Giá token AI giảm mạnh: phép thử lợi nhuận cho hạ tầng AI

AI suy luận đang rẻ đi rất nhanh. Đây có thể là tin tốt cho người dùng và doanh nghiệp muốn đưa AI vào sản phẩm, quy trình làm việc. Nhưng với nhà đầu tư đang đặt cược vào chip, điện toán đám mây và trung tâm dữ liệu, xu hướng này đặt ra một câu hỏi khó hơn: lượng sử dụng có tăng đủ nhanh để bù cho giá bán trên mỗi đơn vị AI đang giảm không?

Đó là trọng tâm trong cảnh báo của Goldman Sachs. Theo các báo cáo về ghi chú của Goldman, Chỉ số Chi tiêu Token LLM của Silicon Data đã xuống 0,97 USD cho mỗi triệu token sau khi giảm 29% riêng trong tháng 8. Một chỉ số giá khác theo dõi các mô hình tiên phong cũng cho thấy mức giá thấp hơn 84% so với mốc tháng 3/2023. 245

Nếu khối lượng sử dụng không tăng nhanh hơn đà giảm giá và các cải thiện về hiệu suất, ngành có thể xây quá nhiều năng lực tính toán đắt đỏ để phục vụ các tác vụ suy luận có doanh thu thấp hơn. Rủi ro này lan dọc toàn bộ chuỗi hạ tầng AI.

Bài toán cốt lõi: sản lượng phải tăng nhanh hơn giảm phát giá

Token rẻ hơn tự thân không phải tín hiệu bi quan. Giá thấp có thể giúp AI khả thi trong nhiều ứng dụng hơn, khuyến khích thử nghiệm và mở rộng tổng nhu cầu. Tuy nhiên, phía cung phải đối diện với câu hỏi liệu khối lượng token trả phí—cộng với hiệu quả vận hành được cải thiện—có thể tăng nhanh hơn mức doanh thu giảm trên mỗi token hay không.

Mối lo của Goldman, theo các báo cáo được dẫn lại, là cạnh tranh về giá giữa các mô hình có thể khiến khả năng kiếm tiền trên từng token khó bền vững. Nếu mức tiêu thụ tính toán không tăng đủ mạnh, kết quả cuối cùng có thể là dư thừa hạ tầng. 12

Cần tách bạch ba ý sau:

• AI rẻ hơn có lợi cho người dùng, vì mở đường cho các ứng dụng hữu ích với chi phí thấp hơn.
• AI rẻ hơn có thể gây áp lực cho chủ sở hữu hạ tầng, nếu họ đã đầu tư dựa trên giả định năng lực tính toán khan hiếm và có giá cao.
• Kết quả phụ thuộc vào độ co giãn của nhu cầu: giảm giá có tạo thêm đủ lượng sử dụng để duy trì, hoặc tăng, doanh thu và nhu cầu tính toán tổng thể hay không.

Vì sao quy mô chi tiêu khiến rủi ro này đáng chú ý

Cảnh báo xuất hiện trong bối cảnh kế hoạch mở rộng hạ tầng rất lớn. Kịch bản cơ sở của Goldman Sachs ước tính tổng vốn đầu tư AI vào năng lực tính toán, trung tâm dữ liệu và điện trong giai đoạn 2026–2031 vào khoảng 7.600 tỷ USD. Mô hình này hàm ý chi tiêu hằng năm tăng từ khoảng 765 tỷ USD năm 2026 lên 1.600 tỷ USD năm 2031; Goldman cũng nhấn mạnh đây là các ước tính phụ thuộc mạnh vào giả định, không phải điều chắc chắn. 9

Phần lớn khoản chi dự kiến sẽ đi vào các tài sản có vòng đời dài: bộ tăng tốc AI, máy chủ, mạng, cơ sở vật chất và hạ tầng điện. Những tài sản này cần khối lượng công việc bền vững và mức sinh lời hợp lý trong thời gian dài.

Hãng chip: đơn hàng chưa đủ, phải có mức sử dụng thực

Với các nhà cung cấp bán dẫn, cú giảm tốc do giá chưa chắc lập tức biến thành sự sụt đổ của nhu cầu. Khách hàng vẫn có thể tiếp tục xây năng lực để phát triển sản phẩm AI mới hoặc bảo đảm nguồn cung.

Rủi ro rõ hơn khi năng lực đã triển khai vượt quá nhu cầu có thể sinh lời. Khi đó, khách hàng có thể giảm tốc độ mua bộ tăng tốc và máy chủ mới, nhạy cảm hơn với giá, hoặc đòi hỏi hiệu năng trên mỗi đồng chi phí tốt hơn. Những doanh nghiệp sở hữu phần cứng khác biệt, hệ sinh thái phần mềm mạnh hoặc sản phẩm suy luận hiệu quả hơn có thể được bảo vệ tốt hơn các nhà cung cấp năng lực tương đồng.

Vì vậy, câu hỏi thực tế không chỉ là thiết bị có được giao đi hay không, mà là năng lực đó có được khai thác liên tục cho các khối lượng công việc tạo doanh thu hay không.

Trung tâm dữ liệu đứng trước bài kiểm tra về tỷ lệ lấp đầy

Dự án trung tâm dữ liệu đòi hỏi cam kết lớn, kéo dài về đất đai, điện và cơ sở vật chất. Nếu suy luận mô hình rẻ hơn hoặc hiệu quả hơn, khách hàng có thể cần ít hạ tầng hơn để tạo ra cùng một đầu ra ứng dụng. Điều này có thể gây áp lực lên tỷ lệ lấp đầy, kinh tế hợp đồng thuê và lợi suất các dự án được xây dựng trên giả định nguồn cung luôn khan hiếm.

