Polski model Basal kosztuje 12 razy mniej od lidera. Policzyłem, ile to realnie w złotówkach na milion tokenów

👁 123 przeczytań

Historia jest na tyle prosta, że łatwo ją wziąć za marketing: polski deweloper, praca wieczorami i w weekendy, a na końcu model językowy, który w zestawieniach jakościowych ociera się o światową czołówkę i jednocześnie jest - według opisu w Bezprawniku - dwanaście razy tańszy od lidera rynku. Takie zdanie brzmi dobrze w nagłówku i fatalnie w arkuszu kalkulacyjnym, bo nie mówi, czego dotyczy ta dwunastka. Dlatego wziąłem kalkulator i sprawdziłem, co ona oznacza w walucie, w której polskie firmy płacą faktury.

Dwanaście razy taniej, czyli ile dokładnie za milion tokenów

Rynek modeli językowych rozlicza się w tokenach, a nie w zapytaniach. Token to w przybliżeniu trzy czwarte słowa po angielsku i wyraźnie mniej po polsku, bo nasza fleksja rozbija wyrazy na więcej kawałków. Stawki podaje się za milion tokenów, osobno za te wysłane do modelu i osobno za te, które model wygenerował. Czołówka rynku - modele klasy frontier od największych laboratoriów - utrzymuje się od wielu miesięcy w widełkach kilkunastu dolarów za milion tokenów wyjściowych. Przyjmijmy dla porządku 15 dolarów, bo to stawka, wokół której oscylują najdroższe warianty.

Przy kursie 3,78 złotego za dolara daje to 56,70 złotego za milion tokenów wygenerowanych przez model lidera. Dzieląc tę kwotę przez dwanaście, dostaję 4,73 złotego za ten sam milion u Basala, czyli równowartość około 1,25 dolara. To właśnie jest ta dwunastka przełożona na coś, co da się wpisać do budżetu: różnica blisko 52 złotych na każdym milionie wygenerowanych tokenów.

Żeby ta liczba przestała być abstrakcją, policzyłem ją na typowym obciążeniu. Mała polska firma, która wrzuca model do obsługi zapytań klientów, generuje przy stu rozmowach dziennie i średnio dwóch tysiącach tokenów odpowiedzi na rozmowę około sześciu milionów tokenów wyjściowych miesięcznie. U lidera to 340 złotych, u Basala 28 złotych. Miesięczna oszczędność: 312 złotych. Rocznie - niecałe 3,8 tysiąca. To są pieniądze, ale nie takie, które zmieniają model biznesowy jednoosobowej działalności.

Proporcje odwracają się dopiero przy skali. Serwis z milionem rozmów miesięcznie, przy tych samych parametrach, generuje sześćdziesiąt miliardów tokenów rocznie. Przy stawce lidera to ponad trzy miliony czterysta tysięcy złotych w skali roku, przy stawce Basala - niecałe dwieście osiemdziesiąt pięć tysięcy. Różnica przekracza trzy miliony złotych i to jest moment, w którym dyrektor finansowy zaczyna zadawać pytania o alternatywy. Dwanaście razy taniej robi wrażenie dopiero wtedy, gdy mnożnik jest wystarczająco duży.

Ile kosztuje zbudowanie modelu po godzinach

Druga liczba, którą warto postawić obok, to koszt powstania. Publiczne szacunki wydatków na trening największych modeli idą w setki milionów dolarów - sam raport State of AI od lat śledzi tę krzywą i pokazuje, że koszt treningu czołowych systemów rośnie szybciej niż ich skuteczność. Przy kursie 3,78 złotego nawet skromne sto milionów dolarów to 378 milionów złotych, czyli budżet porównywalny z dużą inwestycją infrastrukturalną w średnim polskim mieście.

