Süni İntellekt Çıxarış Qiymət İndeksi (AI Inference Price Index, AIPI), süni intellekt modellərinin yalnız bir milyon token üçün elan edilən qiymətlərini deyil, bu tokenların satın aldığı ölçülmüş model qabiliyyətini də nəzərə alan qiymət ölçmə çərçivəsidir. Cayman Seagraves və Stace Sirmans OpenRouter-də elan edilmiş çıxarış qiymətlərini və gündəlik model istifadəsini Artificial Analysis benchmark balları ilə uyğunlaşdıraraq Yanvar 2025–İyun 2026 dövründə dörd fərqli qiymət ölçüsü yaratmışdır. Mənbə versiyasında bazarda qalmağa davam edən modellərin qiymətləri %6,5 artdığı halda, sabit ölçülmüş keyfiyyətə görə çıxarış qiyməti %51,9, istifadəçilərin seçdiyi model səbətinin qabiliyyət başına xərci %86,8 və sabit benchmark həddini aşan ən ucuz modelə çıxış qiyməti %99,4 azalır. Lakin bu nəticə açıq API bazarının ölçülməsidir; xüsusi korporativ müqavilələri, öz infrastrukturunda işlədilən modelləri, paket proqram təminatı qiymətlərini və ya real dünya tapşırığının ümumi tamamlanma xərcini təmsil etmir.

Tədqiqatın mərkəzi nəticəsi, token qiyməti ilə maşın qabiliyyətinin iqtisadi qiymətinin eyni şey olmamasıdır. Köhnə modellər orta hesabla ciddi qiymət endirimi etməmiş olsa belə, daha yeni modellər daha yüksək ölçülmüş qabiliyyəti daha aşağı xərclə təqdim edə və istifadəçilər bu modellərə keçə bilərlər. Beləliklə, bazardakı “zəkanın qiyməti” ayrı-ayrı köhnə məhsulların etiket qiymətlərindən daha çox, hansı modellərin bazara daxil olduğundan, qiymət-performans sərhədinin necə irəlilədiyindən və istifadənin hansı model nəsillərinə yönəldiyindən asılı olur.

Müəlliflərin şərhi mühüm bir məhdudiyyəti də ehtiva edir: Artificial Analysis Intelligence Index real iqtisadi nəticənin və ya tapşırıq başına məhsuldarlığın təbii fiziki vahidi deyil. Tədqiqatda bu, model keyfiyyətini müqayisə etmək üçün istifadə olunan ölçülmüş benchmark xüsusiyyətidir. Buna görə sabit-keyfiyyət və hədd indeksləri güclü qiymət ölçüsü təqdim etsə də, istifadəyə görə çəkilənmiş “qabiliyyət başına xərc” sırası istifadəçilərin faktiki seçdiyi model səbətini də əks etdirən təsviri bazar-vəziyyəti ölçüsüdür.

İqtisadi problem: Bir tokenin qiyməti niyə təkbaşına kifayət etmir?

Süni intellekt çıxarışı əvvəlcədən öyrədilmiş modelin bir sorğuya cavab yaratmaq üçün istifadə edilməsidir. API təminatçıları bu xidməti əsasən giriş və çıxış tokenləri üzrə qiymətləndirirlər. Buna görə ilk baxışda “süni intellektin qiyməti” bir milyon token başına dollarla ölçülə bilər. Problem ondadır ki, müxtəlif modellər eyni token miqdarı ilə eyni səviyyədə mühakimə, kodlaşdırma, bilik və ya kəmiyyət məsələlərinin həlli qabiliyyəti təqdim etmir. Yeni modeldə bir milyon tokenlik istifadə köhnə modeldəki bir milyon tokenlə iqtisadi baxımdan eyni xidmət axınını təmsil etməyə bilər.

Tədqiqat buna görə üç ayrı dəyişikliyin bir-birindən ayrılmalı olduğunu müdafiə edir: bazarda artıq mövcud olan modellərin elan edilmiş qiymətlərinin dəyişməsi, modellərin ölçülmüş keyfiyyətinin dəyişməsi və istifadəçilərin hansı modelləri seçməsinin dəyişməsi. Xam token qiyməti bu üç marjanı bir-birinə qarışdıra bilər.

Süni intellekt çıxarışında token qiyməti ilə “zəkanın qiyməti” arasındakı fərq nədir?

Token qiyməti təminatçının hesab-fakturada göstərdiyi mətn vahidinin qiymətidir; tədqiqatdakı “zəkanın qiyməti” isə müəyyən miqdarda ölçülmüş benchmark qabiliyyətini satın almaq üçün tələb olunan iqtisadi xərcdir. Model keyfiyyəti zamanla sürətlə dəyişdiyi üçün eyni token miqdarı müxtəlif model nəsillərində fərqli miqdarda ölçülmüş qabiliyyət təmin edə bilər.

Tədqiqatın dörd ayrı qiymət ölçüsü

Tədqiqatçılar tək bir indeksin bütün suallara cavab vermədiyini qəbul edərək dörd fərqli ölçü yaradırlar.

