Μοντέλα και πλατφόρμες AI
Τα δεδομένα της Ramp δείχνουν ότι η χρήση tokens τεχνητής νοημοσύνης από τις επιχειρήσεις αυξάνεται ταχύτερα από τις δαπάνες

Το TechCrunch ανέφερε στις 6 Νοεμβρίου 2026 ότι τα δεδομένα της Ramp δείχνουν πως οι δαπάνες για tokens τεχνητής νοημοσύνης αυξήθηκαν μόλις κατά 1,5% τον Αύγουστο και τον Σεπτέμβριο του 2026, έναντι μηνιαίας αύξησης 42% τον Ιούλιο, παρότι ο όγκος των tokens συνέχισε να αυξάνεται. Αυτή η απόκλιση θέτει υπό αμφισβήτηση μια βασική παραδοχή: η εντατικότερη χρήση της τεχνητής νοημοσύνης από τις επιχειρήσεις δεν οδηγεί αυτομάτως σε αντίστοιχη αύξηση των εσόδων των εταιρειών που αναπτύσσουν μοντέλα.
Ο πιο πρόσφατος Δείκτης τεχνητής νοημοσύνης της Ramp καταγράφει ανάκαμψη τον Οκτώβριο, η οποία όμως δεν αρκεί για να καλύψει τη διαφορά. Οι συνολικές δαπάνες για tokens αυξήθηκαν κατά 8,9% την εβδομάδα που έληξε στις 23 Οκτωβρίου 2026, σε σύγκριση με την αντίστοιχη εβδομάδα που έληξε στις 25 Σεπτεμβρίου 2026, ενώ ο όγκος των tokens αυξήθηκε κατά 37,1%. Επομένως, η κατανάλωση αυξάνεται πολύ ταχύτερα από τις δαπάνες, ακόμη και μετά την επιστροφή τους σε θετικούς ρυθμούς ανάπτυξης.
Πτώση τιμών και συγκεντρωμένη ζήτηση
Από τη μία εβδομάδα στην άλλη, η σταθμισμένη μέση τιμή ανά εκατομμύριο tokens για τις υπηρεσίες των OpenAI και Anthropic μειώθηκε από 0,76 $ σε 0,56 $. Ο δείκτης καταγράφει μείωση 26,8%, παράλληλα με πτώσεις 42,4% για την OpenAI και 15,7% για την Anthropic. Οι μειώσεις αυτές βοηθούν να εξηγηθεί γιατί μια σημαντική αύξηση στη χρήση μπορεί να οδηγήσει σε πολύ μικρότερη αύξηση των δαπανών.
Οι δαπάνες είναι επίσης αρκετά συγκεντρωμένες, ώστε μια μικρή ομάδα πελατών να μπορεί να επηρεάσει τη γενικότερη τάση. Σύμφωνα με την ανάλυση της Ramp της 14ης Οκτωβρίου 2026, το 1% των εταιρειών αντιστοιχούσε στο 80% των δαπανών για τις υπηρεσίες της OpenAI και της Anthropic, ενώ η ανάλυση κατέγραψε δύο συνεχόμενους μήνες σχεδόν αμετάβλητων δαπανών για tokens. Τον Σεπτέμβριο, η διάμεση μηνιαία δαπάνη για τεχνητή νοημοσύνη ανά εργαζόμενο ήταν 9.568 $ στο κορυφαίο 1% των εταιρειών που πληρώνουν για υπηρεσίες τεχνητής νοημοσύνης, έναντι 813 $ στο κορυφαίο 10% και 15,70 $ στη διάμεση επιχείρηση.
Ωστόσο, η υιοθέτηση υπηρεσιών επί πληρωμή διευρύνεται: ο δείκτης αναφέρει ότι τον Σεπτέμβριο έφτασε το 55,9% των επιχειρήσεων της Ramp, με το 43,8% να πληρώνει την Anthropic και το 40,6% την OpenAI. Το μερίδιο της Anthropic στις δαπάνες για tokens αυξήθηκε από 51,3% την εβδομάδα που έληξε στις 25 Σεπτεμβρίου σε 60,5% την εβδομάδα που έληξε στις 23 Οκτωβρίου, ενώ το μερίδιο της OpenAI μειώθηκε από 44,2% σε 35,1%. Ένας πάροχος μπορεί να αυξήσει το μερίδιό του σε μια αγορά δαπανών που επηρεάζεται από τη βελτίωση της αποδοτικότητας των πελατών. Επομένως, η μεταβολή του μεριδίου από μόνη της δεν απαντά στο ερώτημα αν αυξάνονται συνολικά οι δαπάνες.
