Wat DeepSeek ons kan leren over AI-kosten en -efficiëntie

Met zijn schattige walvishaai-logo had de recente release van DeepSeek wel eens niets meer kunnen zijn dan nog een ChatGPT-kloon. Wat het zo’n nieuwswaardigheid maakte – en wat de aandelen van concurrerende bedrijven liet dalen – was hoe weinig het kostte om te creëren. Het gooide effectief een spaak in het wiel van het Amerikaanse idee over de investering die nodig is om een hoogfunctionerend Large Language Model (LLM) te trainen.

DeepSeek zou naar verluidt slechts $6 miljoen hebben uitgegeven om zijn AI-model te trainen. Vergelijk dat met de $80-$100 miljoen die OpenAI zou hebben uitgegeven aan Chat GPT-4 of de $1 miljard die ze hebben gereserveerd voor GPT-5. DeepSeek roept die investering in twijfel en laat grote spelers als Nvidia (NVDA ) – wiens aandelenwaarde op één dag met $600 miljard daalde – TSMC en Microsoft (MSFT ) bezorgd over de langetermijnfinanciële levensvatbaarheid van AI. Als het mogelijk is om AI-modellen voor aanzienlijk minder te trainen dan eerder aangenomen, wat betekent dit dan voor de totale AI-uitgaven?

Hoewel de verstoring van DeepSeek tot belangrijke discussies heeft geleid, lijken sommige belangrijke punten verloren te gaan in de chaos. Echter, wat het nieuws naar voren brengt, is een grotere focus op hoeveel innovatie kost en de mogelijke economische impact van AI. Hier zijn drie belangrijke inzichten die voortkomen uit dit nieuws:

1. DeepSeek’s $6 Miljoen Prijskaartje is Misleidend

Bedrijven moeten de totale kosten van hun infrastructuur begrijpen. Hoewel DeepSeek’s $6 miljoen prijskaartje veel wordt genoemd, is dat waarschijnlijk alleen de kosten van zijn voorafgaande trainingsrun en niet zijn totale investering. De totale kosten – niet alleen van het runnen, maar van het bouwen en trainen van DeepSeek – zijn waarschijnlijk veel hoger. Het industrieanalistenbureau SemiAnalysis onthulde dat het bedrijf achter DeepSeek $1,6 miljard heeft uitgegeven aan hardware om zijn LLM tot werkelijkheid te maken. Dus de waarschijnlijke kosten liggen ergens in het midden.

Wat de werkelijke kosten ook zijn, de komst van DeepSeek heeft een focus op kostenefficiënte innovatie gecreëerd die transformatief kan zijn. Innovatie wordt vaak aangewakkerd door beperkingen, en het succes van DeepSeek benadrukt de manier waarop innovatie kan plaatsvinden wanneer engineersteams hun middelen optimaliseren in het gezicht van real-worldbeperkingen.

2. Inference is Wat AI Waardevol Maakt, Niet Training

Het is belangrijk om te letten op hoeveel AI-modeltraining kost, maar training vertegenwoordigt slechts een klein deel van de totale kosten om een AI-model te bouwen en te runnen. Inference — de vele manieren waarop AI de manier waarop mensen werken, interactie hebben en leven verandert — is waar AI echt waardevol wordt.

Dit roept de Jevons-paradox op, een economische theorie die suggereert dat naarmate technologische vooruitgang het gebruik van een hulpbron efficiënter maakt, het totale verbruik van die hulpbron mogelijk daadwerkelijk toeneemt. Met andere woorden, naarmate de trainingskosten dalen, zal de inference- en agentic-consumptie toenemen, en de totale uitgaven zullen daaropvolgend toenemen, waardoor alle boten, niet alleen de Chinese, zullen stijgen. Als ze de efficiëntiegolf berijden, zullen bedrijven als OpenAI en Nvidia ook profiteren.

AI-efficiëntie kan in feite leiden tot een stijging van de AI-uitgaven, wat alle boten, niet alleen de Chinese, zal doen stijgen. Als ze de efficiëntiegolf berijden, zullen bedrijven als OpenAI en Nvidia ook profiteren.

3. Wat Echt Waar Blijft is Dat Unit Economie Het Meest Telt

Het maken van AI meer efficiënt gaat niet alleen over het verlagen van de kosten; het gaat ook over het optimaliseren van de unit-economie. The Motley Fool voorspelt dat dit jaar het jaar van AI-efficiëntie zal zijn. Als ze gelijk hebben, moeten bedrijven letten op het verlagen van hun AI-trainingskosten, evenals hun AI-consumptiekosten.

Organisaties die AI bouwen of gebruiken, moeten hun unit-economie kennen, in plaats van indrukwekkende cijfers zoals DeepSeek’s $6 miljoen trainingskosten. Echte efficiëntie houdt in dat alle kosten worden toegewezen, AI-gedreven vraag wordt gevolgd en de kosten-tot-waarde constant in de gaten worden gehouden.

Cloud-unit-economie (CUE) heeft te maken met het meten en maximaliseren van winst die wordt aangedreven door de cloud. CUE vergelijkt uw cloudkosten met omzet- en vraagmetrics, waardoor wordt onthuld hoe efficiënt uw clouduitgaven zijn, hoe dat in de loop van de tijd is veranderd en (als u het juiste platform heeft) de beste manieren om die efficiëntie te verhogen.

Het begrijpen van CUE heeft nog meer nut in een AI-context, aangezien het inherent duurder is om AI te consumeren dan traditionele cloudservices die worden verkocht door de hyperscalers. Bedrijven die agentic-toepassingen bouwen, kunnen hun kost per transactie (bijv. kost per factuur, kost per levering, kost per transactie, enz.) berekenen en gebruiken om de retour op investering van specifieke AI-gedreven diensten, producten en functies te beoordelen. Naarmate de AI-uitgaven toenemen, zullen bedrijven gedwongen worden dit te doen; geen enkel bedrijf kan eindeloos dollars uitgeven aan experimentele innovatie. Uiteindelijk moet het zaken doen.

Naar Grotere Efficiëntie

Hoewel de $6 miljoen figuur betekenisvol is, kan DeepSeek een keerpunt hebben geboden dat de technologie-industrie wakker schudt voor het onvermijdelijke belang van efficiëntie. Laten we hopen dat dit de poorten opent voor kosteneffectieve training, inference en agentic-toepassingen die het ware potentieel en de ROI van AI ontsluiten.