बुद्धिमत्ता की कीमत कौन तय करेगा?

• AI, बुद्धिमत्ता (intelligence) को कीमत लगाई जाने वाली संसाधन में बदल रहा है, और बाज़ार की हर परत इस बात पर प्रतिस्पर्धा कर रही है कि उसकी कीमत को कौन नियंत्रित करेगा
• AI labs चाहते हैं कि उपयोग उनके माध्यम से बहे, applications यह साबित करना चाहते हैं कि वे labs से बेहतर ढंग से बुद्धिमत्ता का आवंटन कर सकते हैं, और राष्ट्र चाहते हैं कि बुद्धिमत्ता इतनी सस्ती हो जाए कि वह राष्ट्रीय अवसंरचना बन सके
• बुद्धिमत्ता की लागत अब सॉफ़्टवेयर का इनपुट नहीं रही, बल्कि कंपनियों, बाज़ारों और भू-राजनीति को पुनर्गठित करने वाली धुरी (axis) बन गई है
• AI में निवेश, सॉफ़्टवेयर निवेश से इसलिए अलग है क्योंकि इसमें चर अधिक हैं, वे असमान रूप से युग्मित (coupled) हैं, और हर चर ऐसे उप-चरों में टूटता है जो अपनी-अपनी वक्ररेखाओं पर चलते हैं
• यह ऐसे सिस्टम का विश्लेषण है जिसमें हर घंटे समीकरण स्वयं फिर से लिखा जाता है, और कोई भी चर पर्याप्त रूप से हिले तो दूसरे चरों का अर्थ बदल जाता है — यह पुनर्गठन की सतत श्रृंखला है

---

AI में निवेश सॉफ़्टवेयर निवेश से अलग क्यों है

• सॉफ़्टवेयर में पैटर्न मैचिंग कठिन होने पर भी काम करती थी, और distribution cost ग्राहक अधिग्रहण की दक्षता तय करती थी, जबकि switching cost रिटेंशन और विस्तार को निर्धारित करती थी
  • CAC payback, NDR, magic number, Rule of 40 — ये सभी इन्हीं दो शक्तियों के उप-परिणाम थे
• AI इसे तीन कारणों से तोड़ देता है
  • सिस्टम में चर अधिक हैं
  • चर असमान रूप से युग्मित हैं
  • हर चर ऐसे उप-चरों में टूटता है जो अपनी स्वयं की वक्ररेखाओं पर चलते हैं
• Capability, cost, latency, deployment, regulation, talent में से कोई एक भी बदल जाए, तो बाकी सबका अर्थ बदल जाता है; और एक बाधा हटते ही अगली महत्वपूर्ण बाधा बदल जाती है

हर चर क्या बदलता है

• जिन परिचित चरों पर पहले से चर्चा होती है, वे हैं capability, cost, latency
• अधिक कठिन चर वे unlocks हैं जो research और product से आते हैं; उनकी प्रकृति और गहराई को पहले से मॉडल करना कठिन है, और उनके आने की गति लगातार तेज हो रही है
• जो बाधाएँ सॉफ़्टवेयर में स्थिर मान मानी जाती थीं, वे AI में रणनीतिक विकल्प बन जाती हैं: geopolitics, deployment, talent

• Capability

  • यह reasoning, context, multimodality, tool use, planning, memory, controllability में विभाजित होती है, और हर एक अपनी अलग वक्ररेखा पर तीव्रता से आगे बढ़ रही है
    • context सिर्फ 3 साल में 4,000 tokens से बढ़कर 10 लाख tokens से अधिक हो गया
    • reasoning, prompting tricks से विकसित होकर अपने आप में एक स्वतंत्र model class बन गया
  • इसने retrieval pipelines, output parsers, prompt scaffolds जैसी अवसंरचना को अपने भीतर समाहित कर लिया है; ये पहले model की कमज़ोरियों की भरपाई करने वाले prosthetics थे
  • ऐसा model जो सिर्फ prompt संभाल सकता है और ऐसा model जो codebase या customer history संभाल सकता है, दोनों अलग-अलग products हैं; performance improvement सभी applications को समान रूप से ऊपर नहीं उठाता, बल्कि bottleneck को दूसरी जगह खिसका देता है

