Wat diep nadenken over het frontier-model businessmodel. Dit alles is gebaseerd op cijfers die zijn gelekt door The Information, NYT, enz. 🔵De Kern: Het is een Compute-Burn Machine In wezen is het model brutaal eenvoudig: bijna alle kosten komen van compute – inferentie, en vooral training. Training volgt iets als een schaalwet. Laten we aannemen dat de kosten ~5x elk jaar stijgen; en ROI op trainingskosten is 2x. Dat creëert een vreemde dynamiek: Jaar 1 trainingskosten: 1 Jaar 2 omzet van dat model: 2 Maar Jaar 2 trainingskosten voor het volgende model: 5 Netto: +2 - 5 = -3 Als je het vooruit rekent, wordt het erger: Jaar 3 omzet: +10 Jaar 3 trainingskosten: -25 Netto: -15 Frontier-modellen, zoals ze momenteel worden uitgevoerd, zijn negatieve kasstroom-sneeuwballen. Elke generatie verbrandt meer geld dan de vorige. Om dit ooit om te draaien naar positieve kasstroom, kunnen er logisch gezien maar twee dingen veranderen: A. Omzet groeit veel sneller dan 2x, of B. De groei van de trainingskosten vertraagt van 5x per jaar naar iets als <2x De CEO van Anthropic, Dario Amodei, heeft scenario B (“trainingskosten stoppen met exponentieel groeien”) uiteengezet in twee mogelijke realiteiten: 1/ Fysieke/economische limieten: Je kunt simpelweg een model van 5x groter niet trainen — niet genoeg chips, niet genoeg stroom, of de kosten naderen het wereld-BBP. 2/ Diminishing returns: Je zou een groter model kunnen trainen, maar de schaalcurve vlakt af. Nog eens 10x uitgeven is niet meer de moeite waard. Wat de cijfers van OpenAI en Anthropic onthullen: De gelekte financiële projecties van beide bedrijven valideren deze structuur in wezen. OpenAI: Het plan van OpenAI gaat er effectief van uit dat de totale compute-capaciteit stopt met groeien na 2028. Vertaling: marges verbeteren omdat de trainingskosten afvlakken. Dit is scenario B. Anthropic: 1/ Ze gaan ervan uit dat de ROI per model elk jaar toeneemt. Besteed 1, krijg er zeg 5 voor terug in plaats van 2. 2/ Hun groei van compute-uitgaven is ook veel gematigder. Van FY25 tot FY28: Groei van OpenAI compute-kosten >> die van Anthropic Met behulp van de bovenstaande structuur rekenen ze op zowel A omzetgroei als B tragere kostenstijging. 🔵 $NFLX Is de Dichtstbijzijnde Analogie In de technologie zijn kapitaalintensieve modellen zeldzaam, hoewel niet ongekend. $NFLX is een goede analogie: jarenlang had het een diep negatieve kasstroom die jaarlijks verslechterde. Ze moesten geld in content investeren voorafgaand, en die activa depreciëerden over vier jaar. In veel opzichten lijkt het op de economie van datacenters en modeltraining. Piek kasverbranding in 2019: -3B Kasstroom 2020: +2B Waarom de plotselinge positieve swing? COVID stopte de productie. De uitgaven voor content stopten met groeien. De kasstroom flipte onmiddellijk. 🔵Het Eindspel: Marges Verschijnen Wanneer Kostenstijging Vertraagt $NFLX stopte niet helemaal met investeren in content – het stopte gewoon met *groeien* van die investering agressief zodra het ~300M wereldwijde abonnees bereikte. Op die schaal is de vasthoudendheid hoog, en ze hoeven alleen maar hun positie te behouden, niet de uitgaven voor content met 10x per jaar uit te breiden. Ik denk niet dat OpenAI of Anthropic ooit helemaal zullen stoppen met trainen. Maar ze zullen niet voor altijd de trainingsuitgaven met meerdere moeten laten groeien. Op een gegeven moment: ROI per model gaat omhoog, of schaalbeperkingen treden in, of beide. En op het moment dat de jaarlijkse trainingsuitgaven stoppen met groeien met 5x per jaar, verschijnen de winstmarges bijna onmiddellijk. Dat is het vreemde aan LLM-economie: Het is een verbrandingsmachine… totdat het plotseling niet meer is. Bronnen: ++ Volledig artikel: