توکن، برنامه‌های کاربردی هوش مصنوعی را می‌کشد

نویسنده: لی نان، هوانگ شیاوی، یوکی، سان روی، سیلیکون استار پیپل

ویرایشگر | وانگ ژائویانگ

تا میانه سال 2026، موجودی نقدی استارتاپ تولید ویدیو هوش مصنوعی OiiOii هنوز به نه رقم در RMB رسیده بود، اما همچنان یک دور جدید تأمین مالی را آغاز کرد.

قبلاً، این شرکت یک توافق‌نامه چارچوب سالانه با پلتفرم خدمات ابری بایت‌دنس، موتور آتشفشان امضا کرده بود: OiiOii باید تا پایان سال 2026 مبلغ 50 میلیون RMB به موتور آتشفشان پرداخت کند.

این موضوع باعث شد که موجودی نقدی OiiOii کمی تنگ شود. این 50 میلیون RMB برای خرید API "نسخه خالص" Seedance 2.0، موفق‌ترین محصول هوش مصنوعی بایت‌دنس - یک مدل تولید ویدیو چندرسانه‌ای - استفاده خواهد شد.

به اصطلاح "نسخه خالص" به API Seedance اشاره دارد که از طریق کانال رسمی موتور آتشفشان ارائه می‌شود و با تمام مجوزها همراه است.

پس از اینکه Seedance 2.0 صنعت هوش مصنوعی و کل بخش تولید فیلم را شگفت‌زده کرد، بازار با API های Seedance از منابع مختلف پر شد. برخی از ارائه‌دهندگان خدمات واسطه‌ای ناشناخته، Seedance 2.0 را با پیکربندی‌های پایین‌تر خود - Seedance 2.0 mini و Seedance 2.0 fast - ترکیب کرده و با قیمت‌های نسبتاً پایین به فروش رساندند. کاربرانی که می‌خواستند یک بلاک‌باستر با کیفیت سینمایی تولید کنند، در نهایت چیزی جز زباله به دست نیاوردند.

API "نسخه خالص" Seedance 2.0 شریان حیاتی برای برنامه‌های کاربردی تولید ویدیو هوش مصنوعی است. درست همان‌طور که مدل‌های زبان بزرگ به قدرت محاسباتی سطح بالا، یعنی GPU های پیشرفته NVIDIA وابسته هستند، API مدل‌های برتر و توکن‌های تولید شده از فراخوانی API به طور بنیادی قابلیت‌های برنامه‌های هوش مصنوعی - که اغلب به عنوان عوامل هوش مصنوعی شناخته می‌شوند - را تعیین می‌کند.

بنابراین، توکن‌های مدل‌های برتر به ارز سخت کمیاب و گران تبدیل شده‌اند. بدون شک، Seedance 2.0 قوی‌ترین مدل ویدیویی در حال حاضر در این سیاره است.

بر اساس اطلاعات رسمی، قیمت تولید ویدیو 720p بدون ورودی ویدیو با استفاده از Seedance 2.0، 46 RMB به ازای هر میلیون توکن است، که هزینه یک ثانیه ویدیو تقریباً 0.99 RMB می‌باشد. در مقایسه، هزینه تولید ویدیو 720p با استفاده از Ling3.0، 0.6 RMB و Vidu Q3-pro حدود 0.68 RMB است، که Seedance 2.0 را به طور قابل توجهی گران‌تر می‌کند.

OiiOii که در تولید کمدی و درام‌های کوتاه برتری دارد، به Seedance 2.0 قدرتمند نیاز دارد، اما صرف تقریباً 40٪ از جریان نقدی شرکت برای خرید توکن‌های آن به نظر کمی دیوانه‌وار می‌رسد.

برای استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی امروز، این موضوع مدت‌هاست که عادی شده است. در مقایسه با استارتاپ‌های مدل زبان بزرگ (از جمله OpenAI و Anthropic) که معمولاً 70٪ تا 80٪ از تأمین مالی خود را به طور مستقیم به خرید یا اجاره GPU ها و پرداخت هزینه‌های محاسبات ابری اختصاص می‌دهند، این موضوع چیز عجیبی نیست.

آنچه OiiOii خریداری می‌کند، مصرف توکن بر اساس نیازهای واقعی تجاری نیست، بلکه حقوق اول برای API Seedance 2.0 است.

کمتر کسی متوجه می‌شود که تاریخ رسمی راه‌اندازی OiiOii در 2 آوریل 2026 با روزی که Seedance 2.0 برای آزمایش عمومی به شرکت‌ها باز شد، همزمان است. این به نظر می‌رسد که موتور آتشفشان OiiOii را به عنوان یکی از اولین توزیع‌کنندگان Seedance 2.0 اعلام کرده است، نه اینکه OiiOii در آن روز ویدیوی خود را راه‌اندازی کند.

این موضوع مهم نیست؛ آنچه بیشتر اهمیت دارد این است که اولین کسی باشید که "نسخه خالص" Seedance 2.0 را ارائه می‌دهد.

"نسخه خالص" Seedance 2.0 با مجموعه کاملی از حقوق، مانند دسترسی به پایگاه‌های داده چهره، حداکثر همزمانی و غیره همراه است. این به طور مستقیم تعیین می‌کند که آیا محصول استارتاپ می‌تواند به طور روان اجرا شود یا خیر.

اگر یک برنامه تولید ویدیو هوش مصنوعی به سمت مصرف‌کننده هدف‌گذاری کند، کاربران به تولید آنی نیاز دارند که نیاز به همزمانی به اندازه کافی بالا دارد. وقتی مدل تازه راه‌اندازی می‌شود، قدرت محاسباتی محدود است؛ بدون حمایت همزمانی از موتور آتشفشان، کاربران عامل باید در صف بایستند، زمان‌شان به پایان برسد یا حتی قادر به تولید ویدیو نباشند.

یک کارشناس در زمینه برنامه‌های کاربردی ویدیویی هوش مصنوعی به ما گفت که یک چارچوب سالانه 10 میلیون RMB معادل حدود 400 استفاده همزمان است، در حالی که یک چارچوب سالانه 5 میلیون RMB معادل حدود 200 استفاده همزمان است. تفاوت قیمت به طور مستقیم به تفاوت‌های تجربه کاربری تبدیل می‌شود.

منبع: آرک آتشفشان

کاربران می‌توانند به موجودی بزرگ‌تری از منابع چهره دسترسی پیدا کنند، نه به چند "چهره هوش مصنوعی" که به طور فزاینده‌ای ترسناک هستند و این نیز به قیمت چارچوب سالانه Seedance بستگی دارد. تفاوت بین خرید و عدم خرید، تفاوت بین زندگی و مرگ محصول است؛ به نظر می‌رسد که شما هیچ انتخابی ندارید.

"نرخ زیان ناخالص"

از آنجا که قابلیت‌های مدل‌های برتر محدودیت‌های بالایی برنامه‌های هوش مصنوعی را تعیین می‌کند و با قیمت‌های بالا "فشار" به برنامه‌های هوش مصنوعی وارد می‌کند، دریافت هزینه‌های اشتراک از کاربران بر اساس قیمت‌های توکن به عنوان یک معیار به یک کسب‌وکار "زیرزمین‌دار" تبدیل شده است - یک مسئله ریاضی که هرگز نمی‌توان آن را حل کرد، یک تابع متغیر در جدول قیمت‌گذاری مدل.

با این حال، حقوق اولی که OiiOii برای Seedance 2.0 به دست آورده است، انحصاری نیست. بسیاری از همتایان OiiOii، مانند LibTV و Flova، نیز صلاحیت "انتشار اول" برای Seedance 2.0 را به دست آورده‌اند و تقریباً به طور همزمان اعلام کردند که محصولاتشان Seedance 2.0 را ادغام کرده‌اند، با قیمت‌های مشابه بالا.

موتور آتشفشان بسیار سخاوتمند است؛ هیچ شرکتی را برای Seedance 2.0 حقوق انحصاری انتشار اول نمی‌دهد، حتی برای بالاترین چارچوب سالانه. علاوه بر این، کف قیمت موتور آتشفشان بسیار سختگیرانه است: تقریباً هیچ تخفیفی وجود ندارد و مصرف توکن برای قراردادهای چند ده میلیون بر اساس استفاده بازگشت داده می‌شود، که حداکثر 10٪ است، به این معنی که حداکثر 10٪ از مبلغ قرارداد به عنوان کوپن‌های محاسباتی بازگشت داده می‌شود.

