Amerykańskie przedsiębiorstwa coraz częściej wybierają najtańszy model AI, który poradzi sobie z zadaniem, zamiast automatycznie sięgać po najbardziej zaawansowane dostępne rozwiązanie. Ta zmiana wywiera presję na wysokie ceny, ponieważ nowsze modele zmniejszają lukę w możliwościach, a koszty tokenów wciąż spadają — donosi Financial Times.

Kupujemy najtańszy model, który wykona zadanie

Logika jest taka, że kosztowne modele frontiersowe powinny być wykorzystywane tylko wtedy, gdy jest to konieczne, podczas gdy rutynowe zadania mogą obsługiwać tanie modele, wykonujące pracę wystarczająco dobrze.

Taki wzorzec uwidocznił się we wrześniowym AI Index Rampa, który śledzi wydatki na AI w firmach. Na podstawie danych o wydatkach z sierpnia 2026 roku 43,8% amerykańskich firm z próby Rampa kupiło produkty Anthropic, wobec 39,8% dla OpenAI. Ramp wskazał również, że rosnące korzystanie z tańszych modeli stanowi zagrożenie dla firm AI, których modele biznesowe opierają się na stabilnie rosnących wydatkach przedsiębiorstw na systemy frontiersowe.

Trend ten jest również zgodny z ustaleniami raportu OECD o agentowym AI opublikowanego we wrześniu 2026 roku. Wywiady z 25 organizacjami wykazały, że oszczędności kosztów były częstym powodem wdrażania systemów agentowych — AI zdolnej planować i wykonywać wieloetapowe zadania przy ograniczonym nadzorze — obok ich wkładu w wyższą produktywność i roli w rozwiązywaniu problemu niedoboru pracowników.

Wojna cenowa mierzona ułamkami centa

Ceny modeli AI spadają szybko, równolegle z wprowadzaniem nowej fali systemów. Według wcześniejszych doniesień Cryptopolitan OpenAI wydała GPT-6 Sol i GPT-6 Luna 22 września, w cenach co najmniej 50% niższych niż poprzednie modele GPT-5.6. GPT-6 Sol kosztuje 2 dolary za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych, przy czym tokeny stanowią standardową jednostkę tekstu przetwarzaną przez modele, według której rozliczane są ceny API.

W tym samym tygodniu Anthropic uruchomił Opus 5.5, a xAI zaprezentował Grok 4.7 — debiuty przypadły na rynek coraz silniej napędzany kryteriami relacji ceny do wydajności. Według Axiosa tanie, a wciąż wydajne modele reprezentują nowy wyścig konkurencyjny w branży.

Długoterminowy trend spadkowy jest jeszcze bardziej uderzający. Według Epoch AI cena osiągnięcia stałego poziomu wydajności AI spadła o około 47% w ujęciu kwartalnym od 2023 roku — to mniej więcej 13 razy w skali roku.

Liczy się koszt wykonanego zadania

W miarę narastania presji cenowej zmieniają się wskaźniki, za pomocą których firmy mierzą sukces AI. Przewod w benchmarkach nie straciło na znaczeniu, ale większy nacisk kładzie się teraz na to, ile klienci płacą za skuteczną wydajność.

AutomationBench od Zapiera testuje agentów AI w end-to-end workflow obejmujących 47 narzędzi biznesowych. Na dzień 28 września Claude Opus 5.5 prowadził w tabeli ze skutecznością 42,47% przy cenie 1,44 dolara za zadanie, podczas gdy GPT-6 Sol uzyskał 33,2% w trybie XHigh za jedyne 0,27 dolara za zadanie.

Ten sam kompromis widać w Artificial Analysis. GPT-6 Sol przy maksymalnym wysiłku zdobywa 48 punktów w Intelligence Index przy szacowanym koszcie 1,06 dolara za zadanie, podczas gdy open-weight model Xiaomi MiMo-V2.6-Pro — którego wagi są publicznie dostępne i może być uruchamiany poza infrastrukturą dostawcy — zdobywa 46 punktów przy koszcie zaledwie 0,13 dolara za zadanie.

Ta różnica jest na tyle niewielka, że routing wielomodelowy staje się opłacalny. Zamiast polegać na jednym dostawcy dla wszystkich zadań, firmy mogą przypisywać właściwy model w zależności od względnego znaczenia i złożoności każdego zadania.

Tańsze tokeny mogą wciąż oznaczać wyższe rachunki

Niższe ceny nie muszą oznaczać niższych wydatków na AI. Według Axiosa paradoks Jevonsa — po raz pierwszy opisany przez XIX-wiecznego ekonomistę Williama Stanleya Jevonsa, który zauważył, że większa efektywność korzystania z zasobu prowadzi raczej do wzrostu jego całkowitej konsumpcji niż do jej ograniczenia — wskazuje, że tańsze zasoby są konsumowane w większych ilościach. Gartner wydał podobne ostrzeżenie w prognozie z 17 sierpnia, szacując ponadpięciokrotny wzrost kosztów inferencji workflow agentowych do 2028 roku.

Tańsze modele mogą też poszerzyć dostęp do AI w innych częściach świata. Według Global AI Diffusion Report Microsoftu przystępne cenowo i otwarte modele mogą poprawić dostępność, jednak infrastruktura, łączność i umiejętności odegrają kluczową rolę w tym, kto będzie mógł z nich skorzystać.

Dla korporacyjnych nabywców przekaz staje się coraz wyraniejszy: najlepsze AI to niekoniecznie najinteligentniejsze AI, lecz takie, które wykonuje swoją pracę wydajnie i przy najniższych kosztach.

Źródło: Cryptopolitan