"72% ng Token ang nasunog ngunit 27% lamang ng paggasta"—ang pangunahing isyu sa AI bullish at bearish debate

Ang pangangailangan sa AI na data ay nagdudulot ng isang bihirang dibisyon sa merkado: Parehong hanay ng mga numero, ngunit ginagamit ng mga “bull” at “bear” ayon sa pangangailangan, parehong panig ay ipinapahayag ang tagumpay. Ang sentro ng labanan ay isang nakakabagabag na istruktural na kontradiksyon—sumasabog ang consumption ng Token ngunit karamihan sa pagtaas ay papunta sa mga modelong may pinakamababang bayad, habang ang gastos ng GPU sa pag-serbisyo ng mga token na ito ay sabay-sabay ding tumataas.

Ayon kay Bobby Molavi ng Goldman Sachs sa kanyang pinakahuling ulat, ayon sa datos ng OpenRouter, 72% ng token traffic ay naiproseso ng open-weight models noong ikalawang linggo ng Setyembre, ngunit nakatanggap lang ng 27% ng kabuuang gastos sa plataporma; kasabay nito, kahit bumaba mula 89% simula Enero hanggang 73% ang bahagi ng mga closed-weight model, nananatili pa rin silang mayorya sa karamihan ng monetisadong kita.

Mas mahalaga pang bigyang pansin, halos 69% ng token sa OpenRouter platform noong kalagitnaan ng Setyembre ay nagmula sa mga AI laboratoryo ng Tsina. Binansagan ni Molavi ang kasalukuyang merkado na “imposibleng laruin” (“unplayable”), at binigyang-diin na ang productivity dividend ng AI ay wala pang nasusukat na bakas sa labas ng sektor ng teknolohiya.

Ang istruktural na kontradiksyon na ito ang nagbabago sa inaasahan ng merkado sa ROI ng AI investment. Patuloy na tumataas ang renta ng GPU, patuloy na bumababa ang presyo ng Token, at sabay na napipilitang magbago ang parehong panig, na nagreresulta sa mga supplier ng computing power na napapakinabangan ang renta, habang ang mga enterprise customer at huling shareholders na siyang nagbabayad ay nahaharap sa isang ROI dilemma na mahirap tuparin. Kamakailan ay nangalap ang Meta ng maximum na $950 bilyon mula sa shareholders para sa AI capital expenditures, at kasabay nitoy pumasok bilang shareholders ang mga supplier nila ng chips, na nagpapahiwatig na ang “supplier financing” ay lumipat na mula sa utang tungo sa equity, at mas nagiging masidhing tanong ang sustainabilidad ng capital cycle.

Pagsabog ng Pangangailangan sa Token: Ang Tunay na Kalagayan sa Likod ng 250x Paglago

Walang duda ang paglago mismo ng pangangailangan. Binigyang-diin ni Molavi gamit ang OpenRouter data na ang token demand mula Nobyembre noong nakaraang taon ay lumago ng 27 times, at kasalukuyang hawak ng open-weight models ang 72% ng token share. Tinitingnan ang mas mahabang panahon, weekly token processing ng OpenRouter ay mula 0.5 trillion lamang noong kalagitnaan ng Enero 2025, umakyat sa 128.4 trillion noong linggong nagtatapos sa Setyembre 14—250 na beses ang angat nito sa loob ng 20 buwan.

Ang presyo ng GPU ay nagpapatotoo rin sa tunay na pangangailangan. Ang presyo ng H200 rent ay tumaas ng 160% sa loob ng taon, B200 ng 120%, at H100 ng 35%. Mas nakakahikayat pa, ang A100 chips na inilabas noong 2020, ang kasalukuyang renta ay mas mataas pa kaysa simula ng taon, na direktang gumugupo sa pangunahing assumption tungkol sa GPU depreciation—kung kaya ng isang chip na kumita ng mas mataas makalipas ang anim na taon, ‘di tatayo ang malungkot na forecast na tatlong taon lang ang buhay. Dahil dito, kailangan nanamang repasuhin ang long-term profitability ng hyperscaler cloud companies.