• Cost

  • लागत में गिरावट सिर्फ margin नहीं बढ़ाती, बल्कि यह बदल देती है कि प्रतिस्पर्धा कौन कर सकता है
    • जो workflow कभी frontier API मांगता था, वह अब सस्ते open-weight models, fine-tuned specialist models, या routed stacks की ओर जा सकता है, और premium product एक commodity feature बनकर रह जाता है
  • DeepSeek ने और भी तीखे ढंग से दिखाया कि model layer में लागत-अपेक्षाओं का बदलाव उसके ऊपर मौजूद margin pool को दूसरी दिशा में मोड़ सकता है

• Latency

  • AI, asynchronous prompting से real-time workflow की ओर बढ़ा, इसलिए latency एक प्रमुख चर बन गई
    • धीमा model memo लिखने के लिए ठीक हो सकता है, लेकिन sales call, support conversation, tutoring session, या security response में टूट जाता है
  • जब दूसरी तरफ कोई इंसान इंतज़ार कर रहा हो, तब latency performance detail नहीं रहती, बल्कि यह तय करती है कि बाज़ार में अस्तित्व संभव है या नहीं
    • voice ने यह सीमा तब पार की जब quality, interruption handling, और प्रति मिनट cents के स्तर की कीमत — तीनों साथ आए
  • latency में गिरावट सिर्फ उसी product को तेज नहीं बनाती, बल्कि नए usage surface खोलती है

• नई वक्ररेखाएँ

  • ऐसे तत्व जो 2 साल पहले सूची में भी नहीं आते: inference-time compute, task horizon, और AI द्वारा स्वयं उत्पादन के इनपुट

  • Inference-time compute

    • 10 गुना अधिक compute खर्च करके बेहतर उत्तर पाने का dial, पुराने सॉफ़्टवेयर में नहीं था; यह सचमुच नया तत्व है, और प्रति outcome लागत को एक चयन का विषय बना देता है
      • उसी model की 10-second query और 10-minute query, अलग-अलग कीमत वाले अलग products हैं; margin का फैसला model price नहीं, बल्कि सिस्टम के निर्णय से होता है
    • यह labs के खिलाफ application layer का पलटवार है; frontier models जितना अधिक product logic को absorb करते हैं, उतना ही हर company को यह दावा करना पड़ता है कि वह customer tokens का आवंटन बेहतर कर सकती है
    • lab को usage बढ़ाने का प्रोत्साहन होता है, जबकि application को केवल वहीं खर्च करने का जहाँ outcome की वास्तविक value हो

  • Task horizon

    • अगर inference-time compute गहराई का dial है, तो task horizon लंबाई का dial है — यानी AI, मानव हस्तक्षेप से पहले कितनी देर तक स्वयं काम कर सकता है
      • इकाई call से workflow में बदल जाती है
      • agent कई घंटों तक चल सकता है, sub-agents बना सकता है, और हर decision path पर लाखों tokens खर्च कर सकता है; इसलिए usage अब seat के अनुपात में नहीं रहता
    • लंबाई और गहराई को गुणा करें, तो वही token bill बनती है जिसके बारे में हर Fortune 500 CFO पूछ रहा है

  • AI द्वारा स्वयं उत्पादन के इनपुट

    • synthetic data generation, code writing, evals generation, और experiment cycles को compress करने में AI का उपयोग हो रहा है
      • हर generation, अगली generation के निर्माण का समय कम करती है, इसलिए परिवर्तन की दर अंतर्जात (endogenous) हो जाती है
    • इस recursion के कारण परिवर्तन-चक्र fundraising cycle से छोटा हो गया है, और किसी भी thesis की half-life घट रही है

