DeepSeek Traz Primavera para Empreendedores de Aplicações de IA

Título Original: "DeepSeek Traz Primavera para Empreendedores de Aplicações de IA"
Autor Original: Dongcha Beating

Em 31 de julho, a versão oficial da API DeepSeek V4-Flash foi lançada para testes públicos.

O custo é de 1 yuan por milhão de tokens de entrada e 2 yuan por milhão de tokens de saída. Após acertos de cache, o custo cai para apenas 0,02 yuan por milhão de tokens de entrada. Suporta 1 milhão de contextos, modos de raciocínio, chamadas de ferramentas e API de Respostas, com um limite máximo de conexão simultânea de 2500 por conta.

A DeepSeek também adotará preços de pico e vale, dobrando os preços durante as horas de pico. Mesmo assim, os preços permanecem surpreendentemente baixos.

De acordo com cálculos aproximados fornecidos pela DeepSeek, um caractere chinês consome cerca de 0,6 tokens. Um milhão de tokens pode ler aproximadamente 1,67 milhão de caracteres chineses. Olhando apenas para os custos de entrada, ler cerca de 1,67 milhão de caracteres chineses custa apenas um yuan.

No último ano, a indústria de grandes modelos se acostumou a contextos mais longos, raciocínios mais complexos e agentes cada vez mais capazes. Com cada atualização de modelo, as discussões frequentemente giram em torno de quem superou quem, quanto os benchmarks melhoraram e quão longe estamos da AGI.

Para os empreendedores de aplicações de IA, há uma pergunta ainda mais urgente:

Quanto realmente custa uma tarefa?

As capacidades do modelo determinam o que os produtos podem teoricamente fazer, enquanto os preços de chamada determinam quanta capacidade as equipes estão dispostas a integrar em seus produtos.

Esta tarde, tive uma longa discussão com o ChatGPT sobre isso. Eu disse que o modelo de negócios atual para aplicações de IA é essencialmente a revenda de tokens.

Ele tentou várias vezes me ajudar a reformular isso de forma mais elegante, sugerindo termos como "venda a varejo de capacidades de raciocínio" ou "embalagem de serviços inteligentes." Eu disse a ele para não adoçar esse negócio; revenda é revenda, e só porque soa duro não significa que está errado.

As aplicações de IA parecem ser a mais recente direção empreendedora nos últimos anos, mas fundamentalmente, elas se baseiam em um modelo de negócios antigo:

Comprar, processar, precificar e depois vender os produtos.

Muitas mudanças industriais frequentemente começam com uma queda repentina nos preços de compra.

Aplicações de IA São um Negócio de Revenda de Tokens

No passado, as pessoas estavam acostumadas a entender as aplicações de IA através da estrutura de produtos de internet ou SaaS.

Uma vez que o desenvolvimento de software é concluído, ele pode ser distribuído para mil ou um milhão de pessoas. Adicionar um novo usuário certamente incorrerá em custos de largura de banda, armazenamento e serviço, mas esses custos geralmente são gradualmente diluídos à medida que a escala se expande.

As aplicações de IA são diferentes. Cada vez que um usuário gera uma imagem, escreve um relatório, completa um pedaço de código ou faz um agente executar um passo adicional, a empresa de aplicação deve chamar o modelo novamente. Cada vez que um usuário pressiona um botão, custos upstream são incorridos novamente.

Assim, o modelo de negócios básico para a maioria das aplicações de IA puras de software é bastante simples:

Comprar tokens de empresas de modelos, embalar capacidades gerais de modelos em produtos de escrita, programação, design, atendimento ao cliente, vídeo ou agentes, e depois vendê-los aos usuários através de assinaturas, pontos e taxas por uso.

Por exemplo, a Poe declarou diretamente seu objetivo de precificação ao lançar sua API: a precificação de pontos adicionais é baseada nos preços cobrados pelos fornecedores de modelos subjacentes.