Điều đó không đồng nghĩa nhu cầu trung tâm dữ liệu sẽ biến mất. Khả năng tiếp cận nguồn điện và các yêu cầu kỹ thuật của triển khai AI vẫn có thể hạn chế nguồn cung. Tuy vậy, tình trạng thiếu công suất ở một địa điểm hoặc thị trường điện cụ thể vẫn có thể song hành với hiệu quả kinh tế yếu hơn ở nơi khác. Nhà đầu tư cần phân biệt sự khan hiếm vật lý với bằng chứng rằng khách hàng thực sự đang dùng công suất một cách có lợi nhuận, gia hạn hoặc mở rộng cam kết.

Đám mây và đơn vị lưu trữ mô hình phải bù giá bằng sản lượng lẫn giá trị

Nền tảng đám mây và đơn vị cung cấp mô hình có thể hưởng lợi khi giá suy luận thấp hơn giúp thu hút thêm nhà phát triển và khối lượng công việc doanh nghiệp. Song, mỗi đơn vị sử dụng lại mang về ít doanh thu hơn.

Để bảo vệ lợi nhuận gộp, họ cần kết hợp một hoặc nhiều yếu tố:

1. Khối lượng token cao hơn đáng kể từ hoạt động vận hành lặp lại;
2. Nâng hiệu suất để chi phí giảm nhanh hơn giá bán; và
3. Dịch vụ giá trị cao xoay quanh mô hình, như triển khai, bảo mật, tích hợp dữ liệu và công cụ quy trình công việc.

Cạnh tranh giá giữa các mô hình độc quyền là một phần trung tâm của rủi ro được đề cập trong các báo cáo liên quan đến Goldman. 12 Điều quan trọng không chỉ là giá token niêm yết, mà là tương quan giữa giá khách hàng trả, chi phí nhà cung cấp và tổng lượng sử dụng có trả phí.

AI tác tử là đối trọng tiềm năng

Luận điểm tích cực nằm ở AI tác tử—các hệ thống có thể thực hiện nhiệm vụ nhiều bước và có thể tiêu thụ nhiều token hơn đáng kể so với một lần hỏi đáp chatbot đơn lẻ. Goldman Sachs Research dự báo việc người dùng và doanh nghiệp áp dụng AI tác tử có thể đưa mức tiêu thụ token hằng tháng tăng 24 lần trong giai đoạn 2026–2030, đạt khoảng 120 triệu tỷ token mỗi tháng. 7

Dự báo này cho thấy giá token giảm không đồng nghĩa nhu cầu tính toán sẽ giảm. Nếu các tác tử chuyển từ trình diễn sang xử lý thường xuyên những nhiệm vụ có giá trị, tổng mức sử dụng có thể tăng đủ nhanh để hỗ trợ làn sóng đầu tư hạ tầng.

Tuy nhiên, đó vẫn là dự báo, không phải bảo đảm. Luận điểm đầu tư vào hạ tầng phụ thuộc vào việc tác tử tạo ra các khối lượng công việc lặp lại mà người dùng hoặc doanh nghiệp sẵn sàng trả tiền—chứ không chỉ là số lượng lớn truy vấn thử nghiệm giá rẻ.

Chỉ số cần nhìn thay vì chỉ nhìn giá token

Để đánh giá rủi ro dư thừa năng lực tính toán, nhà đầu tư có thể theo dõi các chỉ dấu liên kết với nhau:

• Tăng trưởng doanh thu AI so với mức giảm giá token: Tổng doanh thu có tăng khi đơn giá suy giảm không?
• Đơn hàng bộ tăng tốc, máy chủ so với triển khai thực tế: Công suất mua vào có thực sự được đưa vào vận hành không?
• Tỷ lệ sử dụng trung tâm dữ liệu, công suất đã ký hợp đồng và gia hạn: Cam kết nhu cầu có còn vững sau khi cơ sở đi vào hoạt động không?
• Biên lợi nhuận gộp của nền tảng đám mây: Hiệu suất và dịch vụ giá trị cao có bù được giá suy luận thấp hơn không?
• Mức độ đưa AI tác tử vào sản xuất: Tác tử có tạo ra quy trình thiết yếu, lặp lại thay vì các thử nghiệm đơn lẻ không?
• Khả năng có điện: Đây là ràng buộc lâu dài đối với công suất hữu ích, hay chỉ là nút thắt đi trước nhu cầu?

Kết luận

Cảnh báo của Goldman không nói rằng giá token LLM giảm là điều xấu. Suy luận rẻ hơn có thể chính là cơ chế giúp AI được ứng dụng rộng hơn. Rủi ro nằm ở chỗ giảm phát giá và hiệu suất mô hình được cải thiện có thể làm giảm doanh thu cũng như lượng tính toán cần thiết nhanh hơn tốc độ tăng trưởng sử dụng do AI tác tử thúc đẩy.

Với nhà đầu tư hạ tầng AI, câu chuyện vì thế không còn đơn giản là xây thêm công suất. Đó là bài kiểm tra về mức sử dụng và khả năng kiếm tiền. Các doanh nghiệp bền vững hơn có thể là những bên chuyển được token rẻ thành khối lượng công việc giá trị cao, lâu dài, đồng thời giữ lợi thế về chi phí, hiệu năng hoặc chiều sâu dịch vụ. 17