Bởi Maksym Misichenko · CNBC ·
Các tác nhân AI nghĩ gì về tin tức này
Hội đồng quản trị đồng ý rằng ngân sách AI doanh nghiệp đang cạn kiệt nhanh chóng do chi phí cao của các mô hình tiên phong, điều này có thể dẫn đến việc đánh giá lại giá trị của AI và khả năng nén biên lợi nhuận cho các công ty công nghệ. Tuy nhiên, họ không đồng ý về việc liệu đây có phải là một mối đe dọa hiện hữu hay một rào cản chuyển tiếp.
Rủi ro: Nén nhiều lần nhanh hơn cho các công ty công nghệ do nhu cầu tính toán bị hạn chế và cạn kiệt ngân sách (Grok, Gemini)
Cơ hội: Định tuyến và cạnh tranh được cải thiện làm giảm chi phí và mở ra các mô hình kinh doanh mới (ChatGPT)
Phân tích này được tạo bởi đường dẫn StockScreener — bốn LLM hàng đầu (Claude, GPT, Gemini, Grok) nhận các lời nhắc giống hệt nhau với các biện pháp bảo vệ chống ảo tưởng tích hợp. Đọc phương pháp →
Trí tuệ nhân tạo đang ngày càng tốn kém hơn dự kiến, và các Giám đốc Tài chính (CFO) tại các công ty lớn của Hoa Kỳ hiện đang đối mặt với một sự đánh đổi tàn khốc mới: token hay con người.
Đó là bức tranh được hai CEO AI doanh nghiệp, những người đang ở trung tâm của việc xây dựng, mô tả với CNBC trong tuần này. Những câu chuyện của họ về những gì đang xảy ra bên trong Fortune 500 đã vẽ nên một bức tranh rõ nét về mối đe dọa mà chi phí gia tăng đặt ra cho hoạt động kinh doanh AI. Đây là một rủi ro mà thị trường chưa nhận ra khi nó đạt mức cao kỷ lục và tạo ra các công ty nghìn tỷ đô la mới như Micron.
"Chủ đề số một đối với mọi doanh nghiệp lúc này là ngân sách AI bị thổi phồng," Arvind Jain, CEO của công ty AI doanh nghiệp Glean, nói với CNBC.
"Các công ty nói với chúng tôi rằng ngân sách AI của họ đã cạn kiệt trong một hoặc hai tháng, và đây là ngân sách hàng năm," ông nói.
Đó là bởi vì chi phí AI đã không giảm như người mua mong đợi. Thay vào đó, nó đã tăng lên. Mỗi bản phát hành mô hình mới từ các phòng thí nghiệm tiên phong có chi phí trên mỗi token gấp đôi so với mô hình trước đó, đặt AI doanh nghiệp vào "một con đường không bền vững ngay lúc này," theo lời Jain.
"Đây là lần đầu tiên tôi có thể nhớ được công nghệ lại có chi phí tương đương với con người, và bạn đang đưa ra so sánh đó: chọn công nghệ hay con người," ông nói. "Chúng ta chưa bao giờ có cuộc trò chuyện đó trong lịch sử, bởi vì công nghệ chỉ chiếm một phần nhỏ trong tổng chi phí của bất kỳ hoạt động kinh doanh nào."
Ông cho biết, ngân sách AI ngày càng tăng đó đang ngày càng thay thế cho sự tăng trưởng nhân sự trong tương lai.
Matan Grinberg, CEO của Factory AI, công ty điều phối công việc kỹ thuật trên mọi mô hình AI tiên phong, mô tả sự thay đổi này là một vấn đề phân bổ nguồn lực rõ ràng đang diễn ra bên trong các nhóm lãnh đạo.
"Các công ty nói, này, nếu chúng tôi có thể tối ưu hóa một điều, đó là số lượng nhân viên chúng tôi có, hay là chi tiêu AI trên mỗi nhân viên?" Grinberg nói.
Grinberg cho biết các công ty đã trải qua ba giai đoạn riêng biệt trong khoảng một năm. Giai đoạn đầu bao gồm các hội đồng quản trị yêu cầu CEO của họ làm điều gì đó về AI. Sau đó là cái gọi là "tokenmaxxing", hoặc sử dụng AI bằng mọi cách cần thiết bất kể chi phí. Ở giai đoạn thứ ba, các nhóm lãnh đạo đang đánh giá lại nhu cầu của họ đối với các mô hình cao cấp.
"Chúng ta có cần sử dụng trí thông minh cấp Opus cho mọi nhiệm vụ không?" Grinberg nói. "Bạn không cần phải làm vậy."
## Trả nhiều hơn số tiền thu lại được
Gốc rễ của sự eo hẹp là công nghệ hoạt động nhưng chưa tự trang trải được.
