Det är just detta som är Jevons paradox i aktion i sin renaste form. Eftersom kostnaden för AI-tokens har sjunkit har vi nu råd att använda mycket mer av dem för allt mer komplexa uppgifter. Huvudpoängen är alltså inte att "AI blir dyrare"; Istället är det så att eftersom det blir billigare och mer kapabelt, använder vi mer av det för att lösa problem bättre. För nästan varje liknande uppgift använder vi bara mycket fler tokens för att slutföra uppgiften och leverera mycket bättre resultat. Oavsett om det handlar om att skriva kod, svara på en hälso- och sjukvårdsfråga eller analysera ett kontrakt, använder vi mycket mer AI idag för att utföra det arbetet eftersom vi behöver ytterligare prestandapunkter. Att få ett 99% korrekt svar när man arbetar med ett juridiskt kontrakt skiljer sig *mycket* från ett 90% korrekt svar, och det är lätt värt 10X till 100X ökningen av tokens. Nu, vid *någon* punkt kommer vi att börja nå platåer för vissa typer av uppgifter, och då kommer kostnaden per uppgift att sjunka. Till exempel behöver vi förmodligen inte 100 gånger fler tokens än vi använder idag för att svara på en enkel medicinsk fråga eller sammanfatta ett dokument. Så då, så småningom, på liknande basis, kommer dessa arbetsbelastningar att bli billigare eftersom vi kan fånga upp effektivitetsvinsterna från modellerna. *Men*, den allmänna cykeln kommer att pågå i princip för evigt, eftersom vi bara kommer att fortsätta att höja ribban för vad vi gör med AI. Eftersom tokens fortsätter att bli billigare på grund av algoritmiska genombrott, konkurrens i GPU-priser, allmän beräkningseffektivitet och alternativ med öppen vikt, kommer vi att hitta nästa uppsättning sätt att konsumera tokens. Vi kommer att distribuera många fler agenter parallellt för att snabba upp uppgifter, vi kommer att använda multiagentsystem för att jämföra svar och nå konsensus, vi kommer att lösa mer komplexa kunskapsarbetsproblem och vi kommer att ha agenter som kör mycket längre i bakgrunden. AI kommer samtidigt alltid att bli billigare och dyrare.