Agenci AI zużywają od 4 do 15 razy więcej tokenów niż klasyczne chatboty, bo pojedyncze polecenie uruchamia cały łańcuch wywołań modeli i narzędzi. Stanisław Korwin-Kossakowski, współwłaściciel i członek zarządu GoNextStage, w komentarzu przesłanym redakcji AIPORT.pl przekonuje, że realny rachunek za sztuczną inteligencję można policzyć dopiero po projekcie optymalizacji zapytań, a nie przed nim.
- Według danych Anthropic agenci AI zużywają około 4 razy więcej tokenów niż klasyczne interakcje czatowe, a systemy wieloagentowe – około 15 razy więcej, co sprawia, że koszty mogą rosnąć szybciej niż liczba użytkowników.
- Gartner prognozuje, że do końca 2027 roku anulowanych zostanie ponad 40 proc. projektów agentowych, wskazując jako przyczyny rosnące koszty, niejasną wartość biznesową i niedostateczne mechanizmy kontroli ryzyka.
- Według raportu EY „Jak polskie firmy wdrażają AI?" z kwietnia 2026 roku, opartego na badaniu 497 firm, połowa polskiego rynku wciąż doświadcza rozczarowania lub niepełnego zwrotu z inwestycji w AI, a kompletną infrastrukturą danych gotową pod zaawansowane modele dysponuje zaledwie 9 proc. przedsiębiorstw.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Jedno polecenie agenta uruchamia łańcuch wywołań, a rachunek rośnie szybciej niż liczba użytkowników
Różnica między chatbotem a agentem sprowadza się do liczby wywołań przypadających na jedno zapytanie użytkownika. Chatbot odpowiada raz. Agent planuje, sięga po narzędzia, czyta wyniki, poprawia siebie i dopiero potem odpowiada. Każdy z tych kroków to osobne wywołanie modelu i osobny rachunek za tokeny.
„Czasami koszt rośnie szybciej niż liczba użytkowników” pisze Korwin-Kossakowski w komentarzu dla AIPORT.pl. To sedno problemu, bo klasyczne modelowanie kosztów SaaS zakłada, że wydatki skalują się liniowo z liczbą kont.
Sprawdziłem, skąd biorą się przywołane mnożniki. Najbliższe publicznie dostępne dane pochodzą z wpisu inżynierskiego Anthropic o systemie wieloagentowym stojącym za funkcją Research w Claude, opublikowanego 13 czerwca 2025 roku. Anthropic podaje w nim, że agenci zużywają zwykle około czterokrotnie więcej tokenów niż interakcje czatowe, a systemy wieloagentowe około piętnastokrotnie więcej: „In our data, agents typically use about 4× more tokens than chat interactions”. Komentarz GoNextStage łączy te dwie wartości w jeden przedział od 4 do 15, co jest uproszczeniem, ale mieści się w opublikowanych danych.
Skutki widać już w budżetach dużych firm. Opisywałem na AIPORT.pl przypadek Ubera, który wyczerpał roczny budżet na AI na początku 2026 roku przez intensywne korzystanie z agentowego kodowania, oraz zjawisko traktowania tokenów jak wewnętrznej waluty w Dolinie Krzemowej.
Gartner umieścił generatywną AI w dolinie rozczarowania, a agentów prowadzi dopiero w jej stronę
Korwin-Kossakowski odwołuje się w komentarzu do Gartner Hype Cycle, modelu opisującego, jak zmieniają się oczekiwania wobec nowej technologii, zanim zacznie ona przynosić mierzalną wartość biznesową. Model ma pięć faz: wyzwalacz innowacji, szczyt wygórowanych oczekiwań, dolinę rozczarowania, zbocze oświecenia i plateau produktywności.
Umiejscowienie AI na tej krzywej rozjechało się w 2026 roku na dwie osobne historie. Gartner przesunął generatywną AI do doliny rozczarowania, wskazując, że organizacje poznają jej granice, a liderzy AI wciąż mają problem z udowodnieniem biznesowej wartości technologii. Osobny, pierwszy samodzielny Hype Cycle dla agentowej AI, opublikowany 2 kwietnia 2026 roku, umieszcza agentów jeszcze na szczycie wygórowanych oczekiwań, w drodze do własnej doliny.
