ظهور مارکت‌پلیس و بازارگاه‌های مدل‌های هوش مصنوعی

واحد حساب، ابزار مفیدی است. حتی پیش از آنکه پول رواج پیدا کند، مردم می‌کوشیدند روش‌های استانداردی برای محاسبه و ارزش‌گذاری چیزها ابداع کنند. در منظومه ایلیاد، ارزش زره‌هایی که از برنز یا طلا ساخته می‌شدند، بر حسب تعداد گاو بیان می‌شد؛ ۹ گاو برای زره برنزی و ۱۰۰ گاو برای زره طلایی. پوست حیوانات، سنگ‌های عظیم و توده‌های نمک نیز همگی در دوره‌هایی به‌عنوان معیار اندازه‌گیری به کار رفته‌اند.

جهان هوش مصنوعی نیز واحد اندازه‌گیری خاص خود را دارد؛ منظور همان توکن است. توکن‌ها قطعات کوچکی از متن هستند که معمولاً از چهار نویسه تشکیل می‌شوند و یک مدل هوش مصنوعی آن‌ها را می‌خواند یا در پاسخ‌های خود تولید می‌کند. بااین‌حال، مشکل توکن‌ها این است که برخلاف گاو یا پوست حیوانات، به این سادگی نمی‌توان از آن‌ها به‌عنوان واحد اندازه‌گیری استفاده کرد. از یک سو، از پیش مشخص نیست که انجام یک کار معین به چند توکن نیاز خواهد داشت. ازسوی‌دیگر، قیمت‌گذاری شرکت‌های سازنده مدل‌های هوش مصنوعی تفاوت چشمگیری با یکدیگر دارد. برای مثال، قیمت هر توکن در یکی از مدل‌های پرطرفدار شرکت چینی دیپ‌سیک (DeepSeek)، تقریباً یک‌چهلم قیمت هر توکن در یکی از پیشرفته‌ترین مدل‌های شرکت آنتروپیک است.

برای شرکت‌هایی که از هوش مصنوعی استفاده می‌کنند، این وضعیت به‌شدت کلافه‌کننده است. حتی انجام کاری ساده مانند درخواست از یک مدل برای پردازش فاکتورها، ممکن است هزینه هنگفتی به بار بیاورد. برای جلوگیری از چنین وضعیتی، برخی شرکت‌ها سقفی برای تعداد توکن‌هایی تعیین می‌کنند که کارکنانشان مجاز به مصرف آن هستند. اما این محدودیت می‌تواند بهره‌وری را کاهش دهد. همین سردرگمی زمینه‌ساز شکل‌گیری نوع جدیدی از کسب‌وکار شده است:
مارکت‌پلیس (Marketplace) یا بازارگاه مدل‌های هوش مصنوعی.

شناخته‌شده‌ترین نمونه از این بازارگاه‌ها، OpenRouter است که «الکس آتالا» (Alex Atallah) در سال ۲۰۲۳ از بنیان‌گذاران آن بود. پس از انتشار ChatGPT، آتالا به این فکر افتاد که آینده این صنعت به چه شکل خواهد بود. او می‌گوید: «بزرگ‌ترین پرسشم در آن زمان این بود که آیا بازار به بازاری تبدیل می‌شود که برنده همه‌چیز را از آنِ خود می‌کند و در آن، OpenAI سلطه خواهد داشت؟» او به چنین نتیجه‌ای تردید داشت و همین تردید او را به این جمع‌بندی رساند که بازارگاه‌ها نقشی محوری در صنعت هوش مصنوعی ایفا خواهند کرد.

OpenRouter به مشتریان امکان می‌دهد به‌سادگی میان مدل‌های مختلف جابه‌جا شوند. اگر Claude از دسترس خارج شود، می‌توانند از مدلی متعلق به OpenAI استفاده کنند. همچنین اگر یک آزمایشگاه هوش مصنوعی تخفیف ویژه‌ای برای توکن‌های خود در نظر بگیرد، مشتریان می‌توانند مدلشان را تغییر دهند. OpenRouter در ازای استفاده از مدل‌هایی که درخواست‌هایشان از طریق این پلتفرم مسیریابی می‌شود، کارمزد اندکی دریافت می‌کند. کسب‌وکار این شرکت چنان رونق گرفته است که Stripe، غول حوزه پرداخت، در ماه اوت با خرید این بازارگاه موافقت کرد. بنا بر گزارش‌ها، استرایپ برای خرید شرکتی که هنوز سه سال از عمر آن نگذشته است، ۷٫۵ میلیارد دلار پرداخت خواهد کرد.