• Geopolitics

  • यही वह स्थान है जहाँ युद्ध स्पष्ट रूप से दिखाई देता है; China संरचनात्मक रूप से efficiency और open-weight release की ओर धकेला जा रहा है
    • chips तक सीमित पहुँच और frontier stack के कुछ हिस्सों से बाहर रखा जाना इस रणनीति को तर्कसंगत बनाता है
  • U.S. अभी भी open-weight frontier models में प्रतिस्पर्धा कर सकता है, लेकिन उसने अभी तक वही संरचनात्मक उत्तर नहीं दिया है
  • सॉफ़्टवेयर को अरबों डॉलर की training की ज़रूरत नहीं होती थी, लेकिन frontier open weights के लिए compute financing, patient capital, release governance, serving infrastructure, और talent competition mechanisms चाहिए
    • किसी न किसी अमेरिकी समूह को federation या financial engineering के ज़रिए उस training cost को तर्कसंगत बनाना होगा
  • frontier labs, capability-आधारित regulation की वकालत करते हैं क्योंकि वे मानते हैं कि यह technology जोखिमपूर्ण है; frontier access जब नियंत्रित, audited, metered और API के पीछे रहे, तब उन्हें लाभ होता है
  • DeepSeek सिर्फ एक model release नहीं, बल्कि इस युद्ध की एक गोली है कि बुद्धिमत्ता की कीमत कौन तय करेगा

• Deployment

  • मूल्य पूरी तरह cloud में नहीं जा रहा, इसलिए स्थिति अभी भी तरल है
    • inference वहाँ जाती है जहाँ वह product को खराब किए बिना सबसे सस्ती हो: frontier reasoning cloud में, latency edge पर, privacy और personalization on-device पर, और जहाँ तीनों चाहिए वहाँ hybrid
  • क्योंकि models सिर्फ data store नहीं करते, बल्कि user context, memory, documents, voice, code, behavior, और enterprise permissions पर reason भी करते हैं, इसलिए privacy, SaaS से भी अधिक महत्वपूर्ण हो जाती है
  • reasoning कहाँ होती है, यह तय करता है कि margin किसे मिलेगा, context किसके पास रहेगा, और customer किस पर भरोसा करेगा

• Talent

  • SaaS में talent एक execution variable था; बेहतर टीम तेज़ी से बनाती थी, बेहतर बेचती थी, और अधिक अनुशासन से संचालन करती थी
  • AI में talent, उत्पादन का कच्चा इनपुट (raw input) है; कुछ ही researchers architecture, data mixture, eval regime, और cost-capability curve को बदल सकते हैं
    • टीम सिर्फ बाज़ार के अनुसार execute नहीं करती, बल्कि बाज़ार का आकार ही बदल सकती है
  • सिर्फ operational quality नहीं, बल्कि research taste भी asset का हिस्सा बन जाती है

ख़तरा अब सिर्फ प्रतिस्पर्धी नहीं रहा

• SaaS में आम तौर पर किसी दूसरी company से हार होती थी: अधिक पूँजी वाला competitor, तेज़ टीम, या दायरा बढ़ाने वाला incumbent
  • एक अपवाद यह था कि किसी तीसरे पक्ष के platform पर बनी company, pricing या terms बदलने पर बिना सीधे competitor के ही समाप्त हो जाए
  • AI इस अपवाद को default बना देता है
• AI में असली ख़तरा layer migration है; capability, cost, latency, deployment, regulation, trust — इनमें से कोई भी चर पर्याप्त रूप से बदले तो काम दूसरी परत में चला जाता है
  • यह model, open-weight alternative, customer के data platform, agent runtime, या device itself में शिफ्ट हो सकता है
• एक और चर demand है; buyers धीरे चलते हैं, पर भोले नहीं हैं; वे lock-in cost समझते हैं, इसलिए उस देरी में मौजूद arbitrage बंद हो रही है

company बनाने का तरीका भी उलट गया है

• पुरानी मान्यताएँ और पारंपरिक VC सलाह गायब हो रही हैं
  • जहाँ SaaS productivity और अच्छा माहौल बेचता था, वहीं AI तेजी से outcomes और services बेचने वाला कम उदार business बनता जा रहा है; outcome काम करना चाहिए तभी product अच्छा है, और उस outcome को पर्याप्त दक्षता से produce करना चाहिए तभी company काम करती है

