To jest dokładnie paradoks Jevonsa w działaniu w najczystszej formie. Ponieważ koszt tokenów AI spadł, teraz możemy sobie pozwolić na użycie ich znacznie więcej do coraz bardziej złożonych zadań. Kluczowym punktem jest zatem to, że "AI staje się droższe"; zamiast tego chodzi o to, że ponieważ staje się tańsze i bardziej zdolne, używamy go więcej, aby lepiej rozwiązywać problemy. Dla prawie każdego zadania porównywalnego, używamy po prostu znacznie więcej tokenów, aby wykonać zadanie i dostarczyć znacznie lepszy wynik. Niezależnie od tego, czy chodzi o pisanie kodu, odpowiadanie na pytanie dotyczące opieki zdrowotnej, czy analizowanie umowy, dzisiaj używamy znacznie więcej AI do wykonywania tej pracy, ponieważ potrzebujemy dodatkowych punktów wydajności. Uzyskanie 99% poprawnej odpowiedzi przy pracy z umową prawną jest *bardzo* różne od 90% poprawnej odpowiedzi, a łatwo jest to warte wzrostu tokenów o 10X do 100X. Teraz, w *pewnym* momencie zaczniemy osiągać plateau dla niektórych typów zadań, a wtedy koszt na zadanie spadnie. Na przykład, prawdopodobnie nie potrzebujemy 100X więcej tokenów niż używamy dzisiaj do odpowiadania na proste pytanie medyczne lub podsumowywania dokumentu. Więc w końcu, na zasadzie porównywalnej, te obciążenia staną się tańsze, gdy będziemy w stanie uchwycić zyski wydajności z modeli. *Ale*, ogólny cykl będzie trwał zasadniczo w nieskończoność, ponieważ po prostu będziemy podnosić poprzeczkę tego, co robimy z AI. W miarę jak tokeny będą nadal tańsze dzięki przełomom algorytmicznym, konkurencji w cenach GPU, ogólnym efektywnościom obliczeniowym i otwartym alternatywom wagowym, znajdziemy następne sposoby na konsumowanie tokenów. Wdrożymy znacznie więcej agentów równolegle, aby przyspieszyć zadania, użyjemy systemów wieloagentowych do porównywania odpowiedzi i osiągania konsensusu, rozwiążemy bardziej złożone problemy związane z wiedzą, a w tle będziemy mieć znacznie dłużej działających agentów. AI będzie jednocześnie zawsze stawać się tańsze i droższe.