Từ “siêu AI cho mọi việc” đến mô hình chi phí thấp: bước ngoặt tư duy
Chiến lược mới của OpenAI là khuyến nghị doanh nghiệp sử dụng mô hình chi phí thấp cho các tác vụ thông thường, chỉ dành mô hình mạnh nhất cho những nhiệm vụ thật sự phức tạp và quan trọng, nhằm đạt định giá AI tối ưu, kiểm soát chi phí và vẫn giữ được hiệu quả tổng thể trong chiến lược chi tiêu AI.
Trọng tâm của câu chuyện không phải là vài con số giảm giá, mà là việc chính OpenAI thừa nhận: “nhiều nhiệm vụ thực ra không cần sử dụng mô hình mạnh nhất”. Giá GPT-5.6Luna giảm 80%, Terra giảm 20%, còn Sol thêm chế độ Fast với tốc độ nhanh hơn 2,5 lần nhưng giữ nguyên mức độ thông minh. Động thái này định nghĩa lại mô hình chi phí thấp OpenAI: không còn là bản mini yếu ớt, mà là lớp mô hình ngôn ngữ tiết kiệm nhưng đủ thông minh để gánh phần lớn khối lượng công việc. Về bản chất, OpenAI đang nói thẳng với khách hàng doanh nghiệp: hãy mua hiệu quả, không phải mua “hào quang công nghệ”.
Vì sao là thời điểm này? Tín hiệu từ doanh nghiệp và cuộc đua chi phí
Nếu vài năm trước, mô hình cao cấp chủ yếu dùng để chứng minh vị thế công nghệ, thì hiện tại chúng không còn là nơi tạo lợi nhuận chính cho các hãng AI nữa. Sau thời gian dài chứng kiến chi phí AI leo thang, cả tập đoàn lẫn startup tại Mỹ bắt đầu chuyển sang mô hình giá rẻ, kể cả sản phẩm từ Trung Quốc, để cắt giảm chi phí. Doanh nghiệp không còn muốn “đốt tiền” cho AI mà không nhìn thấy ROI rõ ràng; điều họ quan tâm nhất là chi phí cho mỗi tác vụ, độ ổn định và hiệu quả đầu tư thực tế.
Trong bối cảnh đó, OpenAI và Anthropic buộc phải giảm tầm quan trọng của các flagship, đồng thời đẩy mạnh lớp mô hình trung – thấp, nơi khối lượng sử dụng và doanh thu dài hạn thực sự nằm. Nhiều doanh nghiệp còn áp dụng cách tiếp cận “tokenomics” của Cursor để tối ưu lượng token sử dụng, chuyển văn hóa từ “tokenmaxxing” sang “thrift-maxxing”, tức ưu tiên tiết kiệm chi phí AI thay vì khoe dùng mô hình mạnh nhất. Nói thẳng, thị trường đang trừng phạt mọi chiến lược chỉ dựa trên sự hào nhoáng của benchmark mà quên mất bài toán định giá AI tối ưu.
Mô hình mạnh để suy nghĩ, mô hình rẻ để làm việc: công thức mới của OpenAI
Thông điệp táo bạo nhất trong đợt điều chỉnh vừa rồi là việc OpenAI công khai viết ra quy trình đề xuất: Sol phụ trách lập kế hoạch, Luna phụ trách thực hiện. Với nhiệm vụ phức tạp, doanh nghiệp nên dùng GPT-5.6Sol để phân tích yêu cầu, thiết kế giải pháp, sau đó giao cho Luna viết mã, chạy kiểm thử và xử lý phần tác nghiệp. Nói cách khác, mô hình đắt nhất chịu trách nhiệm “suy nghĩ”, mô hình chi phí thấp chịu trách nhiệm “làm việc”. Đây là cách dùng mô hình ngôn ngữ tiết kiệm mà vẫn giữ chất lượng ở những khâu cần thiết.
