ஒரு ஃப்ரீலான்ஸர் எவ்வாறு தங்கள் LLM கட்டணத்தை 40 மடங்கு குறைத்தார்

கடந்த மாதம், AI-மூலம் இயங்கும் சாட்பாட்களை (chatbots) உருவாக்கும் ஒரு ஃப்ரீலான்ஸர், ஒரே ஒரு வாடிக்கையாளர் திட்டத்திற்கு மட்டும்—OpenAI டேஷ்போர்டு $487.32 எனக் காட்டியபோது அதிர்ச்சியடைந்தார். இன்று ஜூலை 7, 2026 அன்று, இத்தகைய API கட்டணம் தனித்து இயங்குபவர்களுக்குத் தாங்க முடியாத ஒன்றாக மாறிவருகிறது. ஆனால் இது இப்படி இருக்க வேண்டிய அவசியமில்லை.

சிக்கல்: அதிக செலவு பிடிக்கும் இயல்புநிலை அமைப்புகள் (Expensive Defaults)

ஒரு தனி நபராகத் தொழில் நடத்துவது என்றால் செலவுக் கணக்கில் இருக்கும் ஒவ்வொரு டாலரும் உன்னிப்பாகக் கவனிக்கப்படும் என்று பொருள். ஒரு SaaS வாடிக்கையாளருக்கு மட்டும்—ஒரு சப்போர்ட் சாட்பாட்—அந்த ஃப்ரீலான்ஸர் ஒவ்வொரு மாதமும் OpenAI-ன் GPT-4o மூலம் தோராயமாக 50 மில்லியன் உள்ளீட்டு டோக்கன்களையும் (input tokens) 15 மில்லியன் வெளியீட்டு டோக்கன்களையும் (output tokens) அனுப்பிக்கொண்டிருந்தார். அந்தப் பெருக்கல் கணக்கு கொடூரமாக இருந்தது: ஒரு மில்லியனுக்கு $2.50 வீதம் 50M டோக்கன்களுக்கு உள்ளீட்டுக் கட்டணம் $125, மேலும் ஒரு மில்லியனுக்கு $10.00 வீதம் 15M டோக்கன்களுக்கு வெளியீட்டுக் கட்டணம் $150. அந்த ஒரே ஒரு வாடிக்கையாளருக்கு மட்டும் மாதத்திற்கு $275. நான்கு தீவிரமான வாடிக்கையாளர்களுடன், OpenAI கட்டணம் ஒவ்வொரு மாதமும் $400 முதல் $500 வரை சென்றது—எந்தவொரு உண்மையான பொறியியல் பணியும் செய்யப்படுவதற்கு முன்பே, ஒவ்வொரு வாடிக்கையாளரின் கட்டணத் தொகையிலும் மூன்றில் ஒரு பங்கு செலவாகிவிட்டது.

மாற்றுகளைச் சோதித்தல்

அந்த ஃப்ரீலான்ஸர் ஒரு வார இறுதியை ஏழு வெவ்வேறு LLM சேவை வழங்குநர்களை அருகருகே வைத்து தீவிரமாகச் சோதிப்பதில் செலவிட்டார். ஒப்பீடு முறையானதாக இருந்தது: ஒவ்வொரு API மூலமும் ஒரே மாதிரியான ப்ராம்ப்ட்களை இயக்குதல், வெளியீட்டின் தரத்தைச் சரிபார்த்தல், லேட்டன்சியை (latency) அளவிடுதல் மற்றும் செலவைக் கணக்கிடுதல். விலை விவரங்கள் எவ்வாறு இருந்தன என்பது இதோ:

• GPT-4o (OpenAI): மில்லியன் டோக்கன்களுக்கு $2.50 input / $10.00 output
• GPT-4o-mini (OpenAI): $0.15 input / $0.60 output—16.7× மலிவானது
• DeepSeek V4 Flash (Global API): $0.18 input / $0.25 output—40× மலிவானது
• Qwen3-32B (Global API): $0.18 input / $0.28 output—35.7× மலிவானது
• DeepSeek V4 Pro (Global API): $0.57 input / $0.78 output—12.8× மலிவானது
• GLM-5 (Global API): $0.73 input / $1.92 output—5.2× மலிவானது
• Kimi K2.5 (Global API): $0.59 input / $3.00 output—3.3× மலிவானது

DeepSeek V4 Flash தனித்து நின்றது: ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு $0.25 என்ற விலையில், அது $275 மாதாந்திர கட்டணத்தை தோராயமாக $11.25 ஆகக் குறைக்கும். அதே பணிச்சுமை, 24 மடங்கு சிறிய கட்டணம்.

