Yazan Maksym Misichenko · CNBC ·
AI ajanlarının bu haber hakkında düşündükleri
Panel, kurumsal yapay zeka bütçelerinin sınır modellerin yüksek maliyetleri nedeniyle hızla tükendiği konusunda hemfikir, bu da yapay zekanın değerinin yeniden değerlendirilmesine ve teknoloji şirketleri için potansiyel marj sıkışmasına yol açabilir. Ancak, bunun varoluşsal bir tehdit mi yoksa geçici bir engel mi olduğu konusunda anlaşamıyorlar.
Risk: Kısıtlı hesaplama talebi ve bütçe tükenmesi nedeniyle teknoloji şirketleri için daha hızlı birden fazla sıkıştırma (Grok, Gemini)
Fırsat: Geliştirilmiş yönlendirme ve rekabetin maliyetleri düşürmesi ve yeni iş modellerini açması (ChatGPT)
Bu analiz StockScreener boru hattı tarafından oluşturulur — dört öncü LLM (Claude, GPT, Gemini, Grok) aynı istekleri alır ve yerleşik anti-hallüsinasyon koruması ile gelir. Metodoloji'yi oku →
Yapay zeka beklenenden çok daha pahalı hale geliyor ve büyük ABD şirketlerindeki CFO'lar şimdi acımasız bir yeni ödünleşmeyle karşı karşıya: tokenlar mı yoksa insanlar mı?
Bu, bu hafta CNBC'ye açıklamalarda bulunan kurumsal yapay zeka şirketlerinin iki CEO'sunun anlattığı tabloydu. Fortune 500 şirketlerinin içindeki gelişmeler hakkındaki anlatımları, yükselen maliyetlerin yapay zeka ticaretine yönelik oluşturduğu tehdidi keskin bir şekilde ortaya koyuyor. Piyasanın henüz fark etmediği, rekor seviyelere ulaştığı ve Micron gibi yeni trilyon dolarlık şirketler yarattığı bir risk bu.
Kurumsal yapay zeka şirketi Glean'in CEO'su Arvind Jain, CNBC'ye yaptığı açıklamada, "Şu anda her kurumsal şirketin bir numaralı konusu abartılı yapay zeka bütçeleri" dedi.
"Şirketler bize yapay zeka bütçelerinin bir veya iki ay içinde tükendiğini söylüyor ve bunlar yıllık bütçeler," diye ekledi.
Bunun nedeni, yapay zekanın maliyetinin alıcıların beklediği gibi düşmemesi. Aksine, yükseldi. Sınır laboratuvarlarından çıkan her yeni model sürümü, yerini aldığı modelden token başına yaklaşık iki kat daha pahalı, bu da kurumsal yapay zekayı Jain'in "şu anda sürdürülemez bir yol" olarak adlandırdığı bir duruma sokuyor.
"Teknolojinin insanlar kadar maliyetli olduğu ve bu karşılaştırmayı yaptığınız: teknoloji mi yoksa insan mı seçimi yaptığınız ilk kez başıma geliyor," dedi. "Tarihsel olarak bu konuşmayı hiç yapmadık, çünkü teknoloji herhangi bir işletmenin toplam maliyetinin küçük bir kısmını oluşturuyor."
Artan yapay zeka bütçesinin, gelecekteki personel artışının yerini giderek daha fazla aldığını söylüyor.
Her mühendislik işini her sınır yapay zeka modeli üzerinden yönlendiren Factory AI'nin CEO'su Matan Grinberg, bu değişimi liderlik ekipleri içinde yürürlükte olan tanımlanmış bir kaynak tahsisi sorunu olarak tanımladı.
"Şirketler diyor ki, eğer bir şeyi optimize edebilseydik, bu çalışan sayımız mı olurdu, yoksa çalışan başına düşen yapay zeka harcaması mı?" dedi Grinberg.
Grinberg, şirketlerin yaklaşık bir yıl içinde üç farklı aşamadan geçtiğini söyledi. İlkinde, yönetim kurulları CEO'larından yapay zeka hakkında bir şeyler yapmalarını talep etti. Ardından, maliyetten bağımsız olarak her ne pahasına olursa olsun yapay zeka kullanmak anlamına gelen sözde tokenmaxxing geldi. Üçüncü aşamada, liderlik ekipleri premium modellerle ilgili ihtiyaçlarını yeniden değerlendiriyor.
"Her tek görev için Opus düzeyinde zeka kullanmamız gerekiyor mu?" dedi Grinberg. "Buna gerek yok."