از طرف دیگر، موتور آتشفشان به شدت فروش مجدد را ممنوع کرده است تا از ورود توکن‌های با قیمت پایین به بازار خاکستری جلوگیری کند.

در این مکانیزم، یک واقعیت سخت نمایان می‌شود: ابزارهای ویدیویی هوش مصنوعی تقریباً غیرممکن است که از توکن‌های کاملاً توسعه‌یافته Seedance 2.0 سودی کسب کنند.

به طور نظری، فروش توکن‌های Seedance 2.0 به مشتریان با قیمت اصلی، بدون در نظر گرفتن تخفیف‌ها، حداکثر حاشیه سود ناخالص 10٪ را به همراه دارد. با این حال، در واقعیت، هیچ ابزار تولید ویدیوی هوش مصنوعی توکن‌های Seedance 2.0 را با قیمت بالاتر نمی‌فروشد - حتی با قیمت اصلی. در نهایت، هر کسی می‌تواند به طور مستقیم با موتور آتشفشان تجارت کند. اگر واسطه‌ها می‌توانند سود ببرند، چرا مستقیماً مذاکره نکنند؟

بر اساس گزارش‌های "ظهور هوشمند": شرکت‌های تولید کمدی و فیلم نیز عمدتاً API های "کاملاً توسعه‌یافته" Seedance 2.0 را به طور مستقیم خریداری می‌کنند، از جمله بسیاری از شرکت‌های پیشرو در صنعت، که بالاترین شارژ واحد به 50 میلیون می‌رسد. این به طور کامل تشنگی بازار برای Seedance 2.0 را نشان می‌دهد و به این معناست که استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی با بالاترین حقوق برای Seedance 2.0، اگر قیمت‌های توکن رقابتی را به طور خارجی ارائه ندهند، هیچ کاربری نخواهند داشت.

"محصولات با ویژگی‌های ابزاری وفاداری ندارند،" یک فرد VC به ما گفت.

بنابراین، یک "مسیر وحشی" ظهور کرد: شرکت‌های پیشرو در برنامه‌های کاربردی هوش مصنوعی شروع به کاهش قیمت‌ها برای جذب مشتریان کردند و حتی شروع به فروش مجدد توکن‌ها به طور مستقیم کردند.

شرکت مادر LibLib، Evoken، بزرگ‌ترین شرکت برنامه‌های کاربردی هوش مصنوعی در چین از نظر حجم تأمین توکن است. این شرکت از جامعه مدل‌های متن‌باز شروع کرد و به سرعت به یک پلتفرم تولید چندرسانه‌ای منتقل شد. در عین حال، این شرکت به شدت چندین دور تأمین مالی را انجام داد و به تازگی یک دور سری B به ارزش 300 میلیون دلار را با ارزشی پس از سرمایه‌گذاری بیش از 2 میلیارد دلار به پایان رسانده است و یک مانع جامع از سرمایه و ماتریس محصول ایجاد کرده است - LibLib AI یک جامعه تولید و پلتفرم تولید تصویر است، در حالی که Lovart و Xingliu به ترتیب به بازارهای طراحی داخلی و خارجی هدف‌گذاری می‌کنند و LibTV بر تولید ویدیو حرفه‌ای تمرکز دارد...

با این حال، Evoken هیچ مدلی را خود توسعه نداده است، حتی مدل‌های بازآموزی نیز ندارد. این منجر به بحث‌های مکرر درباره اینکه آیا این شرکت صرفاً یک واسطه برای مدل‌های برتر بدون هیچ مانع فنی است، شده است. اما بدون شک، Evoken یک مشتری بزرگ توکن‌های مدل‌های برتر است.

از نظر ابزارهای ویدیویی، LibTV یک مشتری برتر Seedance 2.0 است که یک چارچوب سالانه بزرگ 50 میلیون را برای استفاده به عنوان مهمات برای LibTV Agent امضا کرده است. در ابزارهای طراحی، سال گذشته، Nano Banana به شدت محبوب شد و Lovart، تحت LibLib، همچنین یک قرارداد چند میلیون دلاری با Google Cloud امضا کرد.

با این حال، بر اساس برآوردهای پلتفرم‌های شخص ثالث مانند Similarweb: در ژوئن 2026، وب‌سایت Lovart حدود 3.1 میلیون بازدید ماهانه داشت، در حالی که وب‌سایت LibTV حدود 2.2 میلیون بازدید ماهانه داشت. این سطح ترافیک به طور قابل توجهی زیاد است، اما بازدیدها معادل تولید نیستند. اطلاعات عمومی نشان می‌دهد که LibTV چند صد هزار کاربر پرداختی دارد که اگرچه از اکثر همتایان بیشتر است، اساساً تأیید می‌کند که نمی‌تواند تمام توکن‌های Seedance 2.0 را که شرکت با هزینه زیاد خریداری کرده است، مصرف کند.

موتور آتشفشان "بازگشت" توکن‌ها را نمی‌پذیرد که منجر به ظهور مشاغل جانبی برای شرکت‌های برنامه‌های کاربردی هوش مصنوعی شده است.

بنیان‌گذار و CEO Evoken، چن میان، در مصاحبه‌ای با "Latepost" به شایعاتی اشاره کرد که LibTV در حال فروش مجدد کلیدهای API Seedance 2.0 برای سود است که او به‌طور صریح آن را رد کرد.

آنچه ما یاد گرفتیم این است که فروش مجدد LibTV از کلیدهای API Seedance 2.0 واقعاً "سود" نمی‌کند زیرا با زیان فروخته می‌شود.

برخی از رقبای LibTV که در تولید ویدیو هوش مصنوعی مشغولند به ما گفتند که LibLib بارها سعی کرده است کلیدهای API Seedance 2.0 را به آنها با قیمت‌هایی ارزان‌تر از خرید مستقیم از موتور آتشفشان بفروشد: خرید مستقیم از موتور، قراردادهای بالای 10 میلیون RMB می‌توانند 10٪ بازگشت کوپن محاسباتی دریافت کنند؛ اما LibLib همچنین می‌تواند به آنها 10٪ بازگشت اضافی بالای آن ارائه دهد.

البته هیچ تفاوت قیمتی وجود ندارد، چه رسد به سود، اما این درآمدزایی ایجاد می‌کند. این می‌تواند ARR (درآمد تکراری سالانه) LibTV را افزایش دهد و پشتیبانی عددی برای روایت‌های تأمین مالی بیشتر فراهم کند.

این نوع ARR اساساً درآمد "زیان ناخالص منفی" است: به دست آوردن توکن‌ها با قیمت قرارداد تخفیف 10٪، سپس فروش آنها با تخفیف 10٪ بیشتر به دوستانی که به توکن‌های ارزان‌تر نیاز دارند، به طور ساختاری یک معامله زیان‌آور را نمایان می‌کند.

آنچه ایجاد می‌کند حتی حاشیه سود ناخالص نیست، بلکه "نرخ زیان ناخالص" است.

از طرف دیگر، استراتژی قیمت‌گذاری LibTV و Lovart برای کاربران پرداختی نیز باعث می‌شود حاشیه سود ناخالص آنها به عنوان یک شرکت برنامه‌های کاربردی هوش مصنوعی به نظر غیرواقعی برسد.

بیایید یک محاسبه تقریبی انجام دهیم...

میانگین قیمت ماهانه برای عضویت سالانه استاندارد LibTV 47.4 یوان است، با برآورد رسمی که یک ویدیو 56 ثانیه‌ای Seedance 2.0 720P تولید می‌کند، معادل تقریباً 0.85 یوان درآمد عضویتی به ازای هر ثانیه. فرض کنید کاربران از کل سهمیه Seedance 2.0 بدون ورودی ویدیو استفاده می‌کنند و بر اساس قیمت موتور آتشفشان که حدود 0.99 یوان/ثانیه است، حاشیه سود ناخالص حاشیه‌ای تقریباً -17٪ است زمانی که تنها هزینه‌های فراخوانی مدل را در نظر می‌گیریم. حتی اگر 10٪ از کوپن‌های محاسباتی به طور کامل بازخرید شود، حاشیه سود ناخالص حاشیه‌ای هنوز حدود -5٪ خواهد بود. این همچنین نیاز به پوشش تخفیف‌های شبانه، پاداش‌های افتتاح کارت و پیشنهادات رایگان محدود دارد.

