Moonshot AI cilja 2 milijarde dolara godišnjeg prihoda uz K3
Moonshot AI, kineska laboratorija koja razvija Kimi, postavila je cilj od 2 milijarde dolara godišnjeg prihoda do kraja godine, što je dvostruko više od prijavljenog tempa prihoda iz avgusta. Ambicija se oslanja na uspeh open-weight modela K3, objavljenog tokom leta, dok podaci servisa OpenRouter pokazuju do 300 milijardi tokena koje K3 modeli generišu dnevno.
Rast prihoda uz otvoreno dostupne težine modela
Cilj pokazuje da open-weight modeli mogu da stvore značajnu komercijalnu aktivnost. Moonshot je težine svojih modela učinio slobodno dostupnim, pa se njegov pristup razlikuje od modela sa zatvorenim težinama koje nude OpenAI i Anthropic.
Takav model poslovanja ima i ograničenje: marže su znatno niže nego kod zatvorenih konkurentskih modela. Moonshotov projektovani prihod ostaje daleko ispod procena koje se u izveštajima navode za OpenAI, sa 40 milijardi dolara, i Anthropic, sa 65 milijardi dolara godišnjeg prihoda.
Korišćenje K3 prema dostupnim podacima poslednjih meseci blago opada, ali obim generisanih tokena i dalje je veoma visok. To je važan pokazatelj rasprostranjenosti modela, ali sam po sebi ne objašnjava strukturu prihoda, troškove infrastrukture ni profitabilnost kompanije.
Optužbe o destilaciji modela otvaraju pitanje porekla podataka
Komercijalni plan dolazi u trenutku spora sa kompanijom Anthropic. Ona tvrdi da je Moonshot sprovodio dugotrajnu kampanju destilacije modela: skoro 300.000 zahteva iz Kimija bilo je usmereno direktno ka Claude Opus, čime je Opus, prema navodima Anthropica, praktično posluživao odgovore umesto Moonshotovih modela.
Anthropic navodi i da je iz njegovih modela prikupljeno više od 23 miliona odgovora za Moonshotovo treniranje. Tvrdnja je izneta kao optužba kompanije Anthropic; članak ne navodi odgovor Moonshota niti nezavisnu potvrdu tih navoda.
Za tržište je relevantno što se rast open-weight ekosistema ne meri samo brojem preuzimanja ili tokena. U pozadini su uslovi korišćenja, način prikupljanja podataka i mogućnost da se kapacitet modela pretvori u održiv prihod.
Šta poslovni korisnici treba da provere
Kompanije koje uvode generativnu veštačku inteligenciju treba da razlikuju otvorenu dostupnost težina od pune poslovne transparentnosti. Koristan kontekst daje i rast interesovanja za open-weight LLM modele u Kini koji pokazuje rast interesovanja za open-weight LLM modele u Kini.
Praktičan zaključak je da pri izboru AI dobavljača treba istovremeno proveriti cenu i dostupnost modela, obim stvarne upotrebe, ugovorne uslove i poreklo trening podataka, jer svaki od tih faktora utiče na operativni i pravni rizik.