The open source AI movement has produced genuinely impressive models. DeepSeek now processes over a third of all tokens

Ruch open-source AI wyprodukował naprawdę imponujące modele. DeepSeek przetwarza obecnie ponad jedną trzecią wszystkich tokenów przepływających przez bramę AI firmy Vercel. Model GLM-5.2 od Z.ai pewnie zajmuje jedno z czterech pierwszych miejsc na platformie pod względem wolumenu. To nie są projekty hobbystyczne. To systemy klasy produkcyjnej, obsługujące rzeczywiste obciążenia korporacyjne na ogromną skalę. Biorąc pod uwagę te liczby, łatwo byłoby założyć, że laboratoria typu frontier, takie jak Anthropic, stoją przed egzystencjalnym zagrożeniem dla swojej pozycji rynkowej.

To założenie pomija to, co dzieje się w rzeczywistości.

Prawdziwa rola modeli typu frontier

CEO Decagon, Jesse Zhang, zaproponował jaśniejszy sposób zrozumienia podziału między AI własnościowym (proprietary) a open-source. Konkurencja nie jest prostym wyścigiem polegającym na wzajemnym zastępowaniu się. Zamiast tego obie kategorie służą różnym fazom pojedynczego cyklu życia przedsiębiorstwa.

Modele typu frontier pełnią funkcję warstwy odkrywczej. Kiedy firma zaczyna badać, jak AI może zmienić wewnętrzny proces, zadanie jest niemal zawsze słabo zdefiniowane. Dane wejściowe są nieuporządkowane. Pożądane wyniki są niejasne. Sukces wymaga rozumowania w warunkach niepewności, radzenia sobie ze scenariuszami brzegowymi (edge cases), których zespół jeszcze nie skatalogował, oraz adaptacji do promptów zmieniających się z godziny na godzinę. Jest to praca nad prototypowaniem i dowodzeniem koncepcji (proof-of-concept). Wymaga ona najbardziej zaawansowanego dostępnego systemu, bez względu na koszty, ponieważ alternatywą jest nieudany eksperyment, który niczego nie uczy.

W tej fazie drogi model frontier nie jest narzutem. Jest to koszt badań rynkowych skondensowany do kilku wywołań API. Gdy przypadek użycia zostanie potwierdzony, a przepływ pracy (workflow) rozpisany, charakter problemu ulega zmianie. Niepewność znika. Dane wejściowe stają się ustandaryzowane. Prompty stabilizują się. Zadanie staje się rutynowe. W tym momencie wiele przedsiębiorstw przenosi obciążenia na lżejszy, tańszy model. Alternatywy open-source wchodzą do gry i przejmują etap produkcyjny, podczas gdy modele frontier pozostają na pierwszej linii, obsługując kolejną falę nieznanych problemów.

To nie jest teoria na temat tego, jak AI powinno działać. To opis tego, jak budżety już się przesuwają.

Kiedy obciążenia przenoszą się do segmentu masowego

Migracja do open source jest realna i widoczna w danych o ruchu. Gwałtowny wzrost udziału DeepSeek, który przekroczył jedną trzecią wolumenu tokenów na infrastrukturze Vercel, pokazuje, że firmy przeprowadzają ogromne ilości wnioskowania (inference) za pomocą tańszych modeli. Model GLM-5.2 od Z.ai również wywalczył sobie pozycję w pierwszej czwórce, obsługując stały, przewidywalny ruch.

Modele te doskonale radzą sobie z zadaniami, które zostały już „oswojone”. Pomyślmy o masowej ekstrakcji danych ze ustandaryzowanych formularzy, wstępnej segregacji (triage) zgłoszeń w obsłudze klienta, która kieruje bilety na podstawie oczywistych słów kluczowych, czy rutynowym sprawdzaniu kodu (linting) i generowaniu dokumentacji. Prompty są szablonowe. Tryby błędów są znane. Ryzyko biznesowe związane ze złym wynikiem jest ograniczone. Gdy praca jest zdefiniowana i powtarzalna, głównym wyzwaniem staje się koszt wnioskowania. Uruchomienie tego samego obciążenia na modelu za sześć centów zamiast na wersji premium ma natychmiastowy sens ekonomiczny.

Ale wolumen to nie przychód. Fakt, że modele open-source dominują pod względem liczby tokenów, nie oznacza, że dominują w tworzeniu wartości. Wolumen tokenów mierzy aktywność. Wydatki na tokeny mierzą to, za co firmy są skłonne płacić w zamian za niezastąpioną funkcjonalność.

Gdzie faktycznie płyną pieniądze

Dane z bramy AI firmy Vercel sprawiają, że podział ekonomiczny jest niemożliwy do zignorowania. Mimo dominacji DeepSeek w surowym ruchu tokenów, Anthropic nadal przechwytuje ponad połowę całkowitych wydatków na AI na platformie. Luka między aktywnością a wydatkami wynika z oszałamiającej różnicy w cenach.

