Vad DeepSeek kan lära oss om AI-kostnad och effektivitet

Med sin söta vallogotyp kunde den nyliga lanseringen av DeepSeek ha blivit något mer än bara en ChatGPT-kopia. Det som gjorde den nyhetsvärdig – och som fick konkurrenternas aktier att dyka – var hur lite det kostade att skapa. Det kastade i princip en stor sten i den amerikanska uppfattningen om den investering som krävs för att träna en högfungerande Large Language Model (LLM).

DeepSeek uppges ha spenderat bara 6 miljoner dollar för att träna sin AI-modell. Jämför det med de 80-100 miljoner dollar som OpenAI rapporterades ha spenderat på Chat GPT-4 eller de 1 miljard dollar de har avsatt för GPT-5. DeepSeek ifrågasätter den nivån av investering och lämnar stora spelare som Nvidia (NVDA ) – vars aktievärde föll med 600 miljarder dollar på en dag – TSMC och Microsoft (MSFT ) oroliga för AI:s långsiktiga ekonomiska hållbarhet. Om det är möjligt att träna AI-modeller för betydligt mindre än vad som tidigare antagits, vad betyder detta för AI-utgifterna överlag?

Trots att störningen från DeepSeek har lett till viktiga diskussioner, verkar vissa viktiga punkter ha gått förlorade i rabaldret. Men det som nyheten väcker är en större fokus på hur mycket innovation kostar och den möjliga ekonomiska påverkan av AI. Här är tre viktiga insikter som uppstår från denna nyhet:

1. DeepSeeks 6 miljoner dollar i pris är vilseledande

Företag måste förstå den totala ägandekostnaden (TCO) för sin infrastruktur. Även om DeepSeeks 6 miljoner dollar i pris har nämnts mycket, är det troligen bara kostnaden för dess förträning och inte hela investeringen. Den totala kostnaden – inte bara för att köra, utan för att bygga och träna DeepSeek – är troligen mycket högre. Branschanalytikern SemiAnalysis avslöjade att företaget bakom DeepSeek spenderade 1,6 miljarder dollar på hårdvara för att göra sin LLM till verklighet. Så den troliga kostnaden ligger någonstans mittemellan.

Oavsett den verkliga kostnaden är, har DeepSeeks framväxt skapat en fokus på kostnadseffektiv innovation som kan vara transformationell. Innovation är ofta driven av begränsningar, och DeepSeeks framgång understryker hur innovation kan ske när ingenjörsteam optimerar sina resurser inför verkliga begränsningar.

2. Inference är vad som gör AI värdefull, inte träning

Det är viktigt att uppmärksamma hur mycket AI-modellträning kostar, men träning representerar en liten del av den totala kostnaden för att bygga och köra en AI-modell. Inference — de många sätt AI förändrar hur människor arbetar, interagerar och lever — är där AI blir riktigt värdefull.

Detta väcker Jevons paradox, en ekonomisk teori som föreslår att när tekniska framsteg gör användningen av en resurs mer effektiv, kan den totala konsumtionen av den resursen faktiskt öka. Med andra ord, när träningkostnaderna minskar, kommer inference och agenskonsumtion att öka, och den totala utgiften kommer att följa efter.

AI-effektivitet kan faktiskt leda till en stigande trend av AI-utgifter, som bör lyfta alla båtar, inte bara kinesiska. Om de rider på effektivitetsvågen, kommer företag som OpenAI och Nvidia också att dra nytta av det.

3. Vad som förblir sant är att enhetsekonomi är viktigast

Att göra AI mer effektiv är inte bara att sänka kostnaderna; det handlar också om att optimera enhetsekonomi. The Motley Fool förutspår att detta år kommer att vara året för AI-effektivitet. Om de har rätt, bör företag uppmärksamma att sänka sina AI-träningskostnader samt sina AI-konsumtionskostnader.

Organisationer som bygger eller använder AI behöver veta sin enhetsekonomi snarare än att peka ut imponerande siffror som DeepSeeks 6 miljoner dollar i träningskostnad. Riktig effektivitet innebär att allokerar alla kostnader, spåra AI-driven efterfrågan och hålla konstant koll på kostnad-till-värde.

Molnenhetsekonomi (CUE) handlar om att mäta och maximera vinst driven av molnet. CUE jämför dina molnkostnader med intäkts- och efterfrågemått, vilket visar hur effektiv din molnutgifter är, hur det har förändrats över tid och (om du har rätt plattform) de bästa sätten att öka den effektiviteten.

Att förstå CUE har ännu större nytta i ett AI-sammanhang, med tanke på att det är inneboende dyrare att konsumera än traditionella molntjänster som säljs av hyperscalers. Företag som bygger agensapplikationer kunde beräkna sin kostnad per transaktion (t.ex. kostnad per faktura, kostnad per leverans, kostnad per handel etc.) och använda detta för att bedöma avkastningen på investeringen i specifika AI-drivna tjänster, produkter och funktioner. När AI-utgifterna ökar, kommer företag att tvingas göra detta; inget företag kan kasta obegränsade pengar på experimentell innovation för alltid. Till slut måste det ha ett affärsmässigt syfte.

Mot större effektivitet

Oavsett hur meningsfull den 6 miljoner dollar i siffran är, kan DeepSeek ha skapat ett vattendelare-ögonblick som väcker tech-industrin till den oundvikliga betydelsen av effektivitet. Låt oss hoppas att detta öppnar flodportarna för kostnadseffektiv träning, inference och agensapplikationer som låser upp det verkliga potentialen och ROI för AI.