وضعیت Lovart مشابه است. اگر تمام امتیازها برای تولید تصاویر با کیفیت متوسط 1K با GPT Image 2 استفاده شود، با ارجاع به مزایای سالانه "محبوب‌ترین" بسته Pro، قیمت تخفیف فعلی "کارناوال پایان ماه" 39 دلار و قیمت‌گذاری استاندارد API رسمی OpenAI، زمانی که کاربران از کل سهمیه استفاده کنند، حاشیه سود ناخالص حاشیه‌ای حدود -87٪ است (چند روز پیش، قیمت میانگین ماهانه تخفیف‌خورده برای این بسته هنوز 45 دلار بود که معادل حاشیه سود ناخالص حاشیه‌ای حدود -60٪ بود).

با این حال، این‌ها همه بخشی از یک "آزمون استرس" هستند. در واقع، کاربران ممکن است از سهمیه‌های خود به طور کامل استفاده نکنند و همچنین ممکن است از امتیازها برای مدل‌ها و طرح‌های تولید با هزینه کمتر استفاده کنند. پلتفرم همچنین ممکن است هنگام خرید API های مدل‌های مختلف تخفیف‌های متفاوتی به دست آورد که می‌تواند زیان‌های واقعی را کاهش دهد.

چن میان، CEO فناوری یانیو، همچنین در مصاحبه‌ای با "Latepost" به این نکته پاسخ داد: اگر کاربران از تمام توکن‌های سهمیه استفاده کنند، LibTV قطعاً متحمل زیان خواهد شد. اما اگر یک کاربر 1 میلیون امتیاز خریداری کند و تنها 200,000 استفاده کند، 800,000 باقی‌مانده به سود تبدیل می‌شود. همچنین کاربرانی در بازار سیاه وجود دارند که LibTV را معکوس مهندسی می‌کنند و حساب‌های عضویت سالانه را به API تبدیل می‌کنند که منجر به زیان می‌شود، بنابراین نیاز به حاکمیت وجود دارد.

به اصطلاح "معکوس مهندسی" یک مثال واضح دارد: در فوریه 2026، اپراتور "چنگژو" حساب عمومی ویچت تأثیرگذار "Web 3 Sky City" در زمینه‌های Web 3 و هوش مصنوعی به طور علنی Lovart، یک برنامه طراحی بصری تحت فناوری یانیو، را مورد انتقاد قرار داد و ادعا کرد که برای عضویت Pro Lovart مبلغ 540 دلار هزینه پرداخت کرده است، اما حساب او 10 روز بعد بدون بازپرداخت مسدود شد. "چنگژو" از طریق ایمیل شکایت کرد و به طور فعال با اعضای تیم Lovart ارتباط برقرار کرد اما پاسخی دریافت نکرد.

بر اساس اطلاعات ما، حساب عضویت "چنگژو" توسط مکانیزم کنترل ریسک داخلی Lovart به عنوان درگیر در "معکوس مهندسی" در نظر گرفته شد و شرکت تدابیر حاکمیتی خود را به روز کرد. تصمیم به عدم ارتباط بیشتر با "چنگژو" و رد بازپرداخت به طور مستقیم توسط چن میان اتخاذ شد.

این حادثه جنجال زیادی به پا کرد و منجر به بحث‌هایی درباره مکانیزم پیش‌پرداخت نرم‌افزارهای کاربردی هوش مصنوعی، شفافیت استانداردهای مسدود کردن حساب و حفاظت از حقوق مصرف‌کنندگان شد. این موضوع نشان می‌دهد که چگونه یک مدل کسب‌وکار که به کاربران متکی است که بدون مصرف سهمیه‌های توکن پرداخت می‌کنند، می‌تواند شکننده باشد؛ علاوه بر این، در محیطی که قیمت‌های توکن به شدت حساس هستند، بسیاری از نقاط ضعفی وجود دارد که می‌توانند برای آربیتراژ معکوس مورد سوءاستفاده قرار گیرند.

در واقع، معکوس مهندسی واقعی، بسته‌بندی توکن‌های عضویت استفاده‌نشده به API برای فروش، در حال حاضر توسط Lovart یا LibTV خودشان انجام می‌شود.

زیرا توکن‌های استفاده‌نشده توسط کاربران واقعاً به سود تبدیل نمی‌شوند، شرکت‌های برنامه‌های کاربردی هوش مصنوعی قبلاً هزینه‌هایی را به فروشندگان مدل برای این سهمیه‌ها پرداخت کرده‌اند.

آنها در چارچوب سالانه گنجانده شده‌اند. منطق فروشندگان مدل‌های قوی این است: شما می‌توانید وقتی تمام شد، بیشتر بخرید، اما به هیچ وجه برای توکن‌های استفاده‌نشده بازپرداخت نمی‌گیرید. به اصطلاح 1 میلیون امتیاز که 200,000 استفاده شده، با 800,000 باقی‌مانده به سود تبدیل نمی‌شود. به عبارت دیگر، سهمیه توکن "استفاده‌نشده" در واقع به "موجودی" شرکت‌های برنامه‌های کاربردی هوش مصنوعی تبدیل می‌شود.

از آنجا که این موجودی است، باید تخلیه شود؛ در غیر این صورت، زیان‌ها افزایش می‌یابد. این توضیح می‌دهد که چرا سایر تیم‌های تولید ویدیو هوش مصنوعی از LibTV پیشنهاداتی برای فروش توکن‌ها با قیمت‌های تخفیف‌خورده دریافت می‌کنند. سرکوب رسمی کاربران درگیر در "معکوس مهندسی" برای فروش مجدد توکن‌ها در واقع رقابتی برای حقوق فروش مجدد توکن‌ها با کاربران است.

در مقایسه با زیان‌های ناشی از فروش "موجودی" توکن‌ها با قیمت‌های تخفیف‌خورده، زیان‌های ناشی از استفاده کامل کاربران از حقوق خود بیشتر است. حتی اگر این تصور که "توکن‌های استفاده‌نشده سود هستند" درست باشد، این موضوع حداکثر سود مدل را قفل می‌کند - زمانی که تمام کاربران شارژ می‌کنند اما هیچ توکنی مصرف نمی‌کنند، به طور نظری، می‌توان سود را به حداکثر رساند.

زمانی که یک کاربر یک توکن بیشتر مصرف کند، به زیان‌ها نزدیک‌تر می‌شود. این یک انتخاب معکوس خطرناک ایجاد می‌کند: هرچه قیمت پایین‌تر باشد، جذب کاربران سنگین که مدل‌های گران‌قیمت را مصرف می‌کنند، آسان‌تر است، که منجر به نرخ‌های بالای استفاده از امتیازها و درآمد کمتر برای پلتفرم می‌شود.

این چرخه ممکن است زیان‌های شرکت‌های برنامه‌های کاربردی هوش مصنوعی را گسترش دهد، با تنها مزیت اینکه ARR به طور موقت بهتر به نظر می‌رسد.

شرکت‌های برنامه‌های کاربردی هوش مصنوعی به خوبی از این موضوع آگاه هستند، اما هنگام ارائه به VC ها، هنوز می‌توانند این "تله‌ها" را پنهان کنند. برخی از VC ها به ما گفته‌اند: حاشیه سود ناخالصی که LibLib به سرمایه‌گذاران و بازار سرمایه ارائه می‌دهد، احتمالاً مثبت است.

این موضوع "مهارت‌های مالی" را آزمایش می‌کند: پاداش‌ها، پیشنهادات رایگان محدود، تخفیف‌های شبانه... همه این هزینه‌های سخت که واقعاً به سود ناخالص آسیب می‌زنند، می‌توانند به عنوان نرخ‌های فروش حساب شوند و نرخ‌های فروش بالا در اوایل می‌توانند به طور مبهم به عنوان "سرمایه‌گذاری در رشد" نامیده شوند؛ تمام درآمد - از جمله خریدهای کاربران از نقاط عضویت و درآمد حاصل از فروش مجدد توکن‌ها - می‌تواند به قیمت‌های اصلی حساب شود و این امکان را فراهم می‌کند که تحت معیارهای مختلف "حاشیه سود ناخالص مثبت" به دست آید.

