Siedem modeli AI w firmie. Kto to ogarnął?

Zanim zaczniemy liczyć ROI z wdrożeń AI, warto zadać prostsze pytanie: ile modeli AI właściwie działa w twojej firmie w tej chwili? Nie tych zakupionych, zaplanowanych ani oglądanych na demo. Tych, które właśnie teraz przetwarzają dane, odpowiadają na zapytania, podejmują decyzje w jakimś procesie. Większość właścicieli firm, z którymi rozmawiałem w ostatnich miesiącach, nie jest w stanie odpowiedzieć dokładnie. Mówią: trzy, może cztery. A według raportu F5 z 2026 roku — przeciętna organizacja ma ich siedem.

To nie jest liczba z sufitu. To wynik tego, jak AI trafiało do firm przez ostatnie dwa lata: trochę przez IT, trochę przez marketing, trochę przez sprzedaż, trochę przez oddolne inicjatywy pracowników, którzy po prostu przestali czekać na zgodę zarządu.

AI inference: gdzie naprawdę płacisz

Jest jedno rozróżnienie, które warto znać, zanim zaczniesz rozmawiać z kimkolwiek o kosztach AI. Trenowanie modelu — to ten etap, o którym słyszysz najwięcej: wielkie GPU, miliardy parametrów, astronomiczne budżety OpenAI i Google. W normalnej firmie to nieistotne. Ty nie trenujesz modeli. Ty je uruchamiasz.

To uruchamianie — w żargonie branżowym „inference” — jest właśnie tym, za co płacisz codziennie. Każde pytanie do asystenta AI, każde uruchomienie automatyzacji, każda analiza dokumentu, każda odpowiedź chatbota na stronie. W tej chwili, według przywołanego raportu F5, 77% organizacji wskazuje inference — czyli faktyczne wykorzystanie modeli do generowania odpowiedzi i decyzji — jako dominującą aktywność AI, nie trenowanie. To też odpowiada za większość kosztów.

I tu robi się interesująco. Koszty inference nie rosną liniowo. Rosną logarytmicznie — wolno na początku, gwałtownie po przekroczeniu pewnego progu użytkowania. W newsroomach Stanów Zjednoczonych odnotowano, że od stycznia 2025 roku wydatki na tokeny wzrosły 13-krotnie — to nie anomalia, to kierunek. Goldman Sachs szacuje, że zużycie tokenów ma do 2030 roku wzrosnąć 24-krotnie. Nie dlatego, że modele są droższe. Dlatego, że firm używa ich intensywniej, a agenty AI konsumują tokeny w ilościach nieporównywalnych z prostymi chatbotami.

Siedem modeli, zero centralnego widoku

Wróćmy do tych siedmiu modeli. Dlaczego siedem? Bo firmy dobierają narzędzia do zadań: jeden model sprawdza się w analizie dokumentów, inny w klasyfikacji zgłoszeń serwisowych, inny w automatyzacji komunikacji, jeszcze inny obsługuje specyficzną wiedzę domenową. To ma sens — tak jak w infrastrukturze IT nie używasz jednego systemu do wszystkiego.

Problem polega na tym, że tylko 28% organizacji zarządza rozwiązaniami AI z jednego centralnego narzędzia. Pozostałe 72% działa w rozproszonym środowisku bez jednego punktu kontroli. Jak to wygląda w praktyce? Ktoś w sprzedaży korzysta z Copilota w CRM. Ktoś w obsłudze klienta ma chatbota na innym API. IT wdrożyło asystenta do code review. HR odpalił narzędzie do analizy CV. Każde z osobna zostało kupione, zaakceptowane i uruchomione. Nikt nie patrzy na całość.

„Trzeba zdać sobie sprawę, że AI inference staje się środowiskiem rozproszonym, które dziedziczy wszystkie problemy systemu rozproszonego” — zauważa Kunal Anand, Chief Product Officer w F5, dostawcy rozwiązań do zarządzania infrastrukturą aplikacyjną. Nie bez racji — choć firma ma w tym oczywisty interes sprzedażowy. Ale diagnoza jest trafna: opóźnienia, częściowe awarie, koszty narastające tam, gdzie nikt nie patrzy.

Prawie 60% pracowników korzysta do celów służbowych z nieautoryzowanych narzędzi AI. To nie jest zła wola — to naturalny skutek sytuacji, w której oficjalne narzędzia nie nadążają za potrzebami, a dostęp do zewnętrznych modeli jest banalnie prosty. Efekt: firma płaci za licencje, które zna, i za tokeny, o których nie wie.

Gdzie to boli najbardziej

88% organizacji zgłasza wyzwania architektoniczne, organizacyjne lub związane z bezpieczeństwem podczas wdrażania wyników AI do codziennych procesów. To zdanie warto przeczytać jeszcze raz: niemal dziewięć na dziesięć firm, które AI faktycznie uruchomiły, mówi, że ma z tym konkretne problemy.

Trzy najczęstsze miejsca bólu. Koszty, których nikt nie prognozował: przy małym obciążeniu wszystko wygląda rozsądnie, przy dużym — rachunek od dostawcy chmury bywa zaskoczeniem. Bezpieczeństwo danych: każdy model, który przetwarza rzeczywiste dane firmowe, jest punktem, przez który te dane mogą wyciec — a im więcej takich punktów, tym trudniejsza kontrola. Odpowiedzialność za decyzje: gdy model AI uczestniczy w procesie — czy to akceptując wniosek, czy sugerując diagnozę — pojawia się pytanie, kto odpowiada za błąd.

Dla europejskiego banku zarządzanie jednym modelem AI generuje średnio pół miliona złotych rocznie kosztów governance. To liczba dla instytucji regulowanej, ale kierunek jest ten sam dla każdej firmy: siedem modeli to nie siedmiokrotność kosztów jednego modelu. To wielokrotność — z uwagi na każdą integrację, każdy punkt styku z danymi, każde miejsce, gdzie coś może pójść nie tak. Egospodarka

Pytanie, które warto zadać dzisiaj

Nie „czy wdrożyliśmy AI?” — to już za wami. Nie „jaki jest ROI?” — to przyjdzie. Pytanie brzmi: czy ktoś w twojej firmie ma pełny obraz tego, które modele działają, co przetwarzają, ile to kosztuje i kto za to odpowiada?

Jeśli odpowiedź brzmi „nie do końca” — jesteś w towarzystwie 72% przedsiębiorstw. To jeszcze nie katastrofa. Ale okno, w którym można to poukładać bez kryzysu, nie jest otwarte na zawsze.

Nota redakcyjna: Dane liczbowe pochodzą z raportu F5 2026 State of Application Strategy — badania zleconego przez F5, dostawcę rozwiązań do zarządzania infrastrukturą aplikacyjną i AI. Metodologia nie jest publicznie dostępna. Dane o kosztach tokenów i licencjach — Focus on Business/Forscope i Awareways, kwiecień–maj 2026.