Editor's Note: Kapag ang AI ay nagsisimula na sumulat ng code, tratuhin ang mga ticket sa customer service, at suriin ang mga legal na dokumento, isang mas pangunahing tanong ang lumalabas: Ano nga ba ang tunay na binibili ng mga negosyo—ang token, ang GPU na oras, o ang natapos na trabaho?

Ang artikulong ito ay nagtataguyod ng isang mahalagang framework: ang komersyalisasyon ng AI ay hindi dapat tukuyin lamang bilang «market ng computing power» o «market ng model invocation», kundi ay patungo sa isang bagong «market ng machine labor». Sa loob ng market na ito, ang token ay ang yunit ng pagsukat, ang GPU ay ang input, ang model ay ang kasangkapan sa produksyon, at ang tunay na binibili at binibigyan ng presyo ay ang ekonomikong gawain na direkta ng software.

Ang pangunahang pagtataya sa artikulo ay ang pag-unlad ng AI pricing mechanism mula sa orihinal na token, pagpapastandard ng model capability, hanggang sa industry-specific labor, at sa huli ay sa programmable result market. Ibig sabihin, sa hinaharap, ang mga negosyo ay hindi na mag-aalala kung aling model o anong GPU ang nagawa ang isang gawain, kundi kung natupad nito ang mga pamantayan sa latency, accuracy, reliability, at gastos.

Ito ay nangangahulugan na ang epekto ng AI sa merkado ng paggawa ng tao ay hindi lamang simpleng pagpapalit. Habang ang mga makina ay humahawak ng higit pang mga gawain na maaring istandarisa at maaring patunayan, ang papel ng tao ay maaaring magbago patungo sa pagsusuri, pagdudulot ng responsibilidad, pagpapamahala ng konteksto, at huling pagdedesisyon. Sa ilang mga sitwasyon, ang huling 1% ng pagdedesisyon ng tao ay maaaring maging mas may halaga, dahil ito ang makakapagpalabas ng 99% ng malawakang awtomatizasyon.

Sa pananaw na ito, ang susunod na yugto ng kompetisyon sa merkado ng AI ay maaaring hindi na lamang pag-uusig ng kakayahan ng modelo o isang simpleng digmaan ng presyo ng computing power, kundi kung sino ang makakamit muna ang pag-standarisa, pag-verify, at pagpapresyo ng “trabaho”, at sa huli ay gawing isang bagong produksyong elemento ang machine labor na maaaring bilhin, i-settle, at itransaksyon.

Narito ang orihinal:

Ang mga alon ng produktibidad ay dating nagmula sa paggawa ng mga kasangkapan at software para sa tao upang mapabuti ang paraan ng pagkumpleto ng trabaho. Ang mga spreadsheet ay tumutulong sa mga accountant at analyst, ang mga conveyor belt ay nagpapataas ng throughput, at ang mga martilyo ay nagpapalakas ng lakas ng tao. Ngunit ang totoong pagsisikap ay laging nagmumula sa tao.

Ngayon, ang AI ay direktang nagpapagawa ng mga resulta mula sa simula hanggang sa wakas, at direktang nagpapatupad ng paggawa. Maaari itong sumulat ng code, tratuhin ang mga ticket sa customer service, at suriin ang mga legal na dokumento. Ang dulo ng teknikal na stack ay nagsisimulang magkumpres: ang lumang teknikal na stack ay sumusuporta sa paggawa, habang ang bagong teknikal na stack ay nagsisimula na ring magproduksyon ng paggawa.

Kung ikaw ay nakarinig ng mga diskusyon tungkol sa financialization ng AI sa nakaraan, malamang ay narinig mo ang mga tao tulad ni Jensen na sinasabi na ang LLM token at/o GPU hours ay nagsisimula nang maging mga bagong commodity. Maunawaan ang intuisyon na ito, dahil ang mga token ay masusukat, maaaring ibilang, at madaling i-graph; mayroon ding milyon-milyon dolyar na puhunan sa likod ng GPU hours. Ngunit ang mga token ay patuloy na mga yunit ng pagsukat, at ang GPU hours ay mga input lamang—hindi sila binibili para sa kanilang sariling kapakanan. Ang tunay na hinahanap ng mga tao ay ang pagkumpleto ng trabaho. Ang AI ay nagpapalit sa teknikal na stack mismo bilang pinagkukunan ng puwersa ng paggawa.

