مسئله اصلی شرکت‌های بزرگ حوزهٔ هوش مصنوعی ضعف فناوری نیست؛ مشکل فقدان یک انحصار پایدار است. در لایه‌های عملیاتی که کاربران و کسب‌وکارها روزانه از آن استفاده می‌کنند، چندین بازیگر توانمند وجود دارند که می‌توانند به‌سرعت جای یکدیگر را بگیرند و همین رقابت تنگاتنگ، چشم‌انداز سودآوری بلندمدت را کم‌ثبات می‌کند.

دلایل ناتوانی در ایجاد انحصار

نمونه‌هایی مانند Google یا Microsoft نشان می‌دهد وقتی یک شرکت نقطهٔ اتصال کلیدی کاربران را در اختیار گیرد، مزایای شبکه‌ای و وفاداری شکل می‌گیرد. اما در مورد مدل‌های زبان بزرگ و سامانه‌های گفتگو وضعیت متفاوت است:

  • توانمندی‌های پایه‌ای نزدیک به هم‌اند: OpenAI، گوگل، Anthropic، Microsoft و رقبای بزرگ دیگر در تولید پاسخ‌های متنی عملکردی هم‌سطح و قابل رقابت دارند؛ برای بسیاری از کاربردها تفاوت محسوس نیست.
  • هزینهٔ تعویض پایین: کاربران و توسعه‌دهندگان به‌سرعت از سرویسی که قیمت یا کیفیتش افت می‌کند، به گزینهٔ رقیب مهاجرت می‌کنند؛ این پویش فشار قیمت‌گذاری را محدود می‌کند.
  • اوپن‌سورس و کپی‌پذیری فناوری: مدل‌هایی مثل LLaMA و دیگر نمونه‌های متن‌باز باعث شده‌اند فناوری سریع‌تر تکثیر شود و ایجاد انحصار سخت‌تر شود. برای مراجع بیشتر دربارهٔ ساختار مدل‌های زبانی بزرگ ببینید Large language model.

چالش‌های اقتصادی: سوزاندن سرمایه و بازگشت سرمایه

آموزش مدل‌ها و تأمین زیرساخت‌های محاسباتی میلیاردها دلار هزینه می‌برد. در صورتی که بازار حاضر به پذیرش قیمت‌های ممتاز نباشد، بازگشت این سرمایه دشوار می‌شود. مسیرهای متداول بازگشت سرمایه هرکدام محدودیت‌هایی دارند:

  • مدل اشتراکی یا مبتنی بر تبلیغات: گزینه‌های رایگان یا ارزان رقبا مانع از اعمال قیمت‌های بالا می‌شوند؛ کاربران به‌سرعت جابه‌جا می‌شوند.
  • نسخ سازمانی و خدمات تخصصی: بازار سازمانی برای امنیت، خصوصی‌سازی و سفارشی‌سازی وجود دارد، اما غالباً حجم و حاشیهٔ آن برای تأمین کامل هزینه‌های تحقیق و توسعه کافی نیست مگر شرکت مزیت‌های منحصربه‌فردی ارائه دهد.
مصرف انرژی و زیرساخت‌های محاسباتی برای مدل‌های هوش مصنوعی

آیا ادغام، ورشکستگی یا کالا شدن بازار راه‌حل‌اند؟

یک سناریو این است که برخی بازیگران کوچک‌تر از بازار خارج شوند و تمرکز به چند شرکت بزرگ برسد. با این حال باید پرسید چه میزانی از سرمایه از بین می‌رود و آیا بازماندگان قادر به ایجاد حاشیهٔ سود پایدار خواهند بود. تجربهٔ دورهٔ دات‌کام نشان می‌دهد بقا لزوماً به معنای سوددهی بلندمدت نیست.

راه‌های حفظ مزیت رقابتی

چند استراتژی وجود دارد که می‌تواند برتری را پایدارتر کند:

  1. دادهٔ اختصاصی و خدمات عمقی: دسترسی به داده‌های منحصر‌به‌فرد یا پیاده‌سازی عمیق در حوزه‌های تخصصی (مثلاً سلامت، حقوق یا مالی) امکان ارائهٔ ارزش متفاوت و دشوار برای تقلید را فراهم می‌کند.
  2. ایجاد و تقویت اکوسیستم توسعه‌دهنده: پلتفرم‌هایی که ابزارها، SDKها و جامعهٔ توسعه‌دهندهٔ قوی دارند، می‌توانند قفل پلتفرم ایجاد کنند و خروج مشتریان را دشوار سازند.
  3. بهینه‌سازی سخت‌افزار و بهره‌وری عملیاتی: کنترل زنجیرهٔ تأمین سخت‌افزار، طراحی شتاب‌دهنده‌های اختصاصی یا بهبود بهره‌وری مراکز داده می‌تواند هزینهٔ عملیاتی را کاهش دهد و مزیت قیمتی ایجاد کند.
  4. قراردادهای سازمانی و خدمات مدیریت‌شده: قراردادهای بلندمدت B2B با تعهدات خدماتی پایدار، جریان درآمد قابل اتکایی فراهم می‌آورند.
تلاش شرکت‌ها برای جذب توسعه‌دهندگان و کسب‌وکارها به پلتفرم‌های هوش مصنوعی

پیام به سرمایه‌گذاران و سیاست‌گذاران

برای سرمایه‌گذاران: شرط‌بندی صرف بر «برندهٔ نهایی» پرریسک است. محتمل‌تر این است که بخشی از بازار کالا شود و رقابت فشرده باقی بماند، مگر آن‌که شرکت‌ها مزایای عملی و پایدار بسازند.

برای سیاست‌گذاران: رقابت در سطح مدل‌های پایه می‌تواند از شکل‌گیری انحصار جلوگیری کند، اما لازم است تمرکز داده و زیرساخت نیز رصد شود تا بازیگران بزرگ نتوانند با اتکا به دادهٔ حساس و قراردادهای زیرساختی، ورود رقبا را مسدود کنند. برای نمونه‌های تحلیلی در زمینهٔ فناوری می‌توان به TechCrunch مراجعه کرد.

چشم‌انداز؛ چه شاخص‌هایی را دنبال کنیم؟

  • حجم و کیفیت داده‌های اختصاصی که شرکت‌ها جمع‌آوری می‌کنند.
  • گسترش اکوسیستم توسعه‌دهنده و تعداد یکپارچگی‌ها با نرم‌افزارهای کسب‌وکار.
  • میزان سرمایه‌گذاری در زیرساخت سخت‌افزاری و بهره‌وری عملیاتی مراکز داده.
  • تعداد و مقیاس قراردادهای سازمانی بلندمدت.

شرکت‌هایی که تنها روی سرعت توسعهٔ مدل‌های پایه تمرکز کنند، در این بازار رقابتی آسیب‌پذیر خواهند بود. برندگان واقعی آن‌هایی هستند که مزایای عملی قابل‌لمس، دادهٔ اختصاصی، روابط سازمانی عمیق و تجربهٔ کاربری متمایز بسازند.