza na rynkowej granicy możliwości.
Nie dowodzi on, że każde obciążenie robocze poprawia się w tym samym tempie. Nie gwarantuje równoważnego bezpieczeństwa, niezawodności, prywatności, opóźnień ani jakości integracji.
Kupujący powinni traktować kwartalną stopę 47% jako sygnał rynkowy, a nie prognozę budżetową. Kierunek wydaje się dobrze potwierdzony. Dokładne tempo nadal zależy od wyborów pomiarowych i zachowań użytkowników.
Trzy sygnały, które sprawdzą spadek kosztów AI
Kolejnym sprawdzianem będzie to, czy oszczędności z benchmarków przetrwają kontakt z rzeczywistymi obciążeniami, ekonomią dostawców i codziennymi zachowaniami związanymi ze zmianą usług.
Pierwszym sygnałem jest niezależnie zmierzony koszt zadania od początku do końca. Więcej ewaluacji powinno porównywać całkowity koszt potrzebny do skutecznego wykonania przepływów pracy związanych z programowaniem, badaniami, obsługą klienta i dokumentami.
Testy te wymagają stabilnych zestawów zadań, kontrolowanych narzędzi i jasnych progów jakości. Powinny uwzględniać ponowne próby, tokeny rozumowania, wywołania narzędzi, opóźnienia i kontrolę ludzką.
Jeśli te pomiary będą spadać w tempie zbliżonym do szacunków Epoch AI, komercyjne implikacje raportu się wzmocnią. Znacznie wolniejszy spadek pokaże, że oszczędności z benchmarków zawyżają praktyczne korzyści.
Drugim sygnałem są ceny dostawców i pakietowanie produktów. Dostawcy modeli mogą reagować na spadające ceny inferencji, obniżając stawki, zwiększając limity użycia lub łącząc możliwości w szersze subskrypcje.
Mogą też chronić przychody za pomocą platform agentowych, kontroli dla przedsiębiorstw, pamięci masowej i własnościowych narzędzi. Takie dodatki potwierdziłyby, że konkurencja przesuwa się ponad warstwę modelu bazowego.
Warto obserwować, jak często dostawcy zastępują funkcje premium standardowym dostępem. Szybka migracja od ekskluzywności flagowych funkcji do mniejszych modeli potwierdziłaby ustalenie Epoch AI dotyczące krótkotrwałych premii za czołowe możliwości.
Trzecim sygnałem jest zmiana dostawcy przez klientów. Kalkulacja granicy możliwości zakłada, że kupujący wielokrotnie wybierają najtańszy wystarczająco zdolny model. Dane o rzeczywistej adopcji pokażą, czy faktycznie zachowują się w ten sposób.
Deweloperzy mogą wdrażać systemy routingu, które kierują każde zadanie do odpowiedniego modelu. Przedsiębiorstwa mogą żądać klauzul przenośności i ustandaryzowanych ewaluacji przed zawarciem długoterminowych zobowiązań.
Alternatywnie zintegrowane przepływy pracy mogą zatrzymywać klientów u jednego dostawcy mimo dużych różnic cenowych. Taki wynik osłabiłby tezę, że spadające ceny wydajności automatycznie niszczą lojalność wobec dostawców.
Modele o otwartych wagach wpłyną na wszystkie trzy sygnały. Dają niezależnym hostom większą swobodę optymalizacji wdrożenia i rzucania wyzwania zamkniętym dostawcom pod względem kosztów. Przenoszą również większą odpowiedzialność za bezpieczeństwo, utrzymanie i ewaluację na operatora.
Prawdopodobnym rezultatem nie będzie jednolity wyścig do najniższej stawki. Rynki AI podzielą się na warstwy.
W warstwie modeli porównywalne możliwości powinny nadal podlegać presji cenowej. W warstwie aplikacji dostawcy będą konkurować poprzez kontekst, własność przepływu pracy, zaufanie i jakość wykonania.
Dla deweloperów praktyczną odpowiedzią jest zachowanie elastyczności. Utrzymujcie modułowe interfejsy modeli, zestawy ewaluacyjne i mierzcie skuteczne ukończenie zadań, a nie wyłącznie zużycie tokenów.
Kupujący korporacyjni powinni także skrócić swoje założenia dotyczące stabilności kosztów. Umowa, która dziś wygląda na efektywną, może szybko stać się niekonkurencyjna, nawet gdy podstawowa usługa pozostaje zdolna.
Pracownicy umysłowi powinni oczekiwać, że funkcje AI rozprzestrzenią się w większej liczbie produktów. Niższe koszty inferencji czynią podsumowywanie, wyszukiwanie, redagowanie, klasyfikację i przetwarzanie w tle opłacalnymi w większej liczbie sytuacji.
Raport kosztowy Epoch AI nie rozstrzyga, jak rentowny stanie się ten sektor. Pokazuje jednak, że dostęp do stałego poziomu mierzonej inteligencji traci rzadkość w wyjątkowo szybkim tempie.
Pytanie dla każdego produktu AI jest teraz konkretne: jeśli możliwości modelu stają się 13 razy tańsze w ciągu roku, jaka wartość pozostaje unikalna? Produkty z zaufanym kontekstem i niezawodnymi przepływami pracy mają odpowiedź. Usługi sprzedające niewiele poza dostępem do modelu nadal jej potrzebują.