Machine labor: Mga gawain na isinasagawa ng software, may ekonomikong layunin, at ipinagbibili sa proseso ng produksyon.

Ang merkado ay naghahalos sa direksyong ito. Ang Sarah Tavel ng Benchmark ay nagtatanggol na unawain ang pagkakataong ito sa pamamagitan ng labanang pang-lakas-paggawa, hindi sa pamamagitan ng software category. Kung isang paulit-ulit na gawain ay karaniwang ginagawa ng isang espesyalisadong offshore team o propesyonal na serbisyo na kumpanya, kadalasan ay angkop din ito para sa pagbibigay ng AI. Tinatawag nina a16z na Alex Rampell ito bilang “software consumes labor”: ang susunod na yugto ng software ay ang paggawa ng trabaho nang direkta. Habang mula sa ibang pananaw, inilarawan ni Julien Bek ng Sequoia ang parehong pagbabago: ang mga serbisyo ay naging software, ang copilot ay bumebenta ng mga kasangkapan, at ang autopilot ay bumebenta ng trabaho.

Ang nawawalang merkado sa likod ng pagtatakda ng presyo

Ang pagpapahalaga sa mga upuan ay batay sa antas ng pag-access, habang ang pagpapahalaga sa token ay batay sa dami ng paggamit. Ang pagpapahalaga sa resulta naman ay binabayaran kapag natapos ang trabaho. Ang pagpapahalaga sa resulta ay nagdadala sa atin ng isang hakbang pataas, ngunit hindi pa rin ito sumasagot sa isang tanong: Sino ang magdedesisyon ng presyo?

Kung ang mga makina ay maaaring direktang bumili, dapat ang presyo ay mula sa kompetisyon ng mga tagapagbigay. Dapat makapagbigay ang mga tagapagbigay sa parehong uri ng mga gawain o pamantayan sa pagkumpleto ng trabaho, at kailangan nito ang pagkakaroon ng istandar sa loob ng iba’t ibang industriya at gawain.

Ang kasalukuyang paraan ay ang paggamit ng LLM token, ngunit ang orihinal na token ay ang pinakamababang antas lamang. Isang barrel ng langis ay isang yunit ng pagsukat, ngunit ang tunay na binibili ay isang partikular na klase ng barrel ng langis na may malinaw na kalidad, mga tuntunin sa paghahatid, at presyo sa merkado. Ang isang barrel ng Brent crude oil at ang isang barrel ng heavy sour crude oil ay hindi parehong produkto. Parehong nangyayari sa LLM token. Ang token ay isang yunit ng pagsukat lamang; ang tunay na mahalaga ay ang intelektuwal na likas na katangian nito: kalidad ng modelo, baseline performance, latency, context window, reliability, at garantya sa paghahatid. Ang 1 milyong token mula sa isang frontier code model ay hindi pareho sa 1 milyong token mula sa isang murang general-purpose model. Kailangan ng merkado ang standardisadong antas ng inference, tulad ng kung paano kinakailangan ng enerhiyang merkado ang standardisadong klase ng langis.

Tinukoy nang direkta ni Anjali Shriva: ang token ay hindi isang fixed na yunit ng gastos. Ang kanyang ekonomiya ay nagbabago batay sa haba ng konteksto, istruktura ng task, ratio ng input/output, bilang ng pagkakataong muli, pagtawag sa mga tool, at mga Agent workflow. Ang isang token sa isang maikling prompt ay hindi pareho sa isang token na nakalulubos sa isang mahabang Agent loop.

