Przez ostatnie dwa lata w świecie biznesu obowiązywała jedna narracja: sztuczna inteligencja tanieje, więc wkrótce będzie dostępna dla każdego. Ceny tokenów rzeczywiście spadały, a kolejne modele oferowały więcej za mniej. Gartner właśnie ogłosił, że ta narracja opiera się na złudzeniu.
Paradoks wnioskowania
W raporcie opublikowanym 17 sierpnia firma analityczna przedstawiła zjawisko, które nazwała „paradoksem wnioskowania”. Sedno jest proste i niepokojące: koszty wnioskowania na agentowy przepływ pracy wzrosną ponad pięciokrotnie do 2028 roku – mimo że ceny pojedynczych tokenów mają spaść o 95% do 2030 roku.
Dlaczego? Bo oszczędności są pochłaniane przez rosnącą złożoność samych systemów. Agenty AI nie odpowiadają już na pojedyncze pytania – rozumują, dostosowują się do sytuacji, komunikują z innymi agentami i realizują wieloetapowe zadania przy minimalnym nadzorze człowieka. Każda z tych zdolności kosztuje.
„Tempo innowacji wyprzedza krzywą kosztów” – napisali analitycy Gartnera Will Sommer i Sabine Zimmerhansl. „Rynek uległ złudzeniu deflacji tokenowej.”
Liczby, które robią różnicę
Gartner opracował tzw. Model Tokenomiki, testując 12 rodzajów modeli AI. Wyniki pokazują skalę rozwarstwienia:
- Podstawowe przepływy pracy: około 0,05 USD za token wnioskowania
- Zadania związane z planowaniem i uczeniem się: około 0,40 USD – osiem do dziesięciu razy więcej
- Zaawansowane agenty rozumowania: nawet 150 razy droższe przy jednym zadaniu niż podstawowe chatboty
Do obsługi równoważnych zadań zaawansowane agenty potrzebują od pięciu do trzydziestu razy więcej tokenów. A gdy „roje” autonomicznych agentów zaczynają wzajemnie się wyzwalać i wywoływać, zapotrzebowanie na moc obliczeniową rośnie wykładniczo. „Wolumen mocy obliczeniowej wymaganej do realizacji tych możliwości jest oszałamiający” – piszą analitycy.
Co piąta firma się wycofa
Konsekwencje tej ekonomii są już wpisane w prognozy. Gartner przewiduje, że do 2028 roku mniej więcej jedna na pięć organizacji na świecie ograniczy lub całkowicie porzuci wdrożenia AI w części swoich operacji i wróci do konwencjonalnego oprogramowania – niezdolna do uzasadnienia wydatków, które przerosły mierzalne korzyści.
To nie jest odosobniona prognoza, lecz element całej serii ostrzeżeń:
- Ponad 40% projektów opartych na agentowej AI zostanie anulowanych do końca 2027 roku
- Co najmniej 50% inicjatyw z zakresu generatywnej AI przekroczy zaplanowane budżety do 2028 roku
- Według raportu „The Economist” odsetek firm porzucających większość pilotaży generatywnej AI wzrósł już do 42%, wobec 17% rok wcześniej
Co istotne, nie chodzi o całkowitą rezygnację ze sztucznej inteligencji. To raczej selekcja portfeli – cięcia dotykają wdrożeń, które nie potrafią wykazać wyraźnej ścieżki do rentowności.
Wall Street widzi to samo
Analiza stratega Goldman Sachs Bena Snidera potwierdza rozbieżność między deklaracjami a wynikami. 65% spółek z indeksu S&P 500 wspominało o AI podczas ostatnich rozmów z analitykami. Tylko 11% podało wymierne korzyści dla produktywności w konkretnym przypadku użycia. Zaledwie 2% określiło wpływ na zyski.
Wzrost zysków w indeksie pozostaje przy tym w przeważającej mierze historią infrastrukturalną. Hiperskalerzy i firmy z sektora infrastruktury AI odnotowały wzrost zysków o 54% rok do roku i odpowiadają za mniej więcej połowę wzrostu zysków całego S&P 500. Inwestorzy preferują spółki infrastrukturalne, bo ich zwroty są natychmiastowe i mierzalne – w odróżnieniu od trudnego do wskazania końcowego beneficjenta wzrostów produktywności.
Znamienne jest też to, jak niewielkie są jeszcze faktyczne wydatki. 89% respondentów badania Goldman Sachs stwierdziło, że AI pochłania zaledwie 1–5% ich łącznych nakładów na technologię. Skoro przy takim poziomie zaangażowania co piąta firma planuje odwrót, pytanie o skalowanie staje się poważne.
Co można zrobić
Gartner nie ogłasza końca AI w biznesie – wskazuje warunki, na jakich ma ona sens. Rekomendacje sprowadzają się do dyscypliny:
- Poziomowanie wnioskowania – kierowanie zapytań do najbardziej opłacalnego modelu zamiast domyślnego sięgania po modele czołowe przy każdym zadaniu
- Przejście z płaskich opłat za moc obliczeniową na ceny uzależnione od faktycznego użycia
- Traktowanie każdej nowej wersji modelu „jak nowego samochodu, który traci na wartości już pierwszego dnia”
Zwrot z inwestycji pozostaje – jak podkreślają analitycy – „jak najbardziej osiągalny”, ale wyłącznie dla przedsiębiorstw gotowych rygorystycznie optymalizować swoje procesy. Alternatywa jest kosztowna: „Domyślne korzystanie z ogólnej autonomicznej inteligencji doprowadzi do nieograniczonych kosztów, wielokrotnie wyższych niż koszty zoptymalizowanych ekosystemów produktowych.”
Puenta: technologia, która miała wyrównywać szanse
Sztuczna inteligencja była sprzedawana jako wielki wyrównywacz. Mała firma miała zyskać dostęp do kompetencji, na które wcześniej stać było tylko korporacje. Startup miał konkurować z gigantem, bo inteligencja stawała się usługą dostępną z chmury za kilka dolarów miesięcznie.
Liczby Gartnera opowiadają inną historię. Optymalizacja przepływów pracy, poziomowanie modeli, ciągła kontrola kosztów wnioskowania – to wszystko wymaga kompetencji, których małe firmy zwyczajnie nie mają. Kto potrafi to robić, zarobi. Kto nie potrafi, zapłaci wielokrotnie więcej za ten sam efekt albo wycofa się do konwencjonalnego oprogramowania.
Do tego dochodzi bezlitosna arytmetyka zysków: najwięcej zarabiają dziś nie ci, którzy używają AI, lecz ci, którzy dostarczają jej infrastrukturę. Wzrost o 54% rocznie notują hiperskalerzy, nie ich klienci.
AI miało zdemokratyzować biznes. Na razie wygląda na to, że wzmocni przede wszystkim tych, którzy i tak byli najsilniejsi – i najbogatsi.