Dette er nettopp Jevons paradoks i handling i den reneste formen. Fordi kostnadene for AI-tokens har gått ned, har vi nå råd til å bruke langt flere av dem til stadig mer komplekse oppgaver. Hovedpoenget er derfor ikke at "AI blir dyrere"; I stedet er det at fordi det blir billigere og mer kapabelt, bruker vi mer av det til å løse problemer bedre. For nesten alle like-for-like-oppgaver bruker vi bare mye flere tokens for å fullføre oppgaven for å levere langt bedre resultater. Enten det er å skrive kode, svare på et helsespørsmål eller analysere en kontrakt, bruker vi langt mer AI i dag for å utføre det arbeidet fordi vi trenger de ekstra ytelsespunktene. Å få et 99 % riktig svar når du jobber med en juridisk kontrakt er *veldig* forskjellig fra et 90 % riktig svar, og det er lett verdt 10X til 100X økningen i tokens. Nå, på *et tidspunkt* vil vi begynne å nå platåer for visse typer oppgaver, og da vil kostnaden per oppgave gå ned. For eksempel trenger vi sannsynligvis ikke 100 ganger flere tokens enn vi bruker i dag for å svare på et enkelt medisinsk spørsmål eller oppsummere et dokument. Så til slutt, på en like-for-like-basis, vil disse arbeidsbelastningene bli billigere ettersom vi er i stand til å fange opp effektivitetsgevinstene fra modellene. *Men*, den generelle syklusen vil fortsette i hovedsak for alltid, fordi vi bare vil fortsette å heve standarden for hva vi gjør med AI. Ettersom tokens fortsetter å bli billigere på grunn av algoritmiske gjennombrudd, konkurranse i GPU-priser, generell dataeffektivitet og åpne vektalternativer, vil vi finne det neste settet med måter å konsumere tokenene på. Vi vil distribuere langt flere agenter parallelt for å fremskynde oppgaver, vi vil bruke multiagentsystemer for å sammenligne svar og komme til konsensus, vi vil løse mer komplekse kunnskapsarbeidsproblemer, og vi vil ha mye lengre løpende agenter i bakgrunnen. AI vil både samtidig alltid bli billigere, og dyrere.