Giữa năm 2026, các chỉ số hoạt động chính của ngành AI, bao gồm doanh thu và khối lượng gọi API, đều duy trì tốc độ tăng trưởng cao. Tuy nhiên, khi phân tích cơ cấu tài chính và hoạt động của các công ty riêng lẻ, có thể thấy rằng đằng sau cùng một bộ dữ liệu tăng trưởng đó là những mô hình kinh doanh không hề giống nhau. Bài viết này hệ thống hóa bốn nghịch lý cấu trúc trong mô hình kinh doanh AI hiện tại: nghịch lý chi phí, nghịch lý tầng lớp, nghịch lý trách nhiệm và nghịch lý nguồn mở/đóng. Bốn nghịch lý này đều chỉ ra một xu hướng cơ bản: trí tuệ đang được hàng hóa hóa nhanh chóng, trong khi lợi nhuận chỉ tập trung ở một số ít khâu.
Nghịch lý chi phí: Token càng rẻ, hóa đơn càng nặng
Khi GPT-4 ra mắt vào tháng 3/2023, giá đầu vào là 30 USD cho mỗi triệu Token, giá đầu ra là 60 USD. Doanh nghiệp sử dụng nó để xây dựng hệ thống hỗ trợ khách hàng, chi phí API hàng tháng có thể vượt quá lương của toàn bộ đội ngũ hỗ trợ. Ba năm sau, giá cho mức độ thông minh tương đương đã giảm hơn 95%.
Theo lẽ thường, chi tiêu cho AI lẽ ra phải co lại, nhưng thực tế lại ngược lại. Tháng 3/2026, khối lượng Token gọi toàn cầu mỗi tuần đạt 20,4 nghìn tỷ; Trung Quốc đạt hơn 140 nghìn tỷ Token gọi mỗi ngày, tăng hơn một nghìn lần so với đầu năm 2024. Hiện tượng này phù hợp với Nghịch lý Jevons (Jevons Paradox) trong kinh tế học: động cơ hơi nước càng hiệu quả, mức tiêu thụ than trên đơn vị càng thấp, thì tổng lượng than tiêu thụ lại càng lớn. Giá Token giảm không dẫn đến việc tổng hóa đơn giảm.
Nguyên nhân nằm ở sự thay đổi cấu trúc nhu cầu. Khi giá đủ thấp, một lượng lớn công việc vốn không khả thi về mặt kinh tế trước đây bắt đầu được đưa vào phạm vi xử lý của AI. Chi tiêu hàng tháng của doanh nghiệp có thể tăng từ 50.000 USD lên 500.000 USD, nhưng số lượng công việc hoàn thành cũng là điều không dám tưởng tượng trước đây. Quan trọng hơn là sự dịch chuyển mô hình sử dụng: tương tác kiểu hội thoại trước đây bị giới hạn bởi thời gian của con người, trong khi Agent (tác nhân thông minh) có thể chạy 24/7. Một nhân viên có thể có 10 Agent hỗ trợ, khối lượng sử dụng có thể gấp hàng chục lần so với tương tác thuần túy của con người. Một nghiên cứu cho thấy, việc lập trình bằng Agent tiêu thụ Token gấp khoảng một nghìn lần so với hỏi đáp thông thường. Giá đơn vị giảm một bậc độ lớn, tổng tiêu thụ có thể tăng lên hai bậc độ lớn.
Sự phân bổ chi phí trong chuỗi công nghiệp cũng đáng chú ý. Lấy gói đăng ký Claude 20 USD/tháng làm ví dụ, sau khi trừ đi chi phí tính toán, kênh phân phối và vận hành, công ty mô hình có biên lợi nhuận ròng khá mỏng; trong khi lợi nhuận chảy về tầng chip đôi khi không ít hơn công ty mô hình. Người dùng trả tiền cho trí tuệ, nhưng lợi nhuận lại tập trung nhiều ở thượng nguồn.
