Jak wynika bowiem z raportu, który opublikowali 23 czerwca analitycy z zespołu Karla Keirsteada z banku inwestycyjnego, nagła potrzeba optymalizacji wydatków na tokeny może tymczasowo spowolnić wzrost przychodów w sektorze technologicznym, choć długoterminowe trendy pozostają niezwykle silne. Wstępne ankiety pokazują, że około 60 proc. przedsiębiorstw w jakiś sposób ograniczyło już wydatki, głównie poprzez nałożenie limitów na zużycie tokenów. Ten wskaźnik dobitnie świadczy o tym, że kontrola kosztów przestała być pojedynczą inicjatywą wybranych firm, a stała się zjawiskiem ogólnobranżowym.

Bezpośrednie skutki tego zjawiska uderzają w cały łańcuch dostaw. Zaawansowane modele sztucznej inteligencji znajdują się pod presją. Klienci rzadziej z nich korzystają, zastępując je tańszymi alternatywami typu open source. Modele pochodzące z Chin, takie jak Qwen od firmy Alibaba, DeepSeek, MiniMax czy Zhipu GLM, coraz częściej stanowią główną opcję zakupową dla korporacji. Jeden z największych globalnych banków zdecydował się już na lokalne wdrożenie modelu Qwen, aby zrównoważyć koszty korzystania z drogich rozwiązań, takich jak Claude.

Przedsiębiorstwa nie porzucają sztucznej inteligencji, po prostu analizują rachunki

W początkowych fazach wdrażania technologii w przedsiębiorstwach menedżerowie przyjęli bardzo swobodne podejście. Liderzy zachęcali pracowników do eksperymentowania, traktowali priorytetowo wskaźniki wdrożeń i utrzymywali słabą dyscyplinę kosztową. Wraz z pojawieniem się zaawansowanych asystentów, zużycie tokenów przeszło od sporadycznych interakcji z chatbotami do ciągłego wykonywania skomplikowanych zadań na dużą skalę. To sprawiło, że problem nadmiernego zużycia stał się bardzo wyraźny.

Dane z ankiet obnażają skrajne przypadki. Jedna z firm zmniejszyła liczbę wewnętrznych narzędzi z pięciu do dwóch, gdy w krótkim czasie wyczerpała swój roczny budżet. Inna firma odnotowała sytuację, w której jeden użytkownik w ciągu zaledwie jednego miesiąca wydał 35 tys. USD w usłudze AWS Bedrock. Zespoły programistyczne zgłaszały z kolei cotygodniowe zużycie na poziomie od 100 proc. do 200 proc. swoich przydziałów.

Nie oznacza to jednak całkowitego hamowania. Niektóre firmy, które głęboko osadziły technologię w swoich procesach, nie dążą do zmniejszenia zużycia, ale do maksymalizacji zysku z każdego wydanego dolara. Inni pracodawcy wiążą cele premiowe pracowników z wykorzystaniem nowych systemów, co rodzi potężne napięcia pomiędzy dyrektorami finansowymi szukającymi oszczędności a prezesami dążącymi do szybkiej cyfryzacji.

“To jest próg zwalniający, i to niemały” — przekazał dyrektor generalny firmy Databricks w raporcie.

Cięcia dotykają przede wszystkim projektów o niejasnym zwrocie z inwestycji. Wyraźne korzyści, takie jak wzrost ilości kodu tworzonego przez programistów, mniejsza liczba połączeń na infoliniach czy przyspieszenie procesów badawczych, stanowią dla firm wystarczające uzasadnienie, by unikać drastycznych blokad. Przedsiębiorstwa są skłonne tolerować wysokie rachunki, o ile widzą wyraźny i bezpośredni zysk.

Zmiana statusu zaawansowanych modeli z domyślnych na luksusowe

Najważniejszym ruchem technicznym w optymalizacji kosztów wcale nie jest proste wprowadzanie limitów, ale odpowiednie kierowanie zadań. Mechanizm ten polega na przypisywaniu różnych poleceń do konkretnych modeli i rezerwowaniu tych najdroższych wyłącznie do skomplikowanego wnioskowania, pisania krytycznego kodu czy analizy bardzo długich tekstów.