Məlumat mənbələri və nümunə

Elan edilmiş model qiymətləri OpenRouter-dən götürülmüşdür. OpenRouter müxtəlif təminatçıların modellərinə ortaq API interfeysi vasitəsilə çıxış verən çıxarış bazarıdır. Tədqiqat hər modeli tipik bir sorğunu təxminən təmsil etmək üçün istifadə olunan 3:1 giriş–çıxış token tərkibi ilə bir milyon token başına qarışıq qiymət əsasında ümumiləşdirir. Cari qiymətlər canlı kataloqdan, keçmiş qiymətlər isə arxivləşdirilmiş təminatçı və bazar qiymət səhifələrindən yaradılan aylıq qiymət anlıq görüntülərindən götürülmüşdür.

Model istifadəsinin həcmi OpenRouter-in gündəlik model reytinqlərindəki token həcmlərindən gəlir. Beləliklə, tədqiqatçılar yalnız bazarda hansı modellərin olduğunu deyil, istifadəçilərin hansı modellərdən həqiqətən nə dərəcədə istifadə etdiyini də müşahidə edə bilirlər.

Keyfiyyət ölçüsü üçün Artificial Analysis Intelligence Index istifadə edilmişdir. Bu birləşik bal mühakimə, kodlaşdırma və kəmiyyət benchmarklarını birləşdirir. OpenRouter model adları ilə Artificial Analysis qeydləri təminatçı və model adına əsaslanan versiyalaşdırılmış uyğunlaşdırma cədvəli vasitəsilə əlaqələndirilmişdir; əsas mətndə bu uyğunlaşdırmanın bazar token həcminin təxminən %94-nü əhatə etdiyi bildirilir.

Nümunə saylarının müxtəlif bölmələrdə dəyişməsi uyğunsuzluq deyil. Əsas hedonik qiymət paneli daha geniş nümunədən istifadə etdiyi halda, bəzi yeni-mal və benchmark davamlılıq təhlilləri modelin benchmark dərc tarixindən əvvəlki qiymət müşahidələrini istisna edən daha dar “release-date guard” tətbiq edir.

Hedonik sabit-keyfiyyət qiymət indeksi

Sabit-keyfiyyət qiymət indeksi model qiymətinin benchmark qabiliyyəti ilə sistematik şəkildə dəyişə biləcəyini qəbul edən hedonik reqressiyadan əldə edilir:

\[ \ln p_{m,t} = \theta \tilde{q}_m + \phi \tilde{q}_m^2 + \delta_{g(m)} + \tau_t + \varepsilon_{m,t} \]

Burada \(p_{m,t}\), \(m\) modelinin \(t\) qiymət anlıq görüntüsündə bir milyon qarışıq token başına elan edilmiş qiymətidir. \(q_m\), Artificial Analysis intelligence score dəyəridir; \(\tilde{q}_m\) bu balın nümunə medianı ətrafında mərkəzləşdirilmiş formasıdır. \(\delta_{g(m)}\) təminatçı sabit effektlərini, \(\tau_t\) zaman/anlıq görüntü sabit effektlərini və \(\varepsilon_{m,t}\) izah olunmayan komponenti göstərir.

Model keyfiyyəti sabit saxlanıldıqda zaman sabit effektlərinin izlədiyi hərəkət eyni ölçülmüş benchmark qabiliyyətinin qiymətindəki dəyişikliyi verir. Keyfiyyət nümunə medianında mərkəzləşdirildiyi üçün \(\theta\), median keyfiyyət səviyyəsində marjinal qiymət-keyfiyyət meylini təmsil edir.

Əsas qiymətləndirmədə benchmark balındakı bir ballıq artım median keyfiyyət ətrafında log qiymətlə +0,059 əlaqəlidir və t-statistikası 11,7-dir. Kvadrat keyfiyyət termini -0,0006-dır və t = -3,3-dür. Bu mənfi ikinci dərəcəli termin keyfiyyət yüksəldikcə marjinal qiymət-keyfiyyət meylinin frontier bölgəsinə doğru yastılaşdığını göstərir. Reqressiya 2.625 qiymət müşahidəsini və 313 modeli əhatə edir; \(R^2 = 0,48\)-dir.

Keyfiyyət sabit saxlanıldıqda süni intellekt çıxarış qiyməti nə qədər azaldı?

Yüklənmiş 26 İyun 2026 mənbə versiyasında Yanvar 2025–İyun 2026 arasında sabit ölçülmüş benchmark keyfiyyətinin hedonik çıxarış qiyməti %51,9 azalmışdır; model-klasterli bootstrap ilə bildirilən %95 etibar intervalı təxminən -%64,5 ilə -%31,9 arasındadır.

Nəticənin benchmark seçiminə əsaslanıb-əsaslanmadığı necə yoxlanıldı?