Đối mặt với áp lực hóa đơn, ngành công nghiệp bắt đầu chuyển từ tiết kiệm giá đơn vị sang tiết kiệm nhiệm vụ: định tuyến nhiệm vụ đơn giản đến mô hình nhỏ, đặt ngân sách nhiệm vụ cho Agent để tránh chạy không tải; đơn vị tính toán cũng chuyển từ giá mỗi triệu Token sang tổng chi phí để hoàn thành một việc. Thực tiễn cho thấy, với cùng một mô hình và khối lượng sử dụng, những công ty có khả năng phân rã nhiệm vụ, xác minh kết quả và tích hợp quy trình đạt hiệu suất đầu ra cao hơn đáng kể. Đồng thời, mô hình trợ cấp cũng đang thoái trào: Claude Code rút khỏi gói đăng ký giá thấp, Copilot chuyển sang tính phí theo lượng sử dụng. Hiệu ứng Jevons không biến mất: cuối cùng ngành công nghiệp nhận ra, thứ cần tối ưu không phải là bảng giá, mà chính là bản thân nhiệm vụ.
Trong khi hóa đơn nặng thêm, việc cải thiện hiệu quả của doanh nghiệp lại thường không thấy rõ. Solow từng chỉ ra: máy tính có mặt ở khắp nơi, nhưng lại không thấy trong thống kê năng suất. Động cơ điện là một tham chiếu rõ ràng: ra đời từ những năm 1880, nhưng các nhà máy Mỹ phải mất khoảng bốn mươi năm mới chứng minh được hiệu quả, phần lớn doanh nghiệp chỉ thay thế động cơ hơi nước bằng động cơ điện, cấu trúc truyền động vẫn giữ nguyên, trong khi giá trị của điện lại yêu cầu sắp xếp lại dây chuyền sản xuất.
Tình hình AI ngày nay cũng tương tự. Người sáng lập Databricks, Ghodsi, kể một trường hợp: một bộ kết nối dữ liệu trước đây phát triển mất chín tháng, sau khi đưa mô hình lớn vào, thử nghiệm lần đầu chỉ tiết kiệm được một tháng rưỡi; cho đến khi có người phân rã và làm lại quy trình, mới đạt được giao hàng trong một quý. Kết luận của ông là, nút thắt không nằm ở mô hình, mà ở cách thức tổ chức.
Do đó, nghịch lý chi phí có hai lớp: Nghịch lý Jevons cho rằng, token càng rẻ, tổng hóa đơn càng nặng; Nghịch lý Solow cho rằng, nếu không thay đổi quy trình, hiệu quả sẽ không vào được thống kê. Cái trước yêu cầu tối ưu hóa nhiệm vụ, cái sau yêu cầu tái cấu trúc quy trình.
Nghịch lý tầng lớp: Ứng dụng là vua và Ứng dụng đã chết
Đồng thuận của thời đại di động internet là ứng dụng là vua: ai chiếm thời gian người dùng, người đó có cơ hội kiếm tiền qua quảng cáo và đề xuất, tần suất cao đánh tần suất thấp, số lần mở ứng dụng chính là giá trị.
Làn sóng AI lần này xuất hiện sự đảo ngược. Jensen Huang từng công khai bày tỏ, giá trị kinh tế cuối cùng sẽ được thực hiện ở tầng ứng dụng, các ứng dụng thành công sẽ kéo cả ngành công nghiệp. Theo logic này, vốn lẽ ra nên tập trung vào tầng ứng dụng. Nhưng vào mùa hè năm 2026, đánh giá chủ đạo trên thị trường cấp một là "ứng dụng đã chết": mô hình cơ sở phát triển quá nhanh, các ứng dụng quá mỏng có thể bị bao phủ bất cứ lúc nào bởi sự mở rộng tự nhiên của năng lực mô hình. Vốn đầu tiên chảy về mô hình và cơ sở hạ tầng, tầng ứng dụng vẫn có huy động vốn, nhưng xa mức được coi là đương nhiên như làn sóng trước.
