در دنیای به سرعت در حال توسعه فناوریهای هوش مصنوعی، این سوال که آیا CPM سودآور است یا خیر، برای کسبوکارها حیاتی میشود. ما دائماً در مورد کاهش هزینه «هوش» میشنویم، اما در عین حال مدلهای پرچمدار گرانتر میشوند و هزینههای هوش مصنوعی افزایش مییابد. چگونه این پارادوکس را درک کنیم؟ در این مقاله، ما به اقتصاد مدلهای زبان بزرگ (LLM) تا پایان سال 2026 میپردازیم، قیمتهای واقعی، حاشیه سود ارائهدهندگان را بررسی میکنیم و سعی میکنیم آینده را پیشبینی کنیم.
هزینه یک توکن در حال حاضر چقدر است – بر اساس قیمت و در واقعیت؟
در مطالب قبلی، ما قبلاً به موضوع استنتاج محلی پرداختهایم، اما عملکردهای شرکتی تا حد زیادی به مدلهای ابری متکی هستند. در اینجا، مسئله هزینه بسیار حیاتی میشود. با وجود اظهارات محققان در مورد کاهش هزینه «هوش»، مدلهای پرچمدار منتشر شده تا سال 2026 گرانتر شدند. ارائهدهندگان به طور فعال محدودیتها را کاهش میدهند و هزینههای کلی هوش مصنوعی همچنان در حال افزایش است. بیایید به قیمتگذاری و اقتصاد واقعی بپردازیم.
تا پایان سال 2026، بازار LLM یک ساختار سه لایه مشخص را شکل داده است:
- فوق پرچمداران: Claude Fable 5.1 و GPT-6 Astra.
- پرچمداران کاری: Claude Opus 5.5، GPT-6 Sol، Gemini 3.5 Flash.
- مدلهای انبوه: GPT-6 Luna، DeepSeek V4.1-Flash.
لیست قیمت استاندارد برای 1 میلیون توکن به شرح زیر است:
- Claude Fable 5.1 (Anthropic): $75
- GPT-6 Astra (OpenAI): $60
- Claude Opus 5.5 (Anthropic): $30
- Gemini 3.5 Flash (Google): $15
- DeepSeek V4.1-Flash (نرخ خارج از اوج، انبوه، وزنهای باز): $2
اما مهم است که درک کنیم این لیست قیمت منعکس کننده هزینههای واقعی نیست. طبق دادههای Ramp، میانگین وزنی قیمتی که شرکتهای آمریکایی در واقع به OpenAI و Anthropic پرداخت کردهاند، تا 23 اکتبر 2026 حدود 0.56 دلار برای هر میلیون توکن بوده است. این به این دلیل است که حجم اصلی درخواستها به خواندن مجدد زمینه از کش و استفاده از مدلهای ارزانتر مربوط میشود.
مارتین آلدرسون نشان داد که هزینه یک جلسه طولانی عامل توسط نرخ خواندن کش تعیین میشود، نه قیمت ورودی/خروجی. یک کار مشابه میتواند از 0.23 دلار تا 25 دلار هزینه داشته باشد. تفاوت دو مرتبه بزرگی است.
بنابراین، انتخاب مدل و معماری کشینگ تأثیر بسیار قویتری بر بودجه دارد تا تغییرات در لیست قیمتها. این یک فرض نیست، بلکه یک واقعیت تأیید شده است. بهینهسازی CPM برای هر پروژه هوش مصنوعی بسیار حیاتی میشود.
آیا این قیمتها از نظر اقتصادی توجیه میشوند؟
گزارش Epoch AI با عنوان «قیمت رو به کاهش تفکر» (سپتامبر ۲۰۲۶) ادعا میکند که هزینه دستیابی به کیفیت ثابت تقریباً ۱۳ برابر در سال کاهش مییابد. این نرخی است که از کاهش قیمت توالییابی DNA یا قدرت محاسباتی پیشی میگیرد.
