اقتصاد «الرموز» المترية: كيف تحوّل الذكاء الاصطناعي من أداة لمجانية المعرفة إلى سلعة مسعرة؟

من مجانية المعرفة إلى الفيزياء الصلبة للحوسبة

لكي نفهم سبب انهيار نموذج «الاشتراك الثابت غير المحدود» في الذكاء الاصطناعي، يجب التمييز بين طبيعة اقتصاديات شبكة الويب التقليدية (Web 2.0) واقتصاديات حوسبة الاستدلال (Inference Compute). في خدمات مثل محركات البحث أو منصات التواصل الاجتماعي، تكون الكلفة المباشرة لتقديم صفحة الويب لمرتاد إضافي قريبة جداً من الصفر (Zero Marginal Cost)؛ إذ لا يتطلب الأمر سوى خادم ينقل بيانات مخزنة سابقاً.

أما في الذكاء الاصطناعي التوليدي، فإن الأمر يختلف جذرياً. ففي كل مرة يطرح فيها المستخدم سؤالاً، لا تقوم النماذج باسترجاع نص مخزن، بل تُجري ملايين العمليات الحسابية في الوقت الفعلي عبر رقائق المعالجة الرسمية (GPUs)، مستهلكة ذاكرة فائقة السرعة وكهرباء حقيقية.

وتُقاس هذه العملية بواسطة «الرمز» (Token)، وهو الوحدة البنائية الأساسية التي تقسم النصوص إلى أجزاء صغيرة (يعادل الرمز الواحد نحو 4 أحرف أو 0.75 كلمة باللغة الإنجليزية). وتنقسم الرموز في هيكل التسعير المالي إلى قسمين رئيسيين:

1. رموز المدخلات (Input Prefill Tokens): وتملأ السياق الذي يرسله المستخدم (مثل الأسئلة، النصوص المراد تحليلها، والتعليمات).
2. رموز المخرجات (Output Generation Tokens): وهي الإجابات التي يولدها النموذج. وتُسعّر هذه الرموز عادة بسعر يعادل 3 إلى 5 أضعاف سعر المدخلات؛ لأن توليد كل رمز إضافي يتطلب خطوة معالجة متتالية وجديدة داخل المعالج.

هذا الفارق يجعل استهلاك الذكاء الاصطناعي التوليدي نموذجاً استهلاكياً متغير الكلفة بطبيعته، وهو ما يفسر تعثر شركات التكنولوجيا في الاستمرار تقديم نماذجها المتقدمة في هيئة اشتراكات ثابتة ومفتوحة.

مفارقة الرمز: انخفاض السعر والانفجار الكاسح للاستهلاك

عند النظر إلى قائمة أسعار واجهات التطبيقات (APIs) لشركات الذكاء الاصطناعي، تظهر صورة قد تبدو متناقضة للوهلة الأولى. بحسب بيانات منصات التحليل المالي والتقني، انخفضت أسعار التكلفة للرمز المنفرد بنسب تراوحت بين 80% وأكثر من 90% بالنسبة للنماذج الأساسية مقارنة بأسعار عام 2022؛ حيث أصبحت النماذج الخفيفة (مثل GPT-4o mini أو Gemini Flash) تتراوح تكلفة المليون رمز من مدخلاتها بين 0.07 و0.25 دولار.

غير أن هذا الانخفاض في سعر «الرمز المنفرد» لم يؤدِّ إلى خفض فاتورة الاستخدام، بل رافقه انفجار هائل في «حجم الرموز» المطلوبة لإنجاز المهمة الواحدة، فيما يُعرف بـ «مفارقة الرموز».

