Tuần trước, một bài báo trên Crypto Briefing khiến tôi giật mình: doanh nghiệp Mỹ chi trung bình 7.400 USD mỗi tháng cho mỗi nhân viên cho AI. Con số này gấp 10 lần lương cơ bản của một kỹ sư mới ra trường ở Bangkok. Tôi lập tức mở spreadsheet tính thử: 7.400 USD x 12 tháng x 130 triệu lao động Mỹ = 11,5 nghìn tỷ USD mỗi năm. Đó là gấp đôi GDP toàn nước Pháp. Một lỗi gas nhỏ có thể làm sập cả một hệ thống — nhưng lỗi này thì to như một hố đen.
Context: Khi dữ liệu trở thành vũ khí marketing
Bài báo gốc không trích nguồn cụ thể, chỉ nói "dựa trên khảo sát từ một công ty tư vấn". Trong thế giới crypto, chúng ta đã quá quen với những con số TVL được bơm từ nhiều pool giống nhau, hay TPS của các Layer2 được tính bằng cách gửi giao dịch rỗng. Cơ chế tương tự đang diễn ra ở thị trường AI: các vendor tạo ra những con số "trung bình" khổng lồ để thuyết phục doanh nghiệp rằng nếu không chi 7.400 USD/tháng/người, họ sẽ bị bỏ lại phía sau.
Tôi nhớ năm 2017, khi đào mã nguồn Ethereum và phát hiện lỗi tính gas trong contract call. Lỗi đó khiến người dùng trả gấp đôi phí thực tế. Các dự án DeFi sau đó đã dùng con số "gas trung bình" để PR rằng mạng quá đắt, cần chuyển sang giải pháp riêng. Nhưng thực tế, lỗi chỉ ảnh hưởng đến một số ít giao dịch. Số liệu trung bình bị kéo lên bởi các whale gửi giao dịch khối lượng lớn. Tương tự, 7.400 USD có thể là trung bình của các tập đoàn công nghệ lớn (Microsoft, Google, Meta) chi hàng chục tỷ USD cho AI, trong khi 99% doanh nghiệp còn lại chỉ chi 30-60 USD cho Copilot.
Core: Phân tích kỹ thuật từ góc nhìn on-chain
Khi một dự án Layer2 tuyên bố "phí thấp hơn 100 lần so với Ethereum", tôi thường kiểm tra bytest code của sequencer. Nếu sequencer không publish batch dữ liệu lên L1, thì con số đó là vô nghĩa. Với AI spending, cần kiểm tra ba yếu tố:
- Cấu trúc chi phí: 7.400 USD gồm những gì? Nếu là API call (GPT-4o với giá $2.5/triệu token input), mỗi nhân viên cần tiêu thụ 50-100 tỷ token mỗi tháng — con số phi thực tế. Nếu là GPU rental, một cụm H100 có thể phục vụ hàng trăm nhân viên, chi phí phân bổ sẽ thấp hơn nhiều.
- Mẫu khảo sát: Nếu chỉ khảo sát 100 công ty trong top Fortune 500, kết quả sẽ bị thiên lệch cực đại. Giống như khi phân tích thanh khoản trên Uniswap, nếu chỉ nhìn vào các pool WBTC-WETH, ta sẽ bỏ qua 90% thanh khoản thực tế nằm ở các altcoin.
- Thời gian: Chi phí một lần mua GPU cluster có thể được ghi nhận trong một tháng, nhưng sử dụng trong 3-5 năm. Điều này tạo ra ảo giác về chi tiêu đột biến.
Từ kinh nghiệm audit mã nguồn, tôi thấy các bài toán tương tự: một dự án DeFi từng tuyên bố "tổng giá trị khóa (TVL) đạt 1 tỷ USD" nhưng thực tế chỉ có 100 triệu USD token của chính họ được stake, phần còn lại là LP token từ các pool do team tạo ra. Số liệu trung bình che giấu sự phân phối. Với AI, cũng vậy: 1% doanh nghiệp chiếm 90% tổng chi tiêu, phần còn lại chỉ là nhiễu.
Contrarian: Điểm mù của những con số được PR
Giới đầu tư crypto thường bị cuốn theo các câu chuyện về "phân mảnh thanh khoản" — một narrative do các VC sản xuất để bán sản phẩm mới. Nhưng thực tế, thanh khoản không bị phân mảnh, nó chỉ tập trung ở những nơi có volume thực. Tương tự, AI spending không bùng nổ như báo chí vẽ ra. Các công ty tư vấn kiếm tiền từ việc bán báo cáo "dự báo thị trường", nên họ có động cơ thổi phồng số liệu.
Điểm mù thứ hai: regulation-by-enforcement trong AI cũng giống như SEC với crypto. Cơ quan quản lý không ban hành quy tắc rõ ràng, cố tình để các công ty lớn (những người có thể chi 7.400 USD/tháng/người) thao túng thị trường. Khi một startup nhỏ không thể cạnh tranh, họ sẽ bị mua lại với giá rẻ. Đây là kịch bản đã xảy ra với nhiều dự án Layer2: các sequencer tập trung bị các tập đoàn lớn thâu tóm.
Điểm mù thứ ba: Data Availability (DA) bị thổi phồng. 99% rollup không tạo đủ dữ liệu để cần DA chuyên dụng. Họ chỉ cần một calldata trên Ethereum là đủ. Tương tự, 99% doanh nghiệp không cần chi 7.400 USD/tháng/người cho AI. Họ có thể dùng các mô hình mã nguồn mở như Llama 3 với chi phí gần như bằng 0. Nhưng các vendor không muốn bạn biết điều đó.
Takeaway: Cẩn thận với những con số được PR
Tôi không phủ nhận AI đang thay đổi thế giới. Nhưng hãy nhìn vào dữ liệu on-chain, vào mã nguồn thực tế, vào những con số có thể kiểm chứng. Khi một báo cáo nói "7.400 USD/tháng", hãy hỏi: mẫu khảo sát là ai? Phương pháp tính thế nào? Có ai kiểm toán không? Nếu không có câu trả lời, hãy coi nó như một token shill — thú vị để tham khảo, nhưng đừng đặt cược cả danh mục đầu tư vào đó.
Câu hỏi cuối cùng dành cho bạn: Lần cuối bạn kiểm tra mã nguồn của một dự án trước khi đầu tư là khi nào? Hay bạn chỉ đọc tiêu đề và tin vào số liệu?