Sổ sách ngành công nghiệp phần nào ủng hộ lựa chọn của vốn. Khi phân tách theo ngăn xếp công nghiệp, với doanh thu hàng năm của hệ sinh thái AI tạo sinh khoảng 4000 tỷ USD, tầng chip chiếm khoảng bảy phần trăm doanh thu và gần tám phần trăm lợi nhuận gộp; tầng ứng dụng doanh thu khoảng 60 tỷ USD, biên lợi nhuận gộp chủ yếu trong khoảng 0-30%, trong khi các công ty chip như NVIDIA có thể đạt biên lợi nhuận gộp khoảng bảy mươi phần trăm. Cấu trúc hình tam giác thuận, nơi tầng ứng dụng chiếm tỷ trọng lớn nhất trong thời đại điện toán đám mây, đã bị đảo ngược trong ngành công nghiệp AI.
Bên trong tầng mô hình cũng đang phân hóa. Các công ty thiên về API doanh nghiệp, dựa vào khối lượng sử dụng của khách hàng hiện có để cuộn bóng tuyết, có doanh thu tăng vọt đồng thời biên lợi nhuận gộp suy luận có thể được cải thiện từ mức lỗ sâu lên khoảng bảy mươi phần trăm; trong khi các công ty có lượng người dùng miễn phí khổng lồ, biểu hiện ở mặt hoạt động lại thua xa tiêu đề doanh thu. Thặng dư không phân bổ đồng đều trên toàn tầng mô hình, mà tập trung vào một số ít con đường có tỷ lệ giữ chân cao, biên lợi nhuận gộp cao. Sự thờ ơ của vốn với ứng dụng, vừa có thành kiến nhận thức, vừa có căn cứ tài chính.
Cuộc cạnh tranh sản phẩm AI không còn là thời gian người dùng ở lại, mà là liệu người dùng có sẵn sàng giao phó một nhiệm vụ quan trọng cho nó hay không. ChatBot thông dụng và Agent thông dụng rất có thể là chiến trường chính của các công ty mô hình hàng đầu, cơ hội cạnh tranh trực diện cho công ty khởi nghiệp có hạn; hướng đi vẫn có thể thành lập là đưa trí tuệ vào các tình huống cụ thể, làm lại sản phẩm theo cách vấn đề thực sự xảy ra. Người dùng không ở lại vì sản phẩm kết nối với một mô hình nào đó, mà vì sản phẩm hiểu được tài liệu, nhớ được ngữ cảnh, kết nối được với dịch vụ tiếp theo. Harvey đào sâu nhiều năm trong lĩnh vực pháp lý, dữ liệu hồ sơ kiểm tra và án lệ tích lũy được không thể sao chép bằng đầu tư ngắn hạn.
Từ đó có thể rút ra một tiêu chuẩn đánh giá đơn giản: mỗi khi mô hình cơ sở tăng cường một thế hệ, giá trị của sản phẩm là tăng lên hay giảm đi? Những cái giảm đi, phần lớn là lớp bao bọc năng lực mô hình; những cái tăng lên, thường nắm giữ ngữ cảnh riêng tư, quy trình nghiệp vụ, năng lực giao hàng hoàn chỉnh hoặc kênh phân phối. Khâu thực hiện giá trị không biến mất, chỉ là tiêu chuẩn thành lập đã thay đổi: ai có thể biến mình thành một mắt xích khó thay thế hơn khi mô hình trở nên mạnh hơn.
