در حالی که محصولات هوش مصنوعی مصرفی مانند دستیار شخصی Muse متعلق به Meta و سرویس جدید Dots از OpenAI توجهات زیادی را به خود جلب کرده‌اند، تحلیل‌های جدید نشان می‌دهد این بازار با چالش‌های جدی مالی روبرو است. گزارش‌های منتشر شده حاکی از آن است که اگرچه فناوری‌های عامل (Agentic AI) به بلوغ کافی برای انجام کارهای روزمره رسیده‌اند، اما مدل‌های کسب‌وکار فعلی توانایی پوشش هزینه‌های عملیاتی را ندارند.

بر اساس گزارش Andreessen Horowitz که داده‌های خود را از یک پژوهش PNC استخراج کرده، تا ماه مه، تنها ۲.۲ درصد از مصرف‌کنندگان برای سرویس‌های هوش مصنوعی هزینه پرداخت می‌کردند و میانگین این پرداخت ماهانه ۳۱ دلار بود. نکته نگران‌کننده این است که حتی با پیشرفت‌های چشمگیر مدل‌های هوش مصنوعی (مانند جهش از GPT-5.2 به Astra)، نمودار رشد تعداد مشترکین و مبلغ پرداختی آن‌ها تقریباً خطی و کند باقی مانده است. داده‌های Bank of America نیز این روند را تایید می‌کند؛ این بانک در مارس گزارش داد که حدود ۳ درصد از مصرف‌کنندگان آمریکایی برای هوش مصنوعی هزینه می‌کنند.

مسئله اصلی نه در کمبود درآمد، بلکه در هزینه‌های سرسام‌آور عملیاتی است. هوش مصنوعی برخلاف پیشینیان سبک‌وزن خود مانند شبکه‌های اجتماعی یا رایانش ابری، تکنولوژی بسیار پرهزینه‌ای است. برای درک عمق این بحران، اگر فرض کنیم ۳۲۵ میلیون نفر (مشابه تعداد مشترکین Netflix) ماهانه ۳۴ دلار برای هوش مصنوعی پرداخت کنند، درآمد سالانه به ۱۱ میلیارد دلار می‌رسد؛ رقمی که حتی یک‌سوم هزینه‌های عملیاتی OpenAI را نیز پوشش نمی‌دهد. حتی با وجود نظرسنجی Menlo که ادعا می‌کند یک‌چهارم بزرگسالان روزانه از هوش مصنوعی استفاده می‌کنند، درآمد ناچیز به ازای هر کاربر، توجیه اقتصادی را دشوار می‌سازد.

به نظر می‌رسد آزمایشگاه‌های پیشرو در هوش مصنوعی از این واقعیت آگاه شده‌اند و استراتژی خود را تغییر داده‌اند. OpenAI با موفقیت نسبی به سمت بازار سازمانی (Enterprise) چرخش کرده و گزارش‌ها حاکی از دو برابر شدن قراردادهای سازمانی آن از ماه ژوئیه تاکنون است. حتی محصول Dots نیز با رویکردی برای مهندسان نرم‌افزار و خلاقان آژانس‌ها معرفی شده است. در مقابل، Muse از زیرساخت تبلیغات هدفمند Meta بهره می‌برد که به آن فرصت بیشتر برای کشف مدل‌های درآمدی جدید می‌دهد و Instinct نیز به دنبال دریافت کمیسیون از طریق خریدهای انجام شده توسط ایجنت خود است.

تحلیل تحریریه: چرا هوش مصنوعی مصرفی به بن‌بست رسیده است؟#

برای توسعه‌دهندگانی که در حال ساخت ابزارهای خودکارسازی و ایجنت‌های شخصی هستند، این گزارش زنگ خطری جدی است. واقعیت این است که مدل «مشترک‌سازی ماهانه» که برای استارتاپ‌های نرم‌افزاری سنتی (SaaS) جواب می‌داد، در هوش مصنوعی به دلیل هزینه‌های پردازشی غیرخطی، کارایی ندارد. اگر شما در حال راه‌اندازی یک سرویس هوش مصنوعی برای کاربران عادی هستید، نباید انتظار سودآوری سریع از طریق اشتراک‌های پایین‌قیمت داشته باشید. بازار در حال حرکت به سمت مدل‌های ترکیبی است: یا باید هزینه‌های خود را با مدل‌های کوچکتر و بهینه‌تر کاهش دهید، یا مانند بازیکنان اصلی، از کاربر رایگان به عنوان ابزار جذب استفاده کرده و درآمد اصلی را از قراردادهای سازمانی یا کمیسیون‌های تراکنشی (مانند مدل Instinct) کسب کنید. تمرکز صرف بر بهبود مدل زبانی بدون حل مسئله هزینه‌های عملیاتی، راهبردی شکست‌خورده است.

منبع: TechCrunch AI