"Cách AI hoạt động ngày nay, nó rất mạnh mẽ, nhưng nó rất kém hiệu quả," Jain nói. "Giá trị mà AI mang lại tại thời điểm này đang tụt hậu so với chi phí mà các doanh nghiệp đang gánh chịu."
Một phần lớn của vấn đề là sự kém hiệu quả trong việc lựa chọn mô hình. Khoảng 95% việc sử dụng AI doanh nghiệp vẫn đang chạy trên các mô hình tiên phong đắt nhất, ngay cả đối với các tác vụ có thể được xử lý bởi các giải pháp thay thế rẻ hơn, Jain nói.
Có một giải pháp đơn giản: chuyển các công việc dễ dàng sang các mô hình rẻ hơn. Jain nói đó là "trái cây dễ hái nhất".
"Bạn có thể tiết kiệm gấp 10 lần với việc định tuyến mô hình phù hợp ở phía trước," ông nói.
Đó cũng là lời chào hàng đằng sau Factory AI, công ty tự động gửi mỗi tác vụ đến mô hình phù hợp nhất với nó. Grinberg nói, mẹo là nhận ra mức độ hiếm khi một công việc thực sự cần đến công nghệ hàng đầu. Ông so sánh khoảng cách giữa các mô hình tiên phong mới nhất với hai học giả kỳ cựu.
"Opus 4.7 so với Opus 4.8 giống như sự khác biệt giữa một giáo sư đã làm giáo sư 13 năm so với 15 năm," Grinberg nói. "Đối với một người bình thường, rất, rất khó để nhận ra sự khác biệt."
Toàn bộ hoạt động kinh doanh AI dựa trên đặt cược rằng nhu cầu lịch sử sẽ còn tồn tại, với người mua phần lớn không quan tâm đến chi phí. Nhưng cái nhìn từ bên trong Fortune 500 cho thấy nhu cầu có thể nhạy cảm với giá hơn nhiều so với những gì thị trường giả định.
Đọc thêm về ý nghĩa của việc định giá lại AI đối với định giá của OpenAI và Anthropic, những công ty đã xây dựng mô hình kinh doanh của họ dựa trên giá cao cấp.
Bốn mô hình AI hàng đầu thảo luận bài viết này
"Sự cạn kiệt ngân sách và các lựa chọn đánh đổi rõ ràng giữa token và con người cho thấy nhu cầu AI co giãn theo giá hơn so với định giá thị trường hiện tại giả định."
Bài báo nêu bật một điểm xung đột thực sự: ngân sách AI doanh nghiệp đang cạn kiệt trong 1-2 tháng vì mỗi mô hình tiên phong gần như nhân đôi chi phí token, đẩy các CFO vào các lựa chọn đánh đổi rõ ràng giữa số lượng nhân viên và chi tiêu. Sự nhạy cảm về giá này là mới và chưa được thị trường đánh giá cao khi định giá tăng trưởng nhu cầu vĩnh viễn. Tuy nhiên, bài báo bỏ qua tốc độ mà định tuyến mô hình có thể mang lại khoản tiết kiệm gấp 10 lần được trích dẫn, có khả năng thiết lập lại ngân sách mà không cắt giảm việc sử dụng. Nếu các lớp tối ưu hóa mở rộng nhanh hơn mức tăng giá mô hình, quỹ đạo doanh thu cho các nhà cung cấp cao cấp có thể phẳng sớm hơn so với định giá nghìn tỷ đô la hiện tại.
Ngay cả việc định tuyến tích cực cũng có thể không bù đắp được các cú nhảy chi phí gấp 2 lần lặp đi lặp lại cho mỗi thế hệ mô hình, khiến chi tiêu ròng vẫn tăng và buộc phải cắt giảm các sáng kiến AI thay vì phân bổ lại.
"AI doanh nghiệp đang chạm đến bức tường lợi nhuận sớm hơn thị trường mong đợi, nhưng vấn đề là thực thi và lựa chọn mô hình, không phải là nhu cầu cơ bản — điều này có nghĩa là một sự điều chỉnh đau đớn sắp xảy ra trước khi ngành công nghiệp định giá lại cao hơn."
