Tiêu đề gốc: "Kỷ nguyên áp dụng AI bước vào giai đoạn kỹ thuật hóa, cơ hội và thách thức mới cho các CSP siêu lớn, hệ thống tiêu chí đánh giá mới cho quá trình thương mại hóa AI"
Tác giả gốc: qinbafrank, nhà phân tích thị trường

Lời biên tập: Tác giả bài viết này là nhà phân tích thị trường @qinbafrank. AI đang chuyển từ "cuộc đua mô hình" sang "cuộc đua thương mại hóa". Khi các doanh nghiệp bắt đầu triển khai AI quy mô lớn, trọng tâm của thị trường cũng đang chuyển từ năng lực mô hình sang chất lượng doanh thu, ROI doanh nghiệp và lợi nhuận vốn. Bài viết này cố gắng xây dựng một khung phân tích thương mại hóa AI hoàn toàn mới. "Lời bạt" được tác giả viết khi chia sẻ bài viết, bao gồm nhiều suy nghĩ mở rộng về báo cáo tài chính gần đây của các gã khổng lồ công nghệ và thương mại hóa AI, có giá trị tham khảo cao, vì vậy ban biên tập đã điều chỉnh nó lên trước nội dung chính để độc giả tham khảo.

Lời bạt

Báo cáo tài chính của các CSP siêu lớn (Microsoft, Amazon, Google, Meta) là bước ngoặt thứ hai của thị trường vào tháng 7. Thị trường lo ngại và quan tâm đến những điểm nào? Tầm quan trọng của chúng được đề cập trong phần sau: hiệu suất của các CSP siêu lớn đã trở thành chỉ số chính để đo lường thương mại hóa AI (trọng số có thể ngang bằng với ARR của các mô hình lớn). Cốt lõi vẫn là xem tốc độ tăng trưởng nhu cầu AI, chất lượng doanh thu và kinh tế đơn vị có theo kịp tốc độ tăng của chi tiêu vốn, khấu hao, chi phí năng lượng và nhu cầu tài trợ hay không? Nói đơn giản, nếu tốc độ hiện thực hóa thương mại hóa AI không theo kịp tốc độ đầu tư vốn và tăng chi phí AI, dòng tiền tự do của các công ty công nghệ lớn cũng sẽ được đưa lên bàn cân. Hãy cùng thảo luận suy nghĩ của tôi.

1. Những lo ngại của thị trường có thể chia thành bốn lớp

1) Kỳ vọng cao và giao dịch đông đúc

Thị trường đã đưa một phần vào giá các khoản Capex liên tục trong nhiều năm tới, nhu cầu chip và tăng trưởng đám mây. Tổng Capex của một số công ty công nghệ lớn vào năm 2026 khoảng 730 tỷ USD. Chỉ cần báo cáo tài chính "tốt nhưng không vượt kỳ vọng", các giao dịch đông đúc trong lĩnh vực bán dẫn, lưu trữ, trung tâm dữ liệu và điện cũng có thể giảm. Nhưng không thể nói đơn giản rằng toàn bộ mảng công nghệ lớn đã được định giá "kỳ vọng hoàn hảo trong nhiều năm". Microsoft, Alphabet, Amazon, Meta còn có các dòng tiền phi AI khổng lồ như Office, quảng cáo tìm kiếm, thương mại điện tử, quảng cáo mạng xã hội. Những công ty dễ bị định giá kỳ vọng nhiều năm nhất thường là các công ty chuỗi cung ứng có doanh thu gắn chặt với Capex AI và có độ co giãn chu kỳ lớn hơn.

Việc giảm đòn bẩy gần đây đã làm giảm đáng kể mức độ kỳ vọng cao và giao dịch đông đúc này.

2) Sự không khớp giữa chi tiêu vốn, khấu hao và dòng tiền tự do

Doanh thu có thể tăng ngay lập tức, nhưng khấu hao từ trung tâm dữ liệu, GPU, nguồn điện và mạng lưới sẽ kéo dài nhiều năm. Thị trường hiện đang chuyển từ câu hỏi "ai chi tiêu nhiều nhất" sang: ai có thể đưa công suất mới vào sử dụng có thu phí nhanh nhất và tạo ra lợi nhuận gộp đủ để bù đắp khấu hao và chi phí vốn. Dòng tiền tự do của Amazon trong quý 1 chuyển sang âm, biên lợi nhuận Cloud của Microsoft chịu áp lực từ đầu tư AI, Alphabet đã cảnh báo rõ ràng về khấu hao và chi phí năng lượng tăng, cho thấy mối lo ngại này không chỉ đơn thuần là cảm xúc.

3) Thị trường đồng thời lo ngại "Capex quá nhiều" và "Capep bị cắt giảm"

Điều này không mâu thuẫn, vì đối tượng chịu ảnh hưởng khác nhau: Đối với cổ đông CSP, việc tăng Capex không mang lại lợi nhuận là tiêu cực; Đối với chuỗi cung ứng chip, lưu trữ, trung tâm dữ liệu và điện, việc cắt giảm Capex là tiêu cực đối với doanh thu.

Giảm Capex nhờ cải thiện hiệu quả, đồng thời duy trì doanh thu và công suất, là tích cực; Cắt giảm Capex do nhu cầu suy yếu, thì tiêu cực cho toàn bộ chuỗi ngành AI.

