SIAPA YANG BERBAGI BIAYA BULANAN AI ANDA? SEBUAH PETA UNTUK MEMECAH RANTAI PASOKAN ALGORITMA 20- DOLAR

TL; DR

• Claude $20 subscripter ke peta disaggregation kost untuk membongkar biaya bulanan AI ke perusahaan model, komputer awan, GPU, listrik dan rantai pasokan。
• Subscriptions AI memiliki biaya penalaran yang berkelanjutan dan tidak dapat langsung diterapkan ke skenario SaaS tradisional。
• Target terkait: OpenAI, Anthropic, Microsoft, Amazon, Google, NVDA, Accumulation Radio, SK Hercules, Samsung, Light, Pusat Data, and Power Chain。

Sebuah perkiraan bagaimana Claude Pro membayar sekitar $20 per bulan oleh Amerika Serikat untuk model perusahaan, komputer awan, depresiasi GPU, listrik dan rantai pasokan memimpin investor untuk meninjau kembali bagaimana pemasukan yang diterapkan AI harus dihargai。

Angka ini bukan sub- resmi untuk Anthropic, awan Amazon atau Weeda, juga tidak dapat dianggap buku yang benar dari perusahaan manapun. Nilainya terletak pada meningkatkan pertanyaan yang lebih mendasar: berapa banyak subscriptions yang dibayar oleh pengguna untuk aplikasi AI, dan berapa banyak yang disimpan sebanyak Saas tradisional ke dalam sumber daya makan perangkat lunak

Penilaian SaaS tradisional jelas dibayangkan. Setelah perangkat lunak ditulis, satu akun tambahan dijual, dan biaya tambahan baru biasanya rendah, dan perusahaan perangkat lunak dewasa cenderung memiliki lebih dari 70% atau lebih dari mereka sendiri. Investor bersedia untuk memberikan beberapa karena kesempatan untuk terus meningkatkan margin keuntungan mereka sebagai pendapatan memperluas。

Masalah dengan aplikasi AI adalah bahwa setiap kali seorang pengguna bertanya, menulis kode, menganalisis berkas atau panggilan semut, ia mengkonsumsi waktu GPS, listrik, memori bandwidth dan sumber daya awan. Permukaan adalah biaya bulanan tetap, tetapi bawah adalah rantai biaya yang bervariasi dengan penggunaan. Pengguna ringan mungkin tinggi Māori dan pengguna berat dapat menjalankan misi berturut-turut dalam jumlah yang tersedia atau paket alat yang terkait, dan biaya mungkin meningkat dengan cepat。

Jadi tantangan bagi pembagian $20 bukanlah berapa banyak dolar yang diambil perusahaan, tetapi apakah pendapatan aplikasi AI secara alami sama dengan pendapatan SaaS. AI harus membuktikan nilainya adalah kelipatan, tidak hanya bahwa pengguna bersedia membayar, tetapi juga bahwa rasio Maori yang digunakan akan terus membaik。

Ada rantai biaya penalaran balik langganan

AI PERBEDAAN TERBESAR ANTARA LANGGANAN DAN LANGGANAN KE PERANGKAT LUNAK REGULER ADALAH BAHWA BIAYA MARJINAL DARI "SEKALI DIGUNAKAN" TIDAK LAGI MENDEKATI NOL。

Dalam SaaS tradisional, sebuah tim membuka penyedia layanan dan akun tambahan juga memiliki server, penumpang, dan biaya bandwidth, yang biasanya tidak naik linearly dengan setiap klik. Apa yang benar-benar mahal adalah sebelum penelitian dan pembangunan, penjualan dan akuisisi. Ketika produk diperbesar, sebagian besar dari pendapatan tambahan dapat dipertahankan。

Produk model besar berbeda. Pertanyaan masukan pengguna, model menghasilkan jawaban, proses yang disebut penalaran, yaitu, perhitungan sebenarnya dari model ketika disebut oleh pengguna. Token adalah unit dasar pengukuran untuk model membaca dan menulis. Semakin banyak pengguna bertanya, semakin lama konteksnya, semakin kompleks isinya, semakin banyak token dan semakin algoritma dikonsumsi。

Ini menciptakan kontradiksi antara langganan tetap dan konvertibilitas. Claude Pro membayar sekitar $20 per bulan untuk Amerika Serikat, dan harga akan dipengaruhi oleh wilayah, pajak dan pajak, dan anthropic penyesuaian. Pengguna melihat harga tetap dan perusahaan model menghadapi penggunaan yang sangat berbeda. Ada orang yang menulis surat dan memeriksa informasi, dan ada orang yang memproses file panjang, menjalankan tugas kode atau panggilan proses yang lebih kompleks otomatis。