Nghịch lý trách nhiệm: Lợi nhuận phân bổ theo trách nhiệm
Trước tiên xem hai nhóm dữ liệu. Doanh thu hàng năm (ARR) của Anthropic từ khoảng 10 tỷ USD vào tháng 12/2024 tăng lên hơn 470 tỷ USD vào tháng 5/2026, tăng hơn bốn mươi lần trong một năm rưỡi. Theo thông tin chính thức của OpenAI: ARR năm 2023 là 20 tỷ USD, năm 2024 là 60 tỷ USD, năm 2025 vượt quá 200 tỷ USD, đến cuối tháng 2/2026 đã vượt quá 250 tỷ USD.
Nhưng tốc độ tăng trưởng chỉ chứng minh nhu cầu tồn tại, không thể chứng minh lợi nhuận có thể giữ lại. Cũng đang trong giai đoạn tăng trưởng cao, biên lợi nhuận gộp cơ sở hạ tầng suy luận của Anthropic từ 38% một năm trước tăng lên hơn 70%; trong khi tài liệu nội bộ của OpenAI cập nhật vào tháng 11/2025 đã hoãn thời điểm dòng tiền tự do chuyển sang dương đến khoảng năm 2030. Cùng trong ngành công nghiệp AI, sự tăng trưởng của hai loại công ty đã xuất hiện phân hóa. Đối với sự phân hóa này, thị trường chủ yếu có ba cách giải thích, mỗi cách đều có phần lý lẽ riêng, và cũng đều bỏ sót những khâu then chốt.
Cách giải thích thứ nhất là thời gian có thể giải quyết mọi thứ: chi phí suy luận giảm một bậc độ lớn mỗi năm, hóa đơn tính toán đang đè nén biên lợi nhuận hiện tại, có lẽ hai ba năm sau sẽ không còn là vấn đề. Điện toán đám mây, lưu trữ, băng thông đều đã trải qua con đường đầu kỳ đốt tiền đổi quy mô, sau khi đường cong chi phí được san bằng thì lợi nhuận tự nhiên hiện ra. Nhưng cách giải thích này khó trả lời một thực tế: hai năm chi phí giảm nhanh nhất, lại chính là hai năm biên lợi nhuận phân hóa rõ rệt nhất. Nếu giảm chi phí là thuốc giải, lợi nhuận ngành lẽ ra phải cải thiện tổng thể, chứ không phải một nửa cải thiện, một nửa xấu đi. Nguyên nhân là giảm chi phí là phổ quát, tất cả nhà cung cấp cùng hưởng lợi, cũng đồng thời thông qua giảm giá chuyển nhượng lợi ích cho người dùng. Gửi gắm lợi nhuận vào việc giảm phát chi phí, đồng nghĩa với thừa nhận bản thân không có quyền định giá.
Cách giải thích thứ hai là tầng ứng dụng tồn tại hào bảo vệ: sản phẩm hỗ trợ khách hàng, quản lý phiếu công việc ăn sâu vào hệ thống khách hàng, chi phí tích lũy dữ liệu và di chuyển tạo thành phòng thủ. Nhận định này đúng cách đây năm năm, nhưng điểm bán hàng cốt lõi của công cụ AI thế hệ mới lại chính là chi phí di chuyển tiệm cận bằng không - không thay thế hệ thống của khách hàng, mà trực tiếp tiếp quản quy trình hiện có. Còn về tích lũy dữ liệu, một bước nhảy vọt lớn về năng lực của mô hình cơ sở có thể khiến cơ sở kiến thức ngành tích lũy nhiều năm mất giá đáng kể. Trường hợp minh họa rõ nhất là Intercom: họ ra mắt Fin, tính phí theo vấn đề thực tế được giải quyết, mỗi phiếu 0.99 USD, chưa giải quyết không tính phí. Điều này phần nào cho thấy, mô hình cũ bán công cụ hỗ trợ theo số ghế đã khó duy trì.
