Gdy abonamenty AI się sypią: Dlaczego firmy muszą teraz przejść na lokalne modele

Cicha bomba zegarowa kryjąca się za abonamentami AI

Wyglądało to na genialny model biznesowy: stała miesięczna opłata w zamian za nieograniczone korzystanie z wydajnych modeli AI. ChatGPT Pro za 200 dolarów, Claude Max w tej samej cenie – brzmi uczciwie, dopóki nie zajrzy się do maszynowni. Tam jednak ujawnia się kalkulacja, której coraz trudniej ignorować.

Firma analityczna SemiAnalysis przyjrzała się liczbom: kto naprawdę wykorzystuje subskrypcję ChatGPT Pro za 200 USD miesięcznie do granic możliwości – czyli nieustannie uruchamia zadania agentyczne, długie zadania programistyczne i złożone łańcuchy rozumowania – generuje koszty, które według standardowych stawek API odpowiadałyby około 14 000 USD. W przypadku Claude Max od Anthropic porównywalna kwota wynosi około 8 000 USD. Według tych wyliczeń OpenAI zaczyna tracić na ChatGPT Plus już przy około 11,4-procentowym poziomie wykorzystania. W przypadku modeli topowych wystarczy już 5,7 procent intensywności użytkowania, aby wpaść w czerwone cyfry.

To nie jest marginalny problem techniczny. To strukturalna rysa w fundamencie obecnego modelu boomu AI – i dotyczy przedsiębiorstw bezpośrednio.

Dlaczego agentyczna AI sprawia, że wszystko jest droższe

Kluczowym czynnikiem pogłębiającym tę lukę jest zmiana sposobu korzystania z systemów AI. Klasyczne prompty – jedno pytanie, jedna odpowiedź – zużywają stosunkowo niewiele tokenów. Agentic Workflows natomiast, w których agent AI samodzielnie planuje zadania, wywołuje narzędzia, ocenia wyniki pośrednie i iteruje, mogą według SemiAnalysis zużywać nawet 1000 razy więcej tokenów niż proste zapytanie.

Właśnie w tym kierunku zmierza wykorzystanie AI w przedsiębiorstwach: od izolowanego chatbota ku w pełni zautomatyzowanym workflowom, które samodzielnie realizują całe procesy. Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, obserwuje ten trend na co dzień w swojej pracy z klientami korporacyjnymi: „Krok od 'AI jako asystenta' do 'AI jako autonomicznego wykonawcy procesów' jest dla wielu firm już dokonany lub bezpośrednio przed nimi. Właśnie tam zużycie tokenów eksploduje – a wraz z nim uzależnienie od decyzji cenowych wielkich dostawców."

To, że presja ta jest realna, pokazują głośne przypadki z praktyki: Microsoft, Meta i Amazon ograniczyły wewnętrzne inicjatywy oparte na intensywnym wykorzystaniu AI po tym, jak koszty wymknęły się spod kontroli. Często przywoływany przykład: pewna firma spaliła w ciągu jednego miesiąca 500 milionów USD na Claude od Anthropic – po prostu dlatego, że nie wprowadzono żadnego limitu dostępu dla pracowników wewnętrznych.

Model cenowy stoi przed rozstajami

Dostawcy stoją przed dylematem, który nie ma wygodnego rozwiązania. Modele abonamentowe wygenerowały masowy wzrost liczby użytkowników – ChatGPT uchodzi dziś za aplikację, która najszybciej w historii osiągnęła miliard miesięcznych użytkowników. Zahamowanie tego impetu podwyżkami cen lub ograniczeniami byłoby ryzykowne na rynku, gdzie funkcjonalność wciąż pozostaje kluczowym wyróżnikiem.

Jednocześnie nie jest możliwe w dłuższej perspektywie oferowanie wydajnych modeli Frontier w stałej cenie ryczałtowej. SemiAnalysis prognozuje, że modele o średnim poziomie wydajności mogłyby być rentownie obsługiwane za około 20 dolarów miesięcznie – jednak absolutnie najlepsze modele będą z bardzo dużym prawdopodobieństwem coraz częściej dostępne wyłącznie poprzez taryfy API, czyli w oparciu o rzeczywiste użycie.

„Zdolność do pobierania wysokiej premii za AI będzie maleć. Modele open-source są bardzo wydajne." – Vishal Misra, Columbia University

Dla firm, które dziś korzystają z abonamentów ryczałtowych i jutro mogą stanąć przed nagłym przejściem na koszty API oparte na użyciu, może to być poważny cios – szczególnie wtedy, gdy agenci AI są głęboko zintegrowani z procesami operacyjnymi.