گیدو آپنزلر (a16z) در سال ۲۰۲۴ این پدیده را «LLMflation» نامید و کاهش هزینه را ده برابر در سال تخمین زد.
مهم است که توجه داشته باشیم این منحنی به یک سطح ثابت از تواناییها اشاره دارد. ایتان دینگ به درستی اشاره کرد که تقاضا به طور مداوم به سمت جدیدترین مدلها تغییر میکند، که قیمت آنها نسبتاً ثابت باقی میماند و تعداد توکنهای مورد نیاز برای انجام یک کار افزایش مییابد. اگر نرخ Epoch را برونیابی کنیم، قیمت یک سطح ثابت از تواناییها ده هزار برابر کاهش یافته است. با این حال، در همان دوره، قیمت توکنهای خروجی مدلهای پرچمدار OpenAI و Anthropic در محدوده ۱۰ تا ۷۵ دلار در هر میلیون باقی مانده است.
در سال ۲۰۲۶، مدلهای جدید واقعاً گرانتر شدند. ماتیاس باستیان اشاره میکند که Gemini 3.5 Flash گرانتر از نسل قبلی خود است و نسخههای جدید Claude توکنهای بیشتری برای انجام همان کار مصرف میکنند. طبق شاخص Ornn، قیمتهای واقعی مدلهای بسته افزایش یافته است، در حالی که قیمت DeepSeek باز، برعکس، کاهش یافته است.
آیا اشتراکها برای ارائهدهندگان سودآور هستند؟
اطلاعات مالی Anthropic که در ۲۶ اکتبر ۲۰۲۶ منتشر شد، برای اولین بار دادههای مالی قابل تأیید را ارائه کرد. حاشیه سود ناخالص شرکت در نیمه اول سال ۲۰۲۶ حدود ۸۵٪ بود. هزینههای مستقیم محاسبات حدود ۱۵٪ از درآمد را تشکیل میداد. برای مقایسه، در سال ۲۰۲۴ این رقم منفی بود. حدود ۸۰٪ از درآمد Anthropic از پرداخت بر اساس توکن و ۲۰٪ از اشتراکها حاصل میشود.
درآمد به کجا میرود؟ حدود ۶۰ سنت از هر دلار به تحقیق و توسعه (آموزش مدلها) اختصاص مییابد. ۲۳ سنت دیگر به فروش و بازاریابی و ۶ سنت به هزینههای اداری میرود. تنها ۱۵ سنت صرف ارائه مستقیم درخواستها میشود.
وضعیت مالی OpenAI متفاوت است. با درآمد ۵.۷ میلیارد دلار و ۶.۷ میلیارد دلار به ترتیب در سه ماهه اول و دوم سال ۲۰۲۶، زیان عملیاتی شرکت ۹.۳ میلیارد دلار و ۱۲.۳ میلیارد دلار بود.
دلیل این اختلاف در این است که بخش قابل توجهی از کاربران ChatGPT از طرحهای رایگان یا ارزانقیمت استفاده میکنند. حاشیه سود ناخالص OpenAI در سال ۲۰۲۵ ۳۳٪ و در سه ماهه اول سال ۲۰۲۶ ۳۹٪ بود. در حالی که Anthropic عمدتاً بر مشتریان سازمانی و دسترسی برنامهنویسی متمرکز است.
مارتین آلدرسون در سال ۲۰۲۵ اظهار داشت: «کسبوکار API اساساً یک چاپگر پول است.» فروش دسترسی از طریق API، در واقع، یک چاپگر پول است.
داریو آمودی، مدیرعامل Anthropic، منطق را به این صورت بیان کرد: «هر مدل سودآور است، اما شرکت هر سال زیانده است.» یعنی هر مدل سودآور است، اما شرکت به دلیل سرمایهگذاریهای عظیم در توسعه نسل بعدی فناوریها، در مجموع زیانده باقی میماند.
