OpenAI wykonało jeden z najbardziej agresywnych ruchów cenowych w historii generatywnej sztucznej inteligencji. Cena korzystania z modelu GPT-5.6 Luna przez API spadła o 80%. Firma przekonuje, że pozwoliły na to postępy w efektywności systemów. Za obniżką kryje się jednak więcej: presja ze strony otwartych modeli, walka o klientów biznesowych i zmiana AI z drogiej innowacji w infrastrukturę podobną do chmury obliczeniowej.
- GPT-5.6 Luna potaniał o 80%, a Terra o 20%, podczas gdy cena flagowego modelu Sol pozostała bez zmian
- Tańsze modele open-weight zwiększają presję na dostawców zamkniętych systemów i wzmacniają pozycję klientów
- Spadek kosztów może przyspieszyć wdrażanie agentów AI, automatyzacji i narzędzi generatywnych w firmach
- Rynek modeli bazowych może coraz bardziej przypominać infrastrukturę chmurową, zdominowaną przez kilku globalnych graczy
OpenAI obniżyło cenę GPT-5.6 Luna z 1 dolara do 20 centów za milion tokenów wejściowych oraz z 6 dolarów do 1,20 dolara za milion tokenów wyjściowych. GPT-5.6 Terra potaniał o 20%, a cena najbardziej zaawansowanego GPT-5.6 Sol pozostała bez zmian. Firma tłumaczy ruch poprawą efektywności infrastruktury i działania modeli.
Zapisz się na newsletter BGR. Otrzymuj najlepsze informacje i porady, a także zaproszenia na eventy.
Klikając „Zapisz mnie”, potwierdzasz, że przeczytałeś i zgadzasz się z naszą Polityką prywatności.
Przy okazjonalnym użyciu chatbota koszt pojedynczego zapytania jest niemal niewidoczny. Sytuacja zmienia się, gdy model analizuje miliony dokumentów, obsługuje klientów, generuje kod lub pracuje jako agent wykonujący wiele kroków przed udzieleniem odpowiedzi. Wtedy nawet niewielka różnica w koszcie miliona tokenów staje się poważnym argumentem zakupowym.
Otwarte modele wymuszają coraz niższe ceny
Najważniejszym źródłem presji są modele open-weight, czyli takie, których wagi mogą być udostępniane użytkownikom i wdrażane poza infrastrukturą ich twórców. To m.in. Kimi K3, DeepSeek V4 oraz GLM-5.2 — są to przykłady systemów zwiększających wybór klientów. Firmy mogą dzięki nim mieć większą kontrolę nad hostingiem, lokalizacją danych, personalizacją i kosztami inferencji.
To zmienia pozycję kupującego. Przedsiębiorstwo może rozpocząć projekt na komercyjnym API, później przenieść najbardziej intensywne obciążenia do własnej infrastruktury albo zmienić dostawcę, jeśli konkurencja zaoferuje lepszą relację jakości do ceny.
Trudniej też uzasadniać wysoką marżę wyłącznie przewagą technologiczną. Cena premium ma sens tak długo, jak model wykonuje zadania, z którymi konkurenci sobie nie radzą. Jeżeli jednak tańszy lub otwarty system daje wystarczająco dobry rezultat w programowaniu, tłumaczeniu, ekstrakcji danych czy obsłudze klienta, model zaczyna przypominać usługę infrastrukturalną. Wtedy liczą się koszt, niezawodność i możliwość łatwej zmiany dostawcy.
Czytaj też: Bryan Johnson „sklonował się” w szalce. Nauka studzi jego opowieść o sobowtórze
Miliard użytkowników i rewolucja skompresowana do kilku lat
Druga zmiana dotyczy tempa adopcji. Źródło przywołuje estymację Sensor Tower, według której aplikacja ChatGPT przekroczyła w czerwcu 2026 r. miliard aktywnych użytkowników miesięcznie. OpenAI informowało później o ponad miliardzie aktywnych użytkowników swoich usług i dwóch milionach klientów biznesowych. Nie oznacza to miliarda płacących klientów, ale pokazuje skalę osiągniętą w bardzo krótkim czasie.