தரம், அது முக்கியத்துவம் பெறும் இடங்களில்

ஒரு விஷயம் 40 மடங்கு மலிவானதாக இருக்கும்போது, சந்தேகம் இருப்பது இயல்பானது. எனவே அந்த ஃப்ரீலான்ஸர் இரண்டு மாடல்களையும் உண்மைப் பணிகளில் சோதித்தார்: புரொடக்ஷன் சப்போர்ட் சாட்பாட் வினவல்கள், கோட் உருவாக்கும் பணிகள், பிளாக் எழுதும் பணிகள் மற்றும் வாடிக்கையாளர் பின்னூட்டத்திலிருந்து JSON பிரித்தெடுத்தல்.

முடிவு: 95% பயன்பாட்டு நிகழ்வுகளில் (use cases) தரத்தில் எந்த வேறுபாடும் கண்டறிய முடியவில்லை. சிறிய ப்ராம்ப்ட்களில் DeepSeek V4 Flash உண்மையில் சற்று வேகமாகவும் இருந்தது. JSON mode செயல்பட்டது. Streaming செயல்பட்டது. Function calling அதே வழியில் செயல்பட்டது. மல்டிமாடல் மாடல்களில் Vision அம்சங்கள் ஆதரிக்கப்பட்டன. சாட் நிறைவுகளைத் (chat completions) தாண்டிய எதற்கும்—fine-tuning, Assistants API, text-to-speech, speech-to-text—OpenAI இன்னமும் முன்னணியில் உள்ளது. ஆனால் ஃப்ரீலான்ஸ் AI பணிகளை இயக்கும் முக்கிய பயன்பாட்டு நிகழ்வுகளுக்கு, இந்த மாற்றுகள் நேரடியாகப் பதிலீடு செய்யக்கூடியவையாக உள்ளன.

இடம்பெயர்வு: இரண்டு வரிக் கோட்

ஃப்ரீலான்ஸர் இவ்வளவு காலம் காத்திருந்ததற்காக வருந்தச் செய்த பகுதி இதுதான். குளோபல் API சேவை வழங்குநர்கள் OpenAI-க்கு இணக்கமான இடைமுகத்தைப் பயன்படுத்துகின்றனர், எனவே இருக்கும் கோட்டை மீண்டும் எழுத வேண்டிய அவசியமில்லை. நீங்கள் API key மற்றும் base URL ஆகியவற்றை மாற்றினால் போதும், அவ்வளவுதான்.

In Python:

python from openai import OpenAI

client = OpenAI( api_key="ga_xxxxxxxxxxxx", base_url="https://global-apis.com/v1" )

response = client.chat.completions.create( model="deepseek-v4-flash", messages=[{"role": "user", "content": "Hello!"}], temperature=0.7, max_tokens=500, )

In TypeScript:

typescript import OpenAI from 'openai';

const client = new OpenAI({ apiKey: 'ga_xxxxxxxxxxxx', baseURL: 'https://global-apis.com/v1', });

const response = await client.chat.completions.create({ model: 'deepseek-v4-flash', messages: [{role: 'user', content: 'Hello!'}], });

Even with curl:

bash curl https://global-apis.com/v1/chat/completions
-H "Authorization: Bearer ga_xxxxxxxxxxxx"
-H "Content-Type: application/json"
-d '{"model":"deepseek-v4-flash","messages":[{"role":"user","content":"Hello"}]}'

பதிலின் வடிவம் (response shape) முற்றிலும் ஒன்றுதான். பிழை குறியீடுகள் (error codes) ஒத்தவை. ஸ்ட்ரீமிங் அதே SSE நெறிமுறையைப் (protocol) பயன்படுத்துகிறது. அந்த ஃப்ரீலான்ஸர் ஒரே ஒரு சனிக்கிழமை பிற்பகலில் நான்கு வாடிக்கையாளர் திட்டங்களை இடம்பெயர்த்தார்.

