OpenAI وAnthropic تغيّران حساب تكلفة النماذج اللغوية: في 2026 ما يهم هو سعر المهمة

يدخل سوق النماذج اللغوية الكبيرة مرحلة جديدة: انخفاض سعر الرمز لم يعد يعني ميزانية يمكن التنبؤ بها. فقد أظهرت OpenAI وAnthropic، في توقيت متقارب، أن على الشركات في عام 2026 أن تحسب لا سعر مليون رمز فحسب، بل التكلفة الكاملة لتنفيذ المهمة. وبالنسبة إلى الشركات التي تبني منتجاتها على السيناريوهات الوكيلية، يغيّر هذا منطق المشتريات والتخطيط واقتصاديات الوحدة (unit-economics) نفسه.

جاءت الإشارة الأولى من Anthropic. فقد نقلت الشركة أطر العمل الوكيلية إلى نظام usage-based billing، أي الدفع بحسب الاستهلاك الفعلي للرموز بدلًا من الاشتراكات الثابتة. عمليًا، يعني ذلك أن جزءًا من الأغلفة والخدمات الخارجية التي كانت تعمل سابقًا على نموذج الاشتراك الثابت يفقد سندها المالي السابق. وما دام الحمل متوقعًا نسبيًا، بدا الاشتراك مريحًا للمزوّد والعميل معًا. لكن استهلاك الحوسبة في الأنظمة الوكيلية يتضخم بسرعة: فالنموذج لا يكتفي بالإجابة عن طلب واحد، بل يخطط للخطوات، وينفذ عدة استدعاءات، ويتعامل مع الأدوات، ويعيد التحقق من النتيجة، وقد يطلق سلسلة طويلة من الإجراءات.

وبالتوازي، غيّرت OpenAI نهجها تجاه عملائها من الشركات. ففي خطط Enterprise وBusiness وEDU، أدخلت الشركة تسعيرًا أكثر مرونة تتناسب فيه التكلفة مع حجم الاستخدام، بدلًا من ارتباطها الصارم بعدد المقاعد أو تراخيص seat. وهذا تحول مهم بالنسبة إلى مسؤولي المشتريات. فقبل وقت قصير، كان يمكن النظر إلى الاشتراك كبند إنفاق شبه ثابت، أما الآن فيقترب النموذج من الخدمات السحابية: إذ يعتمد المبلغ المدفوع بدرجة أكبر على كثافة الاستخدام الفعلية. وكلما زاد استخدام الموظفين للتوليد والبحث وتحليل المستندات والوظائف الوكيلية، تغيّرت الفاتورة بشكل أوضح.

ولا يلغي ذلك اتجاهًا آخر شهده السوق خلال العامين الماضيين. ففي الفترة من 2023 إلى 2025، انخفضت أسعار API فعلًا، وتراجعت تكلفة مليون رمز للنماذج من فئة GPT-4. ولهذا اعتادت فرق كثيرة التفكير بقاعدة بسيطة: إذا انخفض سعر الرمز، فإن اعتماد LLM يصبح تلقائيًا أكثر جدوى مع الوقت.

أما في 2026، فلم تعد هذه القاعدة صالحة دون تحفظات. المؤشر الأساسي الآن ليس سعر الرمز بحد ذاته، بل تكلفة حل مهمة محددة. فإذا احتاج النظام، للوصول إلى نتيجة مفيدة واحدة، إلى عدة تمريرات وسياق طويل واستدعاءات أدوات وفحوص إضافية وعمليات توليد متكررة، فقد ترتفع الفاتورة الإجمالية حتى مع API أرخص من الناحية الشكلية.

ويظهر ذلك بوضوح خاص في المنتجات الوكيلية، حيث قد ينقسم سيناريو يبدو للمستخدم إجراءً واحدًا إلى عشرات العمليات داخل النموذج.

ومن ذلك يتبع استنتاج عملي للفرق. فينبغي الآن بناء ميزانيات LLM حول تكلفة الإجراء المكتمل: كم يكلف تقرير واحد، أو تحليل مستند واحد، أو جلسة مساعد واحدة، أو سير عمل وكيلي (workflow) واحد نُفّذ بنجاح. ومن هنا تنشأ متطلبات جديدة للمنتج: الحد من الخطوات الزائدة، والتحكم في عمق الاستدلال الوكيلي، وتقليص السياق، والتخزين المؤقت (caching)، وتوجيه الطلبات إلى نماذج أرخص حيث يكون ذلك مقبولًا، وقياس صارم لأي الاستدعاءات تصنع قيمة فعلًا. وبالنسبة إلى CTO وCPO والفرق المالية، يعني هذا الانتقال من الحديث عن «الذكاء الاصطناعي الرخيص» إلى اقتصاد تشغيلي طبيعي، لا يهم فيه السعر الجذاب في الجدول، بل تكلفة النتيجة التجارية المحددة.

والمعنى الأساسي لهذا التحول أن سوق LLM لم يتوقف عن الرخص، لكنه توقف عن كونه بسيطًا ببساطة ساذجة. فأزمة الحوسبة (compute crunch) في 2026 ليست مسألة المتاح من القدرات فحسب، بل مسألة القدرة على ضبط النفقات أيضًا. ولن تكسب الشركات التي تنظر إلى أدنى سعر للرمز، بل تلك التي تعرف كيف تحسب تكلفة النتيجة النهائية وتصمم النظام بحيث يعود كل رمز إضافي بفائدة قابلة للقياس.