Artificial Analysis yalnız bir cari keyfiyyət balı dərc etdiyi üçün tədqiqatçılar hər modelin tarixən həmin tarixdə hansı benchmark balına malik olduğunu tam “as-of” zaman sırası şəklində yenidən qura bilmirlər. Müəlliflər bu məhdudiyyəti gizlətmək əvəzinə müxtəlif davamlılıq yoxlamaları ilə sərhədləndirirlər.

Müstəqil keyfiyyət ölçüsü kimi LMArena insan-seçimi Elo balları istifadə edildikdə iki keyfiyyət sıralamasının uyğunlaşdırılmış modellərdə Spearman korrelyasiyası 0,85-dir. LMArena-ya görə sabit-keyfiyyət indeksi eyni alt nümunədə %68,7 azalır; eyni modellərdə Artificial Analysis əsaslı azalma %65,6-dır. Bu yoxlama əsas nəticənin yalnız bir benchmark təminatçısının miqyasından asılı olmadığını dəstəkləyir.

Hər qabiliyyətin iqtisadi qiyməti eynidirmi?

Xeyr. Tədqiqatın diqqətəlayiq nəticələrindən biri “zəka” kimi tək bir qiymətləndirilən xüsusiyyət fərz etməyin yetərsizliyidir. Müxtəlif benchmark komponentləri ayrıca istifadə edildikdə Yanvar 2025–İyun 2026 arasında ölçülmüş kodlaşdırma qabiliyyətinin sabit-keyfiyyət qiyməti %68,6, MMLU-Pro geniş bilik qabiliyyətinin qiyməti %59,8 və GPQA yüksək səviyyəli mühakimə qabiliyyətinin qiyməti %61,1 azalarkən riyaziyyat komponenti %41,9 artır.

Kodlaşdırma qiymət korrelyasiyası 18 qiymət anlıq görüntüsünün 16-sında riyaziyyat korrelyasiyasından yüksəkdir. Buna görə tədqiqatçılar bu bazar və benchmark quruluşunda ölçülən “zəka qiymətinin” böyük ölçüdə kodlaşdırma və geniş bilik qabiliyyətinin qiymətini əks etdirdiyi barədə xəbərdarlıq edirlər.

Model nəsilləri niyə klassik qiymət indekslərini çətinləşdirir?

Ənənəvi uyğunlaşdırılmış-məhsul qiymət indeksi eyni məhsulun iki tarixdəki qiymətini müqayisə edir. Süni intellekt model bazarında isə kommersiya məhsullarının ömrü çox qısadır. Tədqiqatda aylıq pik istifadəyə çatdıqdan sonra nümunə daxilində istifadə itirən modellər arasında median kommersiya yarımömürü yalnız 2,0 ay, kvartillərarası interval 1–2 aydır. İstifadə ilə çəkilənmiş median model yaşı 94 gündür və median olaraq istifadənin %82-si altı aydan daha gənc modellərdə baş verir.

Bundan əlavə, son 30 günlük pəncərədə 90 gündən gənc modellər qiymətləndirilmiş və ballandırılmış istifadənin %70,9-nu təşkil edir. Məhsul dövriyyəsinin bu qədər sürətli olduğu şəraitdə Yanvar 2025-də satılan məhsullarla İyun 2026-da intensiv istifadə olunan məhsulların ortaq çoxluğu xeyli kiçilir. Buna görə yalnız “eyni modeli iki tarixdə müqayisə edən” üsul bazarın iqtisadi baxımdan mühüm hissəsini qaçıra bilər.

Qiymət-performans sərhədinin hərəkəti

Mənbənin Şəkil 2-si Yanvar 2025, Oktyabr 2025 və İyun 2026 qiymət anlıq görüntülərində modellərin ölçülmüş qabiliyyət ilə bir milyon token başına qiymət fəzasındakı mövqelərini göstərir. Zaman keçdikcə daha gənc modellər daha yüksək qabiliyyət və daha aşağı xərc kombinasiyaları ilə aşağı qiymət-performans zərfini xaricə doğru hərəkət etdirir. Bu, köhnə məhsulun öz qiymətini azaltması ilə eyni mexanizm deyil. İstifadəçi eyni qabiliyyət səviyyəsini bazardakı daha yeni məhsul vasitəsilə daha ucuz ala bilər.

İqtisadi qiymət çərçivəsi

Müəlliflər modelin token başına ölçülmüş qabiliyyətini \(q\), token başına marjinal hesablama xərcini \(c\) və xərc üzərindəki qiymətləndirmə multiplikatorunu \(\mu \ge 1\) kimi müəyyənləşdirirlər. Elan edilmiş token qiyməti:

\[ p = \mu c \]

Çərçivə daxilində bir vahid ölçülmüş qabiliyyətin qiyməti isə:

\[ P = \frac{p}{q} = \mu\frac{c}{q} \]

Bu tənliyin loqarifmik dəyişməsi:

\[ \Delta\ln P = \Delta\ln\mu + \Delta\ln c - \Delta\ln q \]

şəklindədir. Tənlik qabiliyyət başına qiymətin yalnız modelin elan edilmiş qiymətindən ibarət olmadığını aydınlaşdırır. Marjalar və ya marjinal hesablama xərci eyni qalsa belə token başına qabiliyyət \(q\) yüksələrsə qabiliyyət başına iqtisadi qiymət \(P\) azala bilər. Tədqiqat \(\mu\) dəyərlərini struktur olaraq qiymətləndirmir; tənlik empirik nəticələrin hansı iqtisadi marjalardan yarana biləcəyini təşkil edən çərçivədir.