Vì vậy, điều thị trường thực sự quan tâm không phải là Capex tăng hay giảm tuyệt đối, mà là: Mỗi đô la Capex mới có thể mang lại bao nhiêu lợi nhuận gộp bền vững và dòng tiền tự do

4) Có độ trễ thời gian giữa doanh thu thương mại hóa AI và chu kỳ đầu tư

Nhu cầu AI trên đám mây hiện rất mạnh, một số CSP vẫn bị ràng buộc bởi công suất, nhưng việc doanh nghiệp chuyển đổi quy mô lớn từ thử nghiệm sang sản xuất, gia hạn và mở rộng cần nhiều thời gian hơn. Thị trường lo ngại rằng, sau khi khấu hao và chi phí tài chính xuất hiện trước trong báo cáo tài chính, liệu doanh thu AI của doanh nghiệp có thể theo kịp đủ nhanh hay không. Ngoài ra, lãi suất, giá năng lượng và rủi ro vĩ mô cũng ảnh hưởng đến tài sản công nghệ dài hạn, không thể đổ lỗi mọi sự sụt giảm cho AI. Các nhà đầu tư liên tục dao động giữa hai câu chuyện "cơ sở hạ tầng AI bị định giá thấp" và "đầu tư quá nhiều, quá sớm".

2, Điều gì thực sự có thể xoay chuyển tâm lý thị trường

Chỉ đơn thuần phát hành thêm nhiều mô hình, công bố thêm nhiều số lượng Token, hoặc tăng Capex một lần nữa, là không đủ để xóa tan lo ngại. Thị trường cần thấy một chuỗi bằng chứng liên tục.

Thứ nhất, doanh thu AI có tính rộng rãi, không chỉ dựa vào một số ít khách hàng chiến lược

Phải thấy số lượng khách hàng doanh nghiệp, khối lượng công việc sản xuất, số ghế trả phí, tỷ lệ gia hạn và chi tiêu trên mỗi khách hàng tăng trưởng đồng bộ, và sau khi loại trừ các hợp đồng lớn như OpenAI, Anthropic, nhu cầu vẫn mạnh mẽ.

Thứ hai, tốc độ tăng trưởng lợi nhuận gộp từ AI nhanh hơn chi phí khấu hao và vận hành

Cho phép biên lợi nhuận gộp giảm trong ngắn hạn, nhưng lợi nhuận gộp từ AI mới phải vượt rõ rệt so với chi phí khấu hao, năng lượng, mạng lưới và nhân tài mới. Tốt nhất là thấy chi phí suy luận trên mỗi đơn vị giảm, đồng thời tổng lợi nhuận gộp tiếp tục tăng.

Thứ ba, backlog có thể chuyển hóa thành doanh thu trong ngắn hạn

Chỉ có các hợp đồng lớn kéo dài 3-5 năm là chưa đủ. Thị trường sẽ chú trọng hơn vào tỷ lệ ghi nhận doanh thu trong 12-24 tháng tới, mức tiêu dùng vượt cam kết ban đầu, và tỷ lệ sử dụng ngay lập tức sau khi công suất mới đi vào hoạt động.

Thứ tư, chip tự phát triển và tối ưu hóa mô hình mang lại lợi ích kinh tế có thể kiểm chứng

Thị trường không chỉ cần "Trainium, TPU, MAI rẻ hơn", mà còn: tỷ trọng chip tự phát triển tăng, chi phí mỗi Token hoặc mỗi tác vụ thành công giảm, mức giảm giá nhỏ hơn mức giảm chi phí, lợi nhuận gộp mỗi giờ tăng tốc tăng, tổng chi tiêu khách hàng và doanh thu gắn kết nền tảng tiếp tục tăng trưởng.

Thứ năm, đáy dòng tiền tự do trở nên có thể nhìn thấy

Thị trường cần thấy: tốc độ tăng trưởng Capex bắt đầu kiểm soát được, Capex mới có hợp đồng hỗ trợ, tăng trưởng dòng tiền hoạt động có thể bao phủ ngày càng nhiều chi tiêu vốn, mua lại và bảng cân đối kế toán không bị ép trong dài hạn, đỉnh khấu hao và thời gian thu hồi vốn có thể được giải thích rõ ràng. Việc dòng tiền tự do chuyển sang âm chỉ là bề nổi; thị trường thực sự giao dịch dựa trên nguyên nhân, mức độ, thời gian của sự chuyển âm, và khả năng phục hồi trong tương lai.

Thứ sáu, khách hàng doanh nghiệp có thể chứng minh ROI thực tế

Bằng chứng mạnh mẽ nhất không phải là đánh giá mô hình hay số lượng Token, mà là khách hàng tiết lộ: tăng trưởng doanh thu và tỷ lệ chuyển đổi, giảm thời gian lao động và xử lý, chuyển từ thử nghiệm sang sản xuất, gia hạn và mở rộng triển khai, và sau khi tính tất cả chi phí AI, thời gian thu hồi vốn vẫn hấp dẫn.

Sự kết hợp "Goldilocks" lý tưởng nhất cho báo cáo tài chính quý 2 mà thị trường mong muốn nhất là:

Doanh thu từ cloud và AI cao hơn kỳ vọng + Biên lợi nhuận ổn định + Backlog bắt đầu chuyển hóa + Capex không vượt ngoài tầm kiểm soát, hoặc Capex mới tương ứng rõ ràng với nhu cầu đã ký hợp đồng + Dòng tiền tự do không xấu đi thêm.

Ngược lại, sự kết hợp nguy hiểm nhất là:

Token và khối lượng sử dụng tăng mạnh, nhưng chi tiêu mỗi khách hàng, lợi nhuận gộp và dòng tiền tự do không cải thiện; Tăng trưởng RPO phụ thuộc vào một công ty mô hình chiến lược duy nhất; Capex lại được điều chỉnh tăng mạnh, trong khi hướng dẫn về biên lợi nhuận và doanh thu lại giảm.