As cobranças upstream por modelos e tokens, a Poe os converte em pontos dentro da plataforma e os vende aos usuários junto com um ponto de entrada unificado, pagamento, troca de modelos e interfaces de desenvolvimento.

Algumas empresas afirmam que não vendem tokens, mas vendem resultados. A precificação do atendimento ao cliente AI Fin, projetado pela empresa de software de atendimento ao cliente Intercom, é de $0,99 por resultado concluído. Um resultado pode ser contado quando o usuário confirma que o problema foi resolvido, não há mais solicitações de assistência humana, ou o Fin completa com sucesso um fluxo de trabalho.

Isso é apenas uma mudança de etiqueta de preço; cobrar por assento, por tarefa ou por problema resolvido com sucesso muda a unidade de precificação vista pelos usuários. A empresa de aplicação ainda precisa chamar o modelo nos bastidores e calcular quantos tokens são consumidos para completar uma entrega.

O pintor da Dinastia Song do Sul, Li Song, pintou uma obra chamada "Vendedor de Mercado Brincando com Crianças." O vendedor carrega uma carga de mercadorias através das aldeias, com panelas, tigelas, agulhas, linhas, lanches e brinquedos todos pendurados na carga. Uma única carga é como uma loja de conveniência móvel, e o vendedor ganha dinheiro selecionando, preparando e entregando mercadorias.

As empresas de aplicação de IA fazem algo semelhante. Os fabricantes de modelos produzem inteligência, e as empresas de aplicação trazem essa inteligência para cenários específicos. O que é comprado no nível básico são tokens, e o que é vendido no final deve ser um relatório, um design ou um vídeo.

As empresas de modelos vendem inteligência, enquanto as empresas de aplicação vendem conclusão.

O lucro desse negócio depende principalmente de três diferenças de preço.

A primeira é a diferença de preço de aquisição.

Para o mesmo modelo, diferentes equipes podem não ter os mesmos custos reais. Empresas com alto uso podem negociar descontos, e equipes com fortes capacidades de engenharia podem usar cache, processamento assíncrono, chamadas de pico e vale, e roteamento de modelos para reduzir ainda mais os custos médios. O que outros podem completar por um yuan, você pode fazer por cinquenta centavos, e os cinquenta centavos restantes são lucro.

Simplificando, para a mesma aquisição, alguns obtêm preços de atacado enquanto outros obtêm preços de turista.

A segunda é a diferença de preço de uso.

Alguns usuários compram assinaturas e depois exploram a IA como cavalos de trabalho, enquanto outros começam com altas ambições, mas param de usar o produto após meio mês. Desde que o consumo médio de todo o grupo de usuários seja inferior às estimativas feitas durante o design do pacote, a cota não utilizada criará espaço para lucro.

Isso é semelhante à lógica de assinaturas anuais de academias e pacotes de dados móveis.

No entanto, há uma questão importante a ser observada aqui. Se a aquisição upstream for flexível o suficiente, menos uso do usuário aumentará os lucros. Se uma empresa já assinou um contrato anual fixo, os tokens restantes na conta não são lucro; são apenas estoque não vendido.

Tokens não utilizados são chamados de depósitos, enquanto tokens não vendidos são chamados de excesso de estoque.

A terceira é a diferença de preço do produto.

Para o mesmo consumo de dez mil tokens, alguns produtos apenas geram texto que requer que o usuário modifique por um longo tempo; outros já completaram organização de dados, geração de conteúdo, verificação de fatos, ajuste de formato e exportação final. Os custos subjacentes podem ser semelhantes, mas os preços que os usuários estão dispostos a pagar podem ser completamente diferentes.

O verdadeiro valor de uma aplicação de IA depende disso. A aquisição determina se o negócio pode existir, enquanto o produto determina quanto o negócio vale.

Revender tokens é apenas a base; o produto é a razão para a diferença de preço.

Gerentes de Produto Tornam-se Contadores Primeiro

O problema é que as aplicações de IA exigem constante aquisição, então questões de produto podem facilmente se tornar questões de custo.

