شکاف دیجیتالی در چت‌بات‌ها
دنیای اقتصاد : اشتراک ماهانه هوش مصنوعی تا کجا می‌تواند هزینه استفاده از این فناوری را مهار کند؟ اول نوامبر ۲۰۲۶، ایلان ماسک در شبکه اجتماعی ایکس نوشت که هزینه ارائه خدمات روبات گراک در مقایسه با درآمد آن پایدار نیست. این اظهارنظر در پاسخ به کاربری مطرح شد که از تمام‌شدن سریع سهمیه مصرف خود گلایه داشت. چه‌بسا طرح این پرسش بتواند در این بحث جایگاه خوبی داشته باشد، آیا درآمد حاصل از اشتراک‌های ثابت با هزینه پردازش درخواست‌ها تناسب دارد؟
امجد مسعد، مدیرعامل ریپلیت، نیز در واکنشی جداگانه درباره احتمال پایان‌یافتن اشتراک‌های یارانه‌ای هشدار داد. هر دو اظهارنظر به نگرانی مشترکی اشاره دارند. شرکت‌های هوش مصنوعی برای حفظ کاربران، خدماتی با قیمت مشخص عرضه می‌کنند، اما هزینه ارائه این خدمات به میزان و نوع استفاده وابسته است. با پیچیده‌ترشدن کاربردها و افزایش مصرف، فاصله میان قیمت اشتراک و هزینه واقعی ارائه خدمات می‌تواند بیشتر شود و البته مشخص نیست استفاده ارزان از ابزارآلات هوش مصنوعی تا چه روزی ادامه‌دار خواهد بود.
توکن ارزان‌تر؛ هزینه نهایی بالاتر
بر اساس گزارش شاخص هوش مصنوعی استنفورد در سال ۲۰۲۵، هزینه پرس‌وجو از مدلی با عملکرد معادل جی‌پی‌تی ۳.۵ در آزمون MMLU، از ۲۰ دلار به‌ازای هر‌میلیون توکن در نوامبر۲۰۲۲ به ۷سنت در اکتبر ۲۰۲۴ رسید. البته این ارقام به مدلی با سطح عملکرد مشخص مربوط‌اند و نباید آنها را به همه مدل‌ها و کاربردهای هوش مصنوعی تعمیم داد. با این حال، داده‌های مک‌کنزی نشان می‌دهد که ارزان‌ترشدن پردازش، نگرانی درباره هزینه را از میان نبرده است. در این گزارش، ۲۰درصد از پاسخ‌دهندگان در سازمان‌هایی که به‌طور منظم از هوش مصنوعی استفاده می‌کنند، هزینه‌های عملیاتی، از جمله هزینه توکن‌ها، را عاملی محدودکننده برای گسترش استفاده از این فناوری دانسته‌اند.
بخشی از توضیح را باید در نحوه استفاده از مدل‌ها جست‌وجو کرد. یک سامانه عامل‌محور ممکن است برای انجام یک وظیفه، چندین بار اطلاعات را پردازش کند، از ابزارهای دیگر کمک بگیرد، نتیجه اولیه را ارزیابی کند و پس از چند مرحله اصلاح، به پاسخ نهایی برسد. هر مرحله می‌تواند مصرف توکن و هزینه محاسباتی بیشتری ایجاد کند. بنابراین، حتی اگر قیمت هر واحد پردازش پایین بیاید، افزایش تعداد درخواست‌ها و پیچیدگی عملیات ممکن است هزینه کل را بالا نگه دارد. در چنین شرایطی، معیار اقتصادی فقط قیمت هر‌میلیون توکن نیست و هزینه تکمیل موفق یک وظیفه نیز اهمیت دارد.
چرا بنگاه‌های اقتصادی بزرگ جلوترند؟
فاصله میان قیمت پردازش و هزینه نهایی، در سطح بنگاه‌ها نیز خود را نشان می‌دهد. بر اساس گزارش مک‌کنزی در سال ۲۰۲۶، در سازمان‌هایی با درآمد سالانه دست‌کم یک‌میلیارد دلار، ۴۰درصد از پاسخ‌دهندگان گفته‌اند عامل‌های هوش مصنوعی در یک یا چند بخش سازمان به مرحله گسترش رسیده‌اند. این سهم در سازمان‌هایی با درآمد کمتر از یک‌میلیارد دلار ۲۲ درصد بوده است. این مقایسه نشان می‌دهد که گسترش کاربردهای عامل‌محور در سازمان‌های بزرگ بیشتر گزارش شده است.
هزینه استقرار هوش مصنوعی به خرید اشتراک یا پرداخت هزینه پردازش محدود نمی‌شود. آماده‌سازی و پاک‌سازی داده‌ها، تامین نیروی متخصص، حفظ امنیت اطلاعات، اتصال مدل‌ها به سامانه‌های موجود و بازطراحی فرایندهای کاری نیز منابع مالی و زمانی می‌طلبد. افزون بر این، شرکت‌ها برای سنجش کیفیت خروجی‌ها و اصلاح خطاها باید هزینه آزمون و ارزیابی را بپذیرند. بنگاه‌های بزرگ ممکن است به پشتوانه منابع مالی و زیرساخت‌های موجود، امکان بیشتری برای تحمل این هزینه‌ها داشته باشند. در مقابل، همین مخارج می‌تواند تصمیم بنگاه‌های کوچک‌تر را دشوار کند. از این منظر، کاهش قیمت پردازش تنها یکی از شروط گسترش هوش مصنوعی است، نه تضمین‌کننده آن.