Lời nói đầu

Lần đầu tiên tôi thấy Coinbase thực hành kỹ thuật AI vào ngày 6 tháng 7, điều này khiến tôi bắt đầu suy nghĩ sâu sắc và nghiên cứu về những xu hướng thay đổi mà doanh nghiệp sẽ gặp phải khi áp dụng và triển khai AI trong tương lai. Tuần trước tôi đã viết hai bài:

Ý nghĩa của việc CSP (Nhà cung cấp dịch vụ đám mây) triển khai các mô hình mã nguồn mở hiệu quả về chi phí và bán lại Token:

Hiệu suất của các CSP lớn sẽ trở thành chỉ số quan trọng hơn để đo lường thương mại hóa AI và tái định hình giá trị:

Tiếp nối suy nghĩ này để mở rộng và đào sâu hơn, tôi đã hình thành bài viết dài này, thảo luận chi tiết hơn về logic và ý tưởng cá nhân của mình.

1. Phân chia kịch bản, đa mô hình: Những thay đổi khi doanh nghiệp bước vào giai đoạn kỹ thuật hóa trong việc áp dụng AI

1. Phân chia kịch bản: Doanh nghiệp sẽ không còn hỏi "Mô hình nào tốt nhất?" mà sẽ hỏi "Nhiệm vụ này nên dùng mô hình nào?"

Tương lai không phải là "Token hiệu quả chi phí chuyên biệt", vì bản thân Token chỉ là đơn vị đo lường. Những thứ thực sự được chuyên biệt hóa là: mô hình; chiến lược suy luận; ngữ cảnh và dữ liệu; đường dẫn gọi công cụ; phần cứng và phương thức dịch vụ; cơ chế bảo mật và xác minh thủ công.

Hàm mục tiêu của doanh nghiệp khi chọn mô hình sẽ chuyển từ việc chỉ theo đuổi khả năng của mô hình thành:

Giá trị ròng của nhiệm vụ = Xác suất thành công của nhiệm vụ × Giá trị kinh doanh − Chi phí suy luận và thực thi − Tổn thất do lỗi và rủi ro.

Từ đó hình thành bốn loại kịch bản điển hình:

Ví dụ, các nhiệm vụ như phân loại email, tóm tắt, trích xuất trường, phân luồng dịch vụ khách hàng ban đầu, kiểm tra định dạng mã, có yêu cầu biên về khả năng mô hình thấp hơn, nhưng lại có đặc điểm khối lượng gọi lớn và nhạy cảm về giá. Những nhiệm vụ này sẽ dần chuyển sang các mô hình nhỏ, mô hình mở hoặc mô hình hiệu quả chi phí do CSP tự phát triển.

Trong khi đó, các nhiệm vụ như tạo mã phức tạp, phân tích hợp đồng quan trọng, suy luận khoa học, nghiên cứu chiến lược, lập kế hoạch Agent phức tạp, việc cải thiện độ chính xác của mô hình vài phần trăm có thể tương ứng với giá trị kinh doanh rất cao, do đó vẫn sẵn sàng trả phí cao cho các mô hình tiên tiến.

2. Doanh nghiệp càng áp dụng AI sâu, càng cần hệ thống AI chuyên biệt

Dù các mô hình lớn mã nguồn đóng tiên tiến sử dụng bao nhiêu dữ liệu công khai, được cấp phép hoặc tổng hợp, chúng thường không nắm giữ dữ liệu thời gian thực, quy tắc nội bộ, quyền tổ chức và kinh nghiệm ẩn của một doanh nghiệp cụ thể. Các doanh nghiệp lớn cần nhiều hơn "ranh giới AI riêng tư", bao gồm dữ liệu không được dùng để huấn luyện, mạng riêng, đối tượng thuê riêng, cách ly quyền, lưu trữ dữ liệu và khả năng kiểm toán; chỉ một số kịch bản mới thực sự cần triển khai cục bộ hoặc cách ly.

Doanh nghiệp thực sự thiếu không phải là một mô hình "đã đọc tất cả tài liệu doanh nghiệp", mà là một hệ thống có thể gọi đúng dữ liệu với quyền hạn chính xác và hành động theo quy tắc của doanh nghiệp.

Dữ liệu riêng tư của doanh nghiệp cần được xử lý theo bốn loại:

Và "dữ liệu kinh nghiệm" là tài sản khó nhất đối với AI doanh nghiệp. Kinh nghiệm không tồn tại tự nhiên dưới dạng dữ liệu. Nó thường phân tán trong: phán đoán của nhân viên kỳ cựu, email và tin nhắn trò chuyện, các phương án bị từ chối nhưng không được ghi lại, quy trình xử lý sự cố bất thường, các hành động mà hệ thống gợi ý nhưng bị con người ghi đè, khiếu nại của khách hàng và các cuộc họp rút kinh nghiệm sau sự kiện.

Để chuyển đổi phần kinh nghiệm này thành tài sản AI, doanh nghiệp phải thiết lập:

Kinh nghiệm thô → Mẫu nhiệm vụ → Phán đoán chuyên gia → Tiêu chuẩn đúng và sai → Bộ đánh giá mô hình → Phản hồi và huấn luyện lại

Do đó, hào phòng thủ của các doanh nghiệp lớn không đơn giản là "có nhiều tài liệu", mà là:

Khả năng chuyển đổi kiến thức ẩn thành bối cảnh tổ chức mà máy móc có thể học, truy xuất, đánh giá và thực thi.

Đây cũng chính là lý do tại sao AI doanh nghiệp ngày càng cần sự tham gia của FDE, kỹ sư dữ liệu, chuyên gia lĩnh vực và người chịu trách nhiệm kinh doanh.