Głównym powodem takiego zachowania są ogromne różnice w cenach. Biorąc pod uwagę cennik firmy Anthropic, model Haiku 4.5 generuje wyniki za pięć USD za jeden milion tokenów, Opus 4.5-4.8 za 25 USD, a Fable/Mythos 5 za 50 USD. To dziesięciokrotna różnica między najniższym a najwyższym poziomem. Tak duża rozpiętość sprawia, że inteligentne dobieranie modelu do konkretnego zadania staje się niezwykle opłacalne.

Rozsądnym wskaźnikiem jest tutaj rzeczywisty koszt osiągnięcia sukcesu. Jeśli model klasy premium od razu wygeneruje wynik wysokiej jakości, proces ten może być tańszy niż wielokrotne poprawianie błędów przy użyciu słabszego narzędzia. Wymaga to jednak od zaawansowanych systemów ciągłego udowadniania swojej rynkowej wartości. Zespoły, które jeszcze niedawno wysyłały wszystkie zadania do najpotężniejszego systemu, teraz zadają sobie proste pytanie, czy dane polecenie naprawdę wymaga największego okna kontekstowego.

Odpowiedzią na te potrzeby są kroki wielkich graczy. Microsoft wprowadził niedawno na rynek mniejszy model językowy MAI. Zaprojektowany jako system posiadający 35 mld parametrów, ma zaoferować korporacjom opcję “wystarczająco dobrą, ale znacznie tańszą”.

Chińskie modele typu open source wchodzą na rynek korporacyjny

Obniżanie wymagań nie ogranicza się wyłącznie do ekosystemu jednego dostawcy. Przedsiębiorstwa na masową skalę testują modele open source, szczególnie te pochodzące z Chin. Wśród nich znajdują się narzędzia takie jak Qwen, DeepSeek, MiniMax, Zhipu GLM oraz Kimi.

Wspomniany już wcześniej globalny bank zdecydował się na lokalne wdrożenie, aby sprawnie zarządzać wydatkami i odciążyć najdroższe rozwiązania. Lokalne instalacje całkowicie zmieniają strukturę kosztów z bezpośredniej płatności za każdy token na tradycyjną konfigurację własnego sprzętu. Równocześnie taki zabieg drastycznie zmniejsza ryzyko związane z przesyłaniem wrażliwych danych do zewnętrznych serwerów.

Platformy chmurowe zaczęły błyskawicznie dodawać te modele do swoich standardowych ofert. AWS Bedrock oferuje już dostęp do narzędzi MiniMax, Kimi, Qwen, DeepSeek i GLM. Microsoft z kolei udostępnia DeepSeek za pośrednictwem Azure AI Foundry.

Dla chińskich twórców modeli to ogromna szansa, choć z wyraźnymi ograniczeniami. Rozwiązania open source są zazwyczaj całkowicie darmowe lub bardzo tanie, co drastycznie ogranicza potencjał bezpośredniego zarabiania. Bardziej realistyczna ścieżka rozwoju może przypominać zyskowny model partnerski, który nawiązały firmy BMW i Alibaba.

Chmura i producenci układów scalonych pod presją

Choć to twórcy samych modeli przyjmują na siebie największy ciężar uderzenia, pośrednie skutki odczuwają również dostawcy rozwiązań chmurowych. AWS, Azure i Google Cloud to gigantyczne platformy oferujące dostęp do setek narzędzi, które nie opierają swojej przyszłości na zaledwie jednym dostawcy technologii. Jeśli klienci w masowym tempie zrezygnują z drogich rozwiązań na rzecz mniejszych lub darmowych odpowiedników, tempo wzrostu przychodów dostawców chmury z całą pewnością spowolni. Jednak dopóki procesy te zachodzą w wirtualnym środowisku, zapotrzebowanie na czystą moc obliczeniową nigdzie nie zniknie. Co więcej, potężny nacisk na zarządzanie kosztami może skłonić firmy do przeniesienia wszystkich operacji — od wyboru modelu po kwestie bezpieczeństwa i rozliczeń — na jedną zbiorczą platformę chmurową.