Οι μεγάλοι πελάτες συγκρατούν τις δαπάνες
Ο επικεφαλής οικονομολόγος της Ramp, Ara Kharazian, δήλωσε στο TechCrunch ότι η επιβράδυνση δεν οφείλεται σε πρόβλημα ζήτησης. Αντίθετα, επισήμανε τις μειώσεις στις τιμές των μοντέλων και τον ανταγωνισμό, που έχουν δημιουργήσει μια αγορά υπέρ των αγοραστών. Οι προχωρημένοι χρήστες γίνονται επίσης πιο πειθαρχημένοι: ορίζουν προεπιλεγμένες ρυθμίσεις ώστε τα ακριβά μοντέλα να μην χρησιμοποιούνται σε εργασίες μεγάλης διάρκειας, επιβάλλουν όρια δαπανών στους εργαζομένους και χρησιμοποιούν δρομολογητές για να μεταφέρουν εργασίες από τυπικά ή ελαφριά μοντέλα σε φθηνότερα ελαφριά μοντέλα.
Κατά τον Kharazian, η ανάπτυξη στις διάμεσες επιχειρήσεις και σε εκείνες που ανήκουν στο ανώτερο δεκατημόριο δεν επαρκεί για να αντισταθμίσει τη μείωση των δαπανών από τους μεγαλύτερους χρήστες. Αναρωτήθηκε αν τα ιατρεία ή οι αντιπροσωπείες αυτοκινήτων θα πλησιάσουν την ένταση δαπανών της κορυφαίας ομάδας, ακόμη και με τη ζήτηση για πράκτορες προγραμματισμού στους κλάδους του λογισμικού και των χρηματοοικονομικών. Για τους αγοραστές, το αποτέλεσμα είναι μεγαλύτερη χρήση τεχνητής νοημοσύνης με λιγότερα χρήματα· για τις εταιρείες μοντέλων, η σχέση ανάμεσα στην κατανάλωση και τα έσοδα γίνεται πιο περίπλοκη.
Τα όρια του συνόλου δεδομένων και η επόμενη δοκιμασία για την ανάπτυξη
Ο δείκτης βασίζεται σε περισσότερες από 85.000 αμερικανικές επιχειρήσεις και σε εταιρικές δαπάνες δισεκατομμυρίων δολαρίων μέσω της πλατφόρμας εταιρικών καρτών και πληρωμής λογαριασμών της Ramp. Καταγράφει την υιοθέτηση βάσει παρατηρημένων συναλλαγών επί πληρωμή και όχι ερευνών. Η Ramp αναφέρει ότι αυτή η προσέγγιση πιθανότατα υποεκτιμά τη δραστηριότητα, επειδή τα δωρεάν εργαλεία δεν συνεπάγονται πληρωμές και οι εργαζόμενοι μπορεί να χρησιμοποιούν προσωπικούς λογαριασμούς. Οι μετρήσεις για τα tokens καλύπτουν ένα μικρότερο υποσύνολο χρηστών του Ramp Token Spend Management, για τους οποίους υπάρχουν συνδεδεμένα δεδομένα χρήσης και χρέωσης από παρόχους. Το υποσύνολο αυτό δεν είναι αντιπροσωπευτικό του συνολικού όγκου δαπανών της Ramp για τεχνητή νοημοσύνη, αν και τα αποτελέσματά του ακολουθούν παρόμοια κατεύθυνση.
Τα στοιχεία για τη συγκέντρωση των δαπανών συνοδεύονται επίσης από μια επιφύλαξη. Η ανάλυση της Ramp για τον Οκτώβριο αναφέρει ότι το κορυφαίο 1% αποτελεί μικρή ομάδα, της οποίας οι εκτιμήσεις δαπανών παρουσιάζουν μεγαλύτερες διακυμάνσεις από εκείνες της διάμεσης επιχείρησης και του κορυφαίου 10%, καθώς και ότι οι εκτιμήσεις αναθεωρήθηκαν προς τα πάνω μετά την προσθήκη νέων προμηθευτών τεχνητής νοημοσύνης. Αυτό καθιστά λιγότερο βέβαιο το ακριβές μέγεθος της κορυφαίας ομάδας, αλλά δεν αλλάζει τις ξεχωριστές μετρήσεις του όγκου και των δαπανών για tokens στις οποίες βασίζεται η κεντρική διαπίστωση της απόκλισης.
Ο Kharazian δήλωσε ότι μελλοντικά προϊόντα θα μπορούσαν να πυροδοτήσουν μια νέα φάση ανάπτυξης, αλλά τα προηγμένα εμπορικά προϊόντα που είναι διαθέσιμα σήμερα δείχνουν ότι οι δαπάνες επιβραδύνονται. Αμφιβάλλει ότι οι προσωπικοί πράκτορες θα επιτύχουν την ίδια οικονομική παραγωγικότητα με τους πράκτορες προγραμματισμού. Το ανοιχτό ερώτημα είναι αν κάποια άλλη εμπορικά πολύτιμη εφαρμογή μπορεί να διευρύνει αρκετά γρήγορα τη ζήτηση πέρα από τους σημερινούς, συγκεντρωμένους αγοραστές, ώστε να υπερκεράσει τις πτώσεις των τιμών και την καλύτερη διαχείριση του κόστους, αντί απλώς να προσφέρει περισσότερα tokens με χαμηλότερο κόστος.












