Pytanie „ile kosztuje agent AI” brzmi jak pytanie o cennik, a jest pytaniem o architekturę. Ten sam efekt biznesowy można dostarczyć tanio i nieprzewidywalnie albo trochę drożej, ale z kosztem, który da się zaplanować na rok do przodu.
Z czego składa się koszt#
- Wdrożenie (CAPEX projektu) — analiza procesu, zaprojektowanie kroków agenta, integracje z Twoimi systemami (CRM, e-mail, bazy), testy i uruchomienie.
- Koszt zmienny modeli (OPEX) — albo płatność za tokeny w chmurze, albo amortyzacja własnej infrastruktury. Tu decyduje, czy idziesz w API, czy w suwerenną infrastrukturę.
- Utrzymanie — monitoring jakości, poprawki promptów i logiki, dokładanie nowych umiejętności, gdy proces się zmienia.
Nie podajemy jednej liczby, bo byłaby zmyślona — koszt rośnie z liczbą integracji i wolumenem zadań. Poniżej widełki orientacyjne; realną wycenę liczymy na Twoim procesie.
| Składnik | Charakter | Co decyduje o widełkach |
|---|---|---|
| Wdrożenie | CAPEX (jednorazowo) | Prosty agent zadaniowy: od kilku tysięcy zł. Agent produkcyjny zintegrowany z systemami firmy: zwykle rząd 30 000–80 000 zł, zależnie od liczby integracji i reguł; realną wycenę liczymy na Twoim procesie. |
| Koszt zmienny modeli | OPEX (miesięcznie) | Wolumen zadań × liczba wywołań na zadanie × koszt wywołania w API, albo amortyzacja własnej infrastruktury. Dobór modelu do zadania zmienia tę pozycję wielokrotnie. |
| Utrzymanie | OPEX (miesięcznie) | Skala zmian w procesie, liczba obsługiwanych ścieżek, wymagany poziom monitoringu jakości. |
Co realnie winduje rachunek#
Najdroższy nie jest sam model — najdroższe są nieprzewidywalne wywołania. Agent, który dla każdego kroku woła największy model w chmurze, generuje rachunek rosnący z ruchem. Dlatego wejście do modeli prowadzimy przez router, który dobiera model do zadania: mały i tani do klasyfikacji, mocny tylko tam, gdzie naprawdę trzeba. To zwykle największa pojedyncza dźwignia kosztowa.
Jak liczyć koszt jednostkowy#
Zamiast pytać o cenę agenta, policz koszt jednego wykonanego zadania: ile kosztuje obsłużenie jednego leada, sklasyfikowanie jednego dokumentu, odpowiedź na jedno zapytanie. Ten wskaźnik porównujesz wprost z kosztem wykonania tej samej pracy przez człowieka — i dopiero on mówi, czy agent się opłaca.
Schemat liczenia (przykład, nie cennik — realne liczby liczymy na Twoich danych):
- Koszt zmienny przy API = liczba zadań w miesiącu × liczba wywołań na zadanie × koszt jednego wywołania (a ten zależy od liczby tokenów wejścia i wyjścia oraz od tego, jak duży model obsłuży dane zadanie). W agencie wielokrokowym jedno zadanie to często kilka–kilkanaście wywołań (każdy krok pętli ReAct to osobne wywołanie LLM), więc nie zakładaj, że 1 zadanie = 1 wywołanie — to najczęstszy błąd zaniżający rachunek dla agentów.
- Prompt caching — po stronie wejścia największą dźwignią dla agenta RAG jest cachowanie stałego promptu systemowego i nagłówków kontekstu RAG: to zwykle większość tokenów wejścia, a ich cachowanie obniża koszt wejścia o 20–40% bez zmiany logiki (jak optymalizować koszt tokenów).
- Koszt jednostkowy przy self-hostingu = (amortyzacja sprzętu + prąd + utrzymanie) ÷ liczba zadań. Im większy i stabilniejszy wolumen, tym niższy koszt na zadanie.
- Próg opłacalności (break-even) to wolumen, przy którym te dwie liczby się zrównują — poniżej taniej wychodzi API, powyżej własna infrastruktura. Punkt przecięcia przesuwa się z każdą zmianą cennika i generacją sprzętu, dlatego liczymy go na realnym obciążeniu, a nie z góry.
Przykład rzędu wielkości (stawki z poł. 2026, weryfikuj w aktualnym cenniku): dla modelu średniej klasy (ok. 0,30 USD za 1 mln tokenów wejścia i ok. 1,20 USD za 1 mln wyjścia) zadanie zużywające ~1 tys. tokenów wejścia i ~0,5 tys. wyjścia kosztuje ok. 0,0009 USD za wywołanie — przy 50 tys. zadań miesięcznie to rząd kilkudziesięciu USD na model. Po stronie self-hostingu box z GPU rozłożony w amortyzacji to widełki ok. 600–1200 USD/mies., więc próg break-even leży zwykle w okolicach 0,5–2 mln wywołań miesięcznie. Dokładny rozkład liczymy na Twoim wolumenie; szczegóły progu rozkładamy w koszt: model lokalny vs API.
Własne widełki policzysz w naszych narzędziach: kalkulator ROI pokazuje, czy zadanie zwraca się względem pracy ręcznej, a kalkulator kosztu inferencji szacuje koszt zmienny per zadanie. Szczegóły progu API-vs-własny model rozkładamy w koszt: model lokalny vs API, a stronę FinOps i bieżący monitoring rachunku w monitoringu kosztów LLM. Gdy chcesz liczbę dopasowaną do swojego procesu, a nie z kalkulatora — opisz nam przypadek i policzymy wycenę.
Kiedy własna infrastruktura zwraca się szybciej#
Przy małym wolumenie API w chmurze jest tańsze (brak kosztu wejścia). Przy stałym, dużym obciążeniu własne serwowanie modeli i embeddingi BGE-M3 zaczynają wygrywać kosztowo i dają przewidywalność. Punkt przecięcia zależy od wolumenu — dlatego dobieramy wariant do realnego obciążenia, nie do maksymalnego sprzętu.
Wypróbuj na żywo#
Opisz swój przypadek, a model oszacuje rozkład kosztów (wdrożenie, koszt zmienny modeli, utrzymanie) i koszt jednostkowy za zadanie (playground: PII maskowane, zero retencji):
FAQ#
Od czego zależy koszt agenta AI?#
Od trzech rzeczy: złożoności procesu (ile kroków i integracji), wolumenu (ile zadań miesięcznie) oraz wyboru między API w chmurze a własną infrastrukturą. Najmocniej na rachunek bieżący wpływa dobór modelu do zadania.
Czy taniej jest użyć gotowego API, czy własnego modelu?#
Przy małym wolumenie — API. Przy stałym, dużym obciążeniu własne serwowanie modeli daje niższy i przewidywalny koszt jednostkowy. Granica zależy od liczby zadań miesięcznie.
Jak nie przepłacić za agenta?#
Mierz koszt jednego wykonanego zadania, prowadź wszystkie wywołania przez router dobierający model do zadania i zaczynaj od jednego wąsko zdefiniowanego procesu, zamiast od „agenta do wszystkiego”.