Và tất cả những điều trên đều hướng đến một điểm:

Việc doanh nghiệp áp dụng AI đang chuyển từ "mua mô hình mạnh nhất" sang giai đoạn "triển khai kỹ thuật xoay quanh dữ liệu riêng tư, quy trình kinh doanh và hệ thống đa mô hình".

Hai: Sự trỗi dậy của "Hệ thống AI tổng hợp" đến "Tầng trung gian"

1. Đa mô hình, đa mô-đun: Sản phẩm AI sẽ nâng cấp từ "gọi mô hình" thành "Hệ thống AI tổng hợp"

Trong tương lai, hệ thống AI cấp doanh nghiệp thường sẽ không chỉ là một API mô hình, mà sẽ bao gồm nhiều mô-đun cùng hoàn thành công việc: yêu cầu người dùng, danh tính và quyền hạn, nhận diện bối cảnh, lấy dữ liệu và ngữ cảnh, định tuyến mô hình, suy luận mô hình, gọi công cụ/API, xác thực kết quả, kiểm soát rủi ro, kiểm tra thủ công hoặc tự động thực thi, giám sát và đánh giá liên tục.

"Đa mô-đun" ở đây quan trọng hơn "đa mô hình". Bởi vì doanh nghiệp cuối cùng không mua chính mô hình, mà mua một hệ thống có thể hoàn thành nhiệm vụ kinh doanh một cách đáng tin cậy.

Tại sao doanh nghiệp lại hướng tới đa mô-đun?

1) Không có mô hình đơn lẻ nào có thể tối ưu đồng thời về chất lượng, chi phí, tốc độ, quyền riêng tư và độ ổn định.

2) Bản thân mô hình không hiểu dữ liệu thời gian thực, hệ thống phân quyền và trạng thái kinh doanh của doanh nghiệp. Phải có ngữ cảnh thông qua lớp dữ liệu, lớp truy xuất, lớp công cụ và bộ kết nối hệ thống.

3) Môi trường sản xuất cần có khả năng kiểm toán, rollback và giám sát. Đầu ra của mô hình không thể trực tiếp tương đương với thực thi nghiệp vụ.

4) Mô hình cập nhật thường xuyên. Doanh nghiệp phải tách rời logic nghiệp vụ khỏi mô hình cụ thể, tránh phải viết lại toàn bộ ứng dụng mỗi khi mô hình thay đổi.

Sự xuất hiện của các giao thức mở như MCP đang cố gắng chuẩn hóa cách kết nối giữa mô hình với nguồn dữ liệu và công cụ doanh nghiệp, giảm thiểu sự phân mảnh do mỗi mô hình phải phát triển bộ kết nối riêng.

Nhưng đa mô hình không có nghĩa là số lượng mô hình tăng vô hạn

Mỗi khi thêm một mô hình, doanh nghiệp sẽ phải chịu thêm một nhóm chi phí cố định tiềm ẩn: kiểm duyệt bảo mật, đánh giá pháp lý và sở hữu trí tuệ, kiểm tra lưu trữ dữ liệu, kiểm thử chất lượng cơ bản, kiểm thử hồi quy sau khi mô hình cập nhật, vận hành và xử lý sự cố, quản lý nhà cung cấp. Vì vậy, hình thức tổ chức có khả năng xuất hiện nhất không phải là "mỗi nhóm tự do chọn hàng chục mô hình", mà là:

Trung tâm thiết lập một nhóm mô hình tuân thủ hạn chế, mặt phẳng kiểm soát dữ liệu và bảo mật thống nhất; các bộ phận kinh doanh gọi các mô hình khác nhau dựa trên tình huống.

Xu hướng này dẫn đến: cơ sở hạ tầng cốt lõi dần tập trung, trong khi đổi mới tình huống phân tán đến các bộ phận kinh doanh.

2. Sự trỗi dậy của giá trị lớp trung gian: Tồn tại, nhưng phải phân biệt "quyền kiểm soát" và "giá trị thương mại độc lập"

Lớp trung gian trong tương lai có thể được chia thành sáu loại:

Lớp trung gian nào dễ dàng đạt được giá trị nhất

Những thứ có khả năng thu được giá trị lâu dài nhất không phải là lớp bao bọc mô hình mỏng nhất, mà là nền tảng kiểm soát một hoặc nhiều tài nguyên khan hiếm sau:

1) Dữ liệu và ngữ cảnh doanh nghiệp: Có thể gọi dữ liệu doanh nghiệp một cách hợp pháp, thời gian thực và theo phân quyền.

2) Danh tính và bảo mật: Quyết định AI có thể truy cập gì và có thể thực hiện thay ai.

3) Quy trình công việc kinh doanh: Nắm vững điểm vào và vòng lặp thực thi của nhiệm vụ.

4) Dữ liệu đánh giá đa mô hình: Tích lũy dữ liệu về chất lượng, chi phí và rủi ro từ môi trường sản xuất thực tế.

5) Khả năng phân phối: Đã có lượng lớn người dùng doanh nghiệp hoặc điểm vào hệ thống.

Các nền tảng dữ liệu, nền tảng đám mây, nền tảng bảo mật, ERP và các nhà cung cấp phần mềm ngành do đó có lợi thế tự nhiên.

Microsoft tiết lộ rằng khách hàng AI của họ ngày càng sử dụng đồng thời Foundry, Fabric, Cosmos DB và các dịch vụ quản trị bảo mật; Google cũng nhấn mạnh rằng việc sử dụng AI thúc đẩy sự tăng trưởng của BigQuery và quy trình công việc dữ liệu. Điều này cho thấy việc gọi mô hình AI có thể trở thành điểm vào thu hút khách hàng cho các dịch vụ như cơ sở dữ liệu, phân tích, lưu trữ, bảo mật và runtime Agent.

