Komentarz dailyAI: cena za milion tokenów przestała mówić, ile kosztuje AI

Cena za milion tokenów opisuje tylko jedną zmienną

Uważamy, że porównywanie modeli po cenie za milion tokenów prowadzi dziś do błędnych decyzji zakupowych. Stawka mówi, ile kosztuje jednostka tekstu, ale nie mówi, ile tych jednostek model zużyje ani czy zadanie zostanie wykonane za pierwszym razem. Przy prostym czacie te różnice były małe. Przy agentach, długich dokumentach i modelach rozumujących potrafią zmienić wynik rachunku kilkukrotnie.

Proponujemy miarę, którą każdy dział finansów zrozumie bez słownika: koszt ukończonego zadania. To suma opłat za wszystkie próby, wywołania narzędzi i poprawki, podzielona przez liczbę zadań zakończonych poprawnie. Do tego dochodzi czas pracownika, który sprawdza i poprawia wynik.

Niewidoczne tokeny i progi cenowe

Pierwszy argument daje dokumentacja OpenAI. Tokeny rozumowania nie są widoczne w odpowiedzi API, ale zajmują miejsce w oknie kontekstu i są rozliczane jako tokeny wyjściowe. GPT-6 Sol i GPT-6 Luna mają sześć poziomów wysiłku rozumowania, od none do max, a GPT-6 Astra pięć, od low do max. Według OpenAI niższy wysiłek oznacza mniejsze zużycie tokenów, a wyższy pełniejsze rozumowanie, więc to samo polecenie może kosztować różnie zależnie od jednego parametru.

Drugi argument to progi długiego kontekstu. W GPT-6 Astra i GPT-6 Sol zapytanie z więcej niż 272 tys. tokenów wejścia jest rozliczane według dwukrotnie wyższej stawki za wejście i półtora raza wyższej za wyjście, i to dla całego zapytania. Kto wrzuca do modelu całe repozytorium albo komplet umów, płaci więc inną cenę niż ta z pierwszej linii cennika.

Trzeci argument to czas. Google podaje, że Gemini 3.8 Flash kosztuje do 31 grudnia 2026 roku 0,75 USD za milion tokenów wejściowych i 3,75 USD za milion wyjściowych, a od 1 stycznia 2027 roku odpowiednio 1,50 USD i 7,50 USD. Cena wyjścia obejmuje tokeny myślenia. Budżet liczony na podstawie dzisiejszej stawki przestanie być aktualny za trzy miesiące.

Jak liczyć koszt ukończonego zadania

Pokazujemy uproszczony przykład. Założenia są nasze i mają charakter ilustracyjny, nie są wynikiem testu. Przyjmujemy zadanie z 50 tys. tokenów wejścia i 10 tys. tokenów wyjścia, w tym rozumowania, oraz standardowe stawki OpenAI przeliczone po kursie NBP z 25 września 2026 roku (1 USD = 3,8404 zł), bez VAT.

• GPT-6 Astra: 0,50 USD za wejście i 0,50 USD za wyjście, razem 1,00 USD, czyli ok. 3,84 zł za jedną próbę.
• GPT-6 Sol: 0,10 USD i 0,10 USD, razem 0,20 USD, czyli ok. 0,77 zł za próbę.
• GPT-6 Luna: 0,005 USD i 0,005 USD, razem 0,01 USD, czyli ok. 0,04 zł za próbę.
• Jeśli Sol przy wyższym wysiłku rozumowania wygeneruje 40 tys. tokenów wyjścia zamiast 10 tys., koszt próby rośnie do 0,50 USD, czyli ok. 1,92 zł.
• Jeśli tańszy model wykona poprawnie tylko połowę zadań, koszt jednego ukończonego zadania podwaja się, a do rachunku trzeba doliczyć czas osoby, która poprawia błędy.

Producenci sami liczą już koszt pracy

Zmianę perspektywy widać w komunikatach producentów. Anthropic obniżył cenę Claude Opus 5.5 do 4 USD za milion tokenów wejściowych i 20 USD za milion wyjściowych, czyli o 20 proc. względem Opus 5. Firma deklaruje jednak, że typowa praca kosztuje o 40 proc. mniej, bo model zużywa mniej tokenów i kroków. To deklaracja producenta i partnerów wczesnego dostępu, ale dobrze pokazuje mechanizm: o rachunku decyduje liczba tokenów na zadanie, a nie sama stawka.

Podobnie działa tryb Batch. OpenAI daje 50 proc. zniżki w zamian za wykonanie zlecenia w ciągu 24 godzin, a Google w Gemini 3.8 Flash obniża stawki o połowę w trybach Batch i Flex. Dla raportów nocnych czy klasyfikacji archiwum to realna oszczędność. Dla obsługi klienta na żywo nie ma zastosowania.

Kontrargumenty wobec kosztu zadania

Cena za milion tokenów ma zalety, których nie ukrywamy. Jest publiczna, porównywalna i nie wymaga testów. Koszt zadania trzeba zmierzyć samodzielnie, a wynik zależy od promptu, danych i definicji poprawnej odpowiedzi. Mała firma może nie mieć czasu na taką analizę.

Drugi kontrargument dotyczy stabilności. Zużycie tokenów zmienia się po aktualizacji modelu, więc zmierzony koszt zadania też się starzeje. Naszym zdaniem to nie podważa samej miary. Oznacza tylko, że pomiar trzeba powtarzać przy każdej zmianie modelu, tak jak powtarza się testy oprogramowania.

Co może zrobić polska firma

Nie trzeba budować laboratorium. Wystarczy zestaw 20-50 prawdziwych zadań z własnej pracy, na przykład odpowiedzi na zapytania klientów po polsku albo streszczeń umów. Na tym zestawie warto uruchomić dwa lub trzy modele i zapisać zużycie tokenów z pola usage, liczbę poprawnych wyników oraz czas poprawek.

Przy planowaniu budżetu na 2027 rok trzeba uwzględnić zapowiedzianą podwyżkę Gemini 3.8 Flash i kurs dolara, bo ceny API są podawane w USD i bez VAT. W naszej ocenie najtańszy w cenniku model bywa najtańszy także w praktyce, ale tylko pomiar na własnych danych pozwala to stwierdzić.

Dobrym zwyczajem jest też zapisywanie w arkuszu obok kosztu także powodu każdej porażki modelu. Jeśli większość błędów wynika z braku danych w poleceniu, zmiana modelu na droższy niewiele da. Jeśli model gubi się w długich dokumentach, lepszym ruchem może być podział zadania na mniejsze części niż zakup wyższej klasy modelu.