Firmy przestają pytać, który model AI jest najlepszy, a zaczynają pytać, ile kosztuje. Odpowiedź coraz częściej brzmi: znacznie mniej, jeśli pochodzi z Chin.
Kluczowe fakty:
- Chińskie modele AI są tańsze o 60–90% od czołowych modeli Anthropic i OpenAI, co sprawia, że firmy coraz częściej kierują do nich zadania niewymagające najwyższej jakości.
- Model GLM 5.2 od chińskiego Z.ai kosztuje 1,40 USD za milion tokenów wejściowych i 4,40 USD za wyjściowe, podczas gdy konkurencyjny Opus 4.8 wyceniany jest na 5 i 25 USD – czyli od pięciu do siedmiu razy drożej za token wyjściowy.
- W pierwszym pełnym tygodniu po premierze GLM 5.2 dzienny wolumen tokenów wzrósł około 27-krotnie, a liczba korzystających z niego klientów zwiększyła się około 80-krotnie.
Śledzę ten trend od miesięcy i dopiero teraz widać, jak bardzo przyspieszył. CNBC opisało zjawisko, które branża nazywa końcem ery „tokenmaxxingu”, czyli bezrefleksyjnego sięgania po najdroższy, najbardziej zaawansowany model do każdego zadania. Firmy uczą się liczyć.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Ceny robią robotę
Harpreet Arora, szef infrastruktury agentowej w Vercel, ujął to wprost w rozmowie z CNBC. Gdy zadanie nie wymaga najlepszego modelu, zespoły zaczynają kierować je do najtańszego, który wystarczy. A fala modeli napływających ostatnio z Chin wygrywa tę konkurencję cenową.
Liczby to potwierdzają. Otwarte chińskie modele bywają tańsze o 60 do 90 procent od czołowych modeli Anthropic i OpenAI, jak przekazał CNBC Justin Summerville z OpenRouter. Modelem, który wywołał największe poruszenie, jest GLM 5.2 od chińskiego Z.ai, wydany w czerwcu. W pierwszym pełnym tygodniu po premierze dzienny wolumen tokenów wzrósł około 27-krotnie, a liczba klientów korzystających z modelu wzrosła około 80-krotnie, jak podał Arora.
Za tym szumem stoją konkretne wyniki. GLM 5.2 wylądował w niezależnych benchmarkach zaledwie punkt procentowy za Opus 4.8 na jednym z uważnie obserwowanych testów agentowych, przy koszcie stanowiącym mniej więcej piątą część ceny konkurenta. Z.ai wycenia dostęp do modelu na 1,40 dolara za milion tokenów wejściowych i 4,40 dolara za milion tokenów wyjściowych. Dla porównania Opus 4.8 kosztuje 5 i 25 dolarów odpowiednio, czyli od pięciu do siedmiu razy więcej za token wyjściowy w zależności od dostawcy i wariantu.
Na testach długoterminowych zadań agentowych, takich jak FrontierSWE, GLM 5.2 traci do Opus 4.8 zaledwie jeden punkt procentowy. Na trudniejszych, dłuższych zadaniach typu SWE-Marathon przewaga Opus 4.8 wciąż jest wyraźna, ale rozstaw cen sprawia, że coraz więcej zespołów woli zapłacić tę różnicę tylko tam, gdzie faktycznie ma znaczenie.
Skala rozbieżności cenowej
Analiza kosztów przeprowadzona przez firmę Artificial Analysis, która testuje modele na identycznym zestawie dziesięciu zadań, pokazała, że wykonanie tego samego obciążenia roboczego kosztuje przez Claude 4811 dolarów, a przez model GLM od Zhipu jedynie 544 dolary. To niemal dziewięciokrotna różnica za równoważną pracę. OpenAI wypada nieco lepiej niż Anthropic w tym zestawieniu, ale wciąż daleko od chińskich konkurentów: DeepSeek wycenił to samo zadanie na 1071 dolarów, a model Kimi od Moonshot na 948 dolarów.
Presja jest na tyle realna, że OpenAI rozważa podobno drastyczne cięcia cen tokenów, a Anthropic ma pójść tym samym śladem. Timing jest wyjątkowo niewygodny, bo obie firmy przygotowują się do debiutów giełdowych wycenianych powyżej 800 miliardów dolarów każda.