Nagawa na natin ito sa merkado ng paggawa ng tao. Walang mag-e-employ ng isang radiologist bilang isang pangkalahatang “tao-kalendaryo.” Ang mga tao ay titignan ang kanilang pagsasanay, lisensya, espesyalisasyon, karanasan, availability, reputasyon, at pagkakaroon ng responsibilidad. May iba’t ibang mga spesipikasyon ng kontrata ng tao na tumutugon sa iba’t ibang minimum na pamantayan at antas ng inaasahan.

Ang thịko ng paggawa ng tao ay gumagana batay sa mga spesipikasyong ito, ngunit ang mga spesipikasyong ito ay karaniwang magkakasalungat, kwalitatibo, at puno ng iba’t ibang mga indikador. Ang paggawa ng makina ay gagawing mas malinaw at mas masukat ang mga spesipikasyong ito.

Para sa LLM o Agent, ang mga indikador tulad ng kasanayan, karanasan, bilis, at kumpiyansa ay maaaring direktang isulat sa kontrata: mga marka sa benchmark, latency, throughput, window ng konteksto, pinakamataas na haba ng output, tumpak na paggamit ng mga kasangkapan, oras ng pagpapatakbo, at rate ng pagkakamali. Maaari naming bilhin ang puwersa ng paggawa batay sa mga masusukat na inaasahan at resulta.

Ang mga spesipikasyon ng kontrata ng TheGrid.ai ay isang pagsuri sa kwalipikasyon, kasama ang pagkakaroon ng kompetisyon sa presyo para sa mga output ng LLM. Kung ang supplier ay sumasapat sa mga spesipikasyon, makakapasok sila sa kompetisyon:

Smart Benchmarking ≥ Lower Limit

Delay ≤ limit

Throughput ≥ lower limit

Uptime ≥ minimum

Error rate ≤ limit

Kapag lahat ng mga supplier ay nakamit ang parehong minimum na pamantayan, sila ay nagsisimula na magkumpetensya sa presyo. Ang tanong ng mga bumibili ay: Sino sa mga supplier ang makakapagbigay ng kinakailangang puwersa ng paggawa sa pinakamababang presyo?

Ang paghahanap ng mga radiologist ay naging isang masukat na tanong sa konteksto ng LLM: aling mga LLM ang kayang basahin ang mga X-ray nang may mataas na kasanayan at matupad ang mga gawain sa nakasaad na delay, context window, at iba pang mga spesipikasyon batay sa resulta.

Ang resulta ay paraan ng pagtataya ng tagapagbili; ang paggawa ay ang ekonomikong aktibidad na ipinagkakaloob; at ang token ay ang pangangailangang pampuslit na ginagamit ng machine habang nagtatapos ng trabaho.

Ang Grid ay ang market para sa machine labor.

From token to machine labor market

Ang pamilihan ay maaaring magbigay ng presyo sa pag-input ng teknikal na stack, ngunit upang magbigay ng presyo sa output, kailangan ng isang merkado para sa mga manggagawang makina. Hindi nag-aalala ang mga bumibili sa mga oras ng GPU. Ang mga endpoint ng modelo ay hindi rin nagtataglay ng katatagan: maaaring palitan ang pangalan, itigil, i-package, o direktang i-retire.

Ayaw ng mga user at likididad ang madalas na pagbabago. Patuloy na umuunlad ang GPU at model, ngunit ang matatag na yunit ay ang sariling trabaho.

Naniniwala ako na ang merkado ay magiging tulad ng sumusunod na landas. Bawat hakbang pataas, ang mga bagay na binibili ay mas abstrak at mas may halaga, ngunit mas mahirap i-verify. Dapat umakyat ang Grid nang paulit-ulit sa hagdan na ito:

Original token → Commodified LLM capability market → Commodified labor market → Programmable outcomes market

Claude 4.7, GPT 5.5, Kimi 2.6, DeepSeek V4, GLM 5, atbp.