در بحث‌های ما با بسیاری از سرمایه‌گذاران و کارآفرینان، یک اجماع وجود دارد که حتی زمانی که در گسترده‌ترین دامنه محاسبه شود، دامنه حاشیه سود ناخالص برنامه‌های کاربردی هوش مصنوعی که بر اساس مصرف و فروش توکن‌ها متمرکز است، معمولاً تنها 10٪ تا 25٪ است که تقریباً برای پوشش هزینه‌های مختلف کافی نیست.

اکثر استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی چینی از روز اول به بازارهای خارجی گسترش یافته‌اند، اما منابع مطلع محاسبه کرده‌اند که هزینه جذب یک کاربر پرداختی در خارج از کشور حدود 200 دلار است، در حالی که کاربران به طور متوسط 50 دلار پرداخت می‌کنند و سود ناخالص توکن حتی نمی‌تواند هزینه‌های رشد کاربر را پوشش دهد، چه رسد به هزینه‌های تحقیق تولید، عملیات و مدیریت.

در سال‌های اخیر، بازار سرمایه و دایره استارتاپ‌ها ترجیح داده‌اند که برنامه‌های کاربردی هوش مصنوعی را از طریق چارچوب SaaS درک کنند. اما اکنون سرمایه‌گذاران به این واقعیت پی برده‌اند که "SaaS به این معناست که هر چه کاربران بیشتر باشند، قیمت ارزان‌تر می‌شود، در حالی که برنامه‌های کاربردی هوش مصنوعی به این معناست که هر چه کاربران بیشتر باشند، بیشتر ضرر می‌کنید."

این موضوع تفاوت اساسی بین برنامه‌های کاربردی هوش مصنوعی و نرم‌افزارهای سنتی را نشان می‌دهد - هزینه حاشیه‌ای SaaS سنتی با مقیاس کاهش می‌یابد، در حالی که هزینه حاشیه‌ای برنامه‌های کاربردی هوش مصنوعی با استفاده دوباره ظاهر می‌شود. هر چه کاربران بیشتر از آن استفاده کنند، توکن‌های بیشتری مصرف می‌شود؛ هر چه توکن‌های بیشتری مصرف شود، هزینه‌ها سنگین‌تر می‌شود.

در اصل، شرکت‌های برنامه‌های کاربردی هوش مصنوعی یک "زنجیره گردش توکن زیان‌ده مداوم" را اداره می‌کنند که همان "نرخ زیان ناخالص" است.

"کنترل‌کنندگان توکن"

استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی به طور عمدی به یک چاله آتش نمی‌پرند؛ آنها نیز در هرج و مرج گرفتار شده‌اند.

هزینه ظاهری خرید توکن‌ها از فروشندگان مدل واضح است، اما قیمت‌گذاری محصول، یارانه‌های کاربر و محاسبات سود ناخالص همه تحت تأثیر سیستم تسویه‌حساب پس از مدل‌ها قرار دارند. سود ناخالصی که در ابتدا تصور می‌شد، وقتی صورت‌حساب صادر می‌شود، به نرخ زیان ناخالص تبدیل می‌شود.

به عنوان مثال، Seedance 2.0: هزینه واقعی تولید یک ویدیو به طور همزمان به طول ویدیو ورودی، طول ویدیو خروجی، وضوح خروجی، نرخ فریم، نسخه مدل، حداقل مدت زمان صورتحساب و سطوح مدت زمان بستگی دارد. API برای مدل‌های ویدیو ممکن است به طور یکنواخت برای 1 تا 4 ثانیه در 4 ثانیه شارژ کند و رشد بین طول‌های مختلف معمولاً خطی نیست. پس از امضای قرارداد، شرکت‌های برنامه‌های کاربردی هوش مصنوعی روزانه مصرف را متحمل می‌شوند، اما معمولاً T+N روز طول می‌کشد تا هزینه‌های دقیق را در صورت‌حساب مشاهده کنند.

این وضعیت معمولی "گرفتار در توکن‌ها" را ایجاد می‌کند: شرکت می‌داند هزینه‌های ظاهری توکن‌ها چیست، اما نمی‌داند هزینه‌های واقعی چگونه در چه زمانی و به چه میزان بزرگ‌تر می‌شود.

با این حال، تیم‌های استارتاپ برنامه‌های کاربردی هوش مصنوعی نمی‌توانند از این وابستگی فرار کنند؛ در عوض، آنها عمیق‌تر غرق می‌شوند. در نهایت، آنها نمی‌توانند از "مزایای" مدل‌های برتر که به ارمغان می‌آورند، صرف‌نظر کنند.

اگر ما منابع هزینه‌های برنامه‌های کاربردی هوش مصنوعی را در یک فرمول ارائه دهیم، این خواهد بود: "هزینه واقعی تولید = قیمت تولید واحد × فرکانس میانگین برداشت." این برای ویدیوها، تصاویر و طراحی PPT نیز صدق می‌کند.

مدل‌های برتر دارای نرخ موفقیت تولید بالایی هستند و فرکانس برداشت را کاهش می‌دهند، که گاهی اوقات می‌تواند هزینه‌های محاسباتی زیرین را پایین‌تر کند.

تیم‌های برنامه‌های کاربردی هوش مصنوعی چگونه باید بین هزینه‌های بالای اولیه، اثرات خوب، برداشت‌های کمتر و لزوماً بالاترین هزینه‌های کلی مدل‌های برتر، در مقابل آستانه‌های پایین‌تر، تماس‌های ارزان‌تر، برداشت‌های بیشتر و هزینه‌های کلی بیشتر که ممکن است منجر به کاهش تبدیل مدل‌های زیر بهینه شود، انتخاب کنند؟

منابع صنعتی فاش کرده‌اند: برای افزایش سفارشات، مشتریان Keling 1.0 می‌توانند تخفیف‌هایی به اندازه 3.5٪ دریافت کنند. چنین تخفیفی برای هزینه‌های استنتاج Keling از قبل زیان است و با ارتقاء‌های بعدی مدل Keling، هزینه‌های استنتاج افزایش می‌یابد و این قیمت یک زیان دوگانه است. هدف تنها آن است که مشتریان را جذب کند.

نتیجه عینی این است که فروشندگان مدل‌هایی که سعی در فروش توکن‌های بیشتری به شرکت‌های برنامه‌های کاربردی با قیمت‌های پایین‌تر دارند، همچنان در حاشیه قرار خواهند گرفت. یک مثال جانبی که می‌تواند این موضوع را تأیید کند این است که حجم درخواست روزانه Seedance 2.0 در OpenRouter همچنان بالای 3000 است، در حالی که Keling 3.0 تنها 300-400 درخواست دارد.

بنابراین، برای حل "نرخ زیان ناخالص" ذاتی، دو روش مستقیم وجود دارد: افزایش قیمت محصول یا کاهش هزینه‌های توکن. در حال حاضر، اکثر استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی گزینه دومی را انتخاب می‌کنند.

در ظاهر، همه به طور فعال در حال به‌روزرسانی محصولات، به‌روزرسانی ویژگی‌ها و ایجاد تفاوت‌ها هستند، اما در واقع، بخش قابل توجهی از انرژی آنها صرف جستجوی توکن‌های ارزان‌تر می‌شود. و توکن‌های ارزان از منابع مختلف به دست می‌آیند.

اول، تخفیف‌های قیمت پایین توسط شرکت‌های "بالادستی" عامل هوش مصنوعی یک کانال مهم است.

همان‌طور که قبلاً ذکر شد، LibLib توکن‌ها را با تخفیف 8.1٪ به تیم‌های کوچک‌تر برنامه‌های کاربردی هوش مصنوعی که نمی‌توانند نسخه کامل Seedance 2.0 را بخرند، می‌فروشد. برخی استارتاپ‌ها از چنین "تخفیف‌ها" استقبال می‌کنند، در حالی که دیگران به دلیل ترس از نقض سیاست‌های فروش موتور آتشفشان، در پذیرش آنها تردید دارند.

