Isinasaalang-alang ng OpenAI ang pagbabawas ng mga presyo na sinisingil nito sa mga developer at negosyo, ayon sa Wall Street Journal, bilang pag-aabang sa katulad na pagbabawas mula sa Anthropic. Inilarawan ang mga talakayan bilang 'in flux' pa rin dahil parehong nagsampa ang mga kumpanya nang kumpidensyal para sa IPOs ngayong buwan, at wala pa sa kanila ang kumita.

"Sa tingin ko, magkakaroon tayo ng maraming paraan upang matulungan ang mga tao na makakuha ng mas maraming halaga sa mas kaunting gastos," sabi ni Sam Altman sa isang kamakailang kaganapan, ayon sa Wall Street Journal. Ang pahayag na iyon ay lumabas sa gitna ng pag-post ng OpenAI ng -122% adjusted operating margin sa Q1 2026—ibig sabihin, nalugi ito ng $1.22 sa bawat dolyar na kinita nito.

Totoo ang pressure. Tulad ng naunang naiulat ng Decrypt, ang bahagi ng ChatGPT sa pandaigdigang generative AI web traffic ay bumaba mula 77.6% noong Mayo 2025 patungong 53.7% noong Abril 2026. Sa unang pagkakataon, mas maraming kumpanya na sinusubaybayan ng Ramp AI Index ang nagbabayad para sa Anthropic kaysa sa OpenAI. Ang annualized run rate ng Anthropic ay umakyat mula $9 bilyon sa pagtatapos ng 2025 patungong $47 bilyon pagsapit ng Mayo 2026—isang 422% na pagtalon sa loob ng limang buwan—na halos ganap na dulot ng Claude Code, kung saan ang Q2 2026 ang kauna-unahang kumikitang quarter ng kumpanya.

Mula noon, ginawa na ng OpenAI ang sarili nitong coding tool, ang Codex, na isang priyoridad ng kumpanya. Ngunit nahuhuli ito.

Parehong lumalaban ang mga kumpanya sa isang hindi gaanong tahimik na digmaan upang makahikayat ng maraming kliyente hangga't maaari sa gitna ng pinakamalaking tech fever sa mundo mula pa noong panahon ng dot-com. Ang lahat ng uri ng kumpanya ay nagmamadaling gumamit ng AI sa kung anumang paraan. Nasunog ng CTO ng Uber ang buong badyet nito sa AI para sa 2026 pagsapit ng Abril, ang ilang empleyado ng JP Morgan ay gumagastos ng higit pa sa paggamit ng AI kaysa sa kanilang sariling sahod, ayon sa chief data officer ng bangko para sa division ng pagbabayad nito.

Ito ang gawain na tinatawag ng Silicon Valley na "tokenmaxxing"—ang pagsunog sa pinakamaraming AI token—ang mga piraso ng data na pinoproseso ng mga modelo ng AI—hangga't maaari, madalas nang walang malinaw na return on investment. Inihalintulad ni Alex Karp, CEO ng Palantir, ito sa isang porn addiction sa AIPCon noong nakaraang linggo. Naglathala ang mga analyst ng JP Morgan ng isang tala ngayong buwan na pinamagatang "AI Bills Are Out of Control." Ang mga kumpanyang pinakanababantad sa masamang epekto ay ang mga kasalukuyang nag-iisip ng isang digmaan ng presyo.

Ibinahagi ni Tommy Shaughnessy ng Delphi Ventures ang istrukturang bitag sa isang malawakang ibinahaging post sa X ngayong linggo: Ang $20/buwan na flat fee rate ay palaging mas mababa ang presyo kaysa sa aktwal na gastos ng mabigat na paggamit—isang 'loss-leader' na idinisenyo upang magtulak ng adopsyon, hindi upang takpan ang compute. Kapag ang isang tunay na negosyo ay nangangailangan ng AI sa malaking sukat, lumipat ito sa API, nagbabayad per token, ngunit kumokonsumo ng mas maraming compute power.

Hindi lahat ay sumasang-ayon sa pananaw na ito. Naniniwala ang ilan na ang oligopolyo ng AI sa Kanlurang hemisphere ay nagpapahintulot sa mga kumpanya na maningil ng lalong mataas na presyo para sa pagproseso ng kanilang mga prompt—na patunay dito ang napakababang singil ng mga modelong Tsino. Kung ito ang kaso, maaaring may espasyo para sa matinding pagbabago sa presyo habang nananatili pa rin sa matatag na pinansyal na posisyon.

Ang mga tunay na deployment ng enterprise ay lumilipat sa metered API pricing, at ang mga kumpanya ay nagsusunog ng mga credits nang mas mabilis kaysa sa ipinahiwatig ng mga flat fee. Samantala, ang mga open-source inference provider (mga kumpanyang nagbibigay ng compute power upang maproseso ng mga modelo ng AI ang impormasyon) ay mabilis na lumalaki, kung saan ang mga agentic tool ang nagiging katalista para sa kanilang paglago. Ang mga platform na ito ay naghahatid ng mga nangungunang modelo ng AI ng Tsina tulad ng DeepSeek, GLM, MiMo, Kimi o Minimax, na nakikipagkumpitensya sa Claude Opus sa mga coding benchmark, sa humigit-kumulang na one-thirteenth ng presyo ng closed alternative.

"Ang mga Chinese lab ay nag-o-open source ng mga frontier-grade model," isinulat ni Shaughnessy. "Ang modelo ang pinakamalaking gastos na mayroon ang isang inference provider, at nakukuha nila ito nang libre." Hangga't nananatili iyon, ang minimum na presyo sa intelligence ay patuloy na bumababa patungo sa zero—at ang anumang pagbawi ng kita sa OpenAI o Anthropic ay nagiging isang problema sa matematika na walang malinis na solusyon.

Ang buong tesis ay masisira lamang kung ang China ay magiging closed-source, sabi ni Shaughnessy, na magiging magandang balita para sa mga U.S. lab.

Sa ngayon, tila nakatuon ang karamihan sa mga AI lab ng China sa kabaligtaran na diskarte.