Liczby stojące za tym umiejscowieniem są rozstrzelone. Według Gartnera agentów AI wdrożyło dotąd 17 proc. organizacji, ale ponad 60 proc. zamierza to zrobić w ciągu dwóch lat. Jednocześnie firma prognozuje, że do końca 2027 roku anulowanych zostanie ponad 40 proc. projektów agentowych, wskazując jako przyczyny rosnące koszty, niejasną wartość biznesową i niedostateczne mechanizmy kontroli ryzyka. Prognoza pochodzi z komunikatu z 25 czerwca 2025 roku i jest przypisana Anushree Vermie, Senior Director Analyst w Gartnerze. Gartner szacował wtedy, że spośród tysięcy dostawców określających się jako agentowi realnych jest około 130.
Opisz krótko, czego potrzebujesz. Jesteśmy największym HUB-em AI w Polsce — w naszej bazie znajdziesz blisko 500 zweryfikowanych firm specjalizujących się w AI. W Twoim imieniu poprosimy 3-5 dopasowanych wykonawców o kontakt w ciągu 48 godzin.
Cztery dźwignie, którymi GoNextStage ogranicza zużycie tokenów
Komentarz GoNextStage sprowadza się do jednej tezy porządkującej: koszt zmierzony przed optymalizacją nie mówi nic o wartości AI, tylko o rozrzutności niedostrojonego wdrożenia. Korwin-Kossakowski wymienia cztery praktyki, które stosuje przed policzeniem rachunku:
- Dobór prostszego modelu do zadania. Tam, gdzie wystarczy odczytać dane wprost z dokumentu, na przykład z faktury, tańszy model daje tę samą skuteczność przy ułamku zużytych tokenów.
- Buforowanie promptów (cache). Gdy ten sam prompt albo fragment kontekstu, jak instrukcje systemowe czy powtarzalne szablony, wraca wielokrotnie, cache pozwala nie płacić za niego od nowa przy każdym wywołaniu.
- Ograniczenie kontekstu do minimum. Zamiast wrzucać do promptu cały dokument albo całą historię rozmowy, model dostaje przez RAG wyłącznie fragmenty potrzebne do odpowiedzi.
- Kierowanie zapytań (routing). Klasyfikacja i ekstrakcja danych trafiają do tańszego modelu, a mocniejszy jest rezerwowany dla przypadków wymagających złożonego rozumowania.
„Dopiero po takiej optymalizacji koszt, który widzimy, faktycznie odzwierciedla wartość dostarczaną przez AI, a nie samą rozrzutność niedostrojonego wdrożenia” pisze Korwin-Kossakowski.
Żadna z tych czterech technik nie jest nowa ani autorska. Wszystkie są opisane w dokumentacji dostawców modeli i w literaturze inżynierskiej. Nowy jest kontekst, w jakim się je przywołuje: nie jako optymalizację techniczną, lecz jako warunek wstępny sensownego liczenia zwrotu z inwestycji.
Zgadzam się z diagnozą i mam wątpliwość co do jej praktycznych konsekwencji.
Diagnoza jest trafna. Firma, która mierzy koszt agenta zbudowanego bez optymalizacji, mierzy własną nieumiejętność, a nie ekonomikę technologii. Widzę to regularnie w rozmowach z zespołami, które po pilotażu odrzuciły cały pomysł, bo rachunek za API wydał im się absurdalny. Zwykle był absurdalny, tylko z powodu, który dało się usunąć w tydzień.
Problem zaczyna się tam, gdzie „najpierw optymalizacja, potem rachunek” zamienia się w zasadę organizacyjną. Bo wtedy moment prawdy zawsze można przesunąć. Zawsze znajdzie się kolejny model do przetestowania, kolejny fragment kontekstu do przycięcia i kolejny powód, żeby jeszcze nie pokazywać zarządowi liczby. Projekty AI umierają nie tylko z powodu złych wyników, ale też dlatego, że nikt nigdy nie musiał ich obronić konkretną kwotą.
Moja poprawka jest prosta: mierzcie od pierwszego dnia, ale mierzcie dwie liczby zamiast jednej. Koszt obecny i koszt po optymalizacji, oszacowany z założeniami wypisanymi na kartce. Pierwsza liczba trzyma projekt w ryzach, druga pokazuje, ile jeszcze da się z niego wycisnąć. Sam przedział 4 do 15 razy jest tu mniej ważny niż pytanie, czy ktokolwiek w firmie w ogóle wie, ile kosztuje pojedyncze uruchomienie agenta.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
GoNextStage buduje własne narzędzie do kontroli kosztów agentów
GoNextStage informuje w materiałach przesłanych redakcji, że pracuje nad rozwiązaniem mającym pomóc klientom kontrolować koszty generowane przez agentów, a przytoczone w komentarzu czynniki wpływające na zużycie tokenów opiera na własnych testach i badaniach wewnętrznych. Wyniki tych testów nie zostały opublikowane, więc jedyną weryfikowalną podstawą przedziału od 4 do 15 razy pozostają dane Anthropic.