உண்மையான பணச் சேமிப்பு

மாற்றத்திற்கு முன்: செலவுகளுக்குப் பிறகு மாதத்திற்கு $4,200 நிகர வருமானம், அதில் $500 LLM API-களுக்குச் சென்றது. மாற்றத்திற்குப் பின்: அனைத்து வாடிக்கையாளர்களுக்கும் சேர்த்து LLM-களுக்காக மாதத்திற்கு மொத்தம் சுமார் $30 மட்டுமே. அதாவது ஒவ்வொரு மாதமும் கணக்கில் $470 திரும்பக் கிடைக்கிறது. ஒரு ஃப்ரீலான்ஸருக்கு இது ஒரு பெரிய நிம்மதி—கஷ்டப்பட்டு சமாளிப்பதற்கும் உண்மையில் சேமிப்பதற்கும் இடையே உள்ள வேறுபாடு, அல்லது rate limits-ஐச் சந்திப்பதற்கும் scope creep-க்கு 'வேண்டாம்' என்று சொல்வதற்கும் இடையே உள்ள வேறுபாடு.

AI அம்சங்களை இயக்கும் ஒவ்வொரு ஃப்ரீலான்ஸருக்கும் இதைப் பெருக்கிப் பாருங்கள். இயல்புநிலையாக OpenAI உடன் தொடங்கிய ஒவ்வொரு ஸ்டார்ட்அப்பிற்கும் இதைப் பெருக்கிப் பாருங்கள். நீங்கள் மாற்றுகளைச் சோதிக்கும்போது பொருளாதாரக் கணக்குகள் வேகமாக மாறுகின்றன.

முடிவுரை

OpenAI ஒரு சிறந்த தயாரிப்பை உருவாக்கி சந்தையைக் கைப்பற்றியது. அந்த முன்னணி நிலைக்கு அதிகக் கட்டணமும் இருந்தது. ஆனால் LLM துறை இப்போது முதிர்ச்சியடைந்துள்ளது. சாட் நிறைவுகள் (chat completions), vision மற்றும் function calling—AI அம்சங்களின் முக்கியத் தேவைகள்—ஆகியவற்றை மையமாகக் கொண்டு செயல்படும் ஃப்ரீலான்ஸர்கள் மற்றும் குழுக்களுக்கு, மாற்றுகள் இப்போது செலவில் ஒரு சிறு பகுதியில் போட்டித் தரத்தை வழங்குகின்றன. இடம்பெயர்வுக்கு 20 நிமிடங்கள் மட்டுமே ஆகும், மேலும் மறுவடிவமைப்பு (rearchitecture) எதுவும் தேவையில்லை. சேமிப்புக்காக மாறுவது மதிப்புடையதா என்பது உங்கள் பயன்பாட்டு அளவைப் பொறுத்தது, ஆனால் குறிப்பிடத்தக்க LLM கட்டணத்தைக் கொண்டிருக்கும் எவருக்கும், இந்தக் கணக்கைப் போட்டுப் பார்ப்பது பயனுள்ளது.

நன்மைகள்

• பிரமாண்டமான செலவுச் சேமிப்பு — அதிக அளவு பயன்பாட்டு நிகழ்வுகளுக்கு ஒரு டோக்கனுக்கான செலவு 40 மடங்கு குறைவு
• API இணக்கத்தன்மை — குறைந்தபட்ச கோட் மாற்றங்களுடன் நேரடியாகப் பதிலீடு செய்யும் வசதி
• சமமான தரம் — பெரும்பாலான நிஜ உலகப் பணிகளுக்குப் பிரித்தறிய முடியாத வெளியீடு
• No lock-in — சோதிப்பது எளிது, தேவைப்பட்டால் மீண்டும் பழைய நிலைக்கு மாறலாம்
• வேகமான லேட்டன்சி — குறுகிய ப்ராம்ப்ட்களில் சில மாற்றுகள் OpenAI-ஐ விட வேகமானவை
• குறைந்த சிரமம் — இருக்கும் OpenAI SDK-கள் மற்றும் லைப்ரரிகளுடன் (libraries) செயல்படுகிறது

