Tanie tokeny napędzają jeszcze większe użycie AI

Indeks LLM Token Expenditure Index (SDLLMTK) firmy Silicon Data spadł 1 września 2026 r. do 0,97 USD za milion tokenów — najniższego poziomu w historii i poniżej połowy wcześniejszego letniego szczytu. To ważny sygnał, że rynek inferencji, czyli korzystania z już wytrenowanych modeli językowych, gwałtownie tanieje. Nie jest to jednak dowód na spadek popytu ani całych wydatków na AI. 24

Co dokładnie mierzy poziom 97 centów

SDLLMTK pokazuje mieszany, ważony faktycznym użyciem koszt miliona tokenów dla określonego zestawu modeli LLM. Łączy cenniki dostawców z obserwowanym wykorzystaniem modeli. Nie mierzy więc ani liczby wszystkich przetwarzanych tokenów, ani łącznej wartości rynku AI. 24

Jeżeli firmy przenoszą więcej rutynowych zadań do tańszych modeli, indeks może spadać nawet wtedy, gdy rośnie zarówno wolumen tokenów, jak i całkowita kwota przeznaczana na rozwiązania AI. Wskaźnik odzwierciedla zatem jednocześnie cenę i strukturę wykorzystywanych modeli.

Konkurencja z Chin obniża próg cenowy

Chińscy dostawcy API zaoferowali bardzo tanie alternatywy dla zadań, które nie wymagają najdroższych modeli z czołówki. Model DeepSeek V4-Flash był wyceniany na 0,14 USD za milion tokenów wejściowych oraz 0,28 USD za milion tokenów wyjściowych. 49

W maju 2026 r. DeepSeek obniżył ceny V4-Pro o 75 proc., co było opisywane jako zaostrzenie rywalizacji między chińskimi twórcami modeli. 58 Kolejne obniżki i niskokosztowe oferty w tym ekosystemie zwiększyły presję na dostawców obsługujących masowe zastosowania inferencyjne. 452

Nie da się jednak rzetelnie przypisać całego spadku indeksu jednemu laboratorium czy jednemu cennikowi. Znaczenie mają też poprawa wydajności modeli, rozbudowa mocy obliczeniowej oraz decyzje klientów o kierowaniu konkretnych zadań do konkretnych modeli.

Dlaczego tańsze tokeny mogą zwiększać wydatki

Zależność jest prosta:

całkowity koszt tokenów = efektywna cena tokena × liczba tokenów

Niższa cena jednostkowa sprawia, że opłacalne stają się zastosowania wcześniej zbyt kosztowne: więcej automatyzacji procesów, dłuższe konteksty i prompty, generowanie większej ilości kodu czy wdrażanie systemów agentowych. Jeśli zużycie rośnie szybciej niż spada cena, łączne wydatki wzrastają.

Jest to zgodne z danymi wskazującymi, że cena pojedynczego tokena spadła od 2023 r. o ponad 90 proc., podczas gdy wydatki na korzystanie z LLM mniej więcej podwoiły się od końca 2025 r. 4143 Tańsza inferencja rozszerza po prostu listę zadań, które warto automatyzować.

Skala wzrostu wykorzystania w Chinach

Według prognoz rządowych cytowanych przez Reutersa dzienne zużycie tokenów AI w Chinach przekroczyło w marcu 2026 r. 140 bilionów, wobec 100 bilionów pod koniec 2025 r. 18

W podobnym kierunku wskazują dane z sektora bankowego. China Merchants Bank podał, że średni dzienny przepływ tokenów wzrósł o ponad 78 proc. rok do roku. Według osobnych doniesień bank zużywał pod koniec maja około 33 mld tokenów dziennie. 1929 Informowano też o znacznie większych wzrostach średniego dziennego użycia w części innych chińskich banków. 20

Te liczby nie są miarą przychodów z API ani dowodem, że każde zastosowanie przynosi biznesową wartość. Pokazują natomiast, że niższy koszt inferencji przekłada się na gwałtowny wzrost wykorzystania.

Trudniejsza kalkulacja dla dostawców modeli

Dla kupujących AI spadające ceny są korzystne. Dla twórców modeli oznaczają jednak mniejszy przychód na token, przy wciąż wysokich kosztach chipów, centrów danych, treningu i rozwoju modeli.

Najważniejsze pytanie nie brzmi już, czy klienci będą zużywać tanie tokeny — dostępne dane sugerują, że tak. Chodzi o to, czy większe wolumeny, usługi premium i produkty dla przedsiębiorstw zapewnią trwałe przychody oraz mierzalne wzrosty produktywności wystarczająco szybko, by uzasadnić dalsze inwestycje infrastrukturalne. Spadek indeksu zwraca uwagę właśnie na ryzyko osłabienia siły cenowej dostawców. 436

Na co patrzeć dalej

Bardziej użyteczne niż pojedynczy cennik konkretnego modelu będą cztery wskaźniki:

• mieszane efektywne ceny tokenów, takie jak SDLLMTK, pokazujące, gdzie faktycznie trafiają obciążenia; 2
• wolumen tokenów, który ujawnia, czy obniżki cen rozszerzają popyt;
• przychody i marże dostawców, wskazujące, czy rosnące użycie daje im trwały zwrot;
• jakość i wartość zastosowań, ponieważ duże zużycie tokenów samo w sobie nie dowodzi korzyści biznesowych.

Wniosek jest prosty: niskokosztowa konkurencja API z Chin pomogła zepchnąć mieszany koszt inferencji LLM poniżej 1 USD za milion tokenów. Ale niższa cena pobudza wykorzystanie, więc konsumpcja tokenów i łączne wydatki na AI mogą rosnąć równolegle. 2441