Porównanie z historią komputerów dobrze obrazuje różnicę. Pod koniec 1960 r. działało około tysiąca komercyjnych komputerów elektronicznych. Do skali miliarda zainstalowanych komputerów świat dochodził niemal pół wieku. ChatGPT został publicznie udostępniony 30 listopada 2022 r., a po około trzech i pół roku jego aplikacja miała osiągnąć miliard aktywnych użytkowników miesięcznie.
Porównanie jest niedoskonałe, bo komputer to fizyczne urządzenie, a aplikację można uruchomić na sprzęcie, który użytkownik już posiada. Mimo to tempo adopcji AI daje instytucjom bardzo mało czasu na reakcję.
Szkoły zmieniają sposoby oceniania już po tym, jak uczniowie zaczęli wykorzystywać AI do nauki i pisania. Firmy wdrażają narzędzia przed stworzeniem pełnych zasad odpowiedzialności i bezpieczeństwa. Branże kreatywne próbują ustalić reguły praw autorskich, gdy modele generatywne są już częścią produkcji.
Spadające ceny jeszcze ten proces przyspieszają. Jeżeli wykonanie zadania przez model kosztuje mniej, rośnie opłacalność automatyzowania kolejnych procesów. Dotyczy to zwłaszcza agentów AI, które wyszukują informacje, używają narzędzi i wielokrotnie poprawiają rezultat przed zakończeniem zadania.
Modele AI stają się infrastrukturą
Trzecia zmiana ma charakter strukturalny. Ekonomia modeli bazowych coraz bardziej przypomina rynek infrastruktury obliczeniowej. Trenowanie i utrzymywanie czołowych modeli wymaga ogromnych nakładów na procesory, centra danych, energię, sieci, badania i globalną dystrybucję. Gdy infrastruktura już istnieje, dostawcy mają silną motywację, aby rozłożyć jej koszt na jak największą liczbę użytkowników i tokenów.
To sprzyja największym graczom. Firmy dysponujące miliardami dolarów mogą negocjować dostawy chipów, inwestować we własne centra danych i przez pewien czas akceptować niższe marże, aby zdobywać rynek. Dla startupu próbującego zbudować kolejny uniwersalny model językowy oznacza to coraz trudniejsze warunki.
Lepsze możliwości mogą więc znajdować się wyżej w łańcuchu wartości. Startupy mogą tworzyć wyspecjalizowane rozwiązania dla medycyny, prawa, edukacji czy przemysłu, gdzie przewagę budują dane, znajomość procesów, regulacji i relacje z klientami. Rosnąć może też popyt na narzędzia do ewaluacji, bezpieczeństwa i optymalizacji inferencji.
Polski rynek może odczuć ten trend szczególnie w sektorze software house’ów, usług biznesowych i firm tworzących rozwiązania B2B. Niższy koszt API obniża próg opłacalności projektów wdrażanych dla klientów w języku polskim i ułatwia testowanie wielu modeli równolegle. Dla rodzimych dostawców oznacza to jednak większą presję. Sam dostęp do dobrego modelu przestaje być przewagą, a coraz ważniejsze stają się dane, integracje, bezpieczeństwo i znajomość konkretnej branży.
Obniżka cen OpenAI pokazuje więc coś więcej niż kolejną odsłonę rywalizacji technologicznej. Inteligencja generowana przez modele staje się tańsza i bardziej dostępna. Jeśli ten kierunek się utrzyma, sama jakość modelu będzie stopniowo przestawała wystarczać do budowania trwałej przewagi. Wartość będzie przesuwała się w stronę tego, kto potrafi najlepiej osadzić AI w konkretnym procesie i zbudować wokół niego produkt, któremu klienci ufają.
Sprawdź też: Światłowód zamiast miedzi. Ta firma chce przebudować centra danych dla sztucznej inteligencji