குறைபாடுகள்

• இல்லாத அம்சங்கள் — fine-tuning, Assistants API, text-to-speech, அல்லது speech-to-text ஆகியவை இல்லை
• ஈகோசிஸ்டம் இடைவெளிகள் — எடுத்துக்காட்டுகள் மற்றும் ஒருங்கிணைப்புகளுக்கான சிறிய சமூகம்
• ஸ்டார்ட்அப் ஆபத்து — சிறிய சேவை வழங்குநர்கள் விலையை மாற்றலாம் அல்லது சேவையை நிறுத்தலாம்
• Feature parity drift — OpenAI புதிய அம்சங்களை விரைவாகச் சேர்க்கிறது
• ஆதரவு தரம் — நிறுவப்பட்ட விற்பனையாளர் ஆதரவு vs. மூன்றாம் தரப்பு API சேவை வழங்குநர்கள்
• என்டர்பிரைஸ் அம்சங்கள் — usage analytics இல்லை, பில்லிங் டேஷ்போர்டுகள் வேறுபடலாம்

எச்சரிக்கை

இந்தக் கட்டுரை கல்வி நோக்கத்திலானது மற்றும் ஒரு டெவலப்பரின் பொதுப் பதிவிலிருந்து பெறப்பட்ட கண்டுபிடிப்புகளைச் சுருக்குகிறது. கோட் எடுத்துக்காட்டுகள் பிளேஸ்ஹோல்டர் API key-களைப் பயன்படுத்துகின்றன (REPLACE_WITH_VAULT_REFERENCE என்பதை உங்கள் சேவை வழங்குநரிடமிருந்து பெற்ற உண்மையான சான்றுகளுடன் மாற்றவும்). எந்தவொரு வரிசைப்படுத்தல் (deployment) முடிவிற்கும் முன் உங்கள் சொந்த சோதனை மற்றும் செலவு பகுப்பாய்வு செய்யப்பட வேண்டும். இந்தக் கூற்றுகளை நம்புவதற்கு முன், கட்டணங்கள் மற்றும் திறன்கள் காலப்போக்கில் மாறுபடும் என்பதால், உங்கள் சேவை வழங்குநரின் தற்போதைய விலை மற்றும் அம்ச ஆவணங்களுடன் அவற்றைச் சரிபார்க்கவும். குறிப்பிட்ட அனைத்து எண்களும்—விலை, டோக்கன் அளவுகள், கட்டணத் தொகைகள்—மேற்கோள் காட்டப்பட்ட கட்டுரையில் இருந்து வந்தவை, மேலும் உங்களது சொந்த பணிச்சுமைக்குத் தனித்தனியாக உறுதிப்படுத்தப்பட வேண்டும்.

அடிக்கடி கேட்கப்படும் கேள்விகள்

• LLM API என்றால் என்ன மற்றும் அதற்கு எவ்வாறு கட்டணம் வசூலிக்கப்படுகிறது?
• மாற்றுகளுடன் ஒப்பிடும்போது OpenAI ஏன் இவ்வளவு விலையுயர்ந்ததாக இருக்கிறது?
• ஒரு மாற்று LLM எனது பயன்பாட்டு நிகழ்வுக்கு (use case) வேலை செய்கிறதா என்பதை நான் எவ்வாறு சோதிப்பது?
• "OpenAI-compatible API" என்றால் என்ன?
• மாற்று ஒன்று வேலை செய்யவில்லை என்றால் நான் எளிதாக மீண்டும் OpenAI-க்கு மாற முடியுமா?
• மாற்றுகளுக்குப் பதிலாக இன்னும் எந்தப் பணிகளுக்கு OpenAI தேவைப்படுகிறது?
• ஒரே கோட்பேஸில் பல LLM சேவை வழங்குநர்களை நான் எவ்வாறு நிர்வகிப்பது?
• மலிவான LLM API-களில் மறைக்கப்பட்ட செலவுகள் அல்லது வரம்புகள் உள்ளதா?

டேக்குகள்

#llm #costsavings #api #deepseek #openai #freelance #apimigration #python