Những lớp trung gian nào dễ bị hàng hóa hóa

Các lớp trung gian sau đây tuy có giá trị sử dụng, nhưng chưa chắc hình thành được quỹ lợi nhuận độc lập:

· Tổng hợp API đơn giản;

· Định tuyến mô hình không có dữ liệu độc quyền;

· Quản lý Prompt chung chung;

· Điều phối Agent cơ bản không có vòng lặp kinh doanh khép kín;

· Sản phẩm lớp mỏng chỉ chuyển tiếp yêu cầu giữa nhiều mô hình.

Nguyên nhân là các CSP như AWS, Microsoft, Google có thể cung cấp các chức năng này như dịch vụ đám mây miễn phí hoặc gói giá thấp; các nhà cung cấp ứng dụng lớn cũng có thể nhúng chúng vào sản phẩm hiện có.

Vì vậy, nhận định chính xác hơn là:

Tầm quan trọng chiến lược của lớp trung gian chắc chắn sẽ tăng lên, nhưng tổng giá trị của các nhà cung cấp độc lập trong lớp trung gian chưa chắc tăng tương ứng.

Lớp trung gian có thể trở thành "hệ điều hành" của ngành AI, nhưng những bên cuối cùng thu được lợi ích kinh tế có thể là: CSP, nền tảng dữ liệu, nền tảng bảo mật và danh tính, các công ty phần mềm ứng dụng có hệ thống ghi chép, và một số ít nhà cung cấp phần mềm trung gian độc lập có tính trung lập đa đám mây và dữ liệu sản xuất độc quyền.

Tính trung lập đa đám mây sẽ là lợi thế quan trọng để các nhà cung cấp độc lập chống lại sự gói gọn của CSP. Các doanh nghiệp lớn thường không muốn khóa hoàn toàn mô hình, dữ liệu, đánh giá và quản trị vào cùng một nền tảng đám mây, do đó lớp trung gian độc lập vẫn còn không gian, nhưng phải cung cấp khả năng vượt xa "gọi mô hình đơn giản".

3. Kỷ nguyên đa mô hình, liệu các CSP siêu lớn có trở thành tầng trung gian vững chắc?

1. Việc CSP triển khai các mô hình mở và mô hình tự phát triển với hiệu suất chi phí cao sẽ mang lại những thay đổi gì?

Thay đổi 1: Việc gọi mô hình từ mua sắm một nhà cung cấp duy nhất chuyển thành quản lý danh mục mô hình

Doanh nghiệp không còn chỉ gắn bó sâu với một nhà sản xuất mô hình duy nhất, mà sẽ duy trì một danh mục mô hình:

· Mô hình đóng tiên tiến đảm nhận các nhiệm vụ yêu cầu năng lực cao nhất;

· Mô hình mở đảm nhận các nhiệm vụ có thể chuẩn hóa và tư nhân hóa;

· Mô hình tự phát triển của CSP đảm nhận các nhiệm vụ tần suất cao, nhạy cảm với chi phí;

· Mô hình riêng của doanh nghiệp đảm nhận các nhiệm vụ chuyên biệt cao, nhạy cảm với dữ liệu.

CSP trở thành cổng vào và bộ định tuyến cho danh mục mô hình. Các nhà sản xuất mô hình không chỉ tranh giành khách hàng, mà còn tranh giành thị phần phân bổ nhiệm vụ của mô hình trong hệ thống định tuyến.

Do đó, các chỉ số cạnh tranh mới của mô hình bao gồm: Được đưa vào bao nhiêu danh mục mô hình tuân thủ của doanh nghiệp? Nhận được bao nhiêu yêu cầu từ bộ định tuyến? Nhận được nhiệm vụ giá trị cao hay nhiệm vụ giá rẻ?

Thay đổi 2: Giá mô hình giảm, nhưng tổng chi tiêu AI chưa chắc giảm

Mô hình nhỏ hơn, bộ nhớ đệm tăng và nén ngữ cảnh sẽ giảm Token mỗi nhiệm vụ và giá mỗi Token; nhưng chi phí giảm cũng có thể kích thích nhiều trường hợp sử dụng hơn, khiến khối lượng nhiệm vụ tăng mạnh.

Thay đổi 3: Nguồn thu của CSP mở rộng từ hoa hồng mô hình sang toàn bộ hệ sinh thái đính kèm

Ngay cả khi mô hình mã nguồn mở không tạo ra doanh thu cấp phép mô hình cao, CSP vẫn có thể thu phí từ các khâu sau: Tính toán GPU, TPU và ASIC tự phát triển; Dịch vụ suy luận được lưu trữ; Cơ sở dữ liệu và truy xuất vector; Lưu trữ đối tượng; Mạng và truyền dữ liệu; Môi trường chạy Agent; Bảo mật và danh tính; Đánh giá, nhật ký và giám sát; Dịch vụ hỗ trợ doanh nghiệp.

Vì vậy, điều CSP thực sự quan tâm không phải là thị phần doanh thu của mô hình, mà là:

Tổng lợi nhuận gộp AI của CSP = Lợi nhuận gộp suy luận + Lợi nhuận gộp đính kèm dữ liệu + Lợi nhuận gộp lưu trữ mạng + Lợi nhuận gộp quản trị bảo mật + Lợi nhuận gộp môi trường chạy Agent

AWS tiết lộ chi tiêu của khách hàng Bedrock tăng theo quý, khối lượng xử lý Token tăng mạnh, đồng thời ra mắt các dịch vụ như đăng ký AgentCore, chính sách và đánh giá; Microsoft và Google cũng đang thúc đẩy sự kết hợp giữa mô hình, dữ liệu, Agent và dịch vụ quản trị. Điều này cho thấy các CSP đang cố gắng chuyển đổi dịch vụ mô hình thành tiêu dùng đám mây toàn diện.