Açıq çəkili modellərin rolu

Açıq çəkili modellər istifadəçilərin modeli xaricdə işlədə bildiyi və ya açıq təminatçılar vasitəsilə çıxış əldə etdiyi halda qapalı modellər üçün xarici seçim yarada bilər. Tədqiqatın çərçivəsinə görə bu seçim qabiliyyət, gecikmə, etibarlılıq və inteqrasiya baxımından kifayət qədər yaxın əvəzləyici olduqda qapalı model təminatçılarının qiymətləndirmə gücünü məhdudlaşdıra bilər. Lakin məqalə birbaşa marja qiymətləndirməsi aparmadığı üçün “açıq modellər qiymətləri bu qədər azaltdı” şəklində səbəb-nəticə nəticəsi çıxarmır. Əlavə bölmədəki açıq-çəki giriş hadisələri rəqabət üçün təsviri diaqnostik test kimi təqdim edilir.

Tədqiqatın Metodu və Nəticələri

Elan edilmiş qiymətin yaradılması

Giriş və çıxış tokenləri fərqli qiymətləndirildiyi üçün əsas təhlildə qarışıq qiymət aşağıdakı ümumi quruluşun 3:1 xüsusi halı ilə yaradılır:

\[ p_{\text{blend}} = \frac{3p_{\text{in}} + p_{\text{out}}}{4} \]

Burada \(p_{\text{in}}\) giriş token qiymətini, \(p_{\text{out}}\) çıxış token qiymətini göstərir. Əlavə davamlılıq təhlilində yalnız giriş, 1:1, 3:1, 10:1 və yalnız çıxış çəkiləri sınaqdan keçirilmişdir. Sabit-keyfiyyət qiymətindəki azalma bütün bu seçimlərdə təxminən %49,3 ilə %53,8 arasında qalır; istifadəçi səbətinin başlanğıcdan sona qabiliyyət başına xərc azalması isə təxminən %86,6 səviyyəsində dəyişməz qalır. Beləliklə, əsas nəticə müəyyən giriş–çıxış token çəkisi seçiminin məhsulu deyil.

Beş əsas qiymət göstəricisinin uzlaşdırılması

Bu cədvəl tədqiqatın “ölçmə pazı” adlandırıla bilən əsas nəticəsini göstərir. Eyni bazar üçün hansı iqtisadi obyektin sabit saxlanılmasından asılı olaraq qiymət dəyişikliyinin istiqaməti və böyüklüyü ciddi şəkildə dəyişir.

Süni intellekt qabiliyyətinin xərcindəki azalmanı köhnə modellərin qiymət endirimi izah edirmi?

Xeyr. Mənbə versiyasında davam edən modellərin qiymətləri %6,5 yüksəldiyi halda, zəncirlənmiş istifadəçi-səbəti parçalanmasında davam edən modellərin qiymət dəyişiklikləri ümumi -178,8 log faiz bəndlik xərc azalmasının yalnız təxminən -2,7 log faiz bəndini izah edir; əsas hərəkət istifadənin modellər arasında yenidən bölüşdürülməsindən və yeni model girişləri ilə dəyişən məhsul menyusundan gəlir.

Zəncirlənmiş istifadəçi-səbəti parçalanması

Müəlliflər uzaq iki son nöqtəni birbaşa müqayisə etmək əvəzinə ardıcıl qiymət anlıq görüntülərinin ətrafındakı geriyə baxan istifadə pəncərələrini zəncirləyirlər. Bu parçalanma səviyyə faiz dəyişikliyindən deyil, \(100 \times \Delta\ln\) vahidində log faiz bəndlərindən istifadə edir.

Burada mühüm metodoloji xəbərdarlıq var. İstifadənin davam edən modellər arasında yenidən bölüşdürülməsi ilə “yeni giriş” komponentinin dəqiq bölgüsü zəncirləmə intervalından asılıdır. Təxminən 30 günlük ardıcıl uyğunlaşdırmada xalis giriş payı %39 olduğu halda, daha geniş intervallarda əvvəllər “yeni giriş” olan model artıq davam edən model sayıla bilər. Buna görə tədqiqat giriş ilə yenidən bölüşdürülmə arasındakı tək bir nisbəti struktur həqiqət kimi təqdim etmir.