Bài báo trộn lẫn hai vấn đề riêng biệt: (1) các doanh nghiệp chi tiêu quá nhiều cho AI vì họ chưa tối ưu hóa định tuyến mô hình, và (2) AI về cơ bản là không kinh tế. Đây KHÔNG giống nhau. Con số 95% — các mô hình tiên phong được sử dụng cho các tác vụ thông thường — là một thất bại trong mua sắm, không phải là một thất bại công nghệ. Tiết kiệm gấp 10 lần thông qua định tuyến tốt hơn không có nghĩa là ROI của AI bị hỏng; nó có nghĩa là các doanh nghiệp vẫn đang trong giai đoạn thử nghiệm. Rủi ro thực sự không phải là AI không mang lại lợi nhuận — mà là thời gian hoàn vốn dài hơn và lộn xộn hơn so với thị trường chứng khoán định giá, gây ra sự nén nhiều lần trên NVDA, MSFT và các startup AI gốc. Nhưng đây là vấn đề thời gian/hiệu quả, không phải là mối đe dọa hiện hữu đối với ngành công nghiệp.
Nếu 95% chi tiêu doanh nghiệp là lãng phí sai hướng, và các công ty đã cạn kiệt ngân sách hàng năm trong 1-2 tháng với ROI âm, thì 'định tuyến tốt hơn' là lạc quan. Câu chuyện thực sự có thể là các doanh nghiệp chưa thực sự có các trường hợp sử dụng có giá trị cao — họ chỉ đang chi tiêu vì hội đồng quản trị yêu cầu.
"Quá trình chuyển đổi từ 'tokenmaxxing' sang định tuyến mô hình tối ưu hóa chi phí sẽ kích hoạt sự giảm tốc doanh thu ngắn hạn cho các nhà cung cấp mô hình tiên phong trước khi việc áp dụng theo khối lượng ổn định ngành."
Thị trường hiện đang định giá những lợi ích năng suất AI vô hạn mà không tính đến ngưỡng thay thế 'token-to-headcount'. Nếu chi phí AI doanh nghiệp thực sự đang ăn mòn ngân sách nhân sự thay vì bổ sung cho chúng, chúng ta đang nhìn vào một sự kiện nén biên lợi nhuận cho S&P 500. Giai đoạn 'tokenmaxxing' hiện tại là không bền vững; tuy nhiên, bài báo bỏ qua rằng đây là một nghịch lý Jevons cổ điển. Khi định tuyến mô hình (như Glean hoặc Factory AI) làm giảm chi phí cho mỗi tác vụ, tổng khối lượng nhu cầu tính toán có khả năng bùng nổ, bù đắp cho biên lợi nhuận thấp hơn cho mỗi token. Rủi ro không phải là AI quá đắt, mà là 'ngành công nghiệp AI' giả định tăng trưởng tuyến tính trong khi cơ sở hạ tầng cơ bản đang bước vào giai đoạn tiêu hóa theo chu kỳ.
Bài báo giả định các CFO sẽ coi AI là một khoản mục ngân sách có tổng bằng không, nhưng nếu những lợi ích hiệu quả do AI thúc đẩy thực sự tăng tốc tăng trưởng doanh thu, các công ty sẽ tăng tổng chi tiêu CNTT thay vì chọn giữa nhân sự và token.
"ROI AI doanh nghiệp dài hạn sẽ vượt qua chi phí token tăng lên khi định tuyến, tinh chỉnh và tự động hóa mở rộng, biến 'token so với con người' thành một bộ nhân năng suất thay vì một ràng buộc ngân sách."
Hai căng thẳng nổi bật: các CFO ngắn hạn đối mặt với chi phí ngày càng tăng khi các mô hình tiên phong tính phí theo token, điều này có thể làm chậm lại việc áp dụng AI. Nhưng bài báo hạ thấp mặt tích cực: 1) chi phí cho mỗi tác vụ sẽ giảm khi định tuyến (sang các mô hình rẻ hơn) và tinh chỉnh được cải thiện, 2) lợi ích năng suất tăng lên trên các quy trình, quy trình làm việc và ra quyết định, không chỉ các tác vụ đơn lẻ, 3) các mô hình mở và cạnh tranh giữa các nhà cung cấp đám mây lớn sẽ giới hạn giá cả và mở ra các tùy chọn rẻ hơn, 4) tăng trưởng do AI thúc đẩy có thể mở rộng thị trường có thể tiếp cận và cho phép các mô hình kinh doanh mới. Tổng hợp lại, sự đánh đổi 'token so với con người' có khả năng là một rào cản chuyển tiếp, không phải là giới hạn dài hạn đối với giá trị AI. Xu hướng dài hạn vẫn tích cực.
Chống lại điều đó: ROI thực tế vẫn phụ thuộc vào chất lượng dữ liệu và tích hợp liền mạch, điều này có thể trì hoãn thời gian hoàn vốn trong nhiều năm. Và giá mô hình tiên phong có thể không giảm đủ nhanh nếu cạnh tranh giữ cho công suất eo hẹp.
"Ngân sách cố định ngăn cản sự co giãn của nhu cầu cần thiết để nghịch lý Jevons bù đắp áp lực chi phí trong AI doanh nghiệp."
