Wyścig AI przestał być o wielkości modelu
Przez lata obowiązywał jeden aksjomat: największy model wygrywa. Teraz przedsiębiorstwa głosują portfelem przeciwko tej tezie.
👁 160 przeczytań
Przez lata branża żyła jednym pewnikiem: kto ma największy, najdroższy model frontier, ten dyktuje warunki. GPT-4 był większy od konkurencji, więc wygrywał. Claude był lepszy na benchmarkach, więc się kupowało Claude’a. Logika była prosta jak ranking ligowy - patrzysz na tabelę, wybierasz lidera. Otóż ta logika właśnie się sypie.
Nie pod wpływem jakiegoś przełomowego badania ani filozoficznej refleksji nad naturą inteligencji. Pod wpływem faktury.
Rachunek, który otworzył oczy
Kiedy koszty operacyjne modeli AI w dużych firmach zaczęły sięgać milionów dolarów miesięcznie, działy finansowe przestały pytać „który model jest najlepszy” i zaczęły pytać „który model jest wystarczająco dobry i kosztuje mniej”. To semantycznie subtelna różnica. Ekonomicznie - przepaść.
Ceny za token rzeczywiście spadły. A mimo to, jak zauważa analiza The Next Web, łączne rachunki w korporacjach potroiły się - bo narzędzia agentyczne zużywają dramatycznie więcej tokenów na jedno zadanie. Im bardziej AI zaczęła „myśleć w pętlach”, tym drożej wychodziło każde zlecenie. Firmy to zauważyły i zaczęły liczyć inaczej.
Nikesh Arora, szef Palo Alto Networks, powiedział wprost, że ceny tokenów muszą spaść o nawet 90%, żeby adopcja AI mogła się naprawdę skalować. Część firm nie czeka - wprowadza twarde limity wydatków na AI dla pracowników. „Tokenminimizing” to nowe słowo w korporacyjnym żargonie, oznaczające po prostu: używaj mniej, bo za dużo kosztuje.
Model routing i koniec monokultur
Z tej ekonomicznej presji wyrosło narzędzie, które kilka lat temu brzmiałoby jak herezja: model routing. Zamiast wysyłać każde zapytanie do jednego, najlepszego dostępnego modelu, systemy routingu oceniają zadanie i kierują je do najtańszego modelu, który da radę je obsłużyć. Podsumowanie dokumentu idzie inną drogą niż wieloetapowe wnioskowanie prawnicze. Każde zadanie dostaje narzędzie do siebie, nie flagowy system za maksymalną stawkę.
To logika, którą normalny inżynier produkcyjny rozumie natychmiast. Nie używasz frezarki CNC do wbicia gwoździa. W AI przez kilka lat właśnie to robiono - bo frezarka była jedyną dostępną opcją, a potem dlatego, że prestiż wymagał używania najdroższego narzędzia.
Gartner prognozuje, że do końca 2026 roku 40% aplikacji korporacyjnych będzie osadzać wyspecjalizowane agenty AI pod konkretne zadania - wobec poniżej 5% rok wcześniej. To nie ewolucja, to strukturalna zmiana architektury.
Chiny zamykają lukę za ułamek ceny
Jest jeszcze jeden czynnik, który czyni tę zmianę nieodwracalną: chińskie modele. Przez długi czas można było argumentować, że modele frontierowe z USA są na tyle lepsze, że uzasadniają swoją cenę. Ten argument kruszy się, gdy chińskie systemy zbliżają się do poziomu najlepszych amerykańskich modeli przy znacznie niższym koszcie operacyjnym.
To szczególnie niewygodne dla narracji „scaling thesis” - przekonania, że kolejne setki miliardów dolarów capexu dadzą modele na tyle lepsze, że rynek nie będzie miał wyboru. Jeśli „wystarczająco dobry” staje się osiągalny bez gigantycznych inwestycji, to fundament tej tezy zaczyna wyglądać krucho.
Nikt nie mówi, że modele frontierowe przestają być potrzebne. Są zadania - generowanie hipotez badawczych, złożona analiza prawna, rozumowanie wielokrokowe - gdzie różnica między dobrym a najlepszym modelem jest realna i warta zapłaty. Ale te zadania to mniejszość. Większość pracy, którą AI wykonuje w korporacjach, jest po prostu nudna: klasyfikacja, streszczanie, odpowiadanie na maile, ekstrakcja danych z dokumentów. Do tej pracy nie potrzeba najdroższego narzędzia w magazynie.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Gdzie migruje wartość
Jeśli możliwości modeli stają się towarem - a to właśnie się dzieje - to marża wędruje gdzie indziej. Ku optymalizacji inference, ku umiejętności taniego uruchamiania modeli w skali, ku integracji z istniejącymi systemami. Infrastruktura staje się ważniejsza niż benchmark.
To nie jest wiadomość dobra dla laboratoriów, które uzasadniały astronomiczne budżety obietnicą trwałej przewagi jakościowej. To jest wiadomość dobra dla firm, które mają ochotę używać AI bez płacenia za prestiż tam, gdzie wystarczy pragmatyzm.
Rynek uczył się tego przez kilka lat. Nauczył się.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →
Podobne tematy na Promptowym