قیمتگذاری مدلهای پیشرفته نه به دلیل هزینه تولید توکن، بلکه به دلایل زیر توجیه میشود:
- نیاز به بازگشت سرمایه آموزش مدلها با چرخه عمر نسبتاً کوتاه.
- پاداش برای رهبری فناوری و نوآوری.
- کمبود توان محاسباتی که در سال 2026 مشاهده شد.
نتیجهگیری واضح است: پرداخت اضافی برای یک مدل قدرتمند تنها در مواردی توجیه میشود که تأثیر قابل اندازهگیری و قابل توجهی داشته باشد. یک ماه پس از راهاندازی Claude Fable 5، تنها 6% از توکنهای خریداری شده از Anthropic به آن اختصاص داشت. این یک شاخص واضح از محدودیت تمایل شرکتها برای پرداخت هزینه برای افزایش کیفیت است. ROI در سرمایهگذاریهای هوش مصنوعی باید بسیار دقیق محاسبه شود.

اقتصاد اشتراکها: محدودیتها به جای قیمتها
سم آلتمن (OpenAI) در ژانویه 2025 اذعان کرد که این شرکت به دلیل استفاده فشرده، در طرح Pro ضرر میکند. ایتان دینگ توضیح داد که با عملکرد مستقل یک عامل، مصرف توکنها عملاً نامحدود میشود. او اشاره کرد: «هیچ قیمت اشتراک ثابتی در این دنیای جدید کار نمیکند.» قیمت ثابت اشتراک در واقعیت جدید کارساز نیست.
ارائهدهندگان در پاسخ به این موضوع، مدیریت محدودیتها را در پیش گرفتند. Anthropic محدودیتهای هفتگی را معرفی کرد و OpenAI محدودیتهای کاربران طرح Plus را کاهش داد. کریس زئولی اظهار داشت: «به جای افزایش قیمتهای لیست، آنها سهمیه استفاده را کاهش دادند.» یعنی، به جای افزایش قیمتهای لیست، ارائهدهندگان حجم مجاز استفاده را کاهش دادند.
در بخش عمومی، OpenAI به تدریج به سمت مدل تبلیغاتی حرکت میکند و انتظار دارد تعداد مشترکین Plus کاهش یابد و این کاهش با طرح تبلیغاتی Go جبران شود.
مدل محاسبه حاشیه سود اشتراکها به شرح زیر است:
- هزینه هر مشترک C = A × k، که در آن A — مصرف ماهانه بر اساس قیمت API، k — نسبت هزینه به قیمت (از 10% تا 30%).
- حاشیه سود M = P − C، که در آن P — قیمت طرح.
- نقطه سر به سر: A = P / k.
حتی با فرض اینکه 15% از کاربران «سنگین» و افراطی باشند، حاشیه سود در سناریوی پایه حدود 56% است. بنابراین، محدودیتها ابزار اصلی مدیریت اقتصاد اشتراکها هستند.
چگونه قیمتها در سالهای 2027–2029 تغییر خواهند کرد؟
احتمالاً هزینه توکن همچنان کاهش خواهد یافت، اما هزینه انجام یک کار با مدلهای پیشرفته — خیر. نیروهای متضاد بر بازار تأثیر خواهند گذاشت:
- روند فناوری: کاهش هزینه سطح ثابت تواناییها کند نمیشود.
- کارایی استنتاج: گارتنر پیشبینی میکند که تا سال 2030، استنتاج یک مدل با تریلیون پارامتر 90% ارزانتر از سال 2025 خواهد بود. با این حال، این کاهش هزینه به طور کامل به مشتریان منتقل نخواهد شد.
توماش تونگوز: «تقاضای تورمی از بهبودهای الگوریتمی و تراشهای کاهنده تورم پیشی میگیرد.»