Projekt budowany wieczorami po pracy operuje w innej skali o kilka rzędów wielkości. Jeżeli przyjąć, że autor wykorzystał wynajmowane karty graficzne w chmurze - a to dziś standardowa ścieżka dla kogoś bez dostępu do własnego klastra - to godzina pracy pojedynczego akceleratora klasy H100 kosztuje na rynku spotowym od dwóch do czterech dolarów. Nawet tysiąc godzin obliczeń na ośmiu kartach to przy stawce trzech dolarów 24 tysiące dolarów, czyli nieco ponad 90 tysięcy złotych. Dla laboratorium to błąd zaokrąglenia. Dla osoby fizycznej to cena używanego samochodu.

Dochodzi do tego czas. Rok pracy po godzinach to realistycznie piętnaście do dwudziestu godzin tygodniowo, czyli między siedemset a tysiąc godzin rocznie. Wyceniając tę pracę po stawce rynkowej polskiego seniora od uczenia maszynowego - konserwatywnie 150 złotych za godzinę - dostaję od 105 do 150 tysięcy złotych wartości włożonego wysiłku, której nikt nikomu nie zafakturował. Łączny ekonomiczny koszt takiego przedsięwzięcia zamyka się więc gdzieś w okolicach ćwierć miliona złotych, z czego gotówką wyłożono może jedną trzecią. To dokładnie jedna tysięczna część budżetu, o którym mówi się przy modelach frontier.

Koszt treningu modeli o ustalonym poziomie zdolności spada mniej więcej czterokrotnie rocznie dzięki postępowi w algorytmach i sprzęcie.

- ustalenie z analizy Epoch AI dotyczącej dynamiki kosztów obliczeniowych w uczeniu maszynowym

Dlaczego to w ogóle jest możliwe

Odpowiedź nie brzmi „geniusz”, tylko „destylacja i dostrojenie”. Przez ostatnie dwa lata na rynku pojawiła się warstwa modeli o otwartych wagach, które można pobrać, douczyć na własnych danych i uruchomić u siebie. Ktoś inny poniósł koszt wytrenowania fundamentu, a kolejna osoba dokłada ostatnie kilka procent - specjalizację, format odpowiedzi, optymalizację pod konkretne zadania. Ta ostatnia warstwa decyduje o wyniku w testach porównawczych, a kosztuje ułamek tego, co baza.

Do tego dochodzi kwantyzacja, czyli zmniejszanie precyzji liczb w sieci z szesnastu bitów do czterech lub ośmiu. Model po takiej operacji zajmuje w pamięci dwa do czterech razy mniej, mieści się na tańszych kartach i generuje tokeny szybciej. Jeśli ktoś potrafi zmieścić swój system na jednej karcie zamiast ośmiu, jego koszt jednostkowy spada ośmiokrotnie, zanim w ogóle zacznie negocjować ceny z dostawcą chmury. Dwanaście razy taniej od lidera to złożenie trzech takich kroków, a nie jeden magiczny trik.

Warto zarazem powiedzieć, czego tańszy model nie daje. Nie daje gwarancji dostępności przy nagłym skoku ruchu, nie daje umowy SLA z karami umownymi, nie daje zespołu, który o trzeciej w nocy postawi usługę po awarii. Różnica w cenie często jest w praktyce ceną ryzyka operacyjnego, a nie ceną samej inteligencji. Kto kupuje najtańszą stawkę za milion tokenów, kupuje też obowiązek samodzielnego pilnowania infrastruktury.

Co z tego ma polska firma, która dziś wybiera dostawcę

Konkretna instrukcja: zanim ktokolwiek podejmie decyzję na podstawie hasła „dwanaście razy taniej”, warto przez tydzień zalogować własne zużycie tokenów. Większość bibliotek klienckich zwraca liczbę tokenów wejściowych i wyjściowych w każdej odpowiedzi - wystarczy to zapisywać do bazy. Po siedmiu dniach mnoży się wynik przez 4,3 i ma się realne miesięczne zużycie. Dopiero wtedy obie stawki dają sensowną odpowiedź, bo przy niskich wolumenach różnica rzędu trzystu złotych miesięcznie nie uzasadnia tygodnia pracy programisty na migrację, a przy wysokich uzasadnia ją w ciągu jednego dnia.