دوم، همتایانی که در حال تغییر کسب‌وکار هستند نیز می‌توانند توکن‌های کم‌هزینه ارائه دهند.

همان‌طور که قبلاً ذکر شد، فروشندگان مدل‌های پیشرو دارای سیاست‌های چارچوب سالانه قوی با سهمیه‌های تضمینی هستند و "قبل از انتظار منقضی می‌شوند" - اگر در یک سال مصرف نشوند، سهمیه توکن باقی‌مانده پاک می‌شود. این همچنین دلیل این است که فروش مجدد توکن‌ها بارها توسط فروشندگان مدل ممنوع شده است؛ چه برای کاهش زیان، چه برای بازیابی هزینه یا "ایجاد" سود ناخالص، این تعیین می‌کند که تیم‌های برنامه‌های کاربردی هوش مصنوعی باید این کار را انجام دهند.

به ویژه زمانی که برخی شرکت‌ها پول می‌سوزانند و نمی‌توانند داستان‌ها را بگویند، به گونه‌ای که قادر به ادامه کار نیستند یا در آستانه ورشکستگی قرار دارند، سهمیه‌های "بزرگ" باقی‌مانده آنها ممکن است با قیمت‌های بسیار پایین فروخته شوند.

یک جزئیات جالب این است که هزینه‌های تأمین توکن برخی شرکت‌ها به ده‌ها میلیون می‌رسد، اما هدف اصلی انجام تجارت نیست، بلکه گفتن داستان است: به بازار سرمایه اطلاع دهند که آنها به مشتریان بزرگ فروشندگان مدل‌های برتر تبدیل شده‌اند، قدرت خود را نشان دهند و به سرعت دور دیگری از تأمین مالی را افزایش دهند. برخی از منابع داخلی VC به ما گفته‌اند که خرید توکن‌ها برای برخی تیم‌های استارتاپ به طور کامل از "واقعیت" جدا شده است.

علاوه بر این، جستجوی یارانه‌های دولتی یک کانال رایج و قابل اعتمادتر برای به دست آوردن توکن‌های با قیمت پایین‌تر است.

دولت‌های محلی در سطح منطقه به شرکت‌های هوش مصنوعی که در حوزه‌های خود شناسایی شده‌اند، قدرت محاسباتی یا یارانه‌های مدل ارائه می‌دهند و به شرکت‌های برنامه‌های کاربردی اجازه می‌دهند هزینه‌های توکن را به 75٪ تا 90٪ قیمت اصلی کاهش دهند. با این حال، چنین منابعی فراگیر نیستند و برای به دست آوردن توکن‌های ارزان‌تر، همه باید "با توانایی‌های خود از دریا عبور کنند."

در نهایت، همه در تلاشند تا راه‌هایی برای به دست آوردن توکن‌های ارزان‌تر پیدا کنند. این حداکثر کردن جستجوی توکن‌های ارزان به طور حتم منجر به گسترش "واسطه‌ها" خواهد شد.

به عنوان یک صنعت زیرزمینی هوش مصنوعی، واسطه‌ها اساساً توکن‌ها را به صورت عمده برای خرده‌فروشی می‌فروشند. آنها را می‌توان به سه دسته تقسیم کرد.

دسته اول "فروش مجدد قانونی" است که شامل خریدهای عمده توکن‌های مدل‌های خارجی، به دست آوردن تخفیف‌ها و سپس فروش آنها در داخل کشور است. این هنوز به عنوان یک منطق توزیع "عادی" در نظر گرفته می‌شود.

دسته دوم عملیات خالص بازار سیاه است که اغلب توسط افراد انجام می‌شود و پیشنهاداتی مانند "یک میلیون توکن برای سه دلار" دارد که می‌تواند هر لحظه ناپدید شود یا بسته شود.

دسته سوم "تجمع" منابع است. این واسطه‌ها با جمع‌آوری سهمیه‌های توکن از کانال‌های مختلف و ایجاد یک لایه مسیریابی یکپارچه عمل می‌کنند.

واسطه‌ها یکی از کانال‌های اصلی برای توکن‌های کم‌هزینه در بازار برنامه‌های کاربردی هوش مصنوعی هستند. با این حال، قیمت‌های این منابع بسیار متفاوت است و کیفیت آنها ناپایدار است. در تولید ویدیو، پدیده "آبکی شدن" معمول است.

یک واسطه که به یک استارتاپ هوش مصنوعی خاص خدمات می‌دهد به ما گفت: "به عنوان مثال، هنگام فراخوانی API Keling، 8 بار از 10 بار Keling است و 2 بار مدل خود این شرکت است. اگر واسطه بخواهد سود بیشتری کسب کند، این نسبت را تنظیم می‌کند."

شرکت‌های برنامه‌های کاربردی هوش مصنوعی به خوبی از این موضوع آگاه هستند، اما برخی هنوز "تحمل" توکن‌های رقیق‌شده در محصولات خود را دارند و کیفیت خدماتی که به کاربران نهایی ارائه می‌شود را بیشتر کاهش می‌دهند. در نهایت، "کشیدن کارت‌های ناموفق" عادی است و حتی اگر کاربران مشکوک باشند که آنچه استفاده می‌کنند استاندارد نیست، می‌توانند توضیحی ارائه دهند.

حتی با این کانال‌های مختلف، شرکت‌های برنامه‌های کاربردی هوش مصنوعی هنوز به دنبال راه‌هایی برای کاهش بیشتر هزینه‌ها هستند.

برای کاهش قانونی هزینه‌های توکن و یافتن فضای سود ناخالصی برای صورت‌های مالی، برخی استارتاپ‌ها مسیر دیگری را اختراع کرده‌اند: طراحی محصولات خود به عنوان کنترل‌کننده‌های دقیق توکن - با محدود کردن مدت زمان، بسته‌بندی‌های لایه‌ای، کاهش مدل‌ها، پنهان کردن پارامترها و سایر روش‌ها، تأثیر توکن‌ها بر سود ناخالص را تضعیف می‌کنند.

به طور خاص، برخی برنامه‌ها به طور مستقیم مدت زمان ویدیوهای تولید شده توسط کاربران را محدود می‌کنند، مانند تولید ویدیوهای 4 ثانیه‌ای به طور یکنواخت برای جلوگیری از هدر رفت منابع با شارژ برای 4 ثانیه در حالی که تنها 3 ثانیه تولید می‌شود.

"تله بسته" یک رویکرد هوشمندانه‌تر است؛ برخی برنامه‌ها بهترین مدل‌ها را در بسته‌های میانه ارائه نمی‌دهند و مدل‌های بهینه را برای سناریوهای با مصرف بالا باز نمی‌کنند. آنها همچنین بسته‌هایی طراحی می‌کنند که کاربران "نمی‌توانند به طور کامل از آن استفاده کنند"، امیدوارند که عدم فعالیت و استفاده کم کاربران، فضای آربیتراژ ایجاد کند.

آنها از فرمول‌هایی مانند "تعداد کاربران بسته 199 یوان × ذخیره توکن 2 میلیارد" برای مذاکره قیمت‌های عمده با فروشندگان مدل استفاده می‌کنند و قیمت‌های تأمین را بسیار پایین‌تر از نیازهای واقعی مصرف به دست می‌آورند. بخش استفاده‌نشده سپس به عنوان یک واسطه فروخته می‌شود.

یک VC به ما شکایت کرد: در حین بررسی دقیق یک شرکت، آنها این "اعداد بزرگ‌شده" را کشف کردند و سپس پرسیدند که آیا کاربران واقعاً می‌توانند به آن تعداد توکن مصرف کنند، در حالی که بنیان‌گذار تنها بر تعداد کاربرانی که آن بسته را خریداری کرده‌اند تأکید کرد و از بحث درباره مصرف واقعی اجتناب کرد.

سرمایه‌گذاران راضی نبودند؛ یک کسب‌وکار که فعالیت کاربران و حاشیه‌های سود ناخالص آن به طور معکوس نسبت به هم باشد، کسب‌وکار خوبی نیست.