Thay đổi thứ tư: Giá trị của các nhà cung cấp mô hình sẽ không biến mất, nhưng sẽ mở rộng về phía đỉnh năng lực và ứng dụng

Các mô hình nguồn mở và tự phát triển có hiệu suất giá cao sẽ nén giá của các mô hình tầm trung và thấp, nhưng sẽ không tự động loại bỏ giá trị của các mô hình tiên tiến. Các nhà cung cấp mô hình có thể đi theo ba hướng: 1) Liên tục nâng cao giới hạn năng lực, duy trì phí bảo hiểm cho các tác vụ phức tạp; 2) Dịch chuyển lên các ứng dụng giá trị cao như Agent, lập trình, nghiên cứu; 3) Cung cấp dịch vụ tinh chỉnh hậu kỳ, bảo mật, quản trị doanh nghiệp và dung lượng riêng.

Cuối cùng, có khả năng hình thành:

CSP kiểm soát cơ sở hạ tầng và phân phối mô hình;
Các nhà cung cấp mô hình tiên tiến kiểm soát giới hạn năng lực;
Tầng trung gian kiểm soát ngữ cảnh, quản trị và điều phối;
Các nhà cung cấp ứng dụng kiểm soát quy trình làm việc và điểm vào của người dùng.

Đây không phải là một tầng duy nhất thắng lợi toàn diện, mà là các tầng khác nhau thu các loại phí khác nhau.

Thay đổi thứ năm: Khả năng thương lượng của doanh nghiệp ở tầng mô hình tăng lên, nhưng sự khóa chặt nền tảng có thể sâu hơn

Đa mô hình và mô hình mở giảm sự phụ thuộc của doanh nghiệp vào một nhà cung cấp mô hình duy nhất.

Tuy nhiên, nếu dữ liệu, quyền hạn, trạng thái Agent, hệ thống đánh giá và quy trình làm việc của doanh nghiệp đều được triển khai trên cùng một CSP, thì khi sự khóa chặt ở tầng mô hình giảm, sự khóa chặt nền tảng đám mây có thể lại tăng lên.

Nói cách khác:

Khả năng thay thế mô hình tăng lên, không có nghĩa là khả năng di chuyển tổng thể kiến trúc tăng lên.

2. CSP kiểm soát nền tảng AI ngang, còn SaaS dọc kiểm soát tầng thực thi nghiệp vụ

CSP có khả năng thu được các giá trị sau: Sức mạnh tính toán GPU, TPU và ASIC tự phát triển; Lưu trữ mô hình nguồn mở; Phân phối mô hình đóng; Tinh chỉnh và chưng cất mô hình; Cơ sở dữ liệu và hồ dữ liệu; Truy xuất vector và đồ thị tri thức; Mạng và lưu trữ; Danh tính và quyền hạn; Bảo mật và quản trị; Môi trường chạy Agent; Đánh giá và khả năng quan sát; Hỗ trợ kỹ thuật doanh nghiệp.

Làm chủ SaaS theo chiều dọc: Cổng vào công việc; Đối tượng kinh doanh; Ngữ nghĩa kinh doanh; Quyền người dùng; Dữ liệu thao tác lịch sử; Bản ghi hệ thống; Quy tắc ngành; Thực thi hành động cuối cùng; Phản hồi kết quả khách hàng.

Do đó, nó có thể đóng gói các mô hình giá rẻ thành kết quả kinh doanh giá trị cao.

Nhưng điều này chỉ áp dụng cho các SaaS thực sự sở hữu quy trình làm việc và dữ liệu độc quyền cốt lõi. Các ứng dụng mỏng chỉ bọc một giao diện đơn giản cho mô hình tổng quát lại dễ bị thay thế bởi nhà cung cấp mô hình hoặc CSP. Trước đây ở đây

đã từng thảo luận về điểm này.

3、Khả năng cao nhất hình thành «Lớp trung gian kép»

Kiến trúc AI doanh nghiệp trong tương lai có thể là:

CSP không nhất thiết có thể vượt qua SaaS theo chiều dọc để kiểm soát toàn bộ quy trình kinh doanh; SaaS theo chiều dọc cũng khó có thể tự đảm nhận cơ sở hạ tầng tính toán quy mô lớn và đa mô hình ở lớp dưới. Ai có thể thu được nhiều giá trị nhất phụ thuộc vào năm điểm kiểm soát

Lớp thực sự có giá trị cao không nhất thiết là lớp gần mô hình nhất, mà là lớp có thể đồng thời kiểm soát:

Ngữ cảnh, quyền hạn, quy trình làm việc, hành động và phản hồi kết quả.

Các dự án SaaS truyền thống thường là:

Phân tích Fit-gap → Cấu hình → Di chuyển dữ liệu → UAT → Vận hành.

Các dự án AI doanh nghiệp gần giống hơn:

Sàng lọc kịch bản → Quyền dữ liệu → Bộ đánh giá → Chọn mô hình → Tích hợp RAG và công cụ → Định tuyến mô hình → Ranh giới bảo mật → Xem xét thủ công → Giám sát sản xuất → Phản hồi và huấn luyện sau.

Sự khác biệt lớn nhất là:

SaaS chủ yếu cấu hình quy trình trong phần mềm có sẵn; AI là liên tục tối ưu hóa một hệ thống xác suất trong quá trình sản xuất.

Do đó, triển khai AI giống như sự kết hợp giữa kỹ thuật phần mềm, kỹ thuật dữ liệu, kỹ thuật mô hình, tư vấn quy trình và thay đổi tổ chức.