PASAR-PENYEBARAN UPAYA PETA UNTUK MEMVISUALISASIKAN MASALAH: DARI $20, SEBAGIAN TERSISA UNTUK PERUSAHAAN MODEL, DAN SEBAGIAN DIBAYAR UNTUK AWAN DAN PENYEDIA KALKULATOR. BIAYA PERHITUNGAN LISTRIK, TRANSPORTASI, DEPRESIASI GPU. PRODUKSI GPU MENGALIR KE ATAS KE BRITISH WEEDA, PEMBANGUN DAYA, HBM (MEMORI BANDWIDTH TINGGI), MODUL CAHAYA, ODM DAN PERUSAHAAN-PERUSAHAAN TERKAIT KEKUASAAN。

ISTILAH "DEPRESIASI GPU" DI SINI DIPAHAMI BERARTI BAHWA GPU MAHAL BUKAN BUKU PELENGKAPAN SATU KALI, TETAPI PERLAHAN-LAHAN DIDISTRIBUSIKAN KE LAYANAN AI DALAM HAL USIA, INTENSITAS PENGGUNAAN ATAU CALIBRE AKUNTANSI. PENYEBARAN SEBENARNYA DIPENGARUHI OLEH UKURAN PAKET, PROPORSI PENGGUNA RINGAN, HARGA PENYELESAIAN INTERNAL DARI PRODUSEN AWAN, DISKON TUNJANGAN, PEMANFAATAN GPU DAN USIA PENYUSUTAN. JUGA TIDAK RATA-RATA BIAYA SAMA DENGAN BIAYA MARJINAL。

INVESTOR BENAR-BENAR PERLU FOKUS PADA ARAH: AI IP TIDAK HANYA DAPAT MENGUNGKAPKAN PERTUMBUHAN PENDAPATAN, TETAPI JUGA MENJAWAB APAKAH BIAYA KALKULUS DIBELAKANG PERTUMBUHAN PENDAPATAN MENINGKAT SECARA BERSAMAAN. TEKANAN MĀORI MUNGKIN MENJADI LEBIH DIUCAPKAN JIKA PENGGUNAAN MENINGKAT LEBIH CEPAT DARIPADA PENINGKATAN EFISIENSI MODEL DAN SEMAKIN TINGGI PENDAPATAN LANGGANAN. HANYA KETIKA PENINGKATAN EFISIENSI YANG CUKUP CEPAT AKAN MODEL PERUSAHAAN MEMILIKI KESEMPATAN UNTUK MENDAPATKAN KEMBALI AKSES KE STRUKTUR KEUNTUNGAN PERUSAHAAN PERANGKAT LUNAK。

Infrastruktur menerima pendapatan yang lebih pasti pertama

PADA TAHAP INI, PERTUMBUHAN PENGGUNAAN AI MENGALIR LEBIH LANGSUNG KE INFRASTRUKTUR DARIPADA KE SELURUH LAPISAN APLIKASI。

Apakah pengguna menggunakan model di Claude, ChatGPT, Gemini, atau di dalam perusahaan, individu, penalaran akhirnya jatuh ke dalam komputasi, listrik, memori dan jaringan. Mungkin ada pergantian produk pada tingkat aplikasi dan konsumsi yang lebih kaku dari sumber daya bawah. Selama penggunaan AI terus meningkat, pengeluaran modal awan, penguapan GPU, permintaan HBM dan listrik pusat data akan ditarik。

INI JUGA MENGAPA RANTAI INFRASTRUKTUR SEPERTI IN WEIDA, TELEKOMUNIKASI, DAN SK HERCULES TERUS DIHARGAI OLEH PASAR. TINGKAT MĀORI SECARA KESELURUHAN DI YINGWEIDA TELAH TINGGI DALAM BEBERAPA TAHUN TERAKHIR, DENGAN TINGKAT GAAP DAN BUKAN-GAAP MĀORI SEKITAR 71.1 DAN 71.3 PERSEN UNTUK TAHUN 2026, SERTA PEDOMAN KUARTAL BERIKUTNYA. PERLU DICATAT BAHWA MASING-MASING PEREMPAT TERGANGGU OLEH BIAYA TERTENTU DAN PENGUNGKAPAN KEUANGAN PUBLIK TIDAK SELALU MENGHAPUS STRUKTUR NYATA MAORI DARI PUSAT DATA AI SECARA LANGSUNG, TETAPI KEBERADAAN HARGA HAK UNTUK INFRASTRUKTUR LANGKA TERCERMIN DALAM KINERJA。