برنامه‌های کاربردی هوش مصنوعی "برای توکن‌ها وجود دارند"، که یک سوال اساسی را مطرح می‌کند که بنیاد شرکت را لرزان می‌کند: محصولات دیگر تنها حول تجربه کاربری طراحی نمی‌شوند، بلکه به طور فزاینده‌ای حول "چگونه کاربران را وادار به مصرف کمتر توکن‌ها کنیم" طراحی می‌شوند.

البته، همچنین روش‌های کاهش هزینه‌های مهندسی وجود دارد که تجربه کاربری را در نظر می‌گیرد. به عنوان مثال، ابتدا از مدل‌های ارزان‌تر برای تولید نسخه‌های با وضوح پایین و سپس از فناوری فوق‌العاده برای افزایش وضوح استفاده می‌شود. برخی ابزارهای هوش مصنوعی تعداد کشیدن کارت‌ها را از طریق کلمات کلیدی، جریان‌های کاری، کنترل پارامترها، پردازش پس از تولید، کش و مسیریابی مدل کاهش می‌دهند و به این ترتیب توکن‌ها را صرفه‌جویی می‌کنند.

در میان آنها، OiiOii یکی از شرکت‌هایی است که "کنترل‌کننده توکن" خود را به طرز هوشمندانه‌ای طراحی کرده است.

OiiOii به امتیازاتی که کاربران خریداری می‌کنند به عنوان "غذای بسته‌بندی شده" اشاره می‌کند. بر خلاف LibTV که به شدت برای جذب مشتریان با قیمت‌های 30-40٪ پایین‌تر رقابت می‌کند، مدل اصلی OiiOii (با چندین تصویر برای مرجع، 10 ثانیه برای 140 غذای بسته‌بندی شده) قیمتی معادل 0.96 یوان/ثانیه محاسبه می‌کند، به علاوه صادرات با وضوح بالا، که قیمت کلی را به حدود 0.99 یوان/ثانیه می‌رساند، که تقریباً معادل فروش توکن‌های Seedance 2.0 با قیمت منصفانه است، با فضای سود ناخالصی که به سختی فشرده می‌شود، هرچند هنوز نازک است.

این به دلیل برخی طراحی‌های "مکانیسم" هوشمند است:

رابط مشخصات ویدیو و کسر امتیاز را نمایش نمی‌دهد، بلکه به طور مستقیم کاربران را به فرآیند ایجاد ویدیو - شخصیت - صحنه - شات - هدایت می‌کند، نه اینکه به کاربران فرصتی برای احساس "درد" در هر زمان بدهد و نه اینکه به آنها اطلاع دهد که آیا از Seedance، Keling، Sora 2 یا حتی مدل‌های ارزان‌تر دیگر در طول فرآیند اولیه ایجاد استفاده می‌کنند. تنها در مرحله شات، کاربران می‌توانند مدل را انتخاب کنند. کاربران نمی‌توانند مصرف را بهینه‌سازی کنند یا قیمت‌ها را با سایر شرکت‌ها مقایسه کنند؛ آنها تنها می‌توانند به طور موقت قیمت را فراموش کنند. "عدم شفافیت" مکانیسم حفاظت از سود ناخالص آن است.

با این حال، OiiOii جرات می‌کند چنین قیمت‌گذاری و طراحی چنین مکانیزم‌های توکنی را انجام دهد زیرا در میان گروه‌های خاص تولید ویدیو حرفه‌ای مانند درام‌های کمدی، شهرت و شناخت خوبی دارد. فراتر از بازی زندگی و مرگ "همکاری با توکن‌ها"، این شرکت یک خاصیت خاصی را ایجاد کرده است.

یک کارمند BD از یک ارائه‌دهنده خدمات ابری که با مشتریان درام‌های کوتاه و کمدی تعامل دارد، به ما گفت: OiiOii در میان دایره‌های درام‌های کوتاه و کمدی شهرت خاصی دارد و اخیراً LibTV نیز به آن نزدیک شده است. این مشتریان اشاره می‌کنند که جریان کار LibTV کاربرپسند است و بوم آن آسان برای استفاده است.

قبلاً، دلیل اصلی توجه LibTV نسبت به "نسبت هزینه به عملکرد" و "نرخ زیان ناخالص" بحث‌برانگیز آن بود. با این حال، با بهبود و پیشرفت محصولات، LibTV که همیشه با کاهش قیمت توکن‌ها مشخص می‌شود، همچنین به برخی اعتماد به نفس برای افزایش قیمت‌ها دست یافته است.

در ژوئن، LibTV Agent راه‌اندازی شد. این محصول هوش مصنوعی ویدیو را از تولید شات‌های تکی به ارائه فیلم‌های کامل پیش برد، به طور خودکار برنامه‌ریزی، ترکیب شات، تولید و ویرایش را از طریق مهارت‌های حرفه‌ای تکمیل کرد و در عین حال داستان‌نامه‌ها و جریان‌های کاری گره‌ای را برای اصلاح دستی حفظ کرد؛ پلتفرم کارگردان 3D، کتابخانه شخصیت و حافظه بلندمدت، ثبات بین شخصیت‌ها و شات‌ها را بیشتر بهبود بخشید.

سپس، LibTV یک افزایش قیمت نادر و جسورانه انجام داد.

قبلاً، قیمت‌های اشتراک سالانه برای دو سطح نسخه عالی LibTV به ترتیب 8499 یوان و 10999 یوان بود و اکنون هر دو به میزان 1000 یوان افزایش یافته‌اند. قیمت فراخوانی Seedance 2.0 که قبلاً به 0.37 یوان در ثانیه کاهش یافته بود، اکنون حداقل 0.41 یوان در ثانیه است.

این موضوع منجر به شکایات برخی کاربران سنگین حساس به قیمت شده است، اما با بهبود تجربه محصول، این نیز یک اقدام اجتناب‌ناپذیر است.

علاوه بر افزایش قیمت‌ها، یک رویکرد مستقیم‌تر وجود دارد: هدف قرار دادن بازارهای خارجی با قیمت‌های بالاتر. برای بهبود حاشیه سود ناخالص، تقریباً تمام برنامه‌های کاربردی هوش مصنوعی چینی اولویت را به خدمت‌رسانی به بازار جهانی می‌دهند، به ویژه مناطقی مانند اروپا، آمریکا و ژاپن که کاربران تمایل بیشتری به پرداخت دارند. Lovart، تحت فناوری یانیو، همچنین یک آزمایش‌کننده فعال است.

بر اساس گزارش‌های قبلی از Elsewhere: Lovart به شدت از Manus الهام گرفته است. وقتی قابلیت‌های مدل Manus از یک نقطه بحرانی عبور کرد، به سرعت آنها را به یک محصول با تجربه خوب بسته‌بندی کرد، در حالی که Lovart متوجه شد که GPT-image-1 در سه هفته منتشر خواهد شد و بهترین افراد را از کل شرکت به شانگهای برای توسعه بسته‌ای کشید. Manus یک شروع سرد را با تماس فعال با تأثیرگذاران فناوری سیلیکون‌ولی به پایان رساند، در حالی که Lovart از وبلاگ‌نویسان فناوری خارجی برای انتشار استفاده کرد. یک پوستر تولید شده توسط کاربر از تسلا سایبرترک حتی از سوی ماسک لایک دریافت کرد.

با این حال، گسترش Lovart در خارج از کشور هموار نبوده است. به عنوان مثال، در ماه مه 2025، زمانی که راه‌اندازی شد، Lovart یک تیم محلی در سیلیکون‌ولی تأسیس کرد که مسئول رشد کاربران محصول و عملیات بازار بود، اما این تیم پر از آشفتگی بود. تا پایان سال 2025، اعضای تیم آمریکایی، از جمله النا لیانگ، هم‌بنیان‌گذار و COO Lovart و هم‌بنیان‌گذار آیمی یانگ، همگی ترک کردند و اعضای فعلی تیم همه تازه‌واردانی هستند که در نیمه اول سال 2026 به تیم پیوسته‌اند.