فعلى سبيل المثال، كان الاستعلام المحادثي التقليدي عام 2023 يستهلك في المتوسط نحو 700 رمز (بين مدخلات ومخرجات)، بكلفة لا تتجاوز كسوراً من السنت الواحد. ولكن مع الانتقال إلى المهام المتقدمة عام 2026، أصبحت المهمة الواحدة تستهلك ما بين مئات آلاف إلى ملايين الرموز.

| مستوى النموذج | نماذج ممثلة | كلفة المدخلات (لكل مليون رمز) | كلفة المخرجات والتفكير (لكل مليون رمز) | نطاق الاستخدام الرئيسي | | :— | :— | :— | :— | :— | | المستوى المنخفض (SLM) | GPT-4o mini, Gemini Flash | $0.07 – $0.25 | $0.30 – $2.00 | الاستعلامات المباشرة، التلخيص السريع، البحث البسيط | | المستوى القياسي (Flagship) | Claude Sonnet, GPT-5.2 | $1.75 – $3.00 | $14.00 – $25.00 | كتابة النصوص المعقدة، تحليل البيانات، البرمجة اليومية | | مستوى التفكير الفائق (Reasoning) | o1-pro, Claude Opus Extended | $100.00 – $150.00 | $600.00 | البراهين الرياضية، الاكتشاف القانوني، البحث العلمي العميق |

هذا التباين الحاد يُظهر أن كلفة الوصول إلى الاستنتاج المعقد أصبحت تزيد بمئات الأضعاف عن مجرد استرجاع المعلومات البسيطة.

«رموز التفكير» الباطنية: الكلفة الخفية وراء إجابات الذكاء الاصطناعي

جاء التحول الأكبر في اقتصاديات الرموز مع ظهور «نماذج التفكير الاستنتاجي» (Reasoning Models) مثل سلسلة OpenAI o1 وo3 ونماذج التفكير الممتد في Claude وGemini Deep Think. هذه النماذج لا تقفز إلى توليد الإجابة فور استلام السؤال، بل تتوقف لتُجري سلاسل منطقية باطنية (Chain-of-Thought) لتفكيك المسألة، واختبار الفرضيات، وتصحيح الأخطاء قبل إظهار كلمة واحدة للمستخدم.

المشكلة التمويلية في هذه النماذج تكمن في طريقة حساب «رموز التفكير الباطنية»:

• عندما يطرح مستخدم مسألة قانونية أو برمجية معقدة، قد تظهر له إجابة نهائية مختصرة لا تتجاوز 200 كلمة (نحو 260 رمزاً مرئياً).
• ولكن للوصول إلى هذه الإجابة، يقضي النموذج آلاف الخطوات الباطنية التي تولد ما بين 10,000 إلى 50,000 «رمز تفكير خفي».
• تحسب شركات الذكاء الاصطناعي هذه الرموز الخفية وتُفلترها مالياً بسعر رموز المخرجات الأعلى تكلفة.

نتيجة لذلك، أصبحت الاستعلامات التي تبدو بسيطة في واجهة المستخدم تُكلف ما بين 0.75 دولار إلى أكثر من 3.00 دولارات للاستعلام الواحد، بدلاً من أجزاء من السنت كما كان في السابق. وفي بيئات اختبار المقاييس العلمية، أشارت أبحاث نشرتها منصة DeepLearning.AI إلى أن اختبار مجموعة من نماذج التفكير المتقدمة أصبح يكلف أكثر من 5,200 دولار للمهمة التقييمية الواحدة، مقارنة بـ 2,400 دولار لاختبار عشرات النماذج التقليدية سابقاً.

الفخ التراكمي لـ «الوكلاء الذاتيين»: كيف تتضاعف الفاتورة هندسياً؟

إذا كانت نماذج التفكير قد ضاعفت حجم الرموز عبر العمليات الباطنية، فإن «الوكلاء الذاتيين» (Agentic AI) قفزوا بالاستهلاك إلى مستويات جديدة كلياً عبر طبيعة عملهم التكرارية.

لا يعمل الوكيل الذاتي عبر سؤال وجواب واحد، بل يدخل في حلقة تنفيذية مستقلة:

1. قراءة السياق: يستوعب الوكيل المفهوم والنصوص الأولية.
2. التفكير والتخطيط: يحدد الخطوات والأدوات المطلوبة.
3. استدعاء الأداة: ينفذ الأمر (كأن يكتب كوداً برمجياً أو يجري بحثاً في قاعدة بيانات).
4. ملاحظة النتيجة والخطأ: يقرأ النموذج المخرجات أو أخطاء التشغيل.
5. إعادة المحاولة: يرسل السياق كاملاً مرة أخرى لمعالجة الخلل.