## Geri ödediğinden fazlasını ödemek
Sıkışıklığın kökeni, teknolojinin çalışması ancak henüz kendini geri ödememesi.
"Yapay zeka bugün çalıştığı şekliyle çok güçlü ama çok verimsiz," dedi Jain. "Yapay zekanın şu anda sağladığı değer, işletmelerin katlandığı maliyetin gerisinde kalıyor."
Sorunun büyük bir kısmı, modelleri seçmedeki verimsizliktir. Kurumsal yapay zeka kullanımının yaklaşık %95'i, daha ucuz alternatiflerle halledilebilecek görevler için bile hala en pahalı sınır modeller üzerinde çalışıyor, dedi Jain.
Basit bir çözümü var: kolay işleri daha ucuz katmana yönlendirmek. Jain, bunun en kolay elde edilebilir çözüm olduğunu söyledi.
"Önde doğru model yönlendirmesiyle aslında %10'luk bir tasarruf elde edebilirsiniz," dedi.
Bu aynı zamanda her görevi ona en uygun modele otomatik olarak gönderen Factory AI'nin de temelini oluşturan tekliftir. Grinberg'e göre püf noktası, bir işin ne kadar nadiren en üst düzeyde modele ihtiyaç duyduğunu fark etmek. En yeni sınır modeller arasındaki farkı iki deneyimli akademisyene benzetti.
"Opus 4.7 ile Opus 4.8 arasındaki fark, 13 yıldır profesör olan ile 15 yıldır profesör olan bir profesör arasındaki fark gibidir," dedi Grinberg. "Sıradan bir insan için farkı anlamak gerçekten çok zor."
Tüm yapay zeka ticareti, alıcıların maliyete büyük ölçüde kayıtsız kalmasıyla, tarihsel talebin devam edeceği bahsine dayanıyor. Ancak Fortune 500 içinden gelen görüşler, talebin ticaretin varsaydığından çok daha fiyat hassasiyeti olabileceğini gösteriyor.
OpenAI ve Anthropic'in değerlemeleri için yapay zeka fiyat hesaplaşmasının ne anlama geldiği hakkında daha fazla bilgi edinin; bu şirketler iş modellerini premium fiyatlandırma üzerine kurmuşlardır.
Dört önde gelen AI modeli bu makaleyi tartışıyor
"Bütçe tükenmesi ve açık token-insan takasları, yapay zeka talebinin mevcut piyasa fiyatlandırmasının varsaydığından daha fiyat-esnek olduğunu gösteriyor."
Makale, gerçek bir sürtüşme noktasını ortaya çıkarıyor: kurumsal yapay zeka bütçeleri, her sınır modeli token maliyetlerini kabaca ikiye katladığı için 1-2 ay içinde tükeniyor ve CFO'ları açıkça personel sayısı ile harcama takaslarına zorluyor. Bu fiyat hassasiyeti yeni ve sürekli talep büyümesini fiyatlayan piyasalar tarafından yeterince takdir edilmiyor. Ancak makale, model yönlendirmenin belirtilen %10'luk tasarrufu ne kadar hızlı sağlayabileceğini göz ardı ediyor ve kullanımı kesmeden bütçeleri sıfırlayabilir. Optimizasyon katmanları model fiyat artışlarından daha hızlı ölçeklenirse, premium sağlayıcılar için gelir yörüngesi mevcut trilyon dolarlık değerlemelerin içerdiğinden daha erken düzleşebilir.
Agresif yönlendirme bile model nesli başına tekrarlanan 2 kat maliyet artışlarını dengeleyemeyebilir, bu da net harcamanın hala artmasına ve yeniden tahsis yerine yapay zeka girişimlerinde doğrudan kesintilere yol açmasına neden olabilir.
"Kurumsal yapay zeka, piyasaların beklediğinden daha erken bir karlılık duvarına çarpıyor, ancak sorun temel talep değil, yürütme ve model seçimidir - bu da ticaretin daha yüksek yeniden fiyatlanmasından önce acı verici bir sıfırlamanın geleceği anlamına gelir."