Cách giải thích thứ ba là tính phí theo kết quả không khả thi: liệu phiếu công việc có được giải quyết, chuyển đổi bán hàng có nên quy công cho AI hay không, quy kết khó xác định rõ ràng. Do đó, tính phí theo token, theo số ghế mới là thông thường, tính phí theo kết quả chỉ là thử nghiệm ngoại vi. Vấn đề quy kết thực sự tồn tại, nhưng nó có nhiều khả năng tạo thành nguồn gốc của quyền định giá hơn là trở ngại: chính vì quy kết khó thực hiện, nhà cung cấp có thể làm rõ quy kết trong lĩnh vực cụ thể, đồng nghĩa với việc biến chính năng lực quy kết thành rào cản. Hơn nữa, quy kết trong một số lĩnh vực vốn dĩ đã rõ ràng, phiếu công việc có giải quyết hay không, thu hồi nợ có thu về hay không, bồi thường bảo hiểm có kết án hay không, đều có thể viết vào hợp đồng để xác minh. Lĩnh vực quy kết không rõ ràng không tính phí theo kết quả, lĩnh vực quy kết rõ ràng tính phí theo kết quả, nhiều chế độ tính phí sẽ cùng tồn tại lâu dài.
Sau khi loại trừ ba cách giải thích trên, biến số cấu trúc duy nhất còn lại là: nhà cung cấp sẵn sàng chịu trách nhiệm cho kết quả trong phạm vi nào, ràng buộc mạnh đến mức nào. Trách nhiệm càng nặng, biên lợi nhuận gộp càng cao, nguồn ngân sách cũng càng lớn. Bán theo Token tranh giành ngân sách CNTT, bán theo kết quả thâm nhập vào ngân sách nhân lực: một bộ phận chi phí nhân lực hàng tháng mười vạn, nếu AI có thể hoàn thành kết quả tương đương với một vạn, không gian định giá sẽ hoàn toàn khác.
Điều này cũng trả lời một câu hỏi khác: tại sao nghiệp vụ dễ khởi lượng nhất lại khó giữ lợi nhuận nhất. Nghiệp vụ hỗ trợ khách hàng, mô tả sản phẩm, chuyển giọng nói thành phiếu công việc có khối lượng lớn, dễ trình diễn, dễ ký đơn, nhưng cũng chính là những nghiệp vụ chứa hàm lượng trách nhiệm thấp nhất, dễ bị mô hình cơ sở bao phủ trực tiếp nhất. Ngược lại, các lĩnh vực tần suất thấp, quản lý chặt chẽ, chi phí sai lầm cao như pháp lý, y tế, giao hàng nặng, chu kỳ bán hàng dài, câu chuyện không hấp dẫn, nhưng bán ra là quy trình, dữ liệu và trách nhiệm, một lần nâng cấp mô hình không thể xóa bỏ chúng. Harvey chọn pháp lý không phải ngẫu nhiên.
Do đó, đánh giá vị trí của một công ty AI, thay vì tập trung vào tốc độ tăng trưởng và năng lực mô hình, hãy trả lời hai câu hỏi: nó dám chịu trách nhiệm cho phần kết quả nào, và phần quy kết của kết quả đó có đủ vững chắc hay không. Cái trước là ý chí, cái sau là năng lực, thiếu một trong hai thì không thể có được mức giá cao theo kết quả. Tiêu chuẩn này không đảm bảo phán đoán chính xác, công nghệ quy kết vẫn ở giai đoạn đầu, thói quen mua sắm của doanh nghiệp thay đổi chậm hơn kỳ vọng lạc quan. Nhưng về hướng đi, lợi nhuận có khả năng cao không chảy về công ty tăng trưởng nhanh nhất, mà chảy về công ty dám chịu trách nhiệm, và chịu nổi trách nhiệm.
Nghịch lý nguồn mở/đóng: Nguồn mở giành lưu lượng, Nguồn đóng thắng doanh thu
Chỉ xét về khối lượng sử dụng, nguồn mở đã chiếm ưu thế. Năm mô hình hàng đầu về lưu lượng trên nền tảng OpenRouter đều là mô hình trọng số mở; về tỷ lệ áp dụng của nhà phát triển, nguồn mở là 79%, nguồn đóng là 71%. Mô hình Trung Quốc là lực lượng chính trong đợt mở rộng nguồn mở lần này, thị phần trên nền tảng này từ dưới 2% một năm trước tăng lên hơn 45% vào tháng 4/2026, chiếm 61% tỷ lệ Token sử dụng trong mười mô hình hàng đầu.