وهنا يظهر ما يُعرف بـ «التراكم الهندسي للسياق» (Quadrating Context Accumulation). ففي الخطوة الأولى، يرسل النظام 10,000 رمز. وفي الخطوة الثانية، يُعيد إرسال الـ 10,000 رمز الأولى مضافاً إليها نتيجة الخطوة الأولى (15,000 رمز). وبحلول الخطوة العشرين، يُعيد الوكيل إرسال أكثر من 100,000 رمز في كل دورة تنفيذية واحدة.

تظهر الأبحاث الاقتصادية الصادرة في دراسة ResearchGate حول اقتصاديات الرموز أن هذه الحلقات تستهلك ما بين 33% إلى 60% من إجمالي الرموز في المهام البرمجية والقانونية فقط لإدارة السياق والتصحيح.

كما تشير التقديرات المنشورة عبر CloudZero إلى أن تشغيل وكيل ذاتي منفرد يستهلك نحو 4 أضعاف الرموز مقارنة بالمحادثة التقليدية، بينما ترتفع هذه النسبة في الأنظمة متعددة الوكلاء (Multi-agent orchestration) إلى ما بين 15 و30 ضعفاً. وهذا يعني أن مهمة برمجية مستقلة واحدة قد تتطلب معالجة 1.5 مليون رمز، برسم مالي يتراوح بين 10 دولارات و35 دولاراً للمهمة الواحدة.

التسلسل الهرمي الجديد: الفجوة بين «أثرياء الرموز» والجمهور العام

أدت هذه الارتفاعات الحادة في الاستهلاك إلى تخلّي الشركات المزودة للذكاء الاصطناعي عن فكرة الإتاحة الكاملة ضمن الاشتراكات المقطوعة. وأصبح المشهد يتسم بفرز واضح للمستخدمين والقدرات:

1. الطبقة العامة (محدودة الرموز): وتعتمد على الاشتراكات العادية (20 دولارات شهرياً) أو الواجهات المجانية. وتواجه هذه الطبقة قيوداً صارمة في الاستخدام، وسقوفاً متدنية لعدد الرسائل المتاحة يومياً على نماذج التفكير، مع حظر كامل لاستخدام الوكلاء الذاتيين ومقابس البرمجة المستقلة (SDKs) التي تتطلب ربطاً بحسابات مترية.
2. الطبقة المؤسسية (أثرياء الرموز): وتضم الشركات الكبرى والمؤسسات البحثية والجهات التمويلية ذات الميزانيات المفتوحة على واجهات الاستخدام المترية (APIs). وتستطيع هذه الجهات إنفاق ملايين الدولارات لشراء مليارات الرموز شهرياً، مما يمنحها قدرة حصريّة على تشغيل وكلاء يعملون على مدار الساعة لحل المشكلات المعقدة والابتكار السريع.

تتضح هذه الفجوة بجلاء عند فحص البيانات المالية الصادرة عن منصة Ramp لبيانات إنفاق الشركات، والتي أظهرت أن وسيط الإنفاق الشهري للشركات المتوسطة على رموز الذكاء الاصطناعي بلغ 2,246 دولاراً، في حين ارتفع متوسط الإنفاق الفعلي للشركات الكبرى إلى 140,842 دولاراً شهرياً.

هذا الفارق الهائل (نحو 62 ضعفاً بين الوسيط والمتوسط) يُعزى إلى تركز الاستخدام العالي لدى حفنٍة من المؤسسات التي تمتلك ميزانيات تسمح بتشغيل وكلاء الذكاء الاصطناعي بأحجام استهلاك فلكية. وتُظهر التقارير الصادرة عن ___SAFE_LINK_0_ و_SAFE_LINK_1___ أن شركة مثل غوغل تعالج أكثر من 1.3 كوادريليون رمز شهرياً، بينما تستهلك المنصات الداخلية لشركة أكسنتشر نحو 8.7 تريليون رمز أسبوعياً.

