Wyścig AI zmienia kierunek: tańsze modele z otwartymi wagami wypierają drogie systemy zamknięte
W skrócie
- Perplexity AI zaprezentowało nowy system oparty na chińskim modelu GLM 5.2 od Z.ai, który obsługuje większość zadań, a droższy model jest wzywany tylko w razie potrzeby.
- Partner zarządzający Benchmark Peter Fenton ocenia, że ponad 90% wszystkich tokenów będzie generowanych przez modele z otwartymi wagami w ciągu najbliższych 18–24 miesięcy.
- Narzędzie Ollama do uruchamiania otwartych modeli zostało przyjęte przez ponad 85% firm z listy Fortune 500, w tym z branż regulowanych, takich jak lotnictwo, ubezpieczenia i ochrona zdrowia.
Przez ostatnie dwa lata wyścig w dziedzinie sztucznej inteligencji miał prostą logikę: większy model, lepsze wyniki w testach porównawczych, kolejna premiera. Ten sposób oceniania zaczyna jednak tracić na aktualności. Firmy, które przeszły od testowania AI do wdrażania jej w realnych produktach i procesach, coraz częściej pytają nie o to, który model jest najlepszy, lecz który jest najlepiej dopasowany do konkretnego zadania – przy odpowiednim koszcie, z dostępem do właściwych danych i w wybranym środowisku cnbc.com.
Orkiestracja zamiast jednego modelu
„Model sam w sobie nie jest już produktem" – powiedział CNBC Aravind Srinivas, dyrektor generalny Perplexity AI. „Produktem jest uprząż, system orkiestracji, który umieszcza model w bardzo sprawnym środowisku i łączy go z wieloma narzędziami" cnbc.com.
Praktycznym przykładem tej filozofii jest nowy system zaprezentowany przez Perplexity w tym tygodniu. Firma pokazała rozwiązanie dla swojego produktu do obsługi komputera, zbudowane wokół GLM 5.2 – otwartego modelu chińskiego laboratorium Z.ai. Architektura jest prosta: tańszy model wykonuje większość pracy, a silniejszy jest wzywany tylko wtedy, gdy zadanie tego wymaga cnbc.com.
Takie podejście odzwierciedla szerszą zmianę na rynku. Modele z otwartymi wagami – które można pobrać, dostroić i uruchamiać samodzielnie – stają się coraz bardziej wydajne, a jednocześnie tańsze w eksploatacji niż zastrzeżone modele premium oferowane przez największe laboratoria AI cnbc.com.
90% tokenów z otwartych modeli?
Peter Fenton, partner zarządzający funduszu Benchmark, ocenia, że ta zmiana może być dramatyczna. „Pogląd, który był może kontrowersyjny, a staje się konsensusem, to nasze przekonanie, że ponad 90% tokenów będzie powstawać z modeli z otwartymi wagami w ciągu najbliższych 18–24 miesięcy, być może nawet do końca roku" – powiedział Fenton w rozmowie z CNBC cnbc.com.
Fenton zwrócił uwagę, że przejście na otwarte modele to nie tylko kwestia oszczędności. Mniejsze modele dostrojone do konkretnego zadania mogą być szybsze i skuteczniejsze niż duże modele ogólnego przeznaczenia. „Marże na wnioskowaniu generowane przez firmy tworzące modele graniczne znajdą się pod presją, gdy będzie można je uruchamiać bez narzutu, który one pobierają, gdy dostępne będą wystarczająco dobre modele z otwartymi wagami" – ocenił cnbc.com.
Benchmark zainwestował m.in. w Ollama – firmę ułatwiającą deweloperom i przedsiębiorstwom pobieranie, uruchamianie i zarządzanie otwartymi modelami. Jeff Morgan, dyrektor generalny Ollama, podkreślił, że dla firm kluczowe jest nie tyle to, skąd pochodzi model, ile to, gdzie i jak działa. Według Morgana Ollama została przyjęta przez ponad 85% firm z listy Fortune 500, w tym z branż regulowanych, takich jak lotnictwo, ubezpieczenia i ochrona zdrowia. Wiele firm zaczyna od mniejszych modeli działających blisko własnych danych, a następnie rozszerza działalność na większe otwarte modele cnbc.com.
Hugging Face: firmy nie chcą już „wynajmować" AI
Podobną obserwację formułuje Clem Delangue, dyrektor generalny Hugging Face – platformy, którą można porównać do GitHuba dla AI, używanej przez około połowę firm z listy Fortune 500. Delangue zauważył, że firmy regularnie powtarzają ten sam schemat: zaczynają od interfejsów API modeli granicznych, ale w miarę skalowania rosnące koszty pchają je w stronę otwartego oprogramowania techcrunch.com.