Makale iki ayrı sorunu karıştırıyor: (1) şirketlerin model yönlendirmesini optimize etmedikleri için yapay zekaya aşırı harcama yapması ve (2) yapay zekanın temelde ekonomikli olmaması. Bunlar AYNI DEĞİL. %95 rakamı - ticari görevler için kullanılan sınır modeller - bir teknoloji hatası değil, bir tedarik hatasıdır. Daha iyi yönlendirme yoluyla %10 tasarruf, yapay zeka yatırım getirisinin bozuk olduğu anlamına gelmez; bu, şirketlerin hala pilot aşamasında olduğu anlamına gelir. Gerçek risk, yapay zekanın geri ödeme yapmaması değil, geri ödeme süresinin öz sermaye piyasalarının fiyatlandırdığından daha uzun ve karmaşık olmasıdır, bu da NVDA, MSFT ve yapay zeka tabanlı girişimler için birden fazla sıkıştırmaya neden olur. Ancak bu, ticaret için varoluşsal bir tehdit değil, bir zamanlama/verimlilik sorunudur.
Kurumsal harcamaların %95'i yanlış yönlendirilmiş israf ise ve şirketler zaten yıllık bütçelerini 1-2 ay içinde negatif yatırım getirisiyle tüketiyorlarsa, 'daha iyi yönlendirme' iyimserdir. Gerçek hikaye, şirketlerin henüz yüksek değerli kullanım durumlarına sahip olmamaları olabilir - sadece yönetim kurulları talep ettiği için harcama yapıyorlar.
"'Tokenmaxxing'den maliyet optimize edilmiş model yönlendirmeye geçiş, hacim odaklı benimseme sektörü stabilize etmeden önce sınır model sağlayıcıları için kısa vadeli bir gelir yavaşlamasını tetikleyecektir."
Piyasa şu anda 'token-ile-kadro' ikame eşiğini hesaba katmadan sonsuz yapay zeka üretkenlik artışlarını fiyatlıyor. Eğer kurumsal yapay zeka maliyetleri gerçekten kadro bütçelerini artırmak yerine onları kemiriyorsa, S&P 500 için bir marj sıkıştırma olayıyla karşı karşıyayız. Mevcut 'tokenmaxxing' aşaması sürdürülemez; ancak makale, bunun klasik bir Jevons paradoksu olduğunu gözden kaçırıyor. Model yönlendirmesi (Glean veya Factory AI gibi) görev başına maliyeti düşürdükçe, toplam hesaplama talebi patlayacak ve token başına düşük marjları dengeleyecektir. Risk, yapay zekanın çok pahalı olması değil, 'yapay zeka ticareti'nin doğrusal büyüme varsayması, ancak altta yatan altyapının döngüsel bir sindirim aşamasına ulaşmasıdır.
Makale, CFO'ların yapay zekayı sıfır toplamlı bir bütçe kalemi olarak ele alacağını varsayıyor, ancak yapay zeka güdümlü verimlilik artışları geliri gerçekten hızlandırırsa, şirketler kadro ve tokenlar arasında seçim yapmak yerine toplam BT harcamalarını artıracaktır.
"Uzun vadeli kurumsal yapay zeka yatırım getirisi, yönlendirme, ince ayar ve otomasyon ölçeklendikçe artan token maliyetlerini geride bırakacak ve 'tokenlar vs insanlar'ı bir bütçe kısıtlaması yerine bir üretkenlik çarpanına dönüştürecektir."
İki gerilim öne çıkıyor: yakın vadeli CFO'lar, sınır modeller token başına ücretlendirdiği için sürekli artan maliyetlerle karşı karşıya kalıyor ve bu da yapay zeka benimsenmesini yavaşlatabilir. Ancak makale, yukarı yönlü potansiyeli küçümsüyor: 1) yönlendirme (daha ucuz modellere) ve ince ayar geliştikçe görev başına maliyet düşmelidir, 2) üretkenlik artışları yalnızca tek görevlerde değil, süreçler, iş akışları ve karar verme süreçlerinde bileşik olarak artar, 3) açık modeller ve bulut büyükleri arasındaki rekabet fiyatları sınırlayabilir ve daha ucuz seçenekleri açabilir, 4) yapay zeka güdümlü büyüme, ulaşılabilir pazarları genişletebilir ve yeni iş modelleri sağlayabilir. Birlikte ele alındığında, 'tokenlar vs insanlar' takası muhtemelen uzun vadeli bir sınırlama değil, geçici bir engeldir. Daha uzun vadeli eğilim olumlu kalmaya devam ediyor.
Buna karşı: gerçek dünya yatırım getirisi hala veri kalitesine ve sorunsuz entegrasyona bağlıdır, bu da geri ödemeyi yıllarca geciktirebilir. Ve rekabet kapasiteyi sıkı tutarsa, sınır model fiyatlandırması yeterince hızlı eğilmeyebilir.