OpenAI còn khuyên nhà phát triển lựa chọn mô hình phù hợp dựa trên mức độ quan trọng của nhiệm vụ, chi phí lỗi, mức độ khẩn cấp và quy mô. Đây chính là khung ra quyết định thực tế cho định giá AI tối ưu: tác vụ mang rủi ro cao, cần suy luận sâu thì gọi Sol; các tác vụ thường xuyên, chấp nhận sai số nhỏ như hỗ trợ khách hàng, tìm kiếm, phê duyệt, tạo mã lặp lại thì giao cho Luna, Terra hoặc các mô hình chi phí thấp khác. Những dự án thực sự đảm nhận vai trò thương mại hóa trong hệ sinh thái sẽ ngày càng thuộc về các lớp mô hình ngôn ngữ tiết kiệm này, không còn dồn hết vào một “siêu AI” duy nhất.
Chiến lược chi tiêu AI mới: quản lý ngân sách bằng “tokenomics” và mô hình kết hợp
Các doanh nghiệp tiên phong đang xây dựng chiến lược chi tiêu AI quanh hai trục: kiểm soát quyền truy cập mô hình mạnh và phân tầng tác vụ theo chi phí chấp nhận được. Theo Mike Saeks, một cách giảm chi phí đáng kể là hạn chế nhân viên mới truy cập mô hình đắt nhất, chỉ dùng mô hình AI mạnh để lập kế hoạch hoặc suy luận, sau đó giao phần lớn công việc cho mô hình rẻ hơn thực hiện. Đây là ứng dụng rất thực của tokenomics: tối ưu lượng token thay vì tối đa hóa token tiêu thụ để “chứng minh” mức độ dùng AI.
Thay vì gắn bó duy nhất với OpenAI hay Anthropic, nhiều doanh nghiệp đang kết hợp nhiều mô hình khác nhau, kể cả từ các hãng AI Trung Quốc, chọn công cụ phù hợp nhất cho từng tác vụ để tối ưu chi phí. Người dùng có thể chuyển đổi linh hoạt giữa các mô hình của OpenAI, Anthropic, SpaceX, Google hoặc các hãng khác, xây dựng một hệ thống mô hình đa dạng thay vì một điểm phụ thuộc duy nhất. Về sau, doanh nghiệp sẽ không mua một mô hình, mà là cả một hệ thống mô hình được lắp ghép quanh quy trình của mình, nơi mỗi mắt xích được gán cho một mô hình ngôn ngữ tiết kiệm hoặc cao cấp phù hợp với rủi ro và giá trị của bước đó.
Kỷ nguyên AI “xe đại chúng”: khi nào nên dùng mô hình mạnh, khi nào chọn mô hình tiết kiệm?
Theo nhiều nhà đầu tư và lãnh đạo doanh nghiệp, bất kể tranh cãi về nguồn gốc công nghệ đi đến đâu, kỷ nguyên AI giá rẻ đã bắt đầu. Bức tranh hiện tại giống thời điểm ngành ô tô bước vào thời đại “xe đại chúng”: flagship vẫn tồn tại để thể hiện hình ảnh, nhưng doanh thu thực và trải nghiệm hàng ngày nằm ở những mẫu xe bình dân đủ tốt. Trong AI, các mô hình cao cấp vẫn giữ vai trò định vị công nghệ, song những dự án gánh khối lượng và tạo doanh thu sẽ ngày càng là Luna, Terra, Opus và các mô hình chi phí thấp tương đương.
Điều quan trọng với người dùng không còn là sử dụng mô hình mạnh nhất, mà là mô hình nào mang lại hiệu quả cao nhất với chi phí thấp nhất. Quy tắc thực tế có thể tóm gọn: dùng mô hình mạnh khi nhiệm vụ hiếm, rủi ro lớn, đòi hỏi suy luận sâu hoặc thiết kế chiến lược; dùng mô hình ngôn ngữ tiết kiệm khi nhiệm vụ lặp lại, có thể tự động kiểm tra, và chi phí lỗi thấp. Nếu mô hình tiếp tục tham gia tối ưu hóa chính nó, đường cong chi phí rất có khả năng sẽ tiếp tục đi xuống, buộc doanh nghiệp phải cập nhật liên tục chiến lược chi tiêu AI thay vì khóa cứng vào một lựa chọn duy nhất.