Sama spółka działa na polskim rynku transformacji cyfrowej. GoNextStage sp. z o.o. została zarejestrowana w styczniu 2020 roku, a Stanisław Korwin-Kossakowski figuruje w danych rejestrowych jako członek zarządu i wspólnik, obok Jacka Paudyna. Firma specjalizuje się w cyfryzacji i optymalizacji procesów biznesowych, w tym we wdrożeniach klasy low-code na platformie WEBCON. Wśród obsługiwanych klientów wymienia CANAL+ Polska, mBank Hipoteczny i BNP Paribas Real Estate.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Polskie firmy rozliczają już AI z twardych liczb, a koszty utrzymania okazują się niedoszacowane
Teza o wchodzeniu w dolinę rozczarowania ma w Polsce twarde pokrycie w danych. Trzecia edycja raportu EY „Jak polskie firmy wdrażają AI?”, opublikowana 16 kwietnia 2026 roku na podstawie badania 497 średnich i dużych firm, pokazuje, że 53 proc. organizacji deklaruje zmniejszenie kosztów działania dzięki AI, 52 proc. poprawę jakości usług, a 49 proc. wzrost przychodów. Połowa rynku wciąż jednak doświadcza rozczarowania albo niepełnego zwrotu z inwestycji.
Piotr Ciepiela, Partner i Lider zespołu Technology Consulting w EY Polska, wskazuje w raporcie na tę samą przyczynę, którą opisuje komentarz GoNextStage: „niedoszacowane koszty utrzymania i skalowania, które szybko weryfikują entuzjazm”. EY zwraca też uwagę, że zbudowanie prototypu jest relatywnie proste, a wdrożenie AI do codziennej pracy zespołów stanowi 90 proc. wysiłku.
Skala planowanych wydatków sprawia, że stawka rośnie. Według EY 77 proc. polskich organizacji zamierza zwiększyć nakłady na AI w ciągu najbliższych 18 miesięcy, a co trzecia deklaruje znaczący wzrost. Jednocześnie 28 proc. firm utknęło z wieloma punktowymi rozwiązaniami, które nie przekładają się na przełomowe zyski. Fundament danych też jest słaby: kompletną infrastrukturą danych gotową pod zaawansowane modele dysponuje tylko 9 proc. przedsiębiorstw.
Dla polskiego zespołu IT oznacza to konkretną kolejność działań. Zanim ktokolwiek policzy zwrot z agenta, trzeba wiedzieć, ile kosztuje jedno jego uruchomienie, który model obsługuje które zadanie i jaka część kontekstu wraca do modelu przy każdym wywołaniu bez potrzeby. Bez tych trzech liczb dyskusja o opłacalności AI jest dyskusją o wrażeniach.
Źródła i metodologia
Artykuł powstał na podstawie komentarza eksperckiego Stanisława Korwina-Kossakowskiego, przesłanego redakcji AIPORT.pl przez GoNextStage we wrześniu 2026 roku, oraz własnej analizy redakcji AIPORT.pl i źródeł pierwotnych, w tym wpisu inżynierskiego Anthropic o systemie wieloagentowym z 13 czerwca 2025 roku, komunikatu Gartnera o prognozowanych anulowaniach projektów agentowych z 25 czerwca 2025 roku oraz raportu EY „Jak polskie firmy wdrażają AI?” z 16 kwietnia 2026 roku.
Cytat Anthropic zweryfikowano z oryginalnym anglojęzycznym materiałem źródłowym. Cytaty Stanisława Korwina-Kossakowskiego pochodzą z komentarza przesłanego redakcji. Cytat Piotra Ciepieli, Partnera i Lidera zespołu Technology Consulting w EY Polska, pochodzi z materiału EY. Funkcje Stanisława Korwina-Kossakowskiego w GoNextStage sp. z o.o. sprawdzono w danych rejestrowych spółki (KRS 796674). Umiejscowienie generatywnej AI i agentowej AI na Gartner Hype Cycle zweryfikowano w publikacjach Gartnera z 2026 roku.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o rzeczywistych kosztach wdrożeń agentów AI w firmach.