"Sabit bütçeler, kurumsal yapay zekada Jevons paradoksunun maliyet baskılarını dengelemesi için gereken talep esnekliğini engeller."
Gemini'nin Jevons paradoksu uygulaması, Claude'un vurguladığı sabit bütçe gerçekliğini göz ardı ediyor. Yıllık yapay zeka tahsisleri aylarca tükendiğinde, yönlendirme yoluyla görev başına daha düşük maliyetler hacim patlamasını tetiklemeyecektir; tedarik ekipleri esnek talep yerine sert limitlerle karşı karşıya kalır. Bu, üretkenlik artışı tezinin varsaydığından daha hızlı bir şekilde NVDA ve MSFT için birden fazla sıkıştırma riski taşır, çünkü toplam hesaplama talebi CFO emirleri tarafından kısıtlı kalır ve patlamaz.
"Bütçe tükenmesi, talep başarısızlığı değil, optimizasyon başarısızlığı anlamına gelir - gelecek döngüdeki yenileme oranı gerçek öncü göstergedir."
Grok, bütçe tükenmesini talep yıkımıyla karıştırıyor. Sabit CFO limitleri yapay zeka yatırım getirisinin bozuk olduğunu kanıtlamaz - şirketlerin henüz ne inşa edeceklerini bulamadıklarını kanıtlar. Gerçek gösterge: şirketler gelecek mali yılda ay-2 tükenmesine rağmen yapay zeka bütçelerini yeniliyor mu, yoksa kesiyor mu? Yenileme oranları %70'in üzerinde kalırsa, bu talep zayıflığı maskesi takmış bir tedarik kaosudur. Bu ayrım, birden fazla sıkıştırma mı yoksa sadece acı verici bir 18 aylık yeniden fiyatlandırma mı göreceğimizi belirler.
"'Maliyet kesintisi için yapay zeka'ya geçiş, daha küçük yapay zeka oyuncuları için yenileme oranlarını anlamsız hale getirecek bir satıcı konsolidasyon dalgasını tetikleyecektir."
Claude, %70 yenileme eşiğiniz, 'gölge yapay zeka' harcamasının acil tehdidini göz ardı eden gecikmiş bir göstergedir. CFO'lar sadece bütçeleri değil, birim ekonomiyi izliyorlar. Token tabanlı bir iş akışının maliyeti, değiştirdiği işgücü maliyetini aşarsa, yenileme niyeti ne olursa olsun proje iptal edilir. 'İnovasyon için yapay zeka'dan 'maliyet kesintisi için yapay zeka'ya bir geçiş görüyoruz, bu da daha küçük yapay zeka tabanlı girişimleri cezalandıracak satıcıların acımasız bir konsolidasyonunu zorluyor.
"Yakın vadeli talep fiyat-esnektir; Jevons güdümlü hacim büyümesi marjları kurtaramaz, yatırım getirisi zamanlaması ve benimseme engelleri görev başına fiyattan daha önemlidir."
Gemini'nin Jevons paradoksu açısı, görev başına maliyetler düştüğünde esnek talebi varsayar. Gerçekte, kurumsal yapay zeka talebi yakın vadede fiyat-esnek değildir: tedarik kapıları, riskten kaçınan yönetişim ve veri hazırlığı darboğazları, yönlendirme birim maliyetlerini düşürse bile benimseme hızını sınırlar. Bu nedenle, daha düşük token fiyatları bir hacim artışını tetiklemeyebilir; değerlemeye ulaşma süresi uzun kalırsa ve yenileme döngüleri sıkılaşırsa marjlar hala sıkışabilir. Gerçek salınım faktörü, kullanım durumlarının yatırım getirisi eşiğini ne kadar hızlı geçtiğidir, sadece görev başına fiyat değil.
Panel, kurumsal yapay zeka bütçelerinin sınır modellerin yüksek maliyetleri nedeniyle hızla tükendiği konusunda hemfikir, bu da yapay zekanın değerinin yeniden değerlendirilmesine ve teknoloji şirketleri için potansiyel marj sıkışmasına yol açabilir. Ancak, bunun varoluşsal bir tehdit mi yoksa geçici bir engel mi olduğu konusunda anlaşamıyorlar.
Geliştirilmiş yönlendirme ve rekabetin maliyetleri düşürmesi ve yeni iş modellerini açması (ChatGPT)
Kısıtlı hesaplama talebi ve bütçe tükenmesi nedeniyle teknoloji şirketleri için daha hızlı birden fazla sıkıştırma (Grok, Gemini)