No guia do usuário oficial para o Manus, você já pode ver como esses custos moldam o produto. O Manus deduz pontos das assinaturas mensais com base na complexidade das tarefas e nos recursos consumidos. Ao fazer perguntas à IA, o oficial sugere usar o modo Chat para perguntas simples e não iniciar um agente autônomo completo; para tarefas complexas, é melhor verificar os resultados intermediários para evitar que o agente continue executando na direção errada, desperdiçando mais pontos.

Essas sugestões são certamente razoáveis. No entanto, elas também revelam um dos aspectos mais problemáticos dos produtos de agentes: quanto mais proativo o modelo, mais difícil é para as empresas de produto prever custos.

Quando um chatbot responde uma vez e para, a contabilidade é relativamente fácil. Um agente dividirá tarefas, pesquisará repetidamente, abrirá páginas da web, chamará ferramentas e então decidirá o próximo passo com base nos resultados intermediários. O usuário apenas emite um comando, mas pode haver dezenas de chamadas de modelo nos bastidores.

Como resultado, os produtos começam a ensinar os usuários a fazer os agentes trabalharem menos. O medo é que, após calcular por muito tempo, o contador comece a assumir o produto. Se um recurso deve ser lançado não é mais baseado principalmente nas necessidades do usuário, mas sim em quantos centavos uma única tarefa custará. O modelo tem capacidades mais fortes, mas as aplicações hesitam em entregar totalmente essas capacidades aos usuários.

As empresas certamente precisam controlar custos. Nenhuma startup pode se dar ao luxo de deixar os usuários usarem os modelos mais caros como se fossem água da torneira.

Alguns produtos empurram modelos de melhor desempenho para pacotes de alto preço, enquanto usuários comuns recebem uma versão que foi restringida em vários níveis. As capacidades do modelo não desaparecem; elas são apenas alocadas para diferentes pessoas após a contabilidade ser feita.

Com o tempo, a indústria desenvolveu uma inversão bastante estranha.

Os usuários compram aplicações de IA esperando que o modelo entenda um pouco mais, pense um passo adiante e complete mais trabalho. As empresas de aplicação, no entanto, para proteger seus custos, devem fazer com que o modelo leia menos, pense menos e faça menos.

O produto vende inteligência, mas a ação mais praticada da equipe se tornou cortar a inteligência.

Além disso, quando os preços upstream aumentam, as empresas de aplicação devem reduzir cotas; quando concorrentes obtêm custos mais baixos, as taxas de adesão no mercado cairão imediatamente; quando novos modelos mais baratos surgem, o roteamento e os pacotes originais devem ser recalculados. As empresas de aplicação parecem controlar o produto, mas a variável mais importante sempre esteve nas mãos do upstream.

Nos últimos dois anos, os empreendedores de aplicações de IA não necessariamente faltaram ideias. O que eles mais carecem é de uma inteligência suficientemente forte e barata que possa ser integrada com confiança aos produtos.

DeepSeek Reduz o "Pedágio da Inteligência"

O valor da DeepSeek reside principalmente no fato de que não é um modelo projetado apenas para redução de preço. Ele possui 1 milhão de contextos e suporta modos de raciocínio e chamadas de ferramentas.

Quando a versão de pré-visualização foi lançada em abril, a DeepSeek afirmou que suas capacidades de raciocínio estavam próximas ao V4-Pro, apresentando desempenho semelhante em tarefas simples de agentes. A versão oficial atualizada em 31 de julho não alterou a estrutura e a escala do modelo, mas principalmente re-treinou o modelo, com várias pontuações de benchmark de agentes já superando a versão de pré-visualização do V4-Pro.

Isso é muito importante.

Modelos baratos já existiram antes. O problema é que, embora o custo seja baixo, a qualidade não pode ser sempre inferior. O que as aplicações de IA realmente precisam é de inteligência estável a um preço unitário o mais baixo possível.

