AI खर्चाचा दबाव वाढत असताना OpenAI ने GPT-5.6 Luna ची किंमत कमी केली

OpenAI ने आपल्या कमी-किमतीच्या GPT-5.6 tier वर मोठ्या प्रमाणात दरकपात केली

OpenAI ने AI model market मध्ये एक महत्त्वपूर्ण दरकपात केली आहे. 30 जुलैपासून GPT-5.6 Luna tier ची किंमत 80% आणि Terra tier ची किंमत 20% ने कमी करण्यात आली आहे. या बदलामुळे कंपनीच्या top-tier Sol pricing मध्ये कोणताही बदल होत नाही, पण लहान आणि मध्यम श्रेणीतील offering ची किंमत लक्षणीयरीत्या कमी होते, जी price-sensitive inference workloads आणि large-scale deployment साठी सर्वाधिक महत्त्वाची ठरू शकते.

The Decoder नुसार, Luna आता प्रति दशलक्ष input tokens साठी $0.20 आणि प्रति दशलक्ष output tokens साठी $1.20 इतका खर्च करते, ज्यामुळे ती एक आक्रमक low-cost option बनते. Terra ची किंमत प्रति दशलक्ष input tokens साठी $2 आणि प्रति दशलक्ष output tokens साठी $12 इतकी होते. कंपनीच्या म्हणण्यानुसार GPT-5.6 चे तिन्ही variant ChatGPT Work, Codex, आणि OpenAI API द्वारे उपलब्ध राहतील, त्यामुळे ही दरकपात consumer-adjacent enterprise tools आणि developer-facing platforms दोन्हींसाठी महत्त्वाची ठरते.

तत्काळ ठळक बाब म्हणजे Luna वरील कपातीचे प्रमाण. 80% कपात ही नेहमीची pricing adjustment नाही. हा असा निर्णय आहे जो दर्शवतो की कंपनी price-to-performance च्या आधारावर थेट स्पर्धा करण्यास तयार आहे, विशेषतः अशा बाजारात जिथे ग्राहक benchmark results बरोबरच production workloads मोठ्या प्रमाणावर चालवण्याच्या खर्चाचीही तुलना करतात.

OpenAI चे स्पष्टीकरण: त्याच्या स्वतःच्या frontier model मुळे infrastructure efficiency

OpenAI ने The Decoder ला सांगितले की या कपाती काही अंशी शक्य झाल्या कारण GPT-5.6 Sol ने कंपनीच्या स्वतःच्या infrastructure efficiency मध्ये सुधारणा केली. विशेषतः, रिपोर्टनुसार या model ने स्वतः GPU software optimize केले, ज्यामुळे deployment costs 20% नी कमी झाल्या. तसेच speculative decoding च्या माध्यमातून token generation मध्ये 15% पेक्षा जास्त सुधारणा झाली. या दाव्यांना एकत्र पाहिले तर स्वतःमध्येच एक लक्षवेधी कथा तयार होते: OpenAI म्हणत आहे की तिच्या सर्वात उच्च दर्जाच्या system मधील लाभ तिच्या कमी-किमतीच्या offering च्या economics मध्ये परत प्रवाहित होऊ शकतात.

हे वर्णन अचूक असेल, तर कंपनी आपल्या stack मध्ये vertical learning चे एक रूप मांडत आहे. सर्वात सक्षम model हा केवळ ग्राहकांसाठी एक product नसून, त्याखालील platform च्या operating cost कमी करणारे साधनही आहे. हे महत्त्वाचे आहे, कारण AI deployment ची economics आता फक्त raw model quality वर नाही तर infrastructure efficiency वरही अधिक अवलंबून आहे. Throughput, software optimization, किंवा token generation speed मधील तुलनेने लहान बदलसुद्धा विशाल inference volumes मध्ये गुणिले गेल्यावर मोठे परिणाम करू शकतात.

The Decoder ने OpenAI चा असाही दावा दिला की Luna गेल्या वर्षीच्या leading models इतकी कामगिरी करते, पण खूप जलद आणि खूप कमी खर्चात. प्रकाशनाने ही तुलना अशा प्रकारे मांडली: आधी त्या leading models वर एक डॉलर खर्च येणारे काम Luna वर सुमारे सहा सेंटमध्ये आणि जवळपास नऊपट वेगाने होते. ही मांडणी काही अंशी प्रचारात्मक असली, तरी ती नवीन pricing चा मुख्य मुद्दा पकडते. OpenAI असा model आजच्या applications साठी commodity building block असल्यासारखा सादर करू पाहत आहे, ज्याची क्षमता गेल्या वर्षी high-end होती.

बाजारातील दबाव स्पष्ट दिसतो

OpenAI चे स्पष्टीकरण internal efficiency वर केंद्रित असले तरी market context तितकाच महत्त्वाचा आहे. The Decoder विशेषतः AI sector मध्ये वाढत असलेल्या price pressure कडे लक्ष वेधतो, विशेषतः कमी-किमतीच्या Chinese providers कडून. ही एक महत्त्वाची बाब आहे, कारण यावरून स्पष्ट होते की नवीन pricing ही केवळ तांत्रिक प्रगतीचे बक्षीस नाही. कमी-किमतीचा inference हा strategic weapon बनत असलेल्या स्पर्धात्मक वातावरणाला दिलेला प्रतिसादही आहे.