Bốn Tái định hình giá trị đối với các CSP siêu lớn

1. Tái định hình giá trị của các CSP siêu lớn

Trước đây đã từng thảo luận: Thị trường từng cho rằng các CSP, đặc biệt là một số CSP siêu lớn, chỉ là những người trung gian, bán lại sức mạnh tính toán và token, đồng thời phải chịu chi phí vốn khổng lồ nhưng không thu được giá trị lớn nhất. Hiện tại, "mô hình trung bình hiệu quả + triển khai quy mô lớn" đã chứng minh giá trị của mình trong môi trường sản xuất, thay vì chỉ chạy đua tham số vô tận.

Vậy thì nhận thức cũ cũng cần đảo ngược: CSP siêu lớn đã trở thành "tầng hệ điều hành AI" trong kiến trúc đa mô hình của quá trình AI doanh nghiệp.

Thay đổi cấu trúc chi phí và doanh thu khi CSP bán lại mô hình đóng:

Tỷ lệ chia sẻ mà CSP nhận được có hạn (thường từ 20-50%, tùy hợp đồng), đồng thời phải chịu áp lực định giá từ bên mô hình. Bán lại mô hình nguồn mở tự quản lý: Mô hình nguồn mở gần như không có chi phí bản quyền, CSP chỉ cần chịu chi phí sức mạnh tính toán, điện và vận hành. CSP gần như giữ toàn bộ markup (sau khi trừ chi phí sức mạnh tính toán). Vì giá có thể tham khảo chi phí thực tế của cộng đồng nguồn mở + phí bảo hiểm hợp lý, không gian lợi nhuận lớn hơn.

Mô hình tự phát triển thì càng không cần nói, gần như toàn bộ doanh thu thuộc về CSP.

2. Nhưng cũng mang lại thách thức mới cho CSP siêu lớn: Khoảng cách thời gian

Có thể chia toàn bộ quá trình thành bốn giai đoạn. Độ dài thời gian chỉ mang tính minh họa, khác nhau nhiều giữa các ngành.

Giai đoạn một: Nghiên cứu phát triển nội bộ và đầu tư công suất

Giai đoạn này: CSP huấn luyện hoặc hậu huấn luyện mô hình tự phát triển, triển khai mô hình mở, tối ưu hóa chip, khung suy luận và định tuyến mô hình, xây dựng nền tảng bảo mật, đánh giá và quản trị.

Hiệu suất tài chính có thể là: Capex tăng; chi phí nghiên cứu và khấu hao tăng; doanh thu đám mây bên ngoài bị hạn chế bởi công suất; biên lợi nhuận gộp chịu áp lực; doanh thu thương mại trực tiếp hạn chế.

Giai đoạn hai: Thử nghiệm khách hàng và triển khai FDE

Giai đoạn này: Khách hàng chọn lọc kịch bản; sắp xếp dữ liệu và quyền hạn; thiết lập RAG, bộ đánh giá và kết nối công cụ; FDE giúp hoàn thành hệ thống sản xuất đầu tiên.

Hiệu suất tài chính có thể là: Doanh thu dịch vụ chuyên nghiệp và tinh chỉnh tăng; tăng trưởng tiêu thụ đám mây vẫn chưa đáng kể; nhiều POC chưa được mở rộng quy mô; chi phí nhân lực tăng; biên lợi nhuận dịch vụ có thể thấp hơn biên lợi nhuận phần mềm.

Giai đoạn 3: Mở rộng quy mô suy luận sản xuất

Trong giai đoạn này: Quy trình làm việc của khách hàng ổn định; Agent bắt đầu hoạt động liên tục; Chi phí suy luận, cơ sở dữ liệu, lưu trữ và bảo mật tăng lên; Các SaaS theo chiều dọc bắt đầu tính phí dựa trên mức sử dụng hoặc kết quả kinh doanh.

Hiệu quả tài chính có thể là: Tiêu thụ đám mây của CSP tăng tốc; Doanh thu từ phụ trợ AI của SaaS tăng lên; Doanh thu từ dữ liệu và bảo mật gia tăng; Tỷ lệ gia hạn và mở rộng của khách hàng được cải thiện; Chi phí suy luận trên mỗi đơn vị giảm.

Giai đoạn 4: Tối ưu hóa mô hình và quy trình làm việc

Trong giai đoạn này: Các tác vụ tần suất cao chuyển sang mô hình nhỏ, mô hình tự phát triển và mô hình mở; Các tác vụ giá trị cao tiếp tục sử dụng mô hình tiên tiến; Định tuyến, bộ nhớ đệm và chưng cất giảm chi phí; Kết quả FDE dần được sản phẩm hóa.

Hiệu quả tài chính có thể là: Đơn giá Token giảm; Khối lượng tác vụ tăng; Cấu trúc doanh thu của các nhà cung cấp mô hình phân hóa; Doanh thu gắn kết toàn diện của CSP tăng; Các SaaS theo chiều dọc thu được nhiều giá trị hơn từ quy trình làm việc và kết quả; Lợi nhuận gộp và lợi nhuận trên vốn của những người triển khai thành công bắt đầu cải thiện.

Do đó, thị trường có thể thấy trước:

Capex và chi phí nhân sự tăng
→ Sau đó thấy POC và hợp đồng
→ Rồi thấy khối lượng công việc sản xuất
→ Cuối cùng mới thấy dòng tiền tự do và ROIC.

Khoảng cách thời gian này thực sự là cốt lõi của cuộc tranh luận đầu tư AI hiện tại.

Năm: Hệ thống chỉ số thương mại hóa AI mới

1. Trong tương lai, không thể chỉ hỏi "Doanh thu AI là bao nhiêu", mà phải trả lời đồng thời năm câu hỏi.

Cách đánh giá hợp lý nhất không phải là tìm kiếm một chỉ số đơn lẻ mới, mà là xây dựng một phễu bảy lớp từ mô hình đến lợi nhuận trên vốn.