Drugi praktyczny wniosek dotyczy polszczyzny. Modele tokenizują nasz język gorzej niż angielski - ta sama treść po polsku to zwykle o trzydzieści do pięćdziesięciu procent więcej tokenów. Oznacza to, że polska firma płaci za identyczną rozmowę więcej niż jej amerykański odpowiednik, a każdy model dostrojony specjalnie pod polski tekst ma w tym miejscu przewagę, której nie widać w międzynarodowych rankingach. Przy sześciu milionach tokenów miesięcznie narzut na fleksję kosztuje u lidera dodatkowe sto kilkadziesiąt złotych - u tańszego dostawcy kilkanaście.

Zestawienie, które warto mieć przed oczami

Tabela pokazuje coś, co ginie w nagłówkach: mnożnik dwanaście jest stały, ale jego skutek nie. Przy małej skali to oszczędność na poziomie rachunku za prąd, przy dużej - pozycja kosztowa, od której zależy rentowność produktu. Dlatego pytanie „czy opłaca się przejść na tańszy model” nie ma jednej odpowiedzi, tylko ma próg, który każda firma musi sobie policzyć sama.

Co ta historia mówi o warunkach pracy nad AI w Polsce

Najciekawsza nie jest dwunastka, tylko to, że powstała po godzinach. Polska nie ma klastra obliczeniowego porównywalnego z tym, czym dysponują duże laboratoria, a publiczne programy wsparcia badań nad AI operują budżetami, które w przeliczeniu na godziny GPU wystarczają na pojedyncze eksperymenty. Konsekwencja jest prosta: ścieżką rozwoju dla polskiego inżyniera nie jest trenowanie fundamentu od zera, tylko bardzo dobre dostrajanie cudzego. To mniej prestiżowe i znacznie bardziej opłacalne.

Druga konsekwencja dotyczy zatrudnienia. Osoba, która potrafi samodzielnie doprowadzić model do poziomu czołówki za ćwierć miliona złotych ekonomicznego kosztu, jest na rynku warta wielokrotnie więcej niż jej etatowa pensja - i zwykle o tym wie. Polskie firmy, które chcą mieć takie kompetencje u siebie, konkurują nie z innymi polskimi pracodawcami, tylko ze zdalnymi ofertami z Europy Zachodniej, gdzie identyczna rola kosztuje w euro to, co tutaj w złotych. Przy kursie 4,30 złotego za euro różnica wynosi mniej więcej czterokrotność i nie zamyka jej żaden pakiet benefitów.

Trzecia rzecz jest najbardziej praktyczna. Dopóki tanie modele o otwartych wagach są dostępne do pobrania, każdy polski zespół ma dziś techniczną możliwość zbudowania własnego systemu dostrojonego pod polszczyznę i własną branżę, bez prośby o zgodę kogokolwiek. To okno nie musi być otwarte wiecznie - zależy od decyzji licencyjnych podejmowanych w zupełnie innych krajach. Warto z niego skorzystać, póki koszt wejścia liczy się w dziesiątkach tysięcy złotych, a nie w setkach milionów.

Stan na 26 października 2026. Przeliczenia wykonano po kursie 3,78 zł za dolara i 4,30 zł za euro. Stawkę lidera rynku przyjęto na poziomie 15 USD za milion tokenów wyjściowych jako wartość reprezentatywną dla najdroższych wariantów modeli frontier; koszty treningu podano jako szacunki rzędu wielkości, a nie dane z faktur.

Źródła:

• Bezprawnik - Polak po godzinach zbudował model AI ze światowej czołówki
• Epoch AI - analizy kosztów obliczeniowych w uczeniu maszynowym
• State of AI Report