موج جدیدی از سر و صداها حول محور دستیارهای شخصی هوش مصنوعی شکل گرفته است. از ورود چشمگیر متا با دستیار «میوز» (Muse) و اسباب‌بازی نرم «جویلی» (Jolly)، تا ارائه‌ی «داتس» (Dots) توسط اپن‌ای‌ای و دستیار «اینستاکت» (Instinct) که در حال جابه‌جایی در دنیای انجام کارهای روزمره مانند رزرو سفر و لغو اشتراک‌ها است. روی کاغذ، این داستان هیجان‌انگیز به نظر می‌رسد؛ گویی بازگشت دوباره‌ای از دوران طلایی لانچ ChatGPT. اما پشت این درخشش ظاهری، واقعیت‌های تلخ اقتصادی پنهان است که بسیاری از بازیگران این عرصه را وادار کرده تا از رویارویی مستقیم با مصرف‌کننده به سمت بازار سازمان‌های بزرگ گریزی بزنند.
آیا پول‌سازی از هوش مصنوعی مصرفی همچنان دشوار است؟
دلیل تردید آزمایشگاه‌های پیشرو در توسعه محصولات مصرفی، ضعف تکنولوژیک نیست. حتی محصولات بسیار محبوب نیز با سقفی از اراده مصرف‌کننده برای پرداخت روبه‌رو هستند. اگرچه مدل‌ها بهتر شده‌اند، اما این بهبودها لزوماً به کسب‌وکار مصرفی پرسودتری منجر نمی‌شوند. نتیجه‌ی این معضل، یک شیفت صنعتی گسترده به سمت مدل آنتروپیک بوده است؛ مدلی که تمرکز اصلی‌اش بر قراردادهای سازمانی و گسترش در صنایع مختلف است.
آمارهای واهم‌آور در پشت پرده
- سطح پرداخت مصرف‌کننده: گزارش‌های اخیر نشان می‌دهد که تنها حدود ۲.۲ تا ۳ درصد از مصرف‌کنندگان حاضرند برای سرویس‌های هوش مصنوعی پول پرداخت کنند.
- مبلغ متوسط خرید: میانگین ماهانه هزینه‌ای که مصرف‌کنندگان برای هوش مصنوعی می‌پردازند، حدود ۳۱ تا ۳۴ دلار است. با توجه به هزینه‌های بالای عملیاتی این شرکت‌ها، این رقم حتی یک‌سوم هزینه‌های عملیاتی رقابت‌گرهای بزرگی مانند OpenAI را پوشش نمی‌دهد.
- رشد خطی و کند: حتی با وجود جهش‌های عملکردی عمیق در مدل‌ها، رشد تعداد کاربران پول‌پرداز و میزان هزینه‌کرد آن‌ها، روندی کاملاً خطی و تدریجی دارد، نه انفجاری.
چالش اصلی: هزینه‌های نجومی عملیاتی
مشکل اصلی هوش مصنوعی مصرفی، درآمدهای پایین نیست، بلکه هزینه‌های عملیاتی گسترده است. در مقایسه با فناوری‌های سبک‌تر مانند شبکه‌های اجتماعی یا رایانش ابری، اجرای سیستم‌های هوش مصنوعی پیشرفته بسیار پرهزینه‌تر است. حتی اگر صدها میلیون مشتری پول‌پرداز داشته باشید، تضمینی برای رسیدن به نقطه‌ی سربه‌سر وجود ندارد. این واقعیت، شرکت‌هایی مانند OpenAI را وادار کرده تا استراتژی خود را بازتعریف کنند و فروش به سازمان‌ها را با حاشیه سود بالاتر، به عنوان ستون اصلی درآمد خود قرار دهند.
برای بازیکنان تازه‌واردی مانند متا و استارتاپ‌هایی مثل Instinct، چالش اصلی یافتن راهی برای غلبه بر این اقتصاد تلخ است. متا از قدرت هدف‌گیری تبلیغات شخصی‌سازی‌شده بهره می‌برد و اینستاکت تلاش دارد با截取 از تراکنش‌ها و اجتناب از هزینه‌های بالای آموزش مدل‌های اولیه، ترفندی به راه بیندازد. اما به نظر می‌رسد بدون توجه به حوزه‌های سازمانی، رشد قابل توجهی بدون درگیر شدن با بازار B2B محقق نخواهد شد. این درس، یکی از معدود پایداری‌های صنعتی است که تغییر نمی‌کند.
نظر، سوال یا تجربه خود را درباره این مطلب با سایر کاربران اوکالا به اشتراک بگذارید.