HBM ADALAH LINK YANG PALING KHAS DALAM RANTAI INI. INI BUKAN MEMORI BIASA, ITU ADALAH KOMPONEN KUNCI DALAM AKSELERATOR AI YANG MENDUKUNG PERHITUNGAN MASUKAN TINGGI. PENINGKATAN PERMINTAAN UNTUK UKURAN MODEL, PANJANG KONTEKS DAN CODING MENYEBABKAN KETERGANTUNGAN YANG LEBIH BESAR PADA MEMORI BANDWIDTH TINGGI UNTUK CHIP AI. PERKIRAAN JARINGAN SUPPLY MENUNJUKKAN PENINGKATAN SAHAM HBM DARI BIAYA GENERASI BARU CHIP AI, YANG JUGA MERUPAKAN ALASAN PENTING MENGAPA SK HERCULES, SAMSUNG, CAHAYA AMERIKA MENEGUR DALAM SIKLUS AI。

listrik dan data centres juga bergerak dari biaya latar belakang ke hub investasi. konsumsi energi dari satu kueri teks biasa tidak perlu dibesar-besarkan, tetapi agen kompleks, konteks, pembuatan kode dan beberapa tugas diperbesar. untuk produsen awan dan operator pusat data, kuncinya adalah tidak bertanya berapa banyak listrik dikonsumsi pada satu waktu, tetapi untuk bertanya berapa banyak permintaan penalaran terus, utilisasi cluster, harga listrik, pendinginan, kapasitas ruangan dan kapasitas jaringan menjadi biaya dan botol。

KEUNTUNGAN DARI INFRASTRUKTUR BERAKHIR TERLETAK PADA VALIDASI KINERJA YANG LEBIH CEPAT. PENGELUARAN MODAL AI OLEH PRODUSEN AWAN TELAH TERJADI, PENDAPATAN DAN MAORI DARI INGWEIDA TERCERMIN DALAM LAPORAN KEUANGAN, DAN PERMINTAAN PERUSAHAAN HBM DAN HARGA AKAN MASUK KE PERNYATAAN LABA DENGAN CEPAT. LAPISAN APLIKASI MODEL DIPERDAGANGKAN LEBIH DALAM ANTISIPASI MASA DEPAN: KONVERSI BERLANGGANAN, PENETRASI BISNIS, RILIS KEUNTUNGAN SETELAH PENDAPATAN API DAN PENURUNAN KURVA BIAYA DI MASA DEPAN。

Peningkatan efisiensi tetap basis pusat dan multifaceted

INVESTOR PERANGKAT LUNAK DAN AI MULTIPLE HEADS TIDAK TANPA BANTAHAN. TITIK UTAMA EFISIENSI ADALAH BAHWA HARI INI ADALAH BIAYA PENALARAN YANG TINGGI HANYALAH FENOMENA TAHAP AWAL DAN OPTIMASI MODEL ITU, CACHE, MODEL KECIL, CHIP BELAJAR SENDIRI DAN UTILISASI KELOMPOK YANG LEBIH TINGGI DAPAT TERUS MENGURANGI BIAYA UNIT. SELAMA BIAYA JATUH CUKUP CEPAT, APLIKASI AI MASIH MUNGKIN KEMBALI KE LOGIKA PERANGKAT LUNAK HIG-MĀORI。

bantahan ini memiliki dasar yang realistis. Beberapa model utama telah mengalami penurunan yang ditandai dalam harga unit dengan kemampuan yang sama atau lebih tinggi. OpenAI sebelumnya telah diungkapkan bahwa GPT-4o Mini adalah 99% lebih rendah daripada teks awal davinci- 003 biaya per token. Irama dari perusahaan yang berbeda tidak sepenuhnya konsisten, dan Anthropic baru-baru ini telah tercermin pada kenaikan harga dan lapisan model, tetapi arah industri tetap menyediakan kemampuan yang lebih kuat pada biaya yang lebih rendah。

Perusahaan model juga memiliki berbagai cara untuk meningkatkan ekonomi unit. Tugas-tugas sederhana diberikan kepada model kecil, dan sering dikirim ke model yang lebih kuat melalui cache penggunaan ulang, konteks panjang dan tugas-tugas kompleks. Pabrik awan mengurangi biaya komputasi unit melalui chip belajar sendiri dan gerakan cluster. Google memiliki TPU, Microsoft telah meluncurkan Maia untuk penalaran, dan Amazon mendorong Trainium dan Inferentia。