البته OpenRouter تنها بازارگاه مدل‌های هوش مصنوعی نیست. شرکت‌های بزرگ ارائه‌دهنده خدمات رایانش ابری نیز خدمات مشابهی عرضه می‌کنند. آمازون مجموعه‌ای از مدل‌ها را از طریق سرویس بدراک (Bedrock) در اختیار مشتریان قرار می‌دهد و هزینه آن‌ها را در قالب قراردادهای موجود خدمات ابری محاسبه می‌کند. گوگل نیز خدمات مشابهی را از طریق سرویس Vertex AI ارائه می‌دهد. بااین‌حال، بسیاری از مشتریان به این خدمات با دیده تردید می‌نگرند؛ زیرا غول‌های رایانش ابری خودشان مدل‌های هوش مصنوعی می‌سازند و در آزمایشگاه‌های پیشرو این حوزه نیز سرمایه‌گذاری می‌کنند. بنابراین، به‌سختی می‌توان آن‌ها را بازیگرانی بی‌طرف دانست.

OpenRouter در ابتدا در میان توسعه‌دهندگان محبوب شد؛ زیرا راهی برای آزمایش طیف گسترده‌ای از مدل‌ها فراهم می‌کرد و به کاربران اجازه می‌داد به‌سرعت ارزیابی کنند که کدام مدل عملکرد بهتری دارد. پس از انتشار ChatGPT، بسیاری از آزمایشگاه‌های هوش مصنوعی به پدیده‌ای روی آوردند که از آن با عنوان «بنچ‌مکسینگ» (benchmaxxing) یاد می‌شود؛ یعنی ساخت مدل‌هایی که می‌توانستند آزمون‌های مشخصی مانند آزمون استعداد تحصیلی SAT را با نتایجی درخشان پشت سر بگذارند، اما در انجام وظایف کاربردی‌تر با مشکل مواجه می‌شدند. در بازارگاه OpenRouter، مشتریان با پول خود به مدل‌ها رأی می‌دهند و به‌این‌ترتیب، نظام رتبه‌بندی منصفانه‌تری شکل می‌گیرد.

در دوره اخیر، شرکت‌ها به استفاده از OpenRouter به‌عنوان ابزاری برای کنترل هزینه‌ها روی آورده‌اند. نکته قابل‌توجه این است که سامانه‌های ارزان‌قیمت شرکت دیپ‌سیک و دو شرکت چینی دیگر، یعنی Z.ai و شیائومی، از نظر میزان مصرف توکن در این پلتفرم پیشتاز هستند؛ هرچند یکی از مدل‌های OpenAI نیز در حال حاضر عملکرد خوبی دارد.

بااین‌حال، آتالا معتقد است که بسیاری از کسب‌وکارها هنوز رویکردی ابتدایی و غیرتخصصی به مصرف توکن دارند. او به مشتریان سازمانی خود توصیه می‌کند وظایف را بر اساس میزان «آنتروپی» یا عدم قطعیت آن‌ها به سه دسته کم، متوسط و زیاد تقسیم کنند. منظور از این تقسیم‌بندی، میزان باز بودن مسئله و گستردگی پاسخ‌های ممکن برای انجام هر کار است. مدل‌های ارزان‌قیمت اغلب برای وظایف با آنتروپی پایین کافی هستند؛ برای مثال، تعیین اینکه کدام مدل باید بخشی از کد را بررسی کند. بسیاری از وظایف با آنتروپی متوسط، مانند بررسی خودِ آن کد نیز با همین مدل‌ها قابل‌انجام هستند. در مقابل، می‌توان مدل‌های پیشرفته و مرزی را برای وظایف با آنتروپی بالا، مانند نوشتن کد از ابتدا به کار گرفت.

آتالا می‌گوید: «اشتباهی که می‌بینم بسیاری از شرکت‌ها مرتکب می‌شوند، این است که وظایف را به اجزای کوچک‌تر تقسیم نمی‌کنند. از نظر آن‌ها، همه این کارها یکسان‌اند. این کار اتلاف عظیم پول است.»

گزارش حاضر در نسخه October 10^th 2026 نشریه The Economist منتشر شده است.