Delangue wyraził też obawy dotyczące koncentracji rynku AI w rękach kilku dużych korporacji. Jego zdaniem, jeśli branża będzie rozwijać się wyłącznie wokół zamkniętych systemów, doprowadzi to do ograniczenia innowacji i zaniku konkurencji. Za sygnał niestabilności rynku uznał m.in. wstrzymanie przez Anthropic niektórych projektów zamin.uz.
Geopolityczny wymiar otwartych modeli
Wzrost znaczenia otwartych modeli rodzi też strategiczne wyzwanie dla Stanów Zjednoczonych. Wiele spośród najbardziej konkurencyjnych modeli z otwartymi wagami pochodzi z chińskich laboratoriów – w tym Z.ai i DeepSeek. Sprawiło to, że otwarte oprogramowanie AI stało się jednocześnie kwestią biznesową, polityczną i dotyczącą konkurencyjności narodowej cnbc.com.
Srinivas opowiada się za tym, by USA wspierały otwarte modele, argumentując, że czynią one AI bardziej przystępną i dostępną. „Jeśli chcesz, żeby korzyści z AI były szeroko dostępne dla małych firm w Ameryce i krajach sojuszniczych, to naprawdę potrzebujesz, żeby AI była znacznie tańsza. A open source to jedyna droga do tego" – powiedział cnbc.com.
Zmiana ta może też wpłynąć na trwającą rozbudowę centrów danych w całej branży technologicznej. Srinivas wskazuje, że część zadań AI może z czasem być wykonywana lokalnie – na urządzeniach należących do konsumentów lub firm. Nie wyeliminowałoby to potrzeby istnienia centrów danych, ale mogłoby prowadzić do bardziej hybrydowego systemu: rutynowe zadania byłyby obsługiwane lokalnie, a najtrudniejsze trafiałyby do mocniejszego modelu w chmurze cnbc.com.
Tymczasem OpenAI odpowiada na rosnącą presję cenową własną ofertą. Firma ogłosiła nową rodzinę modeli GPT-5.6, dostępną w trzech wariantach: Sol (podstawowy), Terra (pośredni) i Luna (budżetowy). Dyrektor generalny Sam Altman zapowiedział, że nowe modele są o rzędy wielkości bardziej wydajne i opłacalne niż poprzednie wersje, a Sol ma być o 54% bardziej efektywny pod względem tokenów przy zadaniach programistycznych techcrunch.com.
Co to oznacza
Opisywany trend ma bezpośrednie znaczenie dla każdej firmy – również polskiej – która wdraża lub planuje wdrożenie rozwiązań opartych na AI. Dotychczasowy model biznesowy zakładał korzystanie z drogich interfejsów API największych laboratoriów, takich jak OpenAI czy Anthropic. Rosnąca dostępność modeli z otwartymi wagami, które można uruchamiać na własnej infrastrukturze, zmienia rachunek ekonomiczny: koszty maleją, a kontrola nad danymi i procesami rośnie cnbc.com techcrunch.com.
Dla przedsiębiorstw z branż regulowanych – finansów, ochrony zdrowia, ubezpieczeń – możliwość uruchamiania modeli lokalnie, bez przesyłania danych do zewnętrznych chmur, może być argumentem decydującym o wyborze technologii. Fakt, że Ollama jest używana przez ponad 85% firm z Fortune 500 właśnie w takich sektorach, sugeruje, że ten kierunek jest już nie trendą, lecz praktyką cnbc.com.
Geopolityczny wymiar sprawy dotyczy też polskiego i europejskiego rynku. Wiele najlepszych otwartych modeli pochodzi z Chin – Z.ai i DeepSeek są tu wymieniane wprost. Dla firm i instytucji publicznych w Polsce, działających w obszarach wrażliwych, wybór między chińskim modelem open source a drogim modelem zachodnim stanie się pytaniem nie tylko o koszty, ale i o bezpieczeństwo oraz zgodność z regulacjami. Debata, którą Srinivas i Fenton toczą w kontekście amerykańskiej konkurencyjności, ma swój europejski odpowiednik – i Polska, jako kraj NATO z rosnącym sektorem technologicznym, będzie musiała zająć w niej stanowisko cnbc.com zamin.uz.
Szerszy kontekst
Modele takie jak GLM 5.2 od Zhipu AI zbliżają się do poziomu zamkniętych modeli granicznych za ułamek kosztów wnioskowania. Dla każdego, kto buduje lub wdraża agenty AI, zmienia to sposób myślenia o stosie modeli.
Jeśli hostujesz samodzielnie na infrastrukturze chmury GPU, koszty zależą od mocy obliczeniowej — często 0,10–0,50 USD za milion tokenów w skali, w porównaniu do 2,50–15 USD za milion tokenów dla zamkniętych modeli granicznych. Zewnętrzni dostawcy wnioskowania (Groq, Together AI, Replicate) oferują dostęp do modeli z otwartymi wagami przez API po cenach typowo 3–10 razy niższych niż porównywalne modele zamknięte.