Davamlı qalan nəticə iki hissədən ibarətdir: ümumi xərc azalması böyükdür və davam edən modellərin öz qiymət dəyişikliyinin töhfəsi hər zəncirləmə sxemində demək olar ki, yox səviyyəsindədir. Interval dəyişdirildikdə ümumi təxminən -178,8 ilə -169,8 log faiz bəndi arasında qalır. Ardıcıl interval bootstrap təhlilində ümumi üçün %95 interval -183,8 ilə -173,4; davam edən qiymət komponenti üçün -3,0 ilə -2,2 log faiz bəndidir.

Son nöqtə müqayisəsi niyə yanıltıcı ola bilər?

İlk və son 30 günlük istifadə pəncərələrində qiyməti, keyfiyyət balı və istifadəsi birlikdə müşahidə edilən yalnız bir ortaq token dəsti mövcuddur. Son nöqtədə qiymətləndirilmiş və ballandırılmış tokenların %98,5-i başlanğıc pəncərəsində olmayan modellərdən gəlir. Buna görə birbaşa ilk-son parçalanması riyazi olaraq demək olar ki, bütün dəyişikliyi “giriş/çıxış/frontier” komponentinə yükləyir. Müəlliflər bunu əsas səbəb-nəticə parçalanması kimi deyil, uzunmüddətli ortaq dəstəyin nə qədər nazik olduğunu göstərən diaqnostika kimi istifadə edirlər.

Model çoxluğunu və istifadə çəkilərini sabitləyən yoxlama

Bu yoxlama fərqli son nöqtə pəncərəsindən istifadə etdiyinə görə -%86,8 əsas gündəlik başlanğıcdan sona statistikası ilə eyni rəqəm deyil. Elmi mesaj isə eynidir: model girişləri və istifadəçi miqrasiyası çıxarıldıqda böyük xərc azalması aradan qalxır.

Yeni məhsulların qiymət indeksindəki rolu: Feenstra/CES yanaşması

Tədqiqat yeni model çeşidlərinin klassik uyğunlaşdırılmış-məhsul indeksi tərəfindən qaçırılan töhfəsini ayrıca Feenstra tipli CES dəqiq qiymət indeksi ilə ölçür. İndeks ardıcıl dövrlərdə ortaq olan modellər üçün Sato–Vartia uyğunlaşdırılmış məhsul komponentini və aşağıdakı çeşidlilik düzəlişini ehtiva edir:

\[ \left( \frac{\lambda_t}{\lambda_{t-1}} \right)^{1/(\sigma-1)} \]

Burada \(\lambda_\tau\), müvafiq dövrün xərclərinin hər iki dövrdə də ortaq olan modellərə gedən payını; \(\sigma\), modellər arasındakı əvəzləmə elastikliyini təmsil edir.

Qiymət ilə ölçülmüş keyfiyyət bu bazarda yüksək dərəcədə birlikdə hərəkət etdiyi üçün \(\sigma\) etibarlı şəkildə qiymətləndirilə bilmir. Tədqiqatçılar buna görə müxtəlif kalibrasiya edilmiş dəyərləri hesabatlandırırlar.

Mütləq böyüklük \(\sigma\) fərziyyəsindən asılıdır; lakin uyğunlaşdırılmış məhsul komponentinin yalnız %2,9 azalması və əsas hərəkətin çeşidlilik/yeni-mal komponentindən gəlməsi kalibrasiyalar boyunca dəyişmir. Maraqlıdır ki, \(\sigma \approx 10\) səviyyəsindəki CES nəticəsi -%51,1 ilə müstəqil hedonik sabit-keyfiyyət nəticəsi olan -%51,9-a çox yaxınlaşır.

Sabit benchmark həddinə çıxışın qiyməti

Hədd indeksi müəyyən Artificial Analysis balını keçən ən ucuz modelin elan edilmiş qiymətini izləyir. Qiymət minimum olduğu üçün tək bir çox ucuz modeldən təsirlənə bilər. Mənbə buna görə müxtəlif hədləri və hər dəfə bir modelin çıxarıldığı leave-one-model-out yoxlamalarını hesabatlandırır.

Bu nəticənin çox böyük olması səbəbindən tədqiqatçılar əsas başlıq ölçüsü kimi hədd indeksindən daha çox, daha mühafizəkar olan -%51,9-luq hedonik sabit-keyfiyyət indeksini önə çıxarırlar.

Gündəlik bazar-vəziyyəti indeksi nə göstərir?

Gündəlik indeks istifadəçilərin seçdiyi modellərin qarışıq qiymətini və istifadəyə görə çəkilənmiş benchmark qabiliyyətini birlikdə izləyir. 2025 birinci rübdən 2026 ikinci rübə uyğun rüblük ortalamalarda xam istifadəyə görə çəkilənmiş xərc təxminən %32 azalarkən, istifadəyə görə çəkilənmiş ölçülmüş qabiliyyət təxminən %110 artmış və qabiliyyət başına xərc təxminən %68 azalmışdır.

