Vercel تكشف عن أبرز نماذج الذكاء الاصطناعي في بيئات الإنتاج: Anthropic تتصدر من حيث الإنفاق

حللت Vercel سبعة أشهر من حركة AI Gateway التابعة لها، وهي بوابة تعالج تريليونات الرموز (tokens) عبر مئات النماذج في تطبيقات ووكلاء حقيقيين. وتُظهر النتائج الصورة الفعلية لسوق الذكاء الاصطناعي في بيئات الإنتاج، بخلاف اختبارات الأداء (benchmarks) الاصطناعية التي تتغير أسبوعياً.

من ينفق أكثر ومن يعالج أكثر

من حيث الإنفاق في أبريل 2026، تتصدر Anthropic بنسبة 61% من إجمالي الإنفاق على Claude. ويحدث ذلك رغم ارتفاع سعر الرمز الواحد، إذ يدفع المطورون أكثر لأن النتيجة أكثر قيمة بالنسبة لهم. وتأتي Google بنسبة 21%، وOpenAI بنسبة 12%، ويتوزع الباقي بين xAI والنماذج المفتوحة.

أما من حيث حجم الرموز المعالجة، فالصورة معاكسة. تحتل Google المركز الأول، إذ يمر 38% من إجمالي الحركة عبر Gemini، وبخاصة Flash، وهي النسخة السريعة والرخيصة. وتعالج Anthropic نسبة 26%، وOpenAI نسبة 13%، وxAI وبقية الجهات 23%.

قد يبدو هذا التباين غريباً، لكن منطقه بسيط. فالنماذج المختلفة تتنافس على طبقات مختلفة:

• Claude Opus يُستخدم للمهام المعقدة والمكلفة، حيث يكلّف الخطأ مالاً
• Gemini Flash يستوعب الأحجام الكبيرة، في المهام التي تتقدم فيها السرعة على الدقة
• GPT-5.5 موزع بالتساوي بين الطبقتين

هذا أشبه بسوقين مختلفين داخل سوق واحدة. وعندما يختار المطور نموذجاً، لا يفكر في السمعة، بل في النسبة بين السعر والمخاطرة.

كلفة الخطأ تحدد اختيار النموذج

يقف خلف هذه النتيجة مبدأ بسيط: يكون النموذج مرتفع الثمن إذا كان الخطأ مرتفع الكلفة.

المساعدون الشخصيون يمثلون 20% من النفقات مقابل 40% من الرموز. يمكنهم العمل على نماذج رخيصة، لأن المستخدم يلاحظ خطأ المساعد بسرعة ويصححه. فالخطأ هنا محلي.

وكلاء البرمجة (coding agents) يمثلون 22% من النفقات مقابل 20% من الرموز. يكلّف الخطأ في الشيفرة وقت المطور وجهد تصحيح الأخطاء. وهو أغلى من الخطأ في الدردشة، لكنه ليس حرجاً.

أنظمة المكاتب الخلفية (back-office) تمثل 6% من النفقات مقابل 15% من الرموز. يحرص المستخدمون هنا على التوفير بسبب ضخامة الأحجام، لكنهم مع ذلك لا يختارون الأرخص. فقد يمس الخطأ الشؤون المالية أو العمليات.

توليد التطبيقات (app generation) يمثل 7% من النفقات مقابل 11% من الرموز. تخضع الشيفرة المولّدة لمراجعة قبل استخدامها، ولذلك توجد شبكة أمان.

وهناك نمط أوسع: تنفق تطبيقات B2B على الرموز نحو ضعف ما تنفقه تطبيقات B2C. ففي B2B قد يؤدي الخطأ إلى خسائر مالية أو نزاعات قضائية أو توقف في العمل، بينما يكلّف الخطأ في B2C أقل.

من يتفوق في أي مهام

عند تقسيم البيانات بحسب أنواع العمل، تظهر صورة مجزأة للسوق.

تتقدم Anthropic بوضوح في تطوير البرمجيات، إذ يختار المطورون Claude للبرمجة المعقدة وتحليل الشيفرة. ويعكس ذلك سمعة النموذج في ML وتصميم الأنظمة.

تهيمن Google على التطبيقات الاستهلاكية، فقد استحوذ Gemini Flash على الطبقة الجماهيرية بفضل سعره المنخفض وجودته المقبولة. وهذه استراتيجية قائمة على السعر الرخيص والجودة الكافية والحجم الكبير.

OpenAI هي الأكثر توزعاً بالتساوي عبر جميع الفئات، أي أن GPT-5.5 يُستخدم في كل مكان، من تطبيقات الهاتف المحمول إلى أنظمة الشركات.

تجمع xAI والنماذج المفتوحة حالات استخدام في نطاقات متخصصة، مثل الشركات التي تريد العمل دون سحابة أو تحتاج إلى تخصيص كامل وفق احتياجاتها.

وتتغير هذه الصورة بسرعة على مدى نصف عام. فقد زاد إصدار نسخة جديدة من GPT في أبريل حصة OpenAI في الإنفاق بشكل ملحوظ. وكان Gemini Flash أقل حضوراً بكثير في مارس، لكنه كسب الأحجام بسرعة. ويدل ذلك على أن السوق يتفاعل بحساسية مع الجودة والسعر، لا مع الجمود.

ماذا يعني ذلك

سوق الذكاء الاصطناعي في 2026 ليست بحثاً عن خيار أفضل واحد. يختار المطورون النماذج بحسب المهام، لا بحسب المكانة. تُوجَّه النماذج الغالية إلى السيناريوهات عالية المخاطر (high-stakes) حيث يكلّف الخطأ كثيراً، والنماذج الرخيصة إلى السيناريوهات منخفضة المخاطر (low-stakes) حيث تهم السرعة والحجم. وتكسب الإصدارات الجديدة حصة سريعاً إذا حلّت مشكلات حقيقية بشكل أفضل وأرخص من المنافسين. وتتفوق جميع النماذج في الوقت نفسه ضمن شريحتها.