OpenAI może zmienić sposób rozliczania agentów AI. Klienci zapłacą dopiero za wykonane zadanie

OpenAI ma podobno pozwalać niewielkiej grupie dużych klientów biznesowych płacić dopiero wtedy, gdy agent AI wykona uzgodnione zadanie. To ograniczony pilotaż, a nie publicznie ogłoszony cennik. Firma nie ujawniła, jakie zadania obejmuje test, ile kosztują poszczególne rezultaty ani jakie są warunki umów. 5

Eksperyment jest istotny, bo autonomiczny agent może zużyć znacznie więcej mocy obliczeniowej niż tradycyjny chatbot. Przy rozliczeniu za tokeny rachunek rośnie wraz z długością poleceń i odpowiedzi, liczbą ponowień oraz wywołań narzędzi. W modelu „za efekt” opłata ma być natomiast powiązana z rezultatem zdefiniowanym wcześniej przez klienta i dostawcę.

Tokeny, akcje i efekt — na czym polega różnica?

Opublikowane cenniki API i usług dla przedsiębiorstw OpenAI rozliczają tokeny wejściowe, tokeny zapisane w pamięci podręcznej oraz tokeny wyjściowe — zwykle za milion tokenów. 1 2 W takim modelu klient płaci za wykorzystanie modelu niezależnie od tego, czy agent ostatecznie doprowadził sprawę do końca.

Rozliczenie za efekt zmienia moment naliczenia opłaty. Pytanie nie brzmi już: „Ile tokenów przetworzył system?”, lecz: „Czy agent osiągnął uzgodniony rezultat?”. Może nim być pomyślne rozwiązanie zgłoszenia, ukończenie konkretnego procesu albo potwierdzona aktualizacja systemu firmowego. OpenAI nie ujawniło jednak, jakie dokładnie wyniki są objęte jego pilotażem. 5

Taki model przenosi część ryzyka wykonania z klienta na dostawcę. Wielokrotne próby, długie łańcuchy rozumowania i nieudane uruchomienia mogą zwiększać koszty OpenAI, nie prowadząc jednocześnie do płatnego rezultatu.

Dlaczego firmy obawiają się kosztów agentów AI?

Rozliczenie za wykorzystanie jest stosunkowo łatwe do zaplanowania, gdy aplikacja działa według przewidywalnego schematu. Trudniej oszacować wydatki, gdy agent sam wybiera kolejne kroki, wielokrotnie korzysta z narzędzi, przekazuje pracę innym agentom lub prowadzi kilka procesów równolegle.

Najbardziej wyrazisty, raportowany przykład dotyczył dewelopera, który uruchomił 100 agentów i w ciągu 30 dni zgromadził 1,3 mln dolarów opłat za tokeny OpenAI. 5 To skrajny przypadek, ale dobrze pokazuje problem ekonomiczny autonomicznych systemów: koszty mogą rosnąć wraz z liczbą prób i aktywnością, a nie wraz z wartością ukończonej pracy.

Umowa oparta na rezultacie może ułatwić planowanie budżetu. Mogłaby też ograniczyć ryzyko, że klient zapłaci pełną kwotę za nieudaną próbę — o ile kontrakt uzna niepowodzenie za zdarzenie niepodlegające opłacie. Nie wiadomo, czy tak działa pilotaż OpenAI i jak wyglądałyby wyjątki.

W jakich zadaniach rozliczenie „za efekt” ma największy sens?

Najłatwiej stosować je tam, gdzie zadanie ma wyraźną granicę, a jego zakończenie można obiektywnie sprawdzić. Dobrym przykładem jest obsługa klienta: rozwiązanie sprawy da się często potwierdzić na podstawie statusu zgłoszenia, przebiegu kontaktu z klientem albo braku potrzeby dalszej interwencji człowieka.

Potencjalne zastosowania obejmują także wąsko zdefiniowane zadania programistyczne, obsługę roszczeń, kwalifikowanie leadów czy czynności administracyjne. Są to możliwe scenariusze, a nie ujawnione przypadki użycia OpenAI. Wspólnym warunkiem jest możliwość określenia sukcesu jeszcze przed uruchomieniem agenta.

Praktyczna umowa musiałaby prawdopodobnie precyzować:

• dokładny warunek uznania zadania za wykonane;
• wymagany poziom jakości i poprawności;
• czy przekazanie sprawy człowiekowi oznacza porażkę, czy częściowy sukces;
• sposób rozliczania ponowień i wyjątków;
• zdarzenie w systemie, które potwierdza wykonanie;
• procedurę rozstrzygania sporów dotyczących faktur.

Bez takich zasad hasło „płacisz tylko, gdy AI działa” pozostaje atrakcyjnym, ale nieprecyzyjnym sloganem handlowym.