Pelo menos a partir dos benchmarks divulgados pela DeepSeek para seu Agente e código, o V4-Flash ultrapassou a linha de "utilizável" para um lote de tarefas de alta frequência, com preços baixos o suficiente para que as equipes possam chamar frequentemente.

Para a maioria dos usuários comuns, grandes modelos provavelmente cruzaram um ponto crítico.

Pessoas comuns não se importam com benchmarks. Elas raramente prestam atenção se um modelo lidera por três ou cinco pontos em um determinado teste; elas só se importam se conseguem concluir suas tarefas. Quando um modelo pode ler materiais, fazer inferências, ajustar ferramentas e entregar resultados, continuar a aprimorar suas capacidades é certamente valioso. No entanto, se esse valor agregado pode justificar várias vezes o preço precisa ser recalculado.

No passado, as empresas de modelos reivindicavam superioridade, e preços mais altos pareciam justificados. Mas agora, esse raciocínio não se sustenta; precisamos discutir de onde vêm os custos, quais problemas as capacidades extras resolvem e quantos usuários realmente precisam delas.

A DeepSeek não tornou todos os modelos mais baratos; ela fez com que modelos de alto preço precisem ser explicados aos usuários.

O avanço inicial da Pinduoduo não foi apenas na precificação do produto. Ela mostrou aos consumidores pela primeira vez que muitos itens de necessidade diária poderiam ser vendidos a preços tão baixos. Os prêmios de marca, custos de canal e intermediários que antes eram considerados garantidos de repente precisaram justificar sua existência.

A Pinduoduo quebrou a barreira mental da precificação do produto.

A DeepSeek está quebrando a barreira mental da precificação da inteligência.

Empreendedores Podem Finalmente Focar no Desenvolvimento de Produtos

Para a indústria de aplicações de IA, a coisa mais importante a seguir é que os empreendedores possam finalmente mudar seu foco de volta do upstream.

No passado, grandes modelos eram atualizados muito rapidamente, tornando fácil para as empresas de aplicação serem guiadas por eles. Hoje, eles integram contextos mais longos, amanhã mudam para novos modelos de inferência, e no dia seguinte apresentam capacidades de Agente em sua página inicial. Os produtos parecem estar continuamente atualizando, mas a direção não é definida por eles mesmos. O que quer que os fornecedores de modelos lancem, as empresas de aplicação mostram.

Este é um caso típico de prosperidade upstream e distração downstream.

Agora, modelos fundamentais têm a oportunidade de se tornarem materiais de produção relativamente estáveis. As equipes não precisam mais girar em torno de classificações de modelos todos os dias, nem precisam tratar "integrar o modelo mais recente" como o avanço mais importante do produto.

Uma vez que os modelos se estabilizam, os produtos finalmente não têm mais desculpas.

Um modelo ser capaz de completar uma tarefa é apenas o ponto de partida. O que os produtos precisam fazer é integrar tarefas em processos reais, lidando com permissões, dados, colaboração, revisão e falhas, para que os usuários não precisem ensinar a IA como trabalhar toda vez. Esses aspectos podem não ser tão atraentes quanto parâmetros de modelo e são difíceis de apresentar em benchmarks. No entanto, se os usuários estão dispostos a continuar pagando no segundo mês muitas vezes depende desses detalhes.

O valor das aplicações de IA não reside em apresentar modelos aos usuários, mas em fazer com que os modelos desapareçam no fluxo de trabalho.

Quando os usuários não precisam mais escolher modelos, pesquisar prompts ou se preocupar com quantas rodadas de inferência são invocadas por trás de uma tarefa, as aplicações realmente completaram seu trabalho.

Neste ponto, a competição entre as empresas de aplicação não é mais sobre quem obtém o modelo primeiro; é sobre quem entende melhor um trabalho e quem pode transformar as regras não ditas da indústria em parte do produto.

Modelos podem se tornar mais fortes da noite para o dia, mas a compreensão da indústria não pode. APIs podem ser acessadas por todos, mas um método de trabalho que é realmente aceito pelos usuários é difícil de replicar.

