Indflydelsen fra ræsonnerende AI-modeller fra DeepSeek og OpenAI forventes at omdirigere fokus for investeringer i kunstig intelligens (AI), samtidig med at den samlede AI-udgift stiger. Lanceringen af DeepSeek-modellerne fik observatører til at genoverveje nødvendigheden af investering i AI-infrastruktur. Det øgede også opmærksomheden på ræsonneringsmodeller, hvilket kræver øgede udgifter til inferens, som rapporteret af Bloomberg den 17. marts. Som følge heraf forudser Bloomberg Intelligence nu, at investeringerne i AI fra store virksomheder som Amazon, Meta og Microsoft vil vokse hurtigere end tidligere forventet, med en større del af den udgift tildelt til drift af AI-systemer efter træning i stedet for til datacentre og chips. Disse virksomheder forventes at investere 371 milliarder dollar i datacentre og computerressourcer inden 2025, hvilket repræsenterer en stigning på 44% fra udgifterne i 2024, og kan nå op på 525 milliarder dollar om året inden 2032, ifølge rapporten. Inden 2032 forventes det, at næsten halvdelen af alle AI-udgifter vil fokusere på inferens, da ræsonneringsmodeller hjælper virksomheder med at generere større indtægter fra software.

Samtidig forventes investeringens andel til træning at falde fra 40% til 14%. DeepSeek gjorde en betydelig indflydelse på AI-landskabet i slutningen af januar ved at lancere AI-modeller, der matchede præstationen af dem fra OpenAI og Google til en betydeligt lavere pris og med væsentligt færre Nvidia GPU'er. Efter DeepSeek's banebrydende modeludgivelse bemærkede Meta's CEO Mark Zuckerberg i en indtjeningsopkald, at den amerikanske AI-sektor bevæger sig mod AI-behandling, eller inferens, i takt med stigende popularitet af ræsonnerende AI-modeller. I februar introducerede OpenAI, hvad de beskrev som deres "mest omkostningseffektive" ræsonnerende AI-model, kaldet o3-mini, der fremhævede dens "lille" men "kraftfulde og hurtige" evner, især inden for videnskab, kodning og matematik. Denne model tilbyder tre niveauer af ræsonnering - lav, medium og høj - til mere udfordrende opgaver. Som en del af OpenAI's o1-serie kan modellen ræsonnere gennem forskellige opgaver, selvom den har længere svartider sammenlignet med ikke-ræsonnerende modeller. Ikke desto mindre er ræsonneringsmodeller i stand til at tackle mere komplekse opgaver og løse sværere problemer.