NORBERT BIEDRZYCKI

Być może źle zrozumieliśmy ekonomię AI. Bo ona nie będzie darmowa

AI won't be free

Przez ostatnie dwa lata słyszeliśmy niemal wyłącznie jedną narrację: AI sprawi, że praca umysłowa będzie tańsza, szybsza i praktycznie nieograniczona kosztowo.

Pojawiają się jednak pierwsze sygnały, że rzeczywistość może wyglądać zupełnie inaczej.

Według niedawnych doniesień Microsoft zaczął ograniczać wewnętrzny dostęp do Claude Code od Anthropic, bo koszty tokenów zaczęły wymykać się spod kontroli. W niektórych przypadkach miesięczne zużycie AI przez jednego inżyniera miało sięgać 1,5–2 tys. dolarów. Podobne historie zaczynają wypływać z innych dużych firm technologicznych. Firmy wprowadzają limity wydatków na AI, bo budżety potrafią znikać znacznie szybciej, niż ktokolwiek zakładał.

Uważam, że to niezwykle ważny moment.

Długo zakładano, że AI stanie się czymś w rodzaju internetu: tania, wszechobecna i praktycznie darmowa w ujęciu krańcowym. Problem w tym, że modele AI nie działają jak zwykłe oprogramowanie. Każde zapytanie generuje realne koszty infrastruktury: procesory graficzne, energię, inferencję, pamięć, transfer danych i coraz bardziej złożone operacje wykonywane przez modele.

Uderza to, że choć koszt pojedynczego tokena spada, łączne zużycie rośnie jeszcze szybciej.

Modele są coraz większe. Okna kontekstu rosną do setek tysięcy tokenów. Agenty AI wykonują coraz bardziej złożone zadania. Firmy przechodzą od okazjonalnego korzystania z AI do budowania wokół niej całych procesów operacyjnych.

I właśnie tu może pojawić się fundamentalny problem ekonomiczny.

Być może AI nie stanie się „prawie darmowym towarem”, jak dziś zakłada wielu. Być może stanie się nową warstwą infrastruktury gospodarki, czymś bliższym chmurze obliczeniowej albo elektryczności świata cyfrowego. Niezwykle potężną, ale drogą.

Nowy rodzaj podziału

To może prowadzić do nowego rodzaju podziału. Niekoniecznie między tymi, których „stać” na AI, a tymi, których nie stać. Open source najpewniej sprawi, że podstawowe modele pozostaną powszechnie dostępne.

Prawdziwa linia podziału może przebiegać zupełnie gdzie indziej: między organizacjami, które nauczą się używać AI skutecznie i oszczędnie, a tymi, które przepalą ogromne kwoty bez proporcjonalnego wzrostu produktywności.

W praktyce może to oznaczać, że umiejętności takie jak zarządzanie kosztami AI, optymalizacja użycia modeli, projektowanie przepływów pracy agentów i „AI FinOps” staną się równie ważne, jak kiedyś kompetencje chmurowe.

Jest jeszcze jedna konsekwencja, moim zdaniem niedoceniana. Najbardziej zaawansowane systemy AI mogą pozostać bardzo drogie. Nie proste chatboty, tylko autonomiczne agenty, systemy rozumujące, platformy do pogłębionego researchu i systemy multimodalne działające całą dobę.

W takim świecie przewaga konkurencyjna nie będzie wynikać z tego, że „firma używa AI”. Będzie wynikać z tego, że jedna organizacja dzięki AI wykona pracę dziesięciu innych, i to w sposób opłacalny.

Być może właśnie tu rodzi się nowa forma nierówności ekonomicznej i produktywnościowej. Nie między tymi, którzy mają dostęp do AI, a tymi, którzy go nie mają. Tylko między tymi, którzy potrafią skalować swoją inteligencję za pomocą AI, a tymi, którzy wciąż działają w starym modelu świata.

Czytaj także

  1. AI nie zabraknie klientów. Zabraknie jej prądu i czasu na spłatę długu

    Spadki kursów spółek od centrów danych wiele osób odczytało jako pierwszą rysę na bańce AI. Patrzę na te same liczby i widzę coś innego. Popyt jest, i to spory. Kłopot leży gdzie indziej: w samej budowie, w dostępie do prądu i w tym, kto to

  2. Bańka AI to pytanie o niewłaściwą rzeczLinkedIn

    Microsoft wycofał się właśnie z umowy na budowę centrum danych w Loughton pod Londynem. Nie z braku popytu. Z braku prądu. Przyłącze do sieci ma tam powstać dopiero w latach 30. To nie jest odosobniony przypadek.

  3. Zamieniliśmy subskrypcje AI na czterech doświadczonych programistów. To była nasza najlepsza decyzja w sprawie AILinkedIn

    AI miała obniżyć koszty, zwiększyć produktywność i pozwolić mniejszym zespołom robić więcej. Zrobiliśmy więc to, co dziś robi większość firm technologicznych. Kupiliśmy kolejne narzędzia, dołożyliśmy subskrypcji i zaczęliśmy „skalować AI”. Na początku to działało.