OpenAI nie jest pierwszą firmą testującą taki model

Raportowany eksperyment wpisuje się w szerszą zmianę sposobu rozliczania agentów AI. Poszczególne modele są jednak podobne tylko na pierwszy rzut oka:

• Intercom Fin pobiera 0,99 dolara za rozwiązany przypadek. Firma definiuje go jako pomyślne rozwiązanie problemu klienta od początku do końca, bez udziału człowieka. 8
• Zendesk używa określenia „Verified Resolution”, czyli zweryfikowane rozwiązanie. Opłata jest powiązana z udanym rezultatem działania AI, a nie wyłącznie z liczbą stanowisk czy użytkowników. 14
• Salesforce Agentforce początkowo kosztował 2 dolary za rozmowę, a później firma wprowadziła Flex Credits. Porównanie Intercomu wskazuje, że standardowa akcja kosztuje 20 kredytów, czyli około 0,10 dolara za akcję. To rozliczenie konsumpcyjne za działanie, a niekoniecznie płatność wyłącznie za końcowy efekt biznesowy. 8

Dlatego nie należy traktować określeń „rozliczenie za efekt” i „rozliczenie konsumpcyjne” jako synonimów. Opłata za pojedynczą akcję lub rozmowę może ułatwiać kontrolę wykorzystania, ale klient nadal może zapłacić, nawet jeśli szerszy cel biznesowy nie został osiągnięty.

Co mówią badania preferencji przedsiębiorstw?

Dane Futurum wskazują na rozdrobniony rynek, a nie na całkowity koniec opłat za stanowiska.

W badaniu Futurum obejmującym 830 globalnych decydentów IT 43 proc. respondentów preferowało rozliczenie konsumpcyjne dla funkcji generatywnej AI, a 27 proc. — model oparty na rezultacie. 14 W osobnym badaniu z drugiej połowy 2026 roku nabywcy preferowali opłatę za stanowisko w przypadku oddzielnie rozliczanych funkcji AI — wskazało ją 42,3 proc. badanych, wobec 36,6 proc. dla modelu konsumpcyjnego i 21,1 proc. dla rozliczenia za efekt. W przypadku podstawowego oprogramowania najwyżej oceniono model konsumpcyjny (28,9 proc.) i oparty na rezultacie (22,2 proc.), podczas gdy opłaty za stanowisko uzyskały 12,6 proc. wskazań.

Wniosek nie brzmi więc: „firmy wybrały jeden uniwersalny model”. Preferencje zależą od tego, czym zajmuje się AI. Przewidywalna funkcja wspierająca pracownika może pasować do opłaty za użytkownika lub dodatku do licencji. Autonomiczna usługa wykonująca mierzalną pracę może być łatwiejsza do uzasadnienia poprzez rozliczenie konsumpcyjne albo za konkretny rezultat.

Dlaczego model może się upowszechnić — i co może go zatrzymać?

Zaleta jest oczywista dla obu stron. Klient może powiązać wydatki z dostarczoną wartością, a dostawca zyskuje silniejszą motywację do poprawy niezawodności i ograniczania niepotrzebnych działań agenta. Taki model może również ułatwić działom finansowym zatwierdzanie wdrożeń, których nie dałoby się bezpiecznie zaplanować przy otwartym rachunku za tokeny.

Jednocześnie dostawca bierze na siebie koszty, których nie może już automatycznie przerzucić na klienta. Pojawiają się też ryzyka związane z niewłaściwie zdefiniowanymi wskaźnikami. Agent zoptymalizowany pod kątem wąskiego celu może formalnie spełnić warunki umowy, a jednocześnie pogorszyć ogólne doświadczenie klienta.

Problemem pozostaje również przypisanie zasługi. Wyobraźmy sobie proces, w którym uczestniczy kilka modeli, zewnętrzne narzędzia, pracownicy i systemy firmy. Jeśli agent wykona tylko część pracy, a ostateczną decyzję podejmie człowiek, trudno będzie jednoznacznie stwierdzić, czy OpenAI dostarczyło rezultat podlegający opłacie.

Z tego powodu rozliczenia za efekt najprawdopodobniej będą najpierw rozwijać się w wąskich, weryfikowalnych procesach, a nie w otwartej pracy wymagającej wielu etapów i decyzji. W bardziej złożonych wdrożeniach praktyczniejszy może okazać się model hybrydowy, łączący licencje za stanowiska, zużycie, kredyty i wybrane opłaty za rezultat. Futurum opisuje takie modele jako ważny etap pośredni, gdy dostawcy szukają sposobu na powiązanie cen AI z wartością dla klienta. 14

Co oznacza pilotaż OpenAI?

Jeśli raportowane rozwiązanie się rozszerzy, może oznaczać istotną zmianę w ekonomii AI dla firm. Dostawcy będą coraz częściej sprzedawać nie sam dostęp do modelu ani liczbę przetworzonych tokenów, lecz ukończoną pracę.

Na razie dowody uzasadniają ostrożniejszy wniosek: OpenAI ma testować rozliczenie za efekt z wybranymi dużymi klientami, ale nie opublikowało ogólnego planu cenowego ani wystarczających szczegółów umów, by ocenić stawki, zakres i powodzenie komercyjne pilotażu. 5 To wczesny test tego, czy dostawcy agentów AI potrafią zamienić obietnicę „płacisz za wyniki” w precyzyjny model akceptowalny dla działów zakupów i finansów.