Tokenomics: Đơn Vị Tiền Tệ Của Nền Kinh Tế AI

• Cá Mập Mua Gì Trong Q2/2026? - FREE

• Canada Rời Khỏi Cái Bóng Của Nước Mỹ?

• 250 Năm Kinh Tế Mỹ - Kỳ 3: Kỷ Nguyên Tiêu Dùng (1913-1945)

• Bessent Và BoJ: Hi Sinh Trái Phiếu Mỹ Để Cứu Yen Nhật? (FREE)

• SK Hynix: $150 Là Cao Hay Thấp?

• Báo Động Trái Phiếu Mỹ & Nhật: Khi Dầu Và AI Cùng Ép Long-End

• 250 Năm Kinh Tế Mỹ - Kỳ 2: Cuộc Cách Mạng Quy Mô (1865-1913)

• Rủi Ro Tín Dụng Gặp AI: Ai Bị Margin Call Trước?

• Ngân hàng Mỹ Q2/2026: The Golden Quarter

• Chiến Tranh Iran Lần 2: Ảnh Hưởng Nặng Hơn Lần 1?

• 250 Năm Kinh Tế Mỹ - Kỳ 1: Ván Cược Của Hamilton (1776-1865)

“Sẽ là một nhầm lẫn nếu cho rằng sử dụng một nguồn lực hiệu quả hơn đồng nghĩa với việc tiêu thụ nó ít đi. Thực tế có thể hoàn toàn ngược lại.”

— William Stanley Jevons, The Coal Question (1865)

Trong phần lớn hai năm qua, kinh tế học của AI thường được nhìn qua một đơn vị rất đơn giản: token. Giá mỗi triệu token giảm, các mô hình mới liên tục rẻ hơn thế hệ trước và khoảng cách năng lực giữa nhóm dẫn đầu với phần còn lại ngày càng thu hẹp. Từ đó xuất hiện một kết luận khá trực quan: trí tuệ nhân tạo đang trở thành hàng hóa phổ thông (commodity), mô hình mở sẽ ép giá mô hình đóng và hiệu quả cao hơn cuối cùng sẽ làm nhu cầu đối với GPU hay trung tâm dữ liệu chậm lại.

Nhưng token chỉ đo giá của một đầu vào. Doanh nghiệp không thực sự mua một triệu token; họ mua một yêu cầu khách hàng được giải quyết, một đoạn mã hoạt động, một tài liệu được phân tích hoặc một quy trình được tự động hóa. Một mô hình có giá token thấp hơn vẫn có thể đắt hơn nếu cần suy luận lâu hơn, thử lại nhiều lần hơn hoặc để lại nhiều công việc hơn cho con người. Khi AI chuyển từ chatbot sang những hệ thống tự thực hiện nhiều bước, khoảng cách giữa giá của token và chi phí của công việc hoàn thành càng trở nên quan trọng.

Cùng lúc đó, việc tầng mô hình trở nên rẻ hơn chưa chắc làm giá trị kinh tế của toàn ngành giảm xuống. Mô hình trọng số mở vẫn cần GPU để chạy, doanh nghiệp vẫn cần dữ liệu và hệ thống điều phối để đưa AI vào sản xuất, còn lượng suy luận có thể tăng nhanh hơn tốc độ giá giảm nếu chi phí thấp hơn mở khóa thêm nhiều tác vụ mới. Vì vậy, câu hỏi quan trọng không chỉ là AI đang rẻ đi bao nhiêu, mà là giá trị sẽ nằm ở đâu khi năng lực AI ngày càng phổ biến.

Bài viết đi qua bảy phần:

• Phần I — Năng lực AI bớt khan hiếm: khoảng cách giữa mô hình mở và đóng, cũng như giữa Trung Quốc và Mỹ, đang thu hẹp đủ nhanh để tạo áp lực lên giá.

• Phần II — Token rẻ chưa chắc tạo ra tác vụ rẻ: năng lực có thể hội tụ trong khi tốc độ, hiệu quả sử dụng token và tỷ lệ thành công vẫn khác biệt lớn.

• Phần III — Lượng sử dụng không đồng nghĩa doanh thu: mô hình mở đang giành thêm workload, nhưng traffic chưa cho biết ai thực sự giữ được giá trị kinh tế.

• Phần IV — “Mở” không có nghĩa “miễn phí”: lợi thế chi phí phụ thuộc vào quy mô, tỷ lệ khai thác hạ tầng và cách doanh nghiệp lựa chọn giữa tự vận hành với API.

• Phần V — Giá giảm chưa chắc làm nhu cầu compute giảm: tổng chi tiêu cho suy luận vẫn có thể tăng nếu lượng sử dụng mở rộng nhanh hơn mức tiết kiệm trên mỗi tác vụ.

• Phần VI — Nếu tầng mô hình trở nên phổ thông, lợi nhuận sẽ dịch chuyển: dữ liệu, hạ tầng, điều phối và ứng dụng có thể trở thành những nơi giữ lại phần giá trị mà model layer đánh mất.

• Phần VII — Từ giá mỗi token đến giá trị mỗi USD AI: thước đo cuối cùng không phải lượng token được mua, mà là bao nhiêu công việc và giá trị kinh tế được tạo ra từ số tiền đó.

Sự thành công của một mô hình vì thế không thể chỉ được đo bằng việc nó đứng đầu benchmark hay bán một triệu token rẻ đến đâu. Nó phải được đo bằng khả năng hoàn thành công việc với đủ độ tin cậy, đủ hiệu quả và ở mức tổng chi phí phù hợp với giá trị mà khách hàng nhận được.

Token đang ngày càng rẻ.

Câu hỏi là liệu intelligence cũng đang trở thành hàng hóa - hay chỉ có giá trị đang dịch chuyển sang nơi khác trong chuỗi AI.