रिपोर्टमध्ये असेही नमूद केले आहे की Microsoft स्वतःची MAI models OpenAI च्या तुलनेत स्वस्त पर्याय म्हणून उघडपणे मांडत आहे. त्यामुळे स्पर्धेच्या चित्रात आणखी एक स्तर जोडला जातो. Price pressure आता फक्त U.S. frontier model ecosystem च्या बाहेरून येत नाही. ते जवळच्या commercial relationships आणि adjacent product stacks मधूनही येत आहे, जिथे ग्राहक आधीपासूनच suppliers विविध करणे किंवा model bills कमी करण्याचे मार्ग शोधत असू शकतात.

व्यावहारिक अर्थाने याचा अर्थ असा की OpenAI अशा बाजारात काम करत आहे जिथे प्रत्येक model tier मध्ये premium pricing टिकवणे कठीण झाले आहे. ग्राहक अजूनही top-end capability साठी पैसे देऊ शकतात, जेव्हा ते परिणामांमध्ये ठोस सुधारणा आणते, पण उत्पादन वापराच्या अनेक प्रकरणांचा संबंध classification, retrieval, transformation, summarization, routing, आणि scale वर tool use यांच्याशी असतो. अशा श्रेणींमध्ये, कमी खर्च आणि पुरेशी गुणवत्ता बहुतेकदा एकमेव सर्वोत्तम frontier model पेक्षा अधिक महत्त्वाची ठरते.

Luna मथळ्यापेक्षा अधिक महत्त्वाची का आहे

रिपोर्टमध्ये Luna ला OpenAI चे सर्वात छोटे AI model म्हटले आहे, आणि नेमके याच कारणामुळे ही दरकपात महत्त्वाची ठरते. लहान models सहसा high-volume systems चे workhorses असतात. ते वारंवार होणारी कामे हाताळतात, agentic workflows ला आधार देतात, आणि अशा applications चा खर्च कमी करतात ज्यांना एका user session मध्ये अनेक calls कराव्या लागतात. Luna ची किंमत इतकी कमी करून OpenAI फक्त entry-level option आकर्षक करत नाही. तो त्या model tier ला बळकटी देत आहे जो अनेक software products मध्ये adoption economics वर सर्वाधिक परिणाम करू शकतो.

The Decoder च्या म्हणण्यानुसार Luna price-to-performance बाबतीत प्रतिस्पर्ध्यांवर वर्चस्व मिळवण्यासाठी डिझाइन केली आहे. ही महत्त्वाकांक्षा AI market मधील व्यापक बदल दर्शवते. generative AI boom च्या मोठ्या काळात कंपन्या सर्वात नव्या flagship capability साठी स्पर्धा करत होत्या. मात्र आता अधिक टिकाऊ लढाई operational efficiency सारखी दिसते: दिलेल्या budget मध्ये ग्राहक किती उपयुक्त intelligence खरेदी करू शकतो, आणि ती किती वेगाने मिळू शकते.

या बदलाचे परिणाम vendor rankings पलीकडे जातात. Lower inference prices developers ना deploy करण्यास तयार असलेल्या applications ची व्याप्ती वाढवू शकतात, विशेषतः जिथे margins कमी आहेत किंवा user behavior अनिश्चित आहे. ते market expectations देखील वाढवू शकतात, ज्यामुळे प्रतिस्पर्धी providers वर स्वतःचे lower-tier models अधिक महाग का आहेत, हळू का चालतात, किंवा समान price points वर कमी performance का देतात हे स्पष्ट करण्याचा दबाव वाढतो.

खरे strategic risks असलेले price war

रिपोर्ट सावधगिरीच्या सूरात संपतो, आणि ती सावधगिरी गांभीर्याने घेण्यासारखी आहे. The Decoder इशारा देतो की वाढत चाललेली price war व्यापक बाजारासाठी हानिकारक ठरू शकते, जर त्यामुळे frontier labs च्या revenue growth ला मंदी आली, ज्यांचे financial outlook अतिशय मोठ्या infrastructure investments वर अवलंबून आहेत. AI मधील हा ताण एक ठळक प्रश्न बनला आहे: उद्योग chips, data centers, आणि model development वर प्रचंड खर्च करत आहे, पण competitive forces end-user prices खाली ढकलतच आहेत.

OpenAI च्या 30 जुलैच्या दरकपाती या समीकरणाच्या दोन्ही बाजू एकाच वेळी दाखवतात. एकीकडे, कंपनी सूचित करत आहे की efficiency gains खूपच स्वस्त deployment ला आधार देऊ शकतात. दुसरीकडे, ती अशा शर्यतीत भाग घेत आहे जी sector मधील margins संकुचित करू शकते. Developers आणि enterprise buyers साठी तात्काळ परिणाम अनुकूल आहे: उत्तम economics आणि model tiers निवडताना अधिक leverage. Model providers साठी दीर्घकालीन प्रश्न असा आहे की efficiency improvements स्पर्धेच्या खाली खेचणाऱ्या ताकदीपेक्षा वेगाने पुढे जाऊ शकतील का.

सध्या संदेश स्पष्ट आहे. OpenAI विशेषतः Luna कडे compromise option म्हणून नाही, तर production AI साठी एक जलद, कमी-किमतीचा पाया म्हणून पाहिले जावे अशी इच्छा व्यक्त करत आहे. किंमतकपातीचा मोठा आकार दर्शवतो की कंपनीला वाटते की स्पर्धेचा पुढचा टप्पा केवळ कोण सर्वात स्मार्ट model बनवतो यावर नाही, तर कोण सर्वात कमी टिकाऊ खर्चात उपयुक्त intelligence देऊ शकतो यावर जिंकेल.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.