Gündəlik dəyişikliklərin mühasibat parçalanmasında yalnız elan-qiyməti komponentinin izah olunan variasiya payı təxminən %0,2 olduğu halda, istifadə-qiymət-tərkibi komponenti təxminən %105,1-lik işarəli töhfə daşıyır; qabiliyyət komponenti -%6,3 və qalıq +%1,0-dır. Bu dəyərlərin cəmi mühasibat quruluşuna görə %100 edir və istifadə tərkibinin üstünlüyünü göstərir. Bu təhlil səbəb-nəticə qiymət şoku parçalanması deyil, gündəlik bazar vəziyyətinin təsviri mühasibatıdır.

Qısamüddətli istifadə tələbi

Müəlliflər model səviyyəsində aylıq istifadə dəyişikliyini modelin elan edilmiş token qiymətindəki dəyişikliklə əlaqələndirirlər:

\[ \Delta\ln U_{m,t} = -\eta\,\Delta\ln p_{m,t} + \lambda_t + u_{m,t} \]

\(U_{m,t}\) model istifadəsini, \(p_{m,t}\) elan edilmiş token qiymətini, \(\lambda_t\) ay sabit effektlərini və \(\eta\) qiymət-istifadə elastikliyini göstərir.

Bütün modellər üçün nöqtə qiymətləndirməsi \(\eta = 0,40\)-dır. Başqa sözlə, %1 qiymət azalması təxminən %0,40 daha yüksək istifadə ilə əlaqəlidir. Sıfıra qarşı t-statistikası 1,6-dır; model-klasterli bootstrap %95 etibar intervalı -0,15 ilə +0,90-dır. Vahid elastiklik hipotezinə qarşı t = -2,5-dir. Buna görə nəticə “qiymət düşərsə istifadə mütləq bu qədər artar” şəklində struktur tələb əyrisi deyil. Qiymət təminatçıların gözlədiyi tələbə reaksiya verə bilər və model buraxılışları təsadüfi deyil.

Keyfiyyət təbəqələrində nöqtə qiymətləndirmələri aşağı keyfiyyətli “commodity” modellər üçün 0,00, orta təbəqədə 0,60 və frontier modellərdə 0,77-dir; lakin təbəqə üzrə bootstrap etibar intervalları sıfırı ehtiva edir.

Tamamlayıcı kapital niyə vacibdir?

Tədqiqatın konseptual qısamüddətli tələb çərçivəsi belədir:

\[ \ln Q_t = a - \eta_{SR}\ln P_t + b\ln K_t + e_t \]

Burada \(Q_t\) satın alınan ölçülmüş qabiliyyəti, \(P_t\) qabiliyyət başına qiyməti, \(K_t\) tamamlayıcı kapitalı, \(\eta_{SR}\) qısamüddətli qiymət elastikliyini göstərir. Tamamlayıcı kapital yalnız fiziki kapital demək deyil; tətbiq kodu, sorğu dizaynı, qiymətləndirmə prosesləri, təhlükəsizlik nəzarətləri, məlumat çıxışı və institusional etimad kimi ünsürlərin uyğunlaşdırılması vaxt apara bilər. Buna görə ölçülmüş süni intellekt qabiliyyətinin qiymətinin sürətlə azalması istifadənin eyni anda birə-bir nisbətdə artacağını təmin etmir.

AIPI iqtisadi və maliyyə tədqiqatlarında necə istifadə edilə bilər?

Tədqiqat AIPI sırasını firma, sektor, peşə və ya makroiqtisadi məlumatlarla birləşdirilə bilən süni intellekt giriş qiyməti kimi hazırlayır. Məruz qalma əsaslı tipik ekonometrik dizayn belə yazılır:

\[ y_{i,t} = \beta \left( E_i \times \Delta\ln AIPI_t \right) + \alpha_i + \gamma_t + \varepsilon_{i,t} \]

\(E_i\), firma, sektor və ya peşənin əvvəlcədən müəyyən edilmiş süni intellekt məruz qalmasını; \(y_{i,t}\) araşdırılan nəticəni; \(\alpha_i\) vahid sabit effektlərini; \(\gamma_t\) zaman sabit effektlərini göstərir. Zaman effektləri AIPI-nin ümumi səviyyəsini udduğu üçün müəyyən edilən əmsal, azalan süni intellekt giriş qiymətinə müxtəlif dərəcədə məruz qalan vahidlər arasındakı fərqdən istifadə edir.

Müəlliflər burada mühüm xəbərdarlıq edirlər: səbəb-nəticə şərhi üçün \(E_i\) əvvəlcədən müəyyən edilmiş olmalı və istifadə edilən AIPI komponenti real qiymət dəyişikliyini təmsil etməlidir. Gündəlik istifadəyə görə çəkilənmiş bazar-vəziyyəti indeksi əsasən istifadə tərkibi ilə hərəkət etdiyi üçün səbəb-nəticə qiymət dizaynlarında sabit-keyfiyyət və ya sabit-hədd qiymət komponentləri daha uyğundur.

12.000 tokenlik nümunə nəyi göstərir?