Chỉ xét về doanh thu, ưu thế của nguồn đóng cũng rõ ràng. Khảo sát của a16z với các CIO doanh nghiệp Global 2000 cho thấy: tỷ trọng chi tiêu của doanh nghiệp cho mô hình nguồn mở giảm từ 19% năm trước xuống còn 11% năm nay, nguồn đóng chiếm 89%, trung bình mỗi doanh nghiệp ngân sách mô hình lớn hàng năm khoảng 7 triệu USD. Bên trong nền tảng OpenRouter cũng hiển thị cùng cấu trúc: Anthropic với 12% thị phần Token thu về 46% thị phần doanh số.
Chênh lệch hiệu năng chỉ vài phần trăm, giá rẻ hơn 5-20 lần, tại sao doanh nghiệp vẫn chọn nguồn đóng? Bởi vì thứ doanh nghiệp mua không chỉ là bản thân trí tuệ, mà còn bao gồm độ tin cậy, hỗ trợ kỹ thuật, đảm bảo tuân thủ, và chủ thể chịu trách nhiệm khi xảy ra vấn đề. Đủ dùng và dám dùng cho nghiệp vụ cốt lõi là hai chuyện khác nhau. Một chi tiết khác đáng chú ý trong khảo sát: Tổng chi phí sở hữu (TCO) của nguồn mở và nguồn đóng đang hội tụ, tốc độ giảm giá của nguồn đóng nhanh hơn tốc độ xây dựng niềm tin của nguồn mở. Triển khai hỗn hợp do đó trở thành thông thường: thử nghiệm và tình huống ngoại vi dùng nguồn mở, đường dẫn then chốt dùng nguồn đóng.
Thay đổi sâu hơn nằm ở chỗ, bản thân trại nguồn mở cũng không dựa vào mô hình để kiếm lợi nhuận. Động cơ mở nguồn của các nhà cung cấp khác nhau không giống nhau. Có cái lấy hệ sinh thái nền tảng làm mục tiêu, dùng trọng số mở đổi lấy cổng vào nhà phát triển và tiếng nói tiêu chuẩn ngành, doanh nghiệp chính hiện có bù đắp; có cái coi mô hình nguồn mở như kênh thu hút khách hàng cho nghiệp vụ đám mây, kéo nhà phát triển lên đám mây, từ đó thúc đẩy tăng trưởng liên tục của doanh thu đám mây. Tầng mô hình đang được hàng hóa hóa nhanh chóng, bể lợi nhuận di chuyển về hai đầu: tính toán thượng nguồn, và sắp xếp, dữ liệu, dịch vụ hạ nguồn.
Khó khăn của trại nguồn đóng nằm ở chỗ, mức giá cao hơn của nó có liên quan mạnh đến chênh lệch thế hệ năng lực, mỗi bước nguồn mở tiến gần lại, quyền định giá tính theo token lại lỏng lẻo thêm một phần. Nhưng sự khan hiếm không biến mất, chỉ là phân tầng: mô hình tiên phong vẫn khan hiếm, trí tuệ đủ dùng đang được hàng hóa hóa. Do đó, khi đánh giá vị trí của một công ty, vấn đề không phải ở việc nó chọn nguồn mở hay đóng, mà ở việc nó dựa vào cái gì để có doanh thu, và khi nguồn mở tiến thêm một bước, doanh thu của nó là tăng lên hay giảm đi.
Bài viết từ tài khoản WeChat công khai "Tencent Research Institute" (ID: cyberlawrc), tác giả: Liu Qiong
