تنخفض تكلفة استخدام ذكاء التعلم الآلي بعدة مراتب كل عام، دون علامات على التباطؤ. من المتوقع أن تصبح نماذج LLM بنية تحتية منتشرة، تعمل محلياً على أجهزة عادية خلال 3‑6 سنوات. تشمل الأدلة نماذج مملوكة مثل GPT‑6 Astra ونماذج مفتوحة الأوزان مثل GLM‑5.3‑flash، بالإضافة إلى نماذج محلية مثل Muse Glimmer و Qwen3 Coder. تتبع كفاءة طاقة GPU منحنى لوغاريتمي، وتتضاعف تقريباً كل عامين — مشابهة للمكاسب التاريخية لـ قانون مور. تسعير النماذج يتم لكل رمز مميز، لكن التكلفة على مستوى المهمة تنخفض بشكل حاد؛ تظهر حدود باريتو في 2026 نماذج تتراوح من خيارات رخيصة وأقل ذكاءً إلى خيارات باهظة وعالية الأداء. تتحسن محركات الاستنتاج بسرعة، وتحقق مكاسب سنوية بنسبة 10‑50%. مع تزايد تكلفة الرموز المميزة، تظهر الجودة والوصول كعوامل محدودة جديدة لتبني الذكاء الاصطناعي.