پیشبینی نهایی گارتنر ناامیدکننده است: تا سال 2028، هزینه یک فرآیند عامل (Agent) بیش از پنج برابر افزایش خواهد یافت، علیرغم ارزانتر شدن توکنها. این پدیده «پارادوکس استنتاج» نامیده شده است.
این به چه معناست برای شرکتها و متخصصان؟
ویل سامر (گارتنر): «مدیران محصول نمیتوانند انتظار داشته باشند که ارزانتر شدن توکنها به تنهایی هزینههای هوش مصنوعی را توجیه کند.»
این بدان معناست که باید اقتصاد واحد را بسیار دقیق محاسبه کرد. CPM سودآور تنها با انتخاب صحیح مدل و معماری است. آزمایش فرضیهها را میتوان با هزینه کم روی مدلهای متنباز انجام داد. مقایسه قیمت بین بنر و بلاگر اکنون با مقایسه با راهحلهای هوش مصنوعی تکمیل میشود. آیا باید در هوش مصنوعی سرمایهگذاری کرد؟ فقط اگر ROI واضح باشد. قیمت در مقابل نتیجه – این شاخص کلیدی است. چگونه CPM را کاهش دهیم – این فقط در مورد توکنها نیست، بلکه در مورد کارایی کل معماری راهحل است.
سوالات متداول
CPM واقعی در LLMهای ابری چقدر است؟
میانگین وزنی واقعی CPM برای شرکتهای آمریکایی حدود 0.56 دلار به ازای هر میلیون توکن است که به طور قابل توجهی کمتر از لیست قیمتهای اعلام شده مدلهای پرچمدار است. این به دلیل استفاده از کشینگ و مدلهای ارزانتر برای بار اصلی است.
چرا مدلهای پرچمدار جدید گرانتر میشوند، در حالی که «هوش» ارزانتر میشود؟
«هوش» در یک سطح ثابت از تواناییها ارزانتر میشود. با این حال، تقاضا به سمت مدلهای جدیدتر و قدرتمندتر تغییر میکند که هزینه آنها بالا باقی میماند. ارائهدهندگان مجبورند سرمایهگذاریهای عظیم در آموزش نسل بعدی مدلها را جبران کنند، که همین امر قیمتهای بالا را برای راهحلهای پیشرو حفظ میکند.
آیا اشتراکهای LLM برای ارائهدهندگان سودآور است؟
بله، اشتراکها برای ارائهدهندگان سودآور هستند، اگر سرمایهگذاریهای عظیم در تحقیق و توسعه مدلهای جدید را در نظر نگیریم. حاشیه سود ناخالص Anthropic در عملیات فعلی حدود 85% است. با این حال، به دلیل استفاده فشرده، ارائهدهندگان مجبورند محدودیتهایی را اعمال کنند، نه اینکه قیمتها را افزایش دهند، تا اقتصاد اشتراکها را مدیریت کنند.
«پارادوکس استنتاج» چیست؟
«پارادوکس استنتاج» وضعیتی است که در آن هزینه توکنها به دلیل پیشرفتهای تکنولوژیکی همچنان کاهش مییابد، اما هزینه کلی انجام یک کار با استفاده از هوش مصنوعی افزایش مییابد. این اتفاق به دلیل افزایش پیچیدگی وظایف، رشد مصرف توکن به ازای هر وظیفه (به ویژه برای عاملها) و کمبود توان محاسباتی رخ میدهد.
چه CPMی برای پروژههای هوش مصنوعی سودآور محسوب میشود؟
CPM سودآور به وظیفه خاص و ROI بستگی دارد. اگر پرداخت بیشتر برای یک مدل پرچمدار، تأثیر قابل اندازهگیری داشته باشد و به درآمد تبدیل شود، چنین CPMی میتواند توجیهپذیر باشد. در موارد دیگر، باید به مدلهای باز ارزانتر روی آورد یا معماری کشینگ را برای کاهش هزینههای واقعی بهینه کرد.