Isso também dá a muitas empresas que antes pareciam pequenas uma nova chance de existir.

O empreendedorismo em IA não precisa necessariamente começar do "ponto de entrada de próxima geração", nem toda empresa precisa criar um super Agente que sirva toda a humanidade. Pode simplesmente resolver um problema em consultas de comércio exterior, servir um conjunto de processos para lojas de rede, ou economizar um segmento de trabalho repetitivo para certos profissionais.

O mercado não precisa ser grande o suficiente para acomodar todos. Desde que o problema seja específico o suficiente, a entrega seja estável o suficiente e o valor recebido pelos usuários exceda o preço pago, esse negócio pode sobreviver.

No passado, quando os modelos eram muito caros, pequenos mercados lutavam para suportar um produto completo. As equipes tinham que buscar escalas de usuários maiores, valores médios de transação mais altos e velocidades de financiamento mais rápidas para cobrir os custos de inferência cada vez maiores. Muitos projetos empreendedores foram forçados a contar uma história excessivamente grandiosa antes mesmo de encontrarem usuários reais.

Agora, a história pode ser um pouco menor.

Pequenas equipes podem primeiro atender a um pequeno grupo de pessoas, abordar uma tarefa completamente e depois expandir gradualmente para fora.

Isso se assemelha a como muitas "lojas centenárias" costumavam operar. Quando abriram, não pensaram em dominar uma rua; apenas se concentraram em atender bem algumas mesas na entrada. Se a comida for boa e os preços forem razoáveis, os clientes voltarão, e os negócios prosperarão naturalmente.

A indústria de grandes modelos gosta de falar sobre escala, parâmetros e finais. No final, o empreendedorismo em aplicações deve retornar a essa lógica simples.

Quem você serve, quais problemas você resolve para eles e por que eles não podem ir a outro lugar? Essas três perguntas, a DeepSeek não responderá para os empreendedores.

Ela simplesmente permite que as equipes gastem menos tempo negociando com upstream e dá a pequenas equipes que não têm a capacidade de treinar grandes modelos ou as qualificações para acessar preços especiais um ingresso de entrada relativamente justo.

No passado, o modelo em si era uma barreira. Avançando, modelos podem ser comprados por qualquer um; a distinção reside no que eles são usados. O que é verdadeiramente escasso gradualmente se deslocará para usuários, dados, processos e confiança. Aqueles que estão mais próximos do trabalho real terão mais oportunidades.

Depois que a DeepSeek reduz o limite para a inteligência, as aplicações de IA finalmente mudam de uma competição de modelos de volta para um negócio de produtos.

Chao Cuo da Dinastia Han Ocidental escreveu em "Sobre o Valor dos Grãos": "Valorize os cinco grãos e despreze ouro e jade."

Nos últimos anos, grandes modelos se assemelharam a ouro e jade. Os parâmetros cresceram, as classificações subiram, e eles são exibidos sob as luzes em conferências de imprensa, onde todos podem ver sua preciosidade, mas muito poucos podem realmente integrá-los ao trabalho diário.

O que a camada de aplicação precisa fazer é transformar ouro e jade em cinco grãos.

A DeepSeek não cozinhou a refeição para os empreendedores; ela apenas reduziu o preço do arroz.

Quanto a quem pode abrir o restaurante, depende das habilidades de cada um.

**-**FIM-

Este conteúdo é fornecido apenas para fins informativos gerais e não constitui aconselhamento financeiro, de investimento, jurídico ou tributário. Quaisquer eventos, recompensas, promoções online ou informações relacionadas mencionadas neste documento não devem ser consideradas uma recomendação, solicitação ou convite para comprar, vender, negociar ou realizar qualquer outra transação com criptoativos. Criptoativos são altamente voláteis e podem resultar em perdas. A disponibilidade dos serviços, produtos e eventos relacionados da WEEX pode variar conforme a região. É de sua responsabilidade garantir que sua participação esteja em conformidade com as leis e regulamentações locais aplicáveis.