Tədqiqat sabit benchmark həddi indeksini daha intuitiv vahidlərə çevirmək üçün təxminən 12.000 qarışıq tokenlik böyük bir sorğunu nümunə gətirir. Ən ucuz sabit benchmark həddini keçən modellə belə bir sorğunun elan edilmiş xərci nümunənin əvvəlində təxminən 0,32 ABŞ dolları olduğu halda sonunda təxminən 0,0002 ABŞ dollarına düşür.

Bu rəqəm “real tapşırıq xərc indeksi” deyil. Mənbə tamamlanmış müəyyən tapşırıq başına həqiqətən neçə token lazım olduğunu müşahidə etmir. Buna görə bu hesab yalnız qiymət vahidinin çevrilməsidir; sabit tapşırıq səbətinin uğurla tamamlanma xərcini təsdiqləmir.

Əmək bazarı tətbiqi

İqtisadi qiymət sırasının mümkün istifadəsini göstərmək üçün tədqiqat Revelio-nun açıq şirkətlərdə SOC-6 səviyyəli peşə işə qəbul axınlarını və məşğulluq ehtiyatlarını 2021–2026 dövründə O*NET əsaslı tapşırıq ölçüləri və süni intellekt məruz qalma ölçüləri ilə birləşdirir. 2026 qismən il olduğuna görə xüsusilə ehtiyatla şərh edilir.

Tapşırıq xüsusiyyətlərinin birlikdə müqayisə edildiyi təhlildə rutin manual tapşırıq əmsalı -0,102, t = -2,0; rutin olmayan analitik tapşırıq əmsalı +0,142, t = +4,0-dır. Tapşırıq xüsusiyyətlərinə görə qalıqlaşdırılmış rutinlik əmsalı -0,010 və t = -0,3-ə düşür. Buna görə nəticə sadə “rutin koqnitiv işlər süni intellekt tərəfindən əvəz edildi” mexanizminə endirilmir; mənbə bunu daha geniş peşəvi yüksəliş/nümunə dəyişikliyi kimi şərh edir.

Bu əmək bazarı nəticələri süni intellekt qiymət azalmasının səbəb-nəticə əmək bazarı təsirini sübut etmir. Panel peşə səviyyəsində fərqli süni intellekt qiymət şokları təmin etmədiyi üçün müəlliflər bunları indeksin necə istifadə edilə biləcəyini göstərən təsviri tətbiqlər kimi təqdim edirlər.

Tədqiqatın dəstəklədiyi nəticələr

• Açıq API bazarında eyni ölçülmüş benchmark qabiliyyətinin qiyməti Yanvar 2025–İyun 2026 arasında nəzərəçarpacaq dərəcədə azalmışdır.
• Bu azalma davam edən köhnə modellərin ümumi qiymət endirimləri ilə izah edilə bilmir.
• Yeni modellərin girişi, qiymət-performans sərhədinin hərəkəti və istifadəçi istifadəsinin yeni model nəsillərinə keçməsi ölçmənin əsas hissələridir.
• Uzunmüddətli uyğunlaşdırılmış-məhsul indeksləri sürətli model dövriyyəsi səbəbindən böyük yeni-mal/çeşidlilik marjasını qaçıra bilər.
• Müxtəlif qabiliyyət sahələri bazarda eyni şəkildə qiymətləndirilmir.
• Sabit-keyfiyyət azalması alternativ benchmark miqyasları, LMArena Elo və müxtəlif giriş–çıxış token qiymət tərkibləri altında davam edir.

Tədqiqatın dəstəkləmədiyi nəticələr

• AIPI bütün süni intellekt bazarının qiymət indeksi deyil.
• Xüsusi korporativ razılaşmaların, self-hosted çıxarışın və ya paket proqram təminatının qiyməti ölçülmür.
• Benchmark balı real dünya məhsuldarlığının qüsursuz və ya təbii iqtisadi nəticə vahidi deyil.
• İstifadəyə görə çəkilənmiş gündəlik indeksdəki dəyişiklik saf qiymət şoku kimi şərh edilə bilməz.
• Əmək bazarı əlaqələri səbəb-nəticə iş itkisi və ya iş yaradılması sübutu deyil.
• Open-weight modellərin müəyyən miqdarda qiymət endirimi yaratdığı struktur olaraq qiymətləndirilmir.
• Qabiliyyət başına çıxarış qiyməti təşkilatın süni intellekti mənimsəməsinin ümumi xərci deyil; məlumat, inteqrasiya, proqram təminatı, qiymətləndirmə, təhlükəsizlik və tamamlayıcı kapital xərcləri ayrıca mövcuddur.

Mənbə və Metod Qeydi

Orijinal mənbə başlığı: The Price of Intelligence

Müəlliflər: Cayman Seagraves; Stace Sirmans.

PDF versiyasındakı qurumlar: Cayman Seagraves — Florida Atlantic University; Stace Sirmans — Auburn University.

Mənbə tarixi: 26 İyun 2026.

Mənbə növü: İqtisadiyyat və maliyyə sahəsində empirik qiymət ölçümü / işçi sənədi-preprint. Tədqiqat resenziyalı jurnal məqaləsi kimi təqdim edilməməlidir.

