Uticaj modela za rezonovanje AI kompanija DeepSeek i OpenAI se očekuje da će preusmeriti fokus ulaganja u veštačku inteligenciju (AI), dok istovremeno povećava ukupnu potrošnju na AI. Pokretanje DeepSeek modela navelo je posmatrače da ponovo razmisle o neophodnosti ulaganja u AI infrastrukturu. Ipak, to je takođe povećalo pažnju na modele rezonovanja, što zahteva povećanu potrošnju na inferenciju, kako je izveštavao Bloomberg 17. marta. Kao rezultat toga, Bloomberg Intelligence sada predviđa da će ulaganja u AI od strane velikih kompanija poput Amazona, Mete i Microsofta rasti brže nego što se prethodno očekivalo, pri čemu će veći deo tih troškova biti upotrebljen za rad AI sistema posle obuke, umesto za data centre i čipove. Ove korporacije se očekuje da će investirati 371 milijardu dolara u data centre i računske resurse do 2025. godine, što predstavlja porast od 44% u odnosu na troškove 2024. godine, a mogla bi dosegnuti 525 milijardi dolara godišnje do 2032.

godine, prema izveštaju. Do 2032. godine se očekuje da će skoro polovina svih troškova za AI biti usmerena na inferenciju, jer modeli rezonovanja pomažu kompanijama da generišu veće prihode kroz softver. U isto vreme, udeo ulaganja za obuku se predviđa da će opasti sa 40% na 14%. DeepSeek je značajno uticao na pejzaž AI krajem januara lansiranjem AI modela koji su parirali performansama onih iz OpenAI i Google-a po znatno nižoj ceni i sa znatno manjim brojem Nvidia GPU-a. Nakon revolucionarnog lansiranja modela od strane DeepSeek-a, izvršni direktor Mete Mark Zuckerberg je u toku poziva o zaradi primetio da se AI sektor u SAD-u preusmerava ka AI procesiranju, ili inferenciji, kako raste popularnost modela za rezonovanje. U februaru je OpenAI predstavio ono što je opisao kao svoj "najisplativiji" model rezonovanja AI, nazvan o3-mini, ističući svoje "malo" ali "moćno i brzo" sposobnosti, posebno u nauci, kodiranju i matematici. Ovaj model nudi tri nivoa rezonovanja—nizak, srednji i visok—za izazovnije zadatke. Pripadajući OpenAI-ovoj seriji o1, model može rezonovati kroz različite zadatke, iako ima duže vreme odgovora u poređenju sa modelima bez rezonovanja. Ipak, modeli rezonovanja su sposobni da se suoče sa složenijim zadacima i reše teže probleme.