Według danych OpenRouter, model Opus 4.8 od Anthropic kosztuje około 1,37 USD za milion tokenów. V4Flash od DeepSeek kosztuje około sześciu centów za tę samą objętość. Cena modelu Opus jest około dwadzieścia trzy razy wyższa. Ten mnożnik ma większe znaczenie, niż jakakolwiek liczba tokenów mogłaby mieć. Zespół programistyczny mógłby przenieść 90% wolumenu wnioskowania na tańszy model, a mimo to drogi model nadal stanowiłby większość ich budżetu.

Ta rozbieżność nie jest przypadkowa. Odzwierciedla ona rzeczywistość, w której dostawcy modeli frontier sprzedają coś innego. Nie sprzedają oni jedynie tokenów. Sprzedają zdolność do rozwiązywania problemów poprzez rozumowanie w sytuacjach, dla których nie istnieją jeszcze sprawdzone schematy postępowania. Przedsiębiorstwa płacące stawki premium nie robią tego z niewiedzy. Robią to, ponieważ zadania, które powierzają tym modelom, są albo o wysokiej stawce, albo strukturalnie złożone. Zespół prawny analizujący nowe ryzyka regulacyjne nie może pozwolić sobie na zmyśloną cytację. Zespół produktowy projektujący wieloetapowy workflow agentowy potrzebuje, aby model poprawnie łączył logikę w ciągu kilku tur konwersacji. Koszt błędu w tych scenariuszach znacznie przewyższa koszt wywołania API.

Wydatki kapitałowe płyną w stronę warstwy, w której wartość jest wciąż tworzona, a nie tylko realizowana.

Rynek rośnie szybciej niż migracja

Jeśli modele open-source są znacznie tańsze, a przedsiębiorstwa aktywnie przenoszą do nich dojrzałe obciążenia robocze, dlaczego wydatki na modele frontier nie spadły? Odpowiedzią jest fakt, że całkowity rynek możliwych do zrealizowania zadań AI rozwija się szybciej, niż jakikolwiek pojedynczy model jest w stanie go utowarowić.

Za każdym razem, gdy firma skutecznie automatyzuje przewidywalny przepływ pracy za pomocą alternatywy open-source, dzieją się dwie rzeczy. Po pierwsze, zespół oszczędza pieniądze na realizacji. Po drugie, te zasoby i talenty zostają przekierowane na trudniejsze, pokrewne problemy. Rutynowa praca jest teraz wykonywana przez maszyny, co oznacza, że ludzie mogą skupić się na tym, co nieregularne, strategiczne i bezprecedensowe. Nowo odkryty problem prawie zawsze wymaga głębi rozumowania modelu typu frontier.

Ten wzorzec powtarza się w różnych branżach. Bank automatyzuje przegląd dokumentów za pomocą taniego modelu, a następnie kieruje uwagę na budowę dynamicznego modelu ryzyka, który wymaga niuansowego osądu. Firma programistyczna automatyzuje generowanie testów, a następnie próbuje zbudować autonomicznego agenta do debugowania, który musi śledzić błędy w systemach rozproszonych. Granica frontier stale się przesuwa. Gdy tylko jedno zadanie staje się towarem (commodity), pojawia się bardziej złożony przypadek użycia, który wymaga możliwości klasy premium.

Wiele zadań korporacyjnych pozostaje również zbyt wrażliwych, aby powierzyć je obecnej generacji alternatyw open-source. Wsparcie w segregacji medycznej (triage), prognozowanie finansowe pod nadzorem regulacyjnym oraz analiza strategii zarządczej niosą ze sobą ryzyka, które sprawiają, że koszt wnioskowania staje się nieistotny w porównaniu z dokładnością i niezawodnością. Te obciążenia robocze tworzą trwały poziom premium. Rezultatem jest stabilna, dwupoziomowa gospodarka: wysokomarżowa warstwa do złożonego rozumowania i odkryć oraz wysokowolumenowa warstwa towarowa do rutynowej realizacji zadań.

Co to oznacza dla nabywców korporacyjnych

Praktycznym wnioskiem jest to, że wybór modelu powinien wynikać z dojrzałości pracy, a nie z ideologii. Buduj i waliduj nowe aplikacje AI w oparciu o najbardziej zaawansowane modele frontier, do których masz dostęp. Płać premię w fazie odkrywania. Jest to tańsze niż budowanie na ograniczonym modelu, nieudane udowodnienie wartości i porzucenie projektu. Gdy wejścia, wyjścia i tryby występowania błędów zostaną już poznane, wtedy agresywnie optymalizuj. Przenieś stabilne obciążenie robocze do alternatywy open-source i wykorzystaj oszczędności kosztów.

Próba wtłoczenia każdego zadania w jeden poziom to przepis na zmarnowany kapitał lub utratę możliwości. Firmy, które poprawnie przez to przejdą, będą domyślnie stosować architektury hybrydowe, a nie traktować ich jako kompromis.

Historia ta nie polega na tym, że open source przegrywa lub że laboratoria frontier są niezwyciężone. Chodzi o to, że oba poziomy rosną, ale rosną w różnych kierunkach. Modele open-source pochłaniają znany świat zadań AI. Modele frontier roszczą sobie prawo do nieznanego. W dającej się przewidzieć przyszłości jest to korzystny układ dla obu stron.