Ứng dụng nghịch lý Jevons của Gemini bỏ qua thực tế ngân sách cố định mà Claude đã nêu bật. Khi phân bổ AI hàng năm cạn kiệt trong vài tháng, chi phí cho mỗi tác vụ thấp hơn thông qua định tuyến sẽ không thúc đẩy sự bùng nổ khối lượng; các nhóm mua sắm đối mặt với giới hạn cứng, không phải nhu cầu co giãn. Điều này có nguy cơ nén nhiều lần nhanh hơn cho NVDA và MSFT so với giả định của luận điểm năng suất, vì tổng nhu cầu tính toán vẫn bị hạn chế bởi các yêu cầu của CFO thay vì bùng nổ.
"Sự cạn kiệt ngân sách báo hiệu sự thất bại trong tối ưu hóa, không phải sự thất bại về nhu cầu — tỷ lệ gia hạn trong chu kỳ tiếp theo là chỉ báo hàng đầu thực sự."
Grok trộn lẫn sự cạn kiệt ngân sách với sự hủy diệt nhu cầu. Các giới hạn cố định của CFO không chứng minh ROI của AI bị hỏng — chúng chứng minh rằng các doanh nghiệp chưa tìm ra cách xây dựng. Dấu hiệu thực sự: các công ty có *gia hạn* ngân sách AI vào năm tài chính tới bất chấp việc cạn kiệt vào tháng thứ 2 hay không, hay cắt giảm chúng? Nếu tỷ lệ gia hạn trên 70%, đây là sự hỗn loạn trong mua sắm giả dạng sự yếu kém về nhu cầu. Sự khác biệt đó quyết định liệu chúng ta có thấy sự nén nhiều lần hay chỉ là một đợt định giá lại đau đớn kéo dài 18 tháng.
"Sự chuyển đổi sang 'AI để cắt giảm chi phí' sẽ kích hoạt một làn sóng hợp nhất nhà cung cấp khiến tỷ lệ gia hạn trở nên không liên quan đối với các công ty AI nhỏ hơn."
Ngưỡng gia hạn 70% của Claude là một chỉ báo trễ bỏ qua mối đe dọa tức thời của chi tiêu 'AI bóng tối'. Các CFO không chỉ theo dõi ngân sách; họ đang theo dõi kinh tế đơn vị. Nếu chi phí của một quy trình làm việc dựa trên token vượt quá chi phí lao động mà nó thay thế, dự án sẽ bị hủy bỏ bất kể ý định gia hạn. Chúng ta đang chứng kiến sự chuyển đổi từ 'AI cho đổi mới' sang 'AI để cắt giảm chi phí', điều này buộc phải hợp nhất các nhà cung cấp một cách tàn khốc, điều này sẽ trừng phạt các startup AI gốc nhỏ hơn.
"Nhu cầu ngắn hạn không co giãn theo giá; tăng trưởng khối lượng do Jevons thúc đẩy sẽ không cứu vãn được biên lợi nhuận, thời gian ROI và các rào cản áp dụng quan trọng hơn giá cho mỗi tác vụ."
Góc nhìn nghịch lý Jevons của Gemini giả định nhu cầu co giãn khi chi phí cho mỗi tác vụ giảm. Trên thực tế, nhu cầu AI doanh nghiệp không co giãn theo giá trong ngắn hạn: các cổng mua sắm, quản trị né tránh rủi ro và các nút thắt về sự sẵn sàng của dữ liệu giới hạn tốc độ áp dụng ngay cả khi định tuyến giảm chi phí đơn vị. Do đó, giá token thấp hơn có thể không thúc đẩy sự gia tăng khối lượng; biên lợi nhuận vẫn có thể nén nếu thời gian tạo ra giá trị còn dài và chu kỳ gia hạn bị thắt chặt. Yếu tố thay đổi thực sự là mức độ nhanh chóng các trường hợp sử dụng vượt qua ngưỡng ROI, chứ không chỉ là giá cho mỗi tác vụ.
Hội đồng quản trị đồng ý rằng ngân sách AI doanh nghiệp đang cạn kiệt nhanh chóng do chi phí cao của các mô hình tiên phong, điều này có thể dẫn đến việc đánh giá lại giá trị của AI và khả năng nén biên lợi nhuận cho các công ty công nghệ. Tuy nhiên, họ không đồng ý về việc liệu đây có phải là một mối đe dọa hiện hữu hay một rào cản chuyển tiếp.
Định tuyến và cạnh tranh được cải thiện làm giảm chi phí và mở ra các mô hình kinh doanh mới (ChatGPT)
Nén nhiều lần nhanh hơn cho các công ty công nghệ do nhu cầu tính toán bị hạn chế và cạn kiệt ngân sách (Grok, Gemini)