Lokalne LLM: Od eksperymentu niszowego do strategicznej konieczności

Odpowiedź rosnącej liczby firm jest jednoznaczna: suwerenność poprzez decentralizację. Zamiast polegać wyłącznie na dostawcach chmurowych, lokalne lub samodzielnie hostowane Large Language Models są integrowane z infrastrukturą. Korzyści są wielowarstwowe:

• Kontrola kosztów: Żadnych niespodzianek związanych z użyciem, przewidywalne koszty infrastruktury.
• Ochrona danych: Wrażliwe dane firmowe nie opuszczają własnej infrastruktury – aspekt szczególnie istotny w regulowanych branżach.
• Niezależność: Zmiany cen, limity użycia czy wycofanie modeli przez zewnętrznych dostawców nie uderzają w kluczową działalność.
• Specjalizacja: Modele dostrojone metodą Fine-Tuning na wewnętrznych danych mogą być bardziej wydajne w zadaniach specyficznych dla danej domeny niż ogólne modele Frontier.

Startup Lindy wykonał już ten krok i przeniósł cały swój ruch na DeepSeek V4 – rezygnując z Claude firmy Anthropic. Uzasadnienie: porównywalna wydajność przy ułamku kosztów, z oszczędnościami rzędu milionów. To już nie jest jednostkowy przypadek, lecz rosnący trend.

Jednocześnie kształtuje się hybrydowa strategia: złożone zadania wymagające prawdziwej inteligencji Frontier są przekazywane do drogich modeli przez API. Zadania rutynowe, ekstrakcja danych, klasyfikacje lub proste zadania generacyjne przejmują tańsze, lokalnie obsługiwane modele. Według doniesień dzięki temu Model-Routing można obniżyć całkowite koszty nawet o 95 procent.

Co firmy powinny konkretnie zrobić teraz

Dr. Maik Bunzel z mabucon.eu zaleca firmom, które produktywnie wykorzystują AI w swoich procesach lub planują to zrobić, przeprowadzenie systematycznej inwentaryzacji: „Kluczowe pytanie brzmi: które z moich procesów wspieranych przez AI są egzystencjalnie zależne od konkretnego dostawcy – i co oznaczałby dla mojej działalności wzrost cen o współczynnik 5 lub 10?" Kto dziś nie potrafi odpowiedzieć na to pytanie, siedzi na nieoszacowanym ryzyku.

Konkretnie zaleca się następujące postępowanie:

• Śledzenie zużycia tokenów: Wiele firm nie ma dokładnego wglądu w to, które procesy zużywają ile tokenów. To jest pierwszy martwy punkt.
• Identyfikacja krytycznych zależności: Które automatyzacje i agenci zatrzymają się natychmiast przy zmianie dostawcy lub korekcie cennika?
• Ocena lokalnych alternatyw: Modele open-source, takie jak Llama, Mistral czy DeepSeek, znacznie zwiększyły swoją wydajność w ostatnich miesiącach. Proof-of-Concept dla niekrytycznych procesów jest często możliwy do realizacji szybciej, niż się spodziewamy.
• Wdrożenie model-routingu: Nie każde zadanie wymaga GPT-4o ani Claude Opus. Strategia tiering drastycznie obniża koszty bez utraty jakości przy zadaniach standardowych.
• Weryfikacja warunków umów: Kto korzysta z kontyngentów API, powinien rozumieć, na jakich warunkach dostawcy mogą zmieniać taryfy – i przygotować odpowiednie plany awaryjne.

Perspektywy: Rynek na nowo się porządkuje

Obecna sytuacja jest symptomatyczna dla branży w okresie transformacji. Faza subsydiowanego pozyskiwania użytkowników poprzez modele flat-rate dobiega końca. To, co następuje, to dojrzałość rynku – z bardziej zróżnicowanymi strukturami cenowymi, silniejszym uzależnieniem od poziomu użytkowania w przypadku topowych modeli oraz rosnącym ekosystemem wydajnych i przystępnych cenowo alternatyw open-source.

Dla firm nie jest to zagrożenie, lecz szansa – pod warunkiem, że działają teraz. Kto dziś postawi swoją infrastrukturę AI na szerszych fundamentach, zintegruje lokalne modele i opracuje strategie routingu, jutro nie zostanie zaskoczony podwyżkami cen ani operacyjnie sparaliżowany decyzjami dostawców. Dr. Maik Bunzel podsumowuje to następująco: „Suwerenność w zakresie AI to nie kwestia ideologii, lecz bezpieczeństwa operacyjnego. Firmy, które to rozumieją, budują dziś odporność, która jutro zapewni im decydującą przewagę."

Matematyka stojąca za flat-ratami nigdy nie była zrównoważona. Pytanie tylko, kto jako pierwszy przekształci tę wiedzę w solidną strategię.