• Consumer और Enterprise का विभाजन

  • consumer में breadth ही काफी हो सकती है: तेज़, सस्ता, व्यापक रूप से उपयोगी, और विफल होने पर भी क्षम्य
  • enterprise में कसौटी अलग है: उसे किसी विशिष्ट workflow के भीतर customer context, permissions, data, और risk tolerance समाहित करके काम करना होगा
    • इसलिए frontier model अपने आप में enterprise product नहीं है; value उस application, orchestration, services, और proprietary data layer में है जो model को company के भीतर उपयोगी बनाती है

• Distribution और Talent

  • कल का model नए product को संभव बना सकता है, इसलिए company मंगलवार तक अपना positioning बदल सकती है
    • कुछ कंपनियों ने अपनी sales hiring profile पहले ही चलते लक्ष्य को बेच सकने वाले लोगों की ओर बदल दी है
    • कुछ कंपनियों में शुरुआत से top-down तरीका काम करता है

• आर्थिक संरचना

  • services-as-software pricing को बदल रहा है, और systems-integrator partnerships पारंपरिक playbook से कई साल पहले दिखाई दे रही हैं
  • बाज़ार बँट रहा है: कुछ investors ऐसे portfolio देखते हैं जहाँ product लगातार दोबारा बनाया जा रहा है, और निष्कर्ष निकालते हैं कि product लगभग महत्वहीन है, असली business services है; दूसरे, किसी ऐसी चीज़ से असहज हैं जो consulting जैसी दिखती है
  • अधिक असुविधाजनक सच यह है कि AI में product, services, deployment, और distribution हर company में नए ढंग से recombine हो रहे हैं

• संस्थापक की नवाचार क्षमता

  • narrow ICP, एक wedge, धीरे-धीरे निर्माण, पूर्वानुमेय hiring, product-led retention — इन में से कोई भी पर्याप्त नहीं है ऐसे बाज़ार में जहाँ चर स्थिर नहीं रहते और customer point solution नहीं चाहते
  • जो चीज़ें जीतती हुई दिखती हैं वे हैं तेज़ feedback loops, अधिकार-संपन्न छोटी टीमें, और 6 महीने पुराने plan की बजाय बदलाव के अनुसार स्वयं को reorganize करने की सहजता

अब संस्थापकों और राष्ट्रों के सामने क्या कार्य है

• AI में value एक बार capture करके defend नहीं की जाती; उसे लगातार reprice और reposition किया जाता है, और चर इस पुनर्स्थापन की दिशा व गति पढ़ने के साधन हैं
  • हर AI company, assumptions की एक stack पर बैठी है, और मज़बूत company जानती है कि वह किन assumptions पर long है और किन पर short
• AI में निवेश और निर्माण करना, किसी सॉफ़्टवेयर company की due diligence से ज़्यादा trading book चलाने जैसा है
  • आप कुछ curves पर long हैं, कुछ पर short, और उन correlations के जोखिम में हैं जो सबसे महत्वपूर्ण क्षण में टूट सकते हैं
• आपको चुनना होगा कि किन variables पर दाँव लगाना है, यह जानना होगा कि कौन से variables आपको मार सकते हैं, और अपनी company को इस तरह बनाना होगा कि गलत दाँव compounding होने से पहले वह जल्दी recover कर सके

• राजनीतिक आयाम

  • U.S. सरकार बेहतर स्थिति में होगी यदि वह दो variables को एक साथ संभाल सके: जोखिमपूर्ण frontier को नियंत्रित करे, लेकिन बुद्धिमत्ता को इतना महँगा न बनाए कि बंद labs और प्रतिस्पर्धी राष्ट्र ही भविष्य को परिभाषित करें
  • जीतने वाला राष्ट्र वह नहीं होगा जो सबसे अधिक regulate करे या सबसे अधिक release करे, बल्कि वह जो बुद्धिमत्ता को इतना सुरक्षित बनाए कि उस पर भरोसा किया जा सके, और इतना सस्ता कि वह व्यापक रूप से फैल सके