زیرساخت پردازش در اختیار چه کسانی است؟
توانایی استفاده از مدل‌های پیشرفته، علاوه بر هزینه جاری، به دسترسی به زیرساخت محاسباتی وابسته است. گزارش بانک جهانی درباره روندهای دیجیتال در سال۲۰۲۵ نشان می‌دهد که در ژوئن همان سال، کشورهای پردرآمد ۷۷درصد از ظرفیت جهانی مراکز داده هم‌مکانی را در اختیار داشتند. سهم کشورهای با درآمد متوسط رو به بالا ۱۸درصد و کشورهای با درآمد متوسط رو به پایین ۵درصد بود؛ سهم کشورهای کم‌درآمد نیز کمتر از ۰.۱ درصد برآورد شد. این آمار به ظرفیت مراکز داده هم‌مکانی مربوط است و نباید آن را معادل کل ظرفیت پردازشی هوش مصنوعی در جهان دانست.
تمرکز در ابرکامپیوترها نیز چشم‌گیر است. طبق همین گزارش، در ژوئن۲۰۲۵ کشورهای پردرآمد میزبان ۸۶ درصد از سامانه‌های فهرست پانصد کامپیوتر برتر جهان و در اختیارگیرنده ۹۷درصد از ظرفیت محاسباتی آنها بودند.
این تمرکز به معنای محرومیت کامل سایر کشورها از هوش مصنوعی نیست و مدل‌های باز و کوچک‌تر می‌توانند بخشی از نیاز کاربران و کسب‌وکارها را با اتکا به زیرساخت‌های محدودتر پاسخ دهند. با این حال، اجرای مدل روی زیرساخت محلی یا استفاده از یک ابزار عمومی، با توسعه و بهره‌برداری از مدل‌های پیشرفته در مقیاس بزرگ تفاوت دارد. دسترسی به نیروی متخصص، داده مناسب، توان محاسباتی و سرمایه همچنان در تعیین ظرفیت رقابت کشورها و شرکت‌ها نقش دارد.
شکاف دسترسی چگونه به شکاف اقتصادی تبدیل می‌شود؟
تمرکز زیرساخت در کنار تفاوت درآمد، مهارت و توان سازمانی می‌تواند زمینه نابرابری در بهره‌مندی از هوش مصنوعی را فراهم کند. برنامه عمران ملل متحد در گزارشی با عنوان «واگرایی بزرگ» در دسامبر ۲۰۲۵ هشدار داد که تفاوت کشورها در زیرساخت، مهارت، حکمرانی و میزان پذیرش هوش مصنوعی ممکن است به افزایش شکاف اقتصادی میان آنها بینجامد.
در این میان، باید میان دسترسی به ابزارهای عمومی و امکان استفاده از مدل‌های پیشرفته تمایز گذاشت. یک کاربر ممکن است بتواند با نسخه رایگان یا ارزان یک چت‌بات، بخشی از کارهای روزمره خود را انجام دهد اما بهره‌برداری مستمر از مدل‌های پیشرفته، اجرای فرایندهای پیچیده یا استقرار عامل‌های هوش مصنوعی در یک سازمان، به منابع و امکانات بیشتری نیاز دارد.
در نتیجه هزینه اشتراک تنها بخشی از مساله است و هزینه‌های زیرساخت، آموزش، یکپارچه‌سازی و نظارت نیز در تعیین میزان بهره‌مندی نقش دارند.
ایران و پیش‌فاکتورهای تحریم‌ها
در ایران، سنجش هزینه دسترسی به هوش مصنوعی به بررسی قیمت اشتراک به‌تنهایی محدود نمی‌شود و ماجرا را باید به‌گونه دیگری تعریف کرد. محدودیت پرداخت مستقیم ارزی، استفاده از واسطه‌ها و هزینه‌های جانبی تهیه حساب کاربری می‌توانند مبلغ پرداختی کاربران را از قیمت اعلام‌شده در بازار جهانی دور کنند. نوسان نرخ ارز نیز بر هزینه دسترسی اثر می‌گذارد. تحریم‌های دیجیتال طی مدت کوتاهی فشار بیشتری به کسب‌وکارهای ایرانی آورده و آنان را با ریسک‌های تازه‌ای ازجمله قطع دسترسی و بسته‌شدن حساب‌های حیاتی روبه‌رو ساخته است.
در منابع بررسی‌شده، داده مستقیمی درباره سهم هزینه اشتراک‌های هوش مصنوعی از درآمد خانوارهای ایرانی، تفاوت این سهم میان گروه‌های درآمدی یا میزان انصراف کاربران به دلیل قیمت پیدا نشد. از این رو، نمی‌توان بدون بررسی بیشتر نتیجه گرفت که اشتراک مدل‌های پیشرفته چه سهمی از سبد هزینه‌ای کاربران یا کسب‌وکارهای ایرانی را تشکیل می‌دهد. برای پاسخ دقیق‌تر، باید قیمت اشتراک، کارمزد واسطه‌ها و سایر هزینه‌های دسترسی در یک تاریخ مشخص محاسبه و با شاخص‌های درآمدی هم‌دوره مقایسه شود.
این محدودیت‌ها در کنار دسترسی نابرابر به زیرساخت و دشواری پرداخت بین‌المللی، ضرورت بررسی گزینه‌های جایگزین را برجسته می‌کند. مدل‌های سبک‌تر و ابزارهایی که روی سخت‌افزار محدودتر اجرا می‌شوند، ممکن است برای برخی کاربردها راه‌حل کم‌هزینه‌تری باشند اما میزان صرفه‌جویی آنها باید با توجه به کیفیت خروجی، نیاز پردازشی و هزینه استقرار سنجیده شود.