وقد أحدث هذا الضغط أزمة حقيقية لدى مستخدمي الاشتراكات الفردية؛ إذ امتلأت المنتديات التقنية—مثل النقاشات الموثقة على مجتمع Reddit لـ Claude—بشكاوى المستخدمين من القيود السريعة التي تفرضها الشركات على الحسابات الفردية بمجرد تشغيل مهام مكثفة، مما دفع المزودين إلى حظر بيئات التطوير الوكيلة عن الاشتراكات الثابتة وإجبار المستهلكين على التحول إلى الدفع بحسب الاستهلاك.

التوازنات المقابلة: هل حلول المصدر المفتوح وهندسة التوفير قادرة على الموازنة؟

رغم المعطيات السابقة، فإن القول بأن الذكاء الاصطناعي قد أغلق باب المعرفة بالكامل يُعد حكماً غير دقيق ويستوجب توضيح الحدود الفاصلة:

أولاً، بالنسبة للمعرفة الأساسية، واسترجاع الحقائق المباشرة، والمساعدة في صياغة النصوص والترجمة، ما زالت نماذج الذكاء الاصطناعي تمثل الأداة الأرخص والأكثر إتاحة في التاريخ البشري، وهي تتيح مجاناً مهارات كانت تتطلب مبالغ طائلة قبل أعوام قليلة.

ثانياً، تشهد الساحة التقنية تطور نماذج مفتوحة المصدر (أو مفتوحة الوزن) مثل نماذج Llama وDeepSeek وQwen، والتي تتيح للمؤسسات الصغيرة والجامعات تشغيل نماذج ذكية محلياً دون دفع رسوم تراخيص للرموز لشركات احتكارية. غير أن هذه الحلول لا تلغي كلفة الحوسبة كلياً؛ إذ تظل المجموعات البرمجية بحاجة إلى استئجار أو شراء وحدات معالجة الرسوميات (GPU)، والتي تتراوح تكلفة استئجارها السحابي بين 1.00 و3.00 دولارات لكل ساعة تشغيل، ما يعيد المعضلة المادية إلى الميزانيات التشغيلية.

ثالثاً، طور مهندسو البرمجيات تقنيات خافضة للتكاليف، من أبرزها:

• تخزين السياق المؤقت (Prompt Caching): وهي تقنية تسمح بنسخ النصوص والتعليمات المكررة والاحتفاظ بها في ذاكرة المعالج، ما يوفر بين 30% و80% من كلفة رموز المدخلات.
• التوجيه الذكي للنماذج (Model Routing): حيث تقوم الأنظمة البرمجية بتحويل الاستعلامات المباشرة إلى نماذج صغيرة ورخيصة (SLMs)، ولا تُحيل إلى «نماذج التفكير الباثولوجية» الغالية إلا المسائل البرمجية والهندسية المستعصية.

ومع ذلك، تظهر التحليلات الصادرة عن ___SAFE_LINK_0_ ومقال _SAFE_LINK_1___ أن الفجوة الحقيقية لم تعد في الحصول على «المعرفة السطحية»، بل في امتلاك «قدرة التنفيذ والتحليل العميق».

فبينما يستمر طالب في منطقة نامية في استخدام نموذج محادثة بسيط محدود الإمكانيات، يستطيع باحث في مؤسسة مرموقة تشغيل وكيل ذاتي يقرأ آلاف الأوراق العلمية ويصمم تجارب برمجية متكاملة في ليلة واحدة، طالما أن مؤسسته قادرة على تسديد فاتورة الرموز.

إن الذكاء الاصطناعي لم يسحب بساط المعرفة من الجميع، ولكنه حول قدراته الاستثنائية من «خدمة ذات رسم ثابت» إلى «سلعة مترية» تخضع لقوانين العرض والطلب وحجم الإنفاق الحوسبي، ليعيد كتابة معادلة القوة الرقمية بناءً على القدرة المالية على دفع ثمن الرموز.