Para sa mga “bull,” ito ang pinakamalaking argumento: Totoo ang pangangailangan, at mas mahaba ang economic lifespan ng power asset kaysa inaasahan ng “bear.”

Ang Libreng Pagbagsak ng Token Price: Pinakamabilis na Deflation sa Kasaysayan

Ngunit ang kabilang mukha ng pagsabog ng pangangailangan ay ang napakabilis na pagbagsak ng token price. Ayon sa research report ng Epoch AI noong Setyembre 22, mula 2023, ang gastos sa pag-abot ng kaparehong antas ng AI performance ay bumabagsak ng 47% kada quarter, o 13x na pagbaba taun-taon; sa cutting-edge models, mas mabilis pa, average na 66% drop kada quarter, o 75x taunang pagbaba.

Narito ang pinakatuwirang halimbawa mula sa Epoch AI:

Noong Enero 2025, ang o3 model ng OpenAI ay nakakuha ng 75% tama sa GPQA Diamond PhD-level science test, na may bawat tanong na gastos na humigit-kumulang $0.30; Sa kasalukuyan, ang GPT-5.6 Luna ay nakakakuha ng kaparehong score, ngunit ang bawat tanong ay nagkakahalaga ng $0.0004 lamang, 725x na pagbaba ng presyo sa loob ng 18 buwan—katulad ng isang kotse na nagkakahalaga ng $50,000 na bumagsak ang presyo sa $69.

Kumpara sa kasaysayan, ang bilis ng pagbaba ng inference price ng LLMs ay 4x sa DNA sequencing, 6x sa bilis ng pagtaas ng computing power mula 1940 hanggang 2001, 18x sa lithium-ion batteries, at 54x sa elektrisidad.

Gayunpaman, ang aktwal na presyo na binabayaran ng customer ay bumababa nang mas mabagal kaysa sa list price. Batay sa halos 20 quadrillion annualized token data ng YipitData, ang effective token price ng API services ay bumaba ng 39% sa ikalawang kalahati ng 2025 (44% sa OpenRouter), ngunit mula simula ng 2026 hanggang nitong Mayo ay bumaba lang ng 6%.

Ang dahilan: Nagpapatuloy ang mga developer sa paghahanap ng mas murang models, habang ang enterprise clients ay nadagdagan ang gamit ng high-end models, at ang mga leading laboratory ay napo-protektahan ang kita salamat sa premium ng pandayan na bago—ngunit ayon sa Epoch, quarter lang ang half-life ng premium na ito, dahil ang open-source clones ay agarang nagagampanan ang parehong task sa mababang gastos.

Ang Ubusan ng Argumeto: Sino ang Kumita, Sino ang Nagbabayad

Ito ang puso ng “parehong datos, dalawang interpretasyon” dilemma na inilarawan ni Molavi.

Para sa “bull,” ganito ang lohika: Patuloy na lumalawak ang demand, ang addressable market (TAM) ay lumalaki pa, at ang sumasabog na konsumsyon ng token ay patunay na tinatangkilik ang AI.

Sa panig ng “bear,” ang argumento: tumaas ang per-token cost, bumaba ang per-token revenue, at ang pangunahing pinagmumulan ng dagdag na traffic ay ang pinakamura—open-source models. Malinaw itong ipinapakita ng OpenRouter data: Open-weight models ang nagproseso ng 72% ng token, ngunit 27% lang sa gastos ang nakuha nila; Chinese AI labs ang naghatid ng halos 70% ng token traffic sa platform. Saktong napantayan ang peak ng basket ng Goldman momo sa huling linggo ng Hunyo, kasabay ng malawakang pagdagsa ng mga Chinese open-weight models sa merkado ng AI.