Ngayon, ang mga bumibili ay bumibili ng orihinal na output mula sa mga supplier ng inference. Ibinabahagi nila ang kanilang sariling prompt, natatanggap ang resulta ng inference, at binabayaran ayon sa paggamit. Madali itong i-verify, ngunit ito ay patuloy na isang raw material. Ang tunay na hinahanap ng mga bumibili ay hindi ang mga token, kundi ang magandang智能化 sa pinakamababang presyo.

Halimbawa ang text/usd, code/usd, agent/usd, atbp.

Hindi na pumipili ang buyer ng isang partikular na modelo, kundi pumipili ng uri ng智能化 na kailangan nila. Patuloy pa ring may kontrol ang buyer sa workflow, prompt, data, at application logic. Ang The Grid ay nagr-reroute lamang sa bawat request sa isang kwalipikadong modelo na sumusunod sa mga spesipikasyon ng kontrata at may pinakamababang presyo.

Tandaan: Ito ay ang unang tunay na abstrak na antas na higit sa orihinal na token, at ang posisyon ng TheGrid.ai sa kasalukuyan.

Halimbawa ang accounting/usd, support_agent/usd, legal/usd, healthcare/usd, radiology/usd, atbp.

Habang ang mga modelo ay nagsisiging mas espesyalisado, maaaring mas lalong umunlad ang market ng kakayahan patungo sa mga market na espesipiko sa industriya. Ito ay katulad ng pagkakaspecialize ng mga tao sa iba’t ibang market ng paggawa.

Sa antas na ito, ibinebenta namin ang pagpapasya na disenyo para sa mga workflow ng partikular na labor sector. Habang lumalaganap ang mga modelo para sa bawat niche industry, mabilis na lalawak ang merkado na ito. Mga kaukulang halimbawa ay ang Composer ni Cursor, ang Harvey para sa legal na trabaho, at ang EvidenceOpen para sa kalusugan.

Halimbawa ang support_ticket_resolved/usd, pr_merged/usd, claim_processed/usd, atbp.

Ang huling layer ay kung saan tinatapos ng The Grid ang paglipat mula sa market ng pag-iisip patungo sa market ng machine labor.

Kailangan ng ganitong antas ang mga mekanismo tulad ng RFQ (request for quote),托管账户, delayed settlement, buyer confirmation, supplier reputation, clawback mechanism, at dispute resolution. Malamang na magsisimula ito sa RFQ kesa sa direkta na paggamit ng order book. Tinitukoy ng buyer ang saklaw ng trabaho, mga limitasyon, mga pamantayan sa pagtanggap, at mga kondisyon sa pagbabayad, habang ang mga Agent ay kumikita ng tawag para makumpleto ang gawain. Tulong ng The Grid sa pagrute, pagpapresyo, pag-verify, at pag-settle ng mga gawain.

Ito ang pinakamahalagang antas, ngunit ang pinakamahirap na masuri dahil ang mga resulta ay maaaring magkaron ng pagkakatagal, subheto, at madaling ma-manipula. Maaaring muling buksan ang isang ticket sa customer support; maaaring makapasa ang isang PR sa pagsubok, ngunit nananatili pa ring magdulot ng masamang arkitektura.

Total cost = Cost of completing the work + Cost of assuming risk

Hindi awtomatikong naging isang merkado ang isang workflow dahil sa pagkakaroon ng isang smart market o dahil ang mga smart ay naging mas mura. May ilang trabaho na malaki ang pagkakasalalay sa pribadong konteksto, tulad ng kasaysayan ng kliyente o panloob na patakaran. Mas malaki ang pagkakasalalay ng trabaho sa konteksto, mas mahirap itong malinaw na i-clear sa isang bukas na merkado. [@hypersoren https://hypersoren.xyz/posts/cybernetic-arbitrage/]

Kailangan ng merkado na ipakita kung anong mga kategorya ng puwersa ng paggawa ang lalawak at kung anong mga ito ang lalaki.