Biblioqrafik versiya qeydi: İstifadə edilən PDF-nin orijinal başlığı “The Price of Intelligence” və nümunənin sonu İyun 2026-dır. Daha sonrakı SSRN qeydi “The Price of Intelligence: A Hedonic Index for AI Capability” başlığını daşıyır və daha irəli reviziyanı ehtiva edir. Bu Verianla mətnindəki kəmiyyət nəticələri daha sonrakı reviziyadan deyil, yüklənmiş 26 İyun 2026 PDF versiyasından götürülmüşdür.

DOI / SSRN identifikatoru: Cari biblioqrafik qeyddə DOI 10.2139/ssrn.7003679 və SSRN abstract 7003679 kimi təsdiqlənmişdir.

JEL təsnifatı: O33, E31, C43, L86.

Mənbə açar sözləri: artificial intelligence; inference cost; price index; new goods; economics; finance.

Qiymət və istifadə məlumatları: OpenRouter elan qiymətləri, arxivləşdirilmiş aylıq qiymət anlıq görüntüləri və gündəlik model istifadə reytinqləri.

Keyfiyyət məlumatları: Artificial Analysis birləşik Intelligence Index; müstəqil davamlılıq yoxlamasında LMArena/Chatbot Arena text Elo.

Əmək bazarı tətbiqi: Revelio açıq şirkət peşə məlumatları; O*NET əsaslı Routine Task Intensity, AI Occupational Exposure və Eloundou GPT exposure ölçüləri.

Məlumat əlçatanlığı: Müəlliflərin törətdiyi AI Inference Price Index sıraları, versiyalaşdırılmış model uyğunlaşdırma cədvəli və cədvəl/şəkilləri yaradan qurma və təhlil kodu təkrarlama paketində dərc olunur. OpenRouter, Artificial Analysis, LMArena və Revelio kimi üçüncü tərəf girişlərinin yenidən paylanması öz istifadə və lisenziya şərtlərinə tabedir.

Lisenziya: PDF məqalənin özü üçün açıq təkrar istifadə lisenziyası göstərmir. Məlumat əlçatanlığı bəyanı müəlliflərin törətdiyi AIPI sırası, uyğunlaşdırma cədvəli və təhlil/qurma kodunun təkrarlama paketində Creative Commons Attribution lisenziyası altında dərc edildiyini bildirir. Bu lisenziya üçüncü tərəf xam girişlərinə avtomatik olaraq tətbiq edilməməlidir.

Maliyyələşdirmə: Yüklənmiş PDF versiyasında maliyyələşdirmə bəyanı bildirilməyib.

Maraq toqquşması: Yüklənmiş PDF versiyasında ayrıca maraq toqquşması bəyanı bildirilməyib.

Müəllif töhfələri: Yüklənmiş PDF versiyasında CRediT və ya ətraflı müəllif töhfəsi bəyanı bildirilməyib.

Corresponding author: PDF dipnotunda Stace Sirmans üçün e-poçt ünvanı verilib; ayrıca “corresponding author” etiketi açıq şəkildə yazılmayıb.

Əsas metodoloji məhdudiyyətlər: Nümunə açıq OpenRouter API bazarı ilə məhdudlaşır. Xüsusi korporativ müqavilələr, self-hosted çıxarış və paket proqram təminatı qiymətləri müşahidə edilmir. Artificial Analysis hər model üçün yalnız bir cari keyfiyyət balı verdiyi üçün tam tarixi “as-of” benchmark sırası yenidən qurula bilmir. İstifadəyə görə çəkilənmiş indeks qiymət və model seçimini birlikdə daşıyır. Feenstra/CES təhlilində əvəzləmə elastikliyi məlumat daxilində etibarlı şəkildə müəyyən edilə bilmədiyindən kalibrasiya olunur. İstifadə elastikliyi və əmək bazarı nəticələri təsviridir və səbəb-nəticə struktur qiymətləndirmələri kimi şərh edilməməlidir.

Mənbə şəkillərinin elmi rolu: Əsas Şəkil 1 davam edən model qiymətini, sabit-keyfiyyət xərcini və gənc model istifadəsini yanaşı göstərir. Şəkil 2 qiymət-performans sərhədinin yeni model nəsilləri ilə irəliləməsini göstərir. Şəkil 3 müxtəlif qiymət indekslərinin eyni bazar üçün necə ayrışdığını göstərir. Şəkil 4 istifadəçi-səbəti xərc azalmasının zəncirlənmiş parçalanmasını, Şəkil 5 isə istifadənin gənc model nəsillərinə keçməsini və bu nəsillərin daha aşağı ölçülmüş qabiliyyət başına xərcini göstərir. Əlavə şəkillər bootstrap qeyri-müəyyənliyini, benchmark hədlərini, model ailəsi tərkibini, kommersiya yarımömrünü, CES yeni-mal düzəlişini və əmək bazarı tətbiqlərini yoxlayır.