Ipinahayag ni Molavi ang kontradiksiyong ito bilang: Ang tumataas na GPU rent at bumabagsak na token price ay parehong dulot ng dalawang dulo ng pressure. Mainam para sa may hawak ng GPU; ngunit sa tumatanggap ng bill—mga enterprise, iba ang itsura ng resulta.

Walang Productivity Dividend: Ang Katahimikan ng S&P 493

Ang pinakapunong lohika ng AI capital expenditure ay umasa ng productivity improvement na magdadala ng benepisyo sa buong lipunan. Ngunit sa ngayon, hindi pa ito pinatutunayan ng datos sa labas ng industriya ng teknolohiya.

Ayon kay Molavi gamit ang isang strategist report, hindi pa nakikita ang “AI-led productivity uplift” sa mga pangunahing datos sa labas ng mundo ng teknolohiya: Ang Mag 7 (pitong nangungunang tech giants) ay tumaas ang revenue per head at profit margin, ngunit ang S&P 493 (ang natitirang 493 companies sa S&P 500) halos walang pagbabago sa parehong indicator.

Binabago na ng kaganapang ito ang AI decision-making logic ng mga kumpanya. Napansin ni Molavi na marami sa mga kumpanya ay lumilipat ng pansin mula sa “kaugnayan ng token spend sa growth at productivity” tungo sa “kaugnayan ng token spend sa cost at profit margin.” Nahanap na ng mga CFO ang AI budget line, at gusto nilang malaman kung ano talaga ang nakukuha nila kapalit ng gastos.

“Virtuous Cycle” at ang Tanong sa Sustainabilidad ng Kapital

Ang nagsusustena sa kasalukuyang AI capital expenditure frenzy ay ang tinatawag ni Molavi na “virtuous cycle”: Habang mas malaki ang capex ng hyperscaler cloud companies, mas malaki ang inflow ng revenue sa AI ecosystem, na siya namang humihikayat sa risk at growth equity capital, na dumadaloy pabalik—at lahat ng ito ay nakaangkla sa orihinal na AI capex mismo.

Ang pinakamarupok na bahagi ng cycle na ito ay ang sustainability: Kapag bumagal ang capex, kaya bang buhayin ng ecosystem ang sarili nitong kita?

Hindi rin ligtas ang private market. Paliwanag ni Molavi, “marami” ngunit “sobrang concentrated” ang mga exit case (SpaceX, Cerebras, Cursor, Hugging Face); ang revaluation ng ilang proyekto ay “walang ibang catalyst kundi isang investment intent letter,” at ang buong transaksyong lohika sa private market ay tila ba “hindi matatapos ang token era, at lahat ay magugulo.”

Sa panig ng financing, kasabay ng pagkitid ng debt window, inanunsyo ng Meta ang pangangalap ng hanggang $950 bilyon mula sa shareholders para sa AI capex, at kasabay dito, pumasok bilang equity investor ang mga chip suppliers nila. Ang supplier financing ay mula debt model naging equity model na, at lalong lumalabo ang hangganan sa kita at financing ng nagpo-provide at gumagamit.

Binuod ni Molavi ang buong debate sa apat na tanong: Magkano ang cost ng pagtatayo, sino ang magbabayad, sulit ba ang hirap, at gaano katagal ang kailangang hintayin bago makakita ng balik na kita.

Ang kasalukuyang data landscape: 250x ang paglago ng demand para sa token, ngunit ang dagdag na kita ay napupunta sa pinakamurang model; tumataas ang GPU rental, ngunit sa huli shareholders ang bumabayad; wala pang productivity dividend na nakikita sa labas ng tech industry.

Ang konklusyon ni Molavi: Walang dudang totoo ang demand, ngunit “kapag 250x ang demeand ngunit ang pera ay papasok sa pinakamurang model, renta ay pumupunta sa may hawak ng GPU, at ang bill ay napupunta sa shareholders,” hindi ito ang ROI story na ipinangako ng original na capital expenditure. Sa labang ito ng mga “bull” at “bear,” maaaring mas matibay ang hawak ng “bear.”