در جستجوی کاربران "ارزش خالص" بالاتر در بازار جهانی، بهبود مهندسی و طراحی محصول برای افزایش قیمت‌ها و تنظیم دقیق "کنترل‌کننده توکن" برنامه‌های کاربردی هوش مصنوعی، تیم‌های بیشتری از استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی در حال انجام تعادل‌های دشوار هستند. طراحی یک کنترل‌کننده توکن دقیقاً تنظیم‌شده واقعاً گزینه‌ای نسبتاً قابل کنترل از نظر نتایج است.

با این حال، اگر تمام استارتاپ‌های برنامه‌های کاربردی هوش مصنوعی ابتدا باید خود را به عنوان کنترل‌کننده‌های توکن طراحی کنند، هرگز نمی‌توانند تجربه واقعی کاربر را ارائه دهند یا به طور واقعی قدرت محصول را افزایش دهند. در رقابت بزرگتر بازار، این ممکن است آنها را بیشتر منفعل کند.

تهدید واضح‌ترین از غول‌ها می‌آید.

زمانی که غول‌های اینترنتی قدرتمند با قابلیت‌های محصول قوی از پیشرفت‌های مدل‌های خود و قابلیت‌های مدل‌های شخص ثالث استفاده می‌کنند، با استفاده از قدرت مالی خود و بی‌توجهی به مصرف توکن، به سرعت ماتریس محصولات برنامه‌های کاربردی هوش مصنوعی خود را ایجاد می‌کنند، چشم‌انداز استارتاپ‌ها فشرده می‌شود. ظهور WorkBuddy Tencent و سرریز قابلیت‌های محصول پشت آن نمونه‌ای است که کارآفرینان برنامه‌های کاربردی هوش مصنوعی باید به آن توجه کنند و از آن احتیاط کنند.

از زمان بتای عمومی در مارس 2026، Tencent از طریق جریان‌های اطلاعات WeChat، حساب‌های عمومی، تبلیغات مترو و ساختمان‌های اداری و همچنین اقداماتی برای کاهش هزینه‌های آزمایش کاربران مانند پاداش‌های ثبت‌نام، جوایز ورود، معافیت‌های مدل و اعتبارهای دوگانه، جذب تعداد زیادی از کاربران برای WorkBuddy را آغاز کرده است. به‌روزرسانی‌های مکرر و با فرکانس بالا همچنین موقعیت WorkBuddy را در موج بهره‌وری هوش مصنوعی تقویت کرده است.

تنها در ژوئن 2026، این محصول حداقل 17 نسخه را منتشر کرد، گاهی حتی دو به‌روزرسانی در یک روز. علاوه بر رفع سریع اشکالات، WorkBuddy همچنین به سرعت با Tencent Docs، WeChat Work و سایر برنامه‌های اکوسیستم Tencent ادغام شد و قابلیت‌هایی مانند همکاری چندعاملی، وظایف ابری و مدیریت پروژه‌های شرکتی را تقویت کرد و در نهایت به یک ستاره هوش مصنوعی در Tencent تبدیل شد که از Yuanbao پیشی گرفت.

زمانی که نتایج سه‌ماهه اول را در ماه مه منتشر کرد، Tencent به صراحت اعلام کرد که از نظر حساب‌های فعال روزانه، WorkBuddy به محبوب‌ترین سرویس هوش مصنوعی کارایی در چین تبدیل شده است. بر اساس داده‌های Analysys، از مارس تا ژوئن، بازدیدهای ماهانه WorkBuddy در سمت PC از 8.85 میلیون به 20.97 میلیون افزایش یافته و بیش از دو برابر شده است.

این یک دستاورد است که هر شرکتی در حوزه برنامه‌های کاربردی هوش مصنوعی آرزو می‌کند، اما نمی‌تواند به آن دست یابد. WorkBuddy می‌تواند از تمام منابع ترافیکی Tencent بهره‌برداری کند و مهم‌تر از آن، نیازی به مدیریت سوئیچ‌های کنترل‌کننده توکن به دقت مانند استارتاپ‌ها ندارد.

یافتن راه خروج

بیشتر و بیشتر کارآفرینان برنامه‌های کاربردی هوش مصنوعی شروع به کاوش در گزینه‌های جایگزین برای توکن‌ها می‌کنند.

کارآفرین ستاره، ژانگ یوی‌گوآنگ، در ژوئن در Xiaohongshu پست کرد: برای ارزیابی اینکه آیا یک برنامه کاربردی هوش مصنوعی قابل دوام است، سه شاخص واقعی اصلی، حاشیه سود ناخالص کاربر پرداختی، نرخ تجدید و CAC (هزینه جذب مشتری) هستند. برای دستیابی به تعادل سالم از دو مورد اول، یا باید مدل کسب‌وکار فروش توکن‌ها به مدل کسب‌وکار دیگری تبدیل شود، یا توکن‌ها باید به کاربرانی فروخته شوند که به قیمت‌های توکن حساس نیستند. "تمام محصولاتی که توکن‌ها را بر اساس کاربران حساس می‌فروشند، تنها کسب‌وکار تأمین‌کنندگان مدل خواهند بود."

محصول کارآفرینی خود ژانگ یوی‌گوآنگ به دو راه‌حل مختلفی که به دنبال آن است، مربوط می‌شود.

یک محصول Xingmian است که سعی دارد هزینه‌های توکن را از طریق درآمد بازی و IP پوشش دهد؛ دیگری Dokie است که هدف آن این است که کاربران برای نتایج قابل استفاده پرداخت کنند و نه اینکه قیمت واحد هر تماس مدل را مقایسه کنند. علاوه بر این، بر اساس به‌روزرسانی‌های عمومی او، Dokie سهمیه‌های آزمایش رایگان را برای بیش از 140 کشور به صفر کاهش داده است که عملاً تأثیری بر کاربران پرداختی ندارد.

مدت‌هاست که "حداکثر توکن" به عنوان یک استاندارد در نظر گرفته می‌شود و صنعت به شدت به دنبال مصرف توکن‌ها بوده و آن را به عنوان نمادی از قدرت محصول و چشم‌انداز مثبت بازار می‌دیده است. با این حال، مردم سرانجام متوجه شده‌اند که جستجوی مصرف توکن‌ها نادرست است؛ ساختار سود ناخالص اصل واقعی راهنما است. به عبارت دیگر، شرکت‌هایی که واقعاً بر روی توکن‌ها رونق می‌گیرند، نه کسانی که توکن‌های بیشتری می‌سوزانند، بلکه کسانی هستند که می‌توانند توکن‌ها را به شیوه‌ای متفاوت بفروشند.

مثال بارز در بخش "سخت‌افزار + برنامه" با Plaud به عنوان نماینده‌ترین است.

بر اساس اطلاعات ما، سود خالص خدمات غیرسخت‌افزاری AI Plaud به مقیاس سالانه ده‌ها میلیون دلار رسیده است. هدف فروش کل این شرکت برای سال 2026، 500 میلیون دلار است و بیش از 2 میلیون کاربر نصب شده دارد.

این به دلیل ساختار پرداخت متفاوت است.

اول، خود سخت‌افزار. در صنعت الکترونیک مصرفی، قیمت خرده‌فروشی ترمینال‌ها معمولاً باید به حدود سه برابر هزینه BOM برسد، که هزینه مواد است، تا شرکت‌ها فضای عملیاتی پایدار داشته باشند. Plaud Note Pro با قیمت حدود 179-189 دلار، با هزینه BOM حدود 60 دلار، حاشیه ناخالص سخت‌افزاری حدود 67٪ را به دست می‌آورد که با این اصل همخوانی دارد.

مهم‌تر از آن، درآمد اشتراک AI است. اشتراک AI آن به دو سطح تقسیم می‌شود: پرداخت سالانه Pro تقریباً 8.33 دلار در ماه و پرداخت سالانه نامحدود تقریباً 20 دلار در ماه است. این قیمت‌گذاری نه خیلی گران است و نه خیلی ارزان؛ نکته کلیدی این است که سناریوهای AI آن سبک هستند و عمدتاً شامل رونویسی و خلاصه‌سازی می‌شوند، نه تولید ویدیو یا استدلال عامل. بر اساس برآورد یکی از تأمین‌کنندگان Plaud: بر اساس درآمد اشتراک 8-20 دلار در ماه به ازای هر نفر، هزینه پردازش AI Plaud حدود 1-2 دلار در ماه به ازای هر نفر است که به حاشیه ناخالص نرم‌افزاری Plaud حدود 75٪ تا 90٪ می‌رسد.