ADA RUANG UNTUK PERBAIKAN DALAM APLIKASI AI MARGIN KEUNTUNGAN JIKA DIDASARKAN SEMATA-MATA PADA KEMAJUAN TEKNOLOGI. PENALARAN YANG LEBIH MURAH, ROUTING MODEL YANG LEBIH BAIK, DAN DAYA YANG LEBIH KOMPRESIF MEMBUAT YANG SAMA $20 BERLANGGANAN UNTUK MEMBAWA LEBIH BANYAK PENGGUNAAN. PENGGUNA RINGAN, PAKET PERUSAHAAN BERNILAI TINGGI, LAPISAN API DAN STRICTER MENGGUNAKAN BATAS JUGA DAPAT MENINGKATKAN EKONOMI UNIT KESELURUHAN。

Kesulitan adalah pengurangan biaya bukanlah satu-satunya variabel. Aplikasi AI berpindah dari obrolan sederhana ke muatan tugas yang lebih berat. Di masa lalu, pengguna mungkin hanya mengajukan pertanyaan dan menulis ulang teks, dan sekarang ada permintaan dari agen kode, pengolahan dokumen panjang, video dan multi- modular generasi, dan proses otomatisasi perusahaan. Adegan-adegan ini lebih berharga dan mengkonsumsi. Semakin berguna model ini, semakin besar kemungkinan pengguna untuk mempercayakan dengan tugas yang lebih kompleks dan lebih lama。

PERBEDAAN MENJADI LEBIH SPESIFIK: TINGKAT PENURUNAN BIAYA PENALARAN BISA MELEBIHI PENINGKATAN PENGGUNAAN DAN KOMPLEKSITAS DARI TUGAS INI. JIKA BIAYA UNIT JATUH DENGAN CEPAT, TAPI RATA-RATA KONSUMSI KONSUMEN MENINGKAT LEBIH CEPAT, PERUSAHAAN MODEL 'S BERBOBOT MĀORI RASIO AKAN TETAP DI BAWAH TEKANAN. PADA GILIRANNYA, SUBSCRIPTIONS AI MUNGKIN BERGERAK MENJAUH DARI HARI INI' S FITUR BIAYA-JIKA RUTE MODEL, CACHE, SENDIRI-BELAJAR CHIP DAN LAPISAN HARGA CUKUP EFEKTIF。

Jumlah pelanggan bukan tingkat Maori

Peta pembagian dolar Amerika Serikat seharusnya tidak dipahami sebagai yang terakhir. Hal ini lebih seperti valuasi pada tahap saat ini bahwa investor perlu diskon asumsi bahwa "aplikasi AI adalah alami sama dengan SaaS" ketika pasar belum melihat cukup transparan model perusahaan MUR。

Untuk perusahaan model tidak terdaftar seperti OpenAI, Anthropic, sulit bagi investor eksternal untuk melihat buku-buku penuh. Bahan pembiayaan, pengungkapan pasangan, struktur berbiaya awan, harga paket perusahaan, pendapatan API berbagi dan menggunakan pembatasan semua berfungsi sebagai titik apresiasi. Data yang benar-benar berharga bukan jumlah dari pengguna yang membayar harga, tetapi pembagian dari pengguna ringan dan berat, kesediaan klien bisnis untuk membayar harga yang lebih tinggi untuk penggunaan intensitas tinggi, penurunan biaya kliring awan, dan kemampuan unit biaya penalaran untuk jatuh ke dalam semangat perusahaan。

SERTIFIKASI DARI RANTAI PERUSAHAAN TERDAFTAR AKAN MUNCUL DALAM LAPORAN KEUANGAN LEBIH CEPAT. PERKEMBANGAN DALAM LAJU KOTOR MĀORI DAN PENDAPATAN PUSAT DATA, PERMINTAAN UNTUK PRODUKSI DAN PENAHANAN DAYA DESKTOP YANG CANGGIH, HARGA DAN KEUNTUNGAN DARI PRODUSEN HBM, DAN INTENSITAS PENGELUARAN MODAL OLEH PRODUSEN AWAN AKAN TERUS MENCERMINKAN APAKAH PENGGUNAAN AI TERUS MENGALIR KE UJUNG INFRASTRUKTUR. JIKA INDIKATOR INI TETAP KUAT DAN ADA KURANGNYA BUKTI PENINGKATAN TINGKAT MĀORI PADA TINGKAT APLIKASI MODEL, PASAR AKAN TERUS MENYEDIAKAN PREMIUM PENILAIAN YANG LEBIH DEFINITIF UNTUK INFRASTRUKTUR。

Akhirnya, untuk memulihkan jangkar valuasi yang lebih tinggi, perusahaan model perlu menunjukkan bahwa tidak hanya pengguna bersedia membayar $20, tetapi bahwa subscriptions, setelah penggunaan berat, masih meninggalkan cukup Maori belakang. Putaran berikutnya dari perbedaan harga mungkin berbeda dari angka utama ARR 's, sedangkan biaya penalaran, pembatasan paket dan harga biaya perusahaan berjalan secara bersamaan。