“Machine labor vs human labor” o “Machine labor & human labor”

Tinukoy ni Anjali Shriva sa kanyang draft ng mekanismong disenyo na ang mga kuwento ng AI ay sobrang madalas na inilarawan bilang pagpapalit. Sa katotohanan, mas parang isang koordinasyon na problema: paano muling i-organisa ang trabaho, pagkakaroon ng pagkakakilanlan, insentibo, at halaga kapag kasali ang tao at machine sa produksyon.

Ngayon, maraming paggamit ng AI sa loob ng kumpanya ay nananatiling nakapinsala, dahil ang mga empleyado ay gumagamit ng AI nang pribado, habang ang mga workflow ay nakakulong sa indibidwal, at ang kumpanya ay hindi kayang magtakda ng presyo sa mga pagpapabuti ng produktibidad na ito o iskalahin ang mga benepisyo.

Maaaring ilipat sa mga makina ang karamihan sa mga gawain na maaaring automatisin. Ang ilang mga gawain ay magiging pagrerebyu, pagdudulot ng responsibilidad, pagtuturo, at pagpapamahala ng konteksto ng tao. Sa ilang mga kaso, ang huling 1% na pagpapasya ng tao ay magiging mas may halaga, dahil maaari itong buksan nang malaki ang 99% na automatisadong gawain.

Ang《Brave New World of AI Markets》ni Rachel Su Park ay naglalatag na ang TAM ng AI ay hindi dapat simpleng modeluhin bilang pagpapalit sa kasalukuyang gastos sa human labor, dahil ito ay nagbabago parehong presyo at dami. Habang bumababa ang gastos sa trabaho, maaaring bumaba ang unit price, ngunit maaaring lumawak ang dami ng konsumo, dahil mas madalas na kakonsumuhin ang mga umiiral na trabaho, at maaaring maging viable ang mga bagong trabaho na dati ay hindi ekonomiko. Ipinapaliwanag ng artikulo ito bilang:

P × Q: Laki ng merkado = Presyo ng bawat unit ng trabaho × Bilang ng mga trabaho na kinonsumo

Kung ginagawa ng AI ang pagkakaugnay ng customer service na mas mura, maaaring magbigay ang mga kumpanya ng serbisyo na available 24/7. Hindi lamang ito maging mas mura bersyon ng dating merkado ng puwersa ng paglilingkod sa customer, kundi maaari itong maging mas malaking merkado ng pakikipag-ugnayan sa kliyente.

Ang AI ay isang ekspansyong merkado dahil hindi nakakarating sa katatagan ang demand kapag bumaba ang gastos sa trabaho.

Labor layer

Dapat magsimula ang market para sa machine labor sa mga trabaho na may malinaw na definidong spesipikasyon. Ang GPU hours ay naglalaman ng masyadong maraming impormasyon sa input, at kailangan lamang ito upang sabihin kung ano ang nagpapagana sa trabaho; samantalang ang pagtatakda ng presyo para sa buong resulta ay masyadong kumplikado at sobrang nakadepende sa konteksto. Habang ang pagpapatotoo, reputasyon, at pagtatakda ng panganib/insurance ay paulit-ulit na hinahawakan ng mga makina, magpapatuloy ang market na umunlad patungo sa pure result layer.

Ang mga machine labor ay maaaring maging tradable, dahil ang mga buyer ay lalong hindi magmamalasakit kung aling model o anong GPU ang nagprodyus ng trabaho, kundi mas magmamalasakit kung ang trabaho ay nakamit ang minimum na standard at grado sa kontrata sa tamang presyo. Mas hindi magmamalasakit ang mga Agent sa mga ilalim na pinagmulan.

Ang mga makina ay maaari na direktang isagawa ang mga gawain na may ekonomikong layunin, na maaaring tukuyin, sukatin, ipagbili, bilhin, at sa huli ay tradein. Ang enerhiya, computing power, mga modelo, at mga token ay patuloy na mahalaga, ngunit lahat ng ito ay nasa upstream pa rin.

Ang mga downstream ang lugar kung saan talaga natatapos ang trabaho, at ang merkado ay umuunlad patungo sa isang mas simpleng objekto: machine labor.