Średnie ceny tokenów sztucznej inteligencji spadły o 67% od maja 2026 r., ale łączne wydatki na tokeny wzrosły o ponad 120% – według danych opublikowanych przez fundusz venture capital Andreessen Horowitz, powszechnie znany jako a16z. Liczby ukazały się w wydanej 31 października 2026 r. publikacji „Charts of the Week”, cyklicznym zestawieniu danych firmy, i pokazują, że popyt na inferencję AI rośnie wystarczająco szybko, by zniwelować nawet najgłębsze spadki cen. Szacunki wzrostu łącznych wydatków na tokeny wahają się od 122% do 160% w ciągu około pięciu miesięcy, co pokazuje, jak spadające koszty jednostkowe szły w parze z ogólną ekspansją korzystania z AI. Uwaga dla czytelników przyzwyczajonych do tego, że „token” oznacza aktywo krypto: w tych danych słowo to odnosi się do jednostek obliczeń AI, a nie aktywów cyfrowych.

Co pokazują liczby

W tym kontekście token to jednostka rozliczeniowa za inferencję modelu AI: niewielki fragment tekstu, który model odczytuje lub zapisuje, zazwyczaj od kilku znaków do całego słowa. Inferencja to uruchomienie wytrenowanego modelu AI w celu wygenerowania wyniku, a dostawcy rozliczają ją według tokenów.

Rozbieżność w danych jest wyraźna. Ceny za token spadły o 67% od maja, podczas gdy łączne wydatki w tym samym okresie wzrosły o około 122% do 160%. Jednostka staniała, ale rachunek się wydłużył. Zużycie rosło na tyle szybko, że całkowicie zniwelowało obniżkę cen.

Największym motorem tego zjawiska wydają się agenci AI. Według danych a16z agenci zużywają blisko pięciokrotnie więcej tokenów niż użytkownicy ludzcy. Człowiek zazwyczaj zadaje chatbotowi pytanie i czyta odpowiedź. Agent wykonuje dłuższe zadanie od początku do końca, przenosi więcej kontekstu między krokami, wielokrotnie odwołuje się do narzędzi i modeli oraz wykonuje więcej kroków ogółem – a każdy krok zużywa tokeny.

Zużycie tokenów przez agentów wzrosło również około 14-krotnie od lutego 2026 r., co wskazuje na przesunięcie w stronę większych, bardziej zautomatyzowanych przepływów pracy zamiast jednorazowych zapytań.

Paradoks Jevonsa, teraz z GPU

a16z wiąże ten trend z paradoksem Jevonsa: obserwacją przypisywaną XIX-wiecznemu angielskiemu ekonomiście Williamowi Stanleyowi Jevonsowi, według której gdy zasób staje się bardziej wydajny lub tańszy w użyciu, całkowita konsumpcja może rosnąć zamiast spadać. W latach 60. XIX wieku Jevons zauważył, że bardziej wydajne wykorzystanie węgla w Wielkiej Brytanii szło w parze ze wzrostem, a nie spadkiem jego konsumpcji. Koncepcja doczekała się drugiego życia we współczesnych debatach technologicznych, gdzie regularnie się do niej ucieka, gdy wzrost wydajności wydaje się napędzać, a nie hamować popyt. W ten sam sposób tańsza inferencja czyni nowe zastosowania ekonomicznymi, a zadania, których automatyzacja była zbyt droga przy cenach z maja, nagle zaczynają się spinać przy dzisiejszych stawkach.

Po stronie podaży jest jednak pewien zwrot. Podczas gdy ceny tokenów stale spadały, ceny wynajmu GPU poruszały się wyraźnie w przeciwnym kierunku. Koszty wynajmu układów Nvidia B300 wzrosły o 106% od połowy lipca 2026 r., według danych, a ceny wynajmu B200 wzrosły w tym samym okresie o 66%. B300 i B200 to wysokowydajne GPU Nvidii do centrów danych, używane do uruchamiania obciążeń AI na dużą skalę.

To niewygodna kombinacja dla każdego, kto sprzedaje inferencję. Produkt, który sprzedają, staje się tańszy, podczas gdy sprzęt, który wynajmują do jego produkcji, drożeje. Luka między tymi dwiema krzywymi została nazwana „rack spread” – nawiązanie do terminu traderów oznaczającego odległość między dwoma powiązanymi cenami, w tym przypadku między ceną sprzedaży tokena a ceną wynajmu mocy obliczeniowej, która go generuje.

Wykresy a16z wskazują również na koncentrację po stronie nabywców. Relatywnie niewielka grupa największych użytkowników odpowiada za znaczną część łącznych wydatków na tokeny. W praktyce oznacza to, że nagłówkowe sumy mogą być kształtowane przez nawyki garstki kont, a nie przez szeroki popyt w całej bazie użytkowników.

Co to oznacza

Dla dostawców modeli AI dane są mieszonym błogosławieństwem. Wolumen gwałtownie rośnie, co jest dobrą stroną, ale przychód na token się załamywał, a koszty GPU pod spodem rosną. Rack spread to właśnie to ściskanie wyrażone liczbami.

Dla właścicieli GPU i operatorów chmurowych obraz wygląda przyjaźniej. Skok stawek wynajmu B300 o 106% od połowy lipca sugeruje, że popyt na moc obliczeniową prześciga podaż, przynajmniej w przypadku najnowszych układów.

Dla firm budujących na AI każde pojedyncze zapytanie jest tańsze niż w maju. Jednak produkty intensywnie korzystające z agentów mogą szybko generować wysokie rachunki, ponieważ agenci zużywają blisko pięciokrotnie więcej tokenów niż użytkownik ludzki.

Kwestii koncentracji również warto się przyjrzeć. Gdy niewielka grupa największych użytkowników napędza większość wydatków, rynek staje się wrażliwy na ich decyzje.

Na razie wykresy a16z opowiadają prostą historię z nieintuicyjnym zakończeniem. Inferencja AI staniała o dwie trzecie w ciągu około pięciu miesięcy, a odpowiedzią świata było skorzystanie z niej na tyle szeroko, że łączne wydatki się więcej niż podwoiły. Kolejne aktualizacje danych firmy pokażą, jak trzy ruchome elementy – ceny za token, stawki wynajmu GPU i struktura wydatkujących za sumami – będą się dalej kształtować.

Źródło: CryptoBriefing. Oryginalny materiał zredagował Diego Almada Lopez.