Firmy zajmujące się oprogramowaniem szukają nowych szans

Rosnące wydatki na tokeny jednoznacznie oznaczają, że korporacyjne budżety nie mogą rosnąć w nieskończoność. Aby znaleźć wolne środki, firmy decydują się na konkretne kroki. Pracodawcy spowalniają rekrutację, brutalnie ucinają wydatki na zewnętrzne usługi informatyczne i tną budżety przeznaczone na nowe oprogramowanie. Książkowym przykładem takiego podejścia jest Uber. Firma nadal intensywnie inwestuje w technologię, ale kompensuje ogromne wydatki znacznie wolniejszym wzrostem wewnętrznego zatrudnienia. Taki model działania doskonale tłumaczy słabsze wyniki finansowe firm doradczych oraz dostawców oprogramowania abonamentowego. Twórcy oprogramowania trzymają jednak w ręku potężnego asa. Na rynku pojawiają się platformy, które pomagają klientom wybierać najlepsze i najtańsze modele do konkretnych zadań oraz błyskawicznie optymalizować podpowiedzi. Dane rynkowe udowadniają, że w jednym przypadku zmiana modelu podyktowana przez takie oprogramowanie pozwoliła obniżyć ostateczne koszty tokenów o 97 proc., co zaowocowało ogromnym zainteresowaniem wśród klientów przez pierwsze trzy tygodnie po premierze. Strukturalna przewaga tych firm leży w braku biznesowego przywiązania do jednego konkretnego modelu.

Logika rozwoju branży pozostaje bez zmian

Najtrudniejszą rzeczą do oszacowania jest to, jak bardzo ostateczny wzrost zużycia tokenów zostanie wyhamowany. Wiele przedsiębiorstw wciąż nie stworzyło mapy wydatków, co skutecznie utrudnia zebranie solidnych danych dla całej branży. Analitycy stworzyli konserwatywny scenariusz. Zakłada on, że jeśli firma pierwotnie wydawała 100 USD na tokeny i przewidywała szybki wzrost do 150 USD, dzięki optymalizacji rzeczywiste wydatki zamkną się w przedziale od 120 USD do 130 USD, zamiast spaść z powrotem do 80 USD. Oznacza to po prostu, że tempo wzrostu zostanie stłumione, ale cały rynkowy trend w żadnym wypadku się nie odwróci.

Badanie przeprowadzone wśród 130 przedsiębiorstw wykazało, że zaledwie osiem proc. z nich z powodzeniem wdrożyło zaawansowane rozwiązania na dużą skalę. Kolejne 37 proc. używa ich w ograniczonym zakresie, 29 proc. nadal prowadzi wąskie programy pilotażowe, a 26 proc. korzysta wyłącznie z prostych narzędzi ułatwiających pisanie kodu. Faza, w której biznes naprawdę zacznie zużywać zasoby obliczeniowe na masową skalę, dopiero się rozpoczyna.

Potwierdzają to również twarde dane rynkowe. Jedna ze spółek prawniczych przekazała, że jej zużycie tokenów poszybowało z jednego biliona w styczniu do 12-13 bln w maju. Ten gigantyczny skok dobitnie pokazuje, że ostra optymalizacja wydatków i potężny rozwój technologiczny mogą iść ze sobą w parze. Przedsiębiorstwa będą po prostu wydawać pieniądze z dużo większą precyzją.

Obecna faza mocno różni się od gwałtownych cięć budżetowych z lat 2022-2024. W tamtym okresie korporacje ograniczały wdrożenia bardzo dojrzałych projektów, a teraz rynek ma do czynienia z mądrym i wyważonym kontrolowaniem kosztów na bardzo wczesnym etapie adaptacji nowej technologii. Zapotrzebowanie na sztuczną inteligencję w żadnym wypadku nie zniknie, ale na naszych oczach zmienia się właśnie układ rynkowych zwycięzców.