Ten trend potwierdza to, o czym pisałem już wcześniej: era, w której firmy płaciły premię za sam fakt korzystania z najlepszego modelu, dobiega końca. To dobra wiadomość dla budżetów IT i zła dla marż amerykańskich laboratoriów, ale nie widzę w tym powodu do paniki. Model biznesowy Anthropic i OpenAI od początku zakładał, że najtrudniejsze zadania, wymagające najwyższej precyzji rozumowania czy bezpieczeństwa, będą warte premium. Pytanie brzmi, jak duży procent rynku faktycznie potrzebuje tej górnej półki, a jak duży po prostu przyzwyczaił się do niej z braku alternatywy. Warto też pamiętać o drugiej stronie medalu: tańszy chiński model to często model, którego nie da się w pełni skontrolować pod względem bezpieczeństwa danych ani pochodzenia treningowego. Dla firm z sektora regulowanego to nie jest wybór wyłącznie ekonomiczny.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Cień polityki eksportowej
Nie bez znaczenia jest też kontekst regulacyjny po obu stronach oceanu. Pod koniec czerwca OpenAI ograniczyło wdrożenie nowej rodziny modeli na prośbę rządu USA. W tym samym okresie kontrole eksportowe objęły również modele Anthropic z linii Mythos i Fable, choć zostały zniesione na koniec czerwca. Kyle Chan, analityk z think tanku Brookings, ocenił w rozmowie z CNBC, że wcześniej amerykańskie firmy priorytetowo traktowały samo wdrożenie AI niezależnie od modelu, a teraz stają się dużo bardziej wyczulone na koszty.
To połączenie niepewności regulacyjnej i darmowej, w pełni kontrolowalnej alternatywy działa na korzyść chińskich laboratoriów. Yacine Jernite, szef działu machine learning w Hugging Face, zwrócił uwagę na realne ryzyko: firmy mogą utknąć w wyborze między drogimi modelami amerykańskimi, których cena i dostępność potrafią się szybko zmieniać, a chińskimi opcjami jako jedyną realną alternatywą, gdy zależy im na kontroli kosztów lub własnym stosie technologicznym.
Nie wszyscy czekają biernie na ten scenariusz. Nvidia, firma która najwięcej zyskała na hossie AI, promuje teraz własne modele do pobrania i uruchomienia na własnych serwerach, jako alternatywę zarówno dla opcji chińskich, jak i zamkniętych modeli OpenAI i Anthropic. Reflection AI pozyskało finansowanie przy wielomiliardowej wycenie specjalnie po to, by budować amerykańskie modele open source dla firm szukających krajowej alternatywy.
Jak to wygląda w praktyce biznesowej
Przykładem konkretnej migracji jest Lindy, startup z San Francisco budujący asystentów AI. Firma przeniosła część obciążeń z Anthropic na DeepSeek, deklarując oszczędności liczone w milionach dolarów, choć w niektórych zastosowaniach wybrała amerykańskiego dostawcę hostingu, by dane pozostały na terenie kraju.
Coraz popularniejsza staje się też architektura nazywana modelem doradczym. Tani model open source obsługuje większość zadań jako domyślny, a gdy trafi na problem, którego nie potrafi rozwiązać, dostaje narzędzie pozwalające wywołać model klasy frontier od OpenAI lub Anthropic tylko do tego jednego zadania. Ali Ghodsi, dyrektor generalny Databricks, którego brama AI obsługuje tysiące klientów korporacyjnych, potwierdza, że przychody z tego typu rozwiązań rosną gwałtownie.
Kilka liczb pokazuje skalę presji kosztowej, z jaką mierzą się dziś działy IT:
- 45 procent firm ankietowanych przez CloudZero wydawało w 2025 roku ponad 100 tysięcy dolarów miesięcznie na AI, wobec 20 procent rok wcześniej
- różnica cenowa między Claude Opus 4.8 a GLM 5.2 sięga od 5 do 7-krotności za token wyjściowy
- DeepSeek, Kimi i GLM oferują zadania porównywalne kosztowo za ułamek ceny modeli amerykańskich
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.
Co to oznacza dla polskich firm
Dla polskiego rynku ten spór cenowy ma bardzo konkretne przełożenie. Z analiz krajowych wynika, że aż 46 procent polskich przedsiębiorstw wciąż nie korzysta z żadnych narzędzi AI, a te które korzystają, często nie optymalizują kosztów wdrożenia. Tańsze chińskie modele, dostępne w wersjach open source do samodzielnego hostingu, obniżają barierę wejścia szczególnie dla mniejszych firm z sektora fintech, legaltech i healthtech, które wcześniej traktowały wdrożenie AI klasy frontier jako zbyt kosztowne.
Jest jednak druga strona tego równania, o której warto pamiętać zanim ktoś przeniesie firmowe dane na chiński model. RODO i unijny AI Act nakładają konkretne obowiązki dotyczące przetwarzania danych, a każde wdrożenie modelu spoza UE wymaga oceny ryzyka. Włoski regulator już wcześniej tymczasowo blokował dostęp do starszych wersji DeepSeek, co pokazuje, że temat compliance nie jest tu wyłącznie teoretyczny. Polskie firmy rozważające migrację powinny traktować niższą cenę tokena jako jeden czynnik decyzyjny, nie jedyny.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym artykułu CNBC z dnia 07.07.2026 oraz wcześniejszych materiałów tego serwisu na temat kosztów AI, a także TechRepublic i The Next Web. Cytaty Harpreeta Arory, Justina Summerville’a, Kyle’a Chana i Yacine’a Jernite’a zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym CNBC. Dane rynkowe dotyczące kosztów wdrożeń AI w Polsce pochodzą z analiz krajowych, w tym Rzeczpospolitej. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o polityce cenowej Anthropic i OpenAI.