Modele z otwartymi wagami (Qwen 3, Llama 4, DeepSeek) znacząco zmniejszyły dystans i są właściwym wyborem dla zastosowań wrażliwych na prywatność, wysokowolumenowych lub wymagających dostrajania. Hybrydowe kierowanie — używanie modeli granicznych do planowania i tańszych modeli do wykonywania — to praktyczny sposób na zrównoważenie jakości i kosztów.
Modele z otwartymi wagami stanowią dobry kompromis między złożonością zarządzania a wiedzą o modelu. Tego rodzaju modele pozwalają wdrożyć technologię na własnej infrastrukturze, dając pełną kontrolę nad implementacją AI. Ta autonomia oznacza, że nie jesteś narażony na nagłe zmiany cen, ograniczenia użytkowania ani przerwy w działaniu usług, które mogą wystąpić w przypadku modeli opartych na API.
Pod koniec 2023 roku najlepszy zamknięty model uzyskał około 88% w teście MMLU — standardowym benchmarku wiedzy — podczas gdy najlepszy model otwarty osiągnął około 70,5%. Na początku 2026 roku ta różnica jest praktycznie zerowa w benchmarkach wiedzy i jednocyfrowa w większości zadań rozumowania. Wymiar czasowy jest jeszcze bardziej wymowny. Epoch AI stwierdziło, że modele z otwartymi wagami pozostają teraz w tyle za stanem techniki o około trzy miesiące. Pod koniec 2024 roku zespół Epoch zmierzył to opóźnienie na bliskie roku.
DeepSeek zademonstrował ten mechanizm. Jego bazowy model V3 wykorzystał 2,6 miliona godzin GPU w porównaniu do 30,8 miliona w przypadku Llama 3 405B — to poprawa efektywności trenowania o rząd wielkości. Model rozumowania R1 zbudowany na jego podstawie dorównał modelowi o1 OpenAI przy około 3% jego kosztów.
Analiza
Rynek modeli AI przechodzi fundamentalną zmianę logiki: zamiast wyścigu o najlepszy wynik w testach porównawczych, liczy się teraz architektura całego systemu — czyli to, jak modele są ze sobą łączone, orkiestrowane i dopasowywane do konkretnych zadań. Wypowiedź Aravindy Srinivasa z Perplexity AI, że „model sam w sobie nie jest już produktem", dobrze oddaje kierunek tej zmiany. Praktycznym wyrazem tej filozofii jest routing: tańszy model otwarty obsługuje rutynowe kroki, a silniejszy model graniczny jest wzywany tylko przy trudniejszych zadaniach. Jak wskazuje mindstudio.ai, koszty wnioskowania dla modeli z otwartymi wagami wynoszą typowo 0,10–0,50 USD za milion tokenów, podczas gdy modele zamknięte kosztują 2,50–15 USD — różnica rzędu 3–10 razy, która przy systemach agentowych (wiele wywołań na jedno zadanie) staje się decydująca.
Prognoza Petera Fentona z Benchmark — że ponad 90% tokenów będzie powstawać z modeli z otwartymi wagami w ciągu 18–24 miesięcy — brzmi radykalnie, ale ma solidne podstawy. Według davefriedman.substack.com luka między najlepszymi modelami otwartymi a zamkniętymi na standardowych testach wiedzy praktycznie zniknęła, a opóźnienie modeli otwartych za czołówką skróciło się z około roku (koniec 2024) do zaledwie trzech miesięcy (początek 2026). DeepSeek pokazał mechanizm: jego model V3 wymagał 2,6 miliona godzin GPU wobec 30,8 miliona dla Llamy 3 405B — poprawa efektywności o rząd wielkości. To właśnie ta dynamika wywiera presję na marże OpenAI, Anthropic i Google, co OpenAI próbuje częściowo zneutralizować nową rodziną GPT-5.6 z wariantem Sol deklarowanym jako o 54% bardziej efektywny tokenowo przy zadaniach programistycznych.
Dla polskich i europejskich firm oraz instytucji publicznych ten trend ma wymiar nie tylko kosztowy, ale i geopolityczny. Wiele najsilniejszych modeli z otwartymi wagami pochodzi z chińskich laboratoriów — Z.ai i DeepSeek są tu wymieniane wprost. Jak zauważa nearform.com, modele otwarte eliminują ryzyko uzależnienia od dostawcy i nagłych zmian cenowych, ale wybór chińskiego modelu open source w sektorach wrażliwych — obronności, ochrony zdrowia, infrastruktury krytycznej — rodzi pytania o bezpieczeństwo i zgodność z regulacjami, które wykraczają daleko poza rachunek ekonomiczny. Fakt, że Ollama jest używana przez ponad 85% firm z listy Fortune 500 właśnie w branżach regulowanych, sugeruje, że lokalnie uruchamiane modele stają się standardem — ale Polska i Europa będą musiały wypracować własne kryteria wyboru między dostępnością cenową a suwerennością technologiczną.