2. ARR của mô hình lớn vẫn quan trọng, nhưng nó nên chuyển từ "chỉ số cuối cùng" thành "chỉ số dẫn đầu về nhu cầu năng lực"

ARR của các nhà cung cấp mô hình lớn vẫn rất quan trọng, vì bốn lý do.

1) ARR chứng minh doanh nghiệp sẵn sàng trả tiền cho năng lực thông minh; ARR ít nhất cho thấy một phần khách hàng đã bước vào trạng thái thanh toán và sẵn sàng ký hợp đồng liên tục hoặc hình thành tiêu dùng ổn định.

2) ARR phản ánh liệu các mô hình tiên tiến có còn giữ được mức định giá cao hay không. Nếu năng lực mô hình liên tục mang lại tỷ lệ thành công cao hơn cho các tác vụ, khách hàng sẽ sẵn sàng trả phí cao cho các tác vụ giá trị cao. Ngay cả khi phần lớn các tác vụ thông thường chuyển sang các mô hình nhỏ, các mô hình tiên tiến vẫn có thể duy trì mức giá cao thông qua các tác vụ suy luận phức tạp, lập trình, nghiên cứu và tác vụ Agent.

3) ARR quyết định khả năng tái đầu tư vào nghiên cứu và phát triển cũng như sức mạnh tính toán của các nhà cung cấp mô hình tiên tiến. Việc huấn luyện mô hình, hậu huấn luyện, dịch vụ suy luận, đánh giá bảo mật và bán hàng doanh nghiệp đều cần vốn liên tục. ARR quyết định liệu nhà cung cấp mô hình có thể hình thành vòng lặp "Doanh thu – Nghiên cứu & Phát triển – Nâng cao năng lực – Doanh thu cao hơn" hay không.

4) ARR cũng là một chỉ số đại diện cho ảnh hưởng hệ sinh thái. Số lượng nhà phát triển, số lần gọi API, hợp đồng doanh nghiệp, mức độ tích hợp mô hình vào ứng dụng cuối cùng thường được phản ánh một phần trong ARR.

3. Tổng quan

ARR của các mô hình lớn vẫn là yếu tố then chốt, vì nó chứng minh doanh nghiệp sẵn sàng trả tiền cho các năng lực tiên tiến;

Hiệu suất của các CSP siêu lớn sẽ toàn diện và có trọng số cao hơn trong tương lai, cho thấy giá trị được tích lũy ở tầng trung gian trong quá trình doanh nghiệp áp dụng AI;

Tiêu chí đánh giá cuối cùng chuyển sang tính kinh tế của tác vụ thành công, ROI doanh nghiệp và lợi nhuận trên vốn.

Việc đánh giá thương mại hóa AI không nên chọn giữa "ARR mô hình lớn" và "Doanh thu đám mây CSP", mà cần hình thành một chuỗi bằng chứng hoàn chỉnh:

ARR mô hình chứng minh nhu cầu trả phí
→ Khối lượng công việc sản xuất chứng minh độ sâu áp dụng
→ Lợi nhuận gộp trên mỗi tác vụ thành công chứng minh chất lượng vận hành
→ ROI doanh nghiệp chứng minh tính bền vững của nhu cầu
→ Dòng tiền tự do và ROIC chứng minh tính hợp lý của chi tiêu vốn.

Cuối cùng, điều đáng theo dõi nhất không phải là "bao nhiêu Token được tạo ra", mà là

Giá trị kinh tế của AI = Số lượng tác vụ sản xuất × Giá trị mỗi tác vụ × Tỷ lệ thu giữ giá trị của nhà cung cấp × Biên lợi nhuận gộp − Chi phí sử dụng vốn​

Đây mới là khuôn khổ tổng thể để đo lường thương mại hóa AI trong kỷ nguyên đa mô hình, đa mô-đun.

Tất cả nội dung trên thực chất tạo thành một chuỗi nhân quả liên tục:

Sự khác biệt về kịch bản kinh doanh ngày càng mở rộng
→ Doanh nghiệp không còn dùng một mô hình để giải quyết mọi tác vụ
→ Hình thành hệ thống AI tổng hợp đa mô hình, đa module
→ Các lớp trung gian như định tuyến, dữ liệu, đánh giá, quản trị, bảo mật trở thành mặt phẳng kiểm soát
→ Giá trị của lớp mô hình không biến mất, nhưng ARR của mô hình lớn giảm từ "chỉ số thương mại hóa duy nhất" xuống "chỉ số dẫn đầu quan trọng"
→ Tiêu chuẩn đánh giá cuối cùng chuyển sang tính kinh tế của nhiệm vụ thành công, ROI doanh nghiệp và lợi nhuận trên vốn.

Đây không còn là một ý tưởng kiến trúc thuần túy nữa. AWS Bedrock và Microsoft Foundry đã đưa tính năng định tuyến mô hình dựa trên chất lượng, chi phí và độ phức tạp của tác vụ thành sản phẩm chính thức; Microsoft tiết lộ rằng hơn 10.000 khách hàng Foundry đã sử dụng nhiều hơn một mô hình, và khoảng 5.000 khách hàng đã sử dụng mô hình nguồn mở. Google Model Garden cũng cung cấp đồng thời các mô hình tự có, mô hình nguồn đóng của bên thứ ba và mô hình mở dưới hình thức lưu trữ hoặc tự triển khai.

Tất nhiên, sự lặp lại này vẫn còn ở giai đoạn đầu, nhưng xu hướng ngày càng rõ ràng hơn.

Liên kết gốc

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia