واقعیت بی‌رحم اقتصاد هوش مصنوعی؛ چرا درآمدزایی از کاربران عادی به بن‌بست خورده است؟

شاید بعد از اتفاقات و رونمایی‌های همین هفته، با خودتان بگویید هوش مصنوعیِ کاربرمحور یا همان محصولات عمومی هوش مصنوعی دارند دوباره به دوران اوجشان برمی‌گردند و حسابی گردوخاک می‌کنند.

دستیار هوش مصنوعی شخصی شرکت متا به نام «میوز» (Muse) و مسکات عروسکی و دوست‌داشتنی‌اش «جالی» (Jolly) فراتر از انتظار ظاهر شدند و حسابی سر زبان‌ها افتادند. دستیار جدید اوپن‌ای‌آی با نام «داتس» (Dots) هم که همین دیروز معرفی شد، دقیقاً دنبال همین ایده دستیار شخصی کارتونی و بامزه رفته است. از آن طرف، استارتاپ نوظهور «اینستینکت» (Instinct) هم به لطف ایجنت‌های هوشمندش که کار‌های روزمره کاربران مثل رزرو بلیت سفر، رزرو میز در رستوران یا لغو اشتراک‌های مختلف را انجام می‌دهند، به ارزش سرسام‌آور ۱۰ میلیارد دلاری رسیده است.

دیدگاه خوش‌بینانه و هیجان‌زده به ماجرا خیلی ساده و وسوسه‌کننده است: ایجنت‌های هوش مصنوعی بالاخره آن‌قدر دقیق و قابل اعتماد شده‌اند که از پس کار‌های روزمره بربیایند. شرکت‌ها هم هر روز این سرویس‌ها را با آب و تاب به مردم عادی معرفی می‌کنند؛ کاربرانی که واقعاً دارند از این ابزار‌ها فایده می‌برند. اگر یک سرمایه‌گذار باشید، این وضعیت دقیقاً شما را یاد روز‌های پرتب‌و‌تاب عرضه ChatGPT در سال ۲۰۲۲ می‌اندازد؛ جایی که قدرت خالص هوش مصنوعی، دسته‌بندی کاملاً جدیدی از محصولات خلق کرد که قبلاً حتی تصورش هم غیرممکن بود. در چنین بازاری، چه کسی دلش نمی‌خواهد سهمی از این کیک خوشمزه داشته باشد؟

اما دلیلی جدی وجود دارد که چرا آزمایشگاه‌های پیشرو و غول‌های هوش مصنوعی نسبت به محصولات مصرفی و عمومی تا این حد دست‌به‌عصا و محتاط شده‌اند؛ و ماجرا اصلاً این نیست که فناوری به‌اندازه کافی خوب نیست! واقعیت این است که حتی محبوب‌ترین محصولات فناوری هم دارند به سقف پرداختیِ کاربران عادی می‌رسند؛ یعنی مردم حاضر نیستند برای این سرویس‌ها از یک حدی بیش‌تر پول بدهند. از طرف دیگر اصلاً معلوم نیست که ارائه مدل‌های قوی‌تر و باهوش‌تر، واقعاً درآمد و سود بیشتری از کاربران عادی به جیب شرکت‌ها سرازیر کند. نتیجه چه شده؟ کل صنعت هوش مصنوعی آرام‌آرام به سمت مدل تجاری شرکت آنتروپیک متمایل شده است؛ مدلی که تمرکزش را روی بستن قراردادهای کلان با سازمان‌ها و کسب‌وکارها (Enterprise) و تسخیر حوزه به حوزه بازار گذاشته است.

اگر می‌بینید محصولاتی مثل «میوز» یا «اینستینکت» فعلاً بر خلاف این موج شنا می‌کنند، صرفاً به این خاطر است که فعلاً دغدغه فوری درآمدزایی ندارند. اما واقعیتِ بی‌رحم اقتصاد هوش مصنوعی در بخش مصرف‌کنندگان عمومی به این راحتی‌ها عوض نمی‌شود و هر کسی که وارد این بازی شود، در نهایت مجبور است با این چالش‌های مالی سنگین دست‌وپنجه نرم کند.

یادآوری این معادلات تلخ اقتصادی را می‌شد در گزارش دوسالانه وضعیت بازارهای شرکت سرمایه‌گذاری اندریسن هوروویتز (a16z) دید؛ گزارشی که آمارهایش را از پژوهش تابستان امسال مؤسسه تحقیقاتی PNC استخراج کرده بود. در این گزارش و در قالب دو نمودار، وضعیت رشد لاک‌پشتیِ درصد کاربرانی که برای هوش مصنوعی پول می‌دهند، در کنار مبلغ نه‌چندان بالایی که حاضرند بپردازند بررسی شده است. بر اساس این داده‌ها، تا ماه مه تنها ۲.۲ درصد از کاربران برای خدمات هوش مصنوعی دست به جیب شده‌اند و میانگین پرداختی آن‌ها هم ۳۱ دلار در ماه بوده است.

اندریسن هوروویتز تلاش کرده ماجرا را مثبت جلوه دهد و می‌گوید: «پذیرش و استفاده فراگیر از هوش مصنوعی هنوز در مراحل بسیار ابتدایی است»؛ یعنی هنوز جا برای رشد فراوان وجود دارد! اما در هر دو نمودار، روند رشد به‌شدت خطی و کند به نظر می‌رسد. جالب اینجاست که حتی با جهش‌های شگفت‌انگیز مدل‌ها، تغییر چشمگیری در تعداد مشتریانی که حاضر به پرداخت پول هستند یا مبلغی که هزینه می‌کنند دیده نمی‌شود. برای مثال، جهش عملکردی غول‌آسا از مدل GPT-5.2 به Astra، روی این نمودارها تقریباً هیچ تکان معناداری ایجاد نکرده است.

این آمار درآمد به ازای هر کاربر شاید در نگاه اول بد به نظر نرسد، اما همچنان با نقطه سر‌به‌سر هزینه‌ها فرسنگ‌ها فاصله دارد. بیایید نتفلیکس را به‌عنوان معیار طلایی یک سرویس اینترنتیِ کاملاً اشباع‌شده در نظر بگیریم (با حدود ۳۲۵ میلیون مشترک)؛ با میانگین پرداختی ۳۴ دلار به ازای هر مشتری، سالانه فقط ۱۱ میلیارد دلار درآمد نصیبتان می‌شود؛ رقمی که حتی به اندازه یک‌سوم هزینه‌های عملیاتی هنگفت اوپن‌ای‌آی هم نیست!

اگر فکر می‌کنید گزارش PNC آمار پذیرش عمومی را دست‌کم گرفته، داده‌های مشابهی از بانک آو آمریکا (Bank of America) هم وجود دارد. در ماه مارس، این بانک اعلام کرد که تقریباً ۳ درصد از مصرف‌کنندگان آمریکایی برای هوش مصنوعی پول پرداخت کرده‌اند که البته رشد ۴۰ درصدی نسبت به سال قبل نشان می‌دهد. البته نظرسنجی مؤسسه مَنلو (Menlo) در ماه سپتامبر کمی خوش‌بینانه‌تر است و نشان می‌دهد که یک‌چهارم بزرگسالان روزانه از هوش مصنوعی استفاده می‌کنند و نیمی از همین کاربران روزمره هم برای آن حق اشتراک می‌پردازند.

اما مشکل اصلی کسب‌وکار در بخش مصرف‌کنندگان عادی، بیش‌تر از آنکه به درآمد مربوط باشد، به هزینه‌های وحشتناک سرور‌ها و پردازش برمی‌گردد. هوش مصنوعی فناوری فوق‌العاده پرخرجی برای اجرا و پشتیبانی است؛ به‌ویژه در مقایسه با نیاکان کم‌خرجش مثل شبکه‌های اجتماعی یا رایانش ابری سنتی. در این حوزه، حتی داشتن صدها میلیون کاربر پولی هم تضمین نمی‌کند که بتوانید هزینه‌های سرسام‌آور سرور‌ها و پردازش را جبران کنید و به نقطه سر‌به‌سر برسید.

باید اعتراف کرد که اوپن‌ای‌آی خیلی سریع متوجه این واقعیت شد و خودش را وفق داد. چرخش استراتژیک این شرکت به سمت خدمات سازمانی بسیار موفق بوده و طبق گزارش‌ها، درآمدهای بخش سازمانی‌اش از ماه ژوئیه تا الان دو برابر شده است. حتی رونمایی از ایجنت داتس هم رنگ‌وبوی شرکتی و سازمانی پررنگی داشت و نشان داد که این ایجنت شخصی چطور می‌تواند به کار مهندسان نرم‌افزار و تیم‌های خلاق آژانس‌ها بیاید. یکی از ترفندهای قدیمی درآمدزایی از سرویس‌های عامه‌پسند اما ارزان، این است که آن‌ها را با قیمت و حاشیه سود بالا‌تر به شرکت‌ها بفروشید؛ راهکاری که اوپن‌ای‌آی هم مو‌به‌مو دارد اجرایش می‌کند.

اما پیش‌بینی سرنوشت سرویس‌هایی مثل میوز و اینستینکت دشوارتر است. دستیار میوز، غول تبلیغات شخصی‌سازی‌شده متا را پشت سرش دارد؛ موضوعی که گزینه‌های بیشتری برای کسب درآمد در اختیارش می‌گذارد و فرصت می‌دهد قبل از بحرانی شدن مسائل مالی، نفس راحتی بکشد. جالب اینکه متا هم از همین حالا مشغول ارزیابی و ورود به بازار سازمانی است.

استارتاپ اینستینکت هم برنامه متفاوتی در سر دارد و می‌خواهد از خریدهایی که از طریق این ایجنت انجام می‌شود، درصدی کارمزد بردارد؛ ترفندی که شاید بتواند سقف درآمدی آن را بالا‌تر ببرد. علاوه بر این، اینستینکت احتمالاً نیازی به صرف هزینه‌های کمرشکن آموزش مدل‌های پیشگام پایه نخواهد داشت و همین موضوع کمک بزرگی برای بقای مالی‌اش خواهد بود.

با همه این‌ها، اقتصاد بی‌رحم و چالش‌های مالی هوش مصنوعی برای کاربران عادی، سقف مشخصی برای رشد این شرکت‌ها تعیین می‌کند؛ سقفی که شکستن آن بدون دسترسی به درآمدهای کلان سازمانی تقریباً غیرممکن است. این درسی است که غول‌های پیشروی هوش مصنوعی خیلی زود یاد گرفتند، و به نظر می‌رسد از معدود واقعیت‌های این صنعت باشد که قرار نیست به این زودی‌ها تغییر کند.