به طور کلی، وضعیت سخت‌افزار نسبت به نرم‌افزار نسبتاً بهتر است، زیرا هیچ رقابت مستقیمی با شرکت‌های مدل یا محصولات مدل وجود ندارد و فضای قیمت‌گذاری بالایی وجود دارد.

یک کارآفرین سخت‌افزار دسته‌بندی محصولات بازار را به چند نوع تقسیم کرده است:

1. نوع خودکفا سخت‌افزاری. با قیمت‌گذاری سه برابر بالاتر در داخل و پنج برابر بالاتر در خارج، سخت‌افزار می‌تواند از زیان‌ها جلوگیری کند و اشتراک‌ها می‌توانند سود اضافی فراهم کنند.

2. سخت‌افزار با حاشیه پایین + نوع مکمل اشتراک. Plaud در این دسته قرار می‌گیرد.

3. نوع رشد تأمین مالی که بسیاری از استارتاپ‌های اولیه سخت‌افزار AI به آن تعلق دارند؛ در نهایت، نوع قیمت پایین سخت‌افزار + بدون اشتراک. به عنوان مثال، اکثر محصولات هم‌نشینی یا اسباب‌بازی‌های AI داخلی عمدتاً کمی از سخت‌افزار درآمد کسب می‌کنند تا هزینه‌های توکن را یارانه دهند.

با این حال، از دیدگاه این کارآفرین، سخت‌افزار نیز در حال رقابتی شدن است و قیمت‌گذاری بالای سه برابر هزینه BOM در حال تبدیل شدن به یک وضعیت غیرقابل تحمل است. "حاشیه ناخالص خیلی پایین است؛ در آینده، آنها توسط کانال‌ها، خدمات پس از فروش و بازگشت‌ها خورده خواهند شد؛ اگر ما تنها به حاشیه‌های ناخالص سخت‌افزاری بپردازیم، ممکن است قیمت خرید اولیه را خیلی بالا ببریم و بر مقیاس حمل و نقل و تبدیل اشتراک‌های بعدی تأثیر بگذاریم." اگر این واقعاً چنین باشد، پس سخت‌افزار AI نیز باید به دنبال مسیرهای جایگزین باشد.

فراتر از روش‌های حل مسئله شرکت‌های سخت‌افزاری، برخی ایده‌های عمومی‌تر در حال ظهور است.

یک روند اخیر این است که بیشتر و بیشتر برنامه‌های کاربردی هوش مصنوعی، از جمله شرکت‌های سخت‌افزاری، شروع به "آموزش مجدد" مدل‌های خود می‌کنند.

بنیان‌گذار محصول سخت‌افزاری جدیداً محبوب، "قارچ AI" Swoii، که به عنوان "عمو ه" شناخته می‌شود، به ما گفت که آنها از مدل‌های خود توسعه یافته برای دستیابی به شخصی‌سازی با هزینه پایین استفاده می‌کنند و نیازهای سناریوهای UGC کاربران را برآورده کرده و رضایت و تمایل به پرداخت کاربران را افزایش می‌دهند.

Mindverse، یک شرکت برنامه‌های کاربردی هوش مصنوعی که با Macaron محبوبیت پیدا کرد، در حال انتقال به یک شرکت تحقیقاتی مدل است. آزمایشگاه Mind آن به تازگی وزن‌های مدل Macaron-V1 را منتشر کرده و باز کرده است و در حالی که به محصولات خود خدمت می‌کند، همچنین شروع به ارائه قابلیت‌های مدل و آموزش مجدد به برنامه‌های B-end بیشتری می‌کند.

علاوه بر این، ما متوجه شدیم که کارآفرین سریالی معروف، بنیان‌گذار Teambition و معاون سابق محصول در Feishu و مسئول محصول PC Doubao، چی جون‌یوان، در حال شروع یک کسب‌وکار جدید است. تیم او در حال توسعه و آزمایش داخلی یک محصول عامل هوش مصنوعی است که عمدتاً بر اساس مدل‌های لبه خود توسعه یافته برای حداقل کردن وابستگی به API ها و توکن‌های فروشندگان مدل است.

اگرچه این محصولات سناریوهای متفاوتی دارند، اما یک منطق مشترک مهم در پس تفاوت‌ها وجود دارد: بیشتر و بیشتر کارآفرینان متعهد به ایجاد محصولات خوب هوش مصنوعی متوجه می‌شوند که آموزش مجدد یک مدل و ادغام آن با برنامه‌ها بسیار مقرون به صرفه‌تر از خرید توکن‌ها از فروشندگان مدل است.

به ویژه آن دسته از شرکت‌های برنامه‌های کاربردی هوش مصنوعی با سناریوهای واضح، داده‌های غنی و مقیاس‌های تماس پایدار، فرصت دارند تا API های گران‌قیمت مدل‌های SOTA عمومی را با مدل‌های تخصصی از طریق آموزش مجدد جایگزین کنند. با گسترش مقیاس تماس، سرمایه‌گذاری یک‌باره در آموزش مدل می‌تواند در طولانی‌مدت تقسیم شود و هزینه واحد توکن را به طور قابل توجهی کاهش دهد.

اگر این مسیر بتواند به درستی طی شود، برنامه‌های کاربردی هوش مصنوعی محبوب‌تر خواهند شد. در حال حاضر، پروژه‌های نرم‌افزاری خالص هوش مصنوعی در دایره سرمایه‌گذاری سرد شده‌اند.

برخی از سرمایه‌گذاران اشاره کرده‌اند که در نیمه اول امسال، تمرکز برخی از صندوق‌های درجه یک به هوش تجسمی و سخت‌افزار تغییر کرده است. این به این معنا نیست که آنها در نرم‌افزار سرمایه‌گذاری نمی‌کنند. آنها هنوز به سمت جهت To B نگاه می‌کنند، به ویژه برنامه‌های کاربردی خاص سناریو که به سمت "بزرگان کوچک ثروتمند" هدف‌گذاری می‌شوند، مورد توجه قرار می‌گیرند. a16z به طور مداوم در ژوئن در چندین پروژه هوش مصنوعی مرتبط با دندانپزشکی، عملیات پزشکی و خدمات خانگی سرمایه‌گذاری کرده است. در پروژه بهاری Qiji Chuangtan، یک دسته از شرکت‌های مشابه که به کارخانه‌ها، صاحبان برند و شرکت‌های خارجی هدف‌گذاری می‌کنند، نیز ظهور کرده‌اند.

این تغییر دشوار نیست که درک شود. اگرچه "بزرگان کوچک ثروتمند" به قیمت اهمیت می‌دهند، اما بیشتر به این اهمیت می‌دهند که آیا ابزارها می‌توانند به آنها کمک کنند تا بیشتر تولید کنند و معاملات بیشتری ببندند. به محض اینکه منافع ایجاد شده توسط هوش مصنوعی به طور قابل توجهی از هزینه‌های استفاده فراتر رود، حتی یک هزینه سالانه ده‌ها هزار یا بیشتر نیز ارزشمند است. کسب‌وکارهای هوش مصنوعی که به آنها خدمت می‌کنند ممکن است "کوچک" باشند، اما می‌توانند واقعاً در کسب‌وکار پول درآورند.

علاوه بر این، روند رو به رشد FDE نیز بازتاب و شکستن معضل توکن صنعت در برنامه‌های کاربردی هوش مصنوعی است. FDE ارزش محصول را از "چند توکن فراخوانی شد" به "چه چیزی برای مشتری انجام شد" منتقل می‌کند و به استارتاپ‌ها فرصتی می‌دهد تا بر اساس نتایج تحویل هزینه بگیرند. زمانی که توکن‌ها دیگر محدودیت بالایی ارزش محصول را تعیین نمی‌کنند، برنامه‌های کاربردی هوش مصنوعی فرصتی برای کسب سود بیشتر خواهند داشت.

در نهایت، توکن‌ها تنها بلیط ورودی را خریداری می‌کنند، نه یک خندق. اگر نتوانید فرار کنید، تنها می‌توانید توسط توکن‌ها بلعیده شوید.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.