Ceny tokenów AI spadły poniżej 1 dolara. Dlaczego wydatki na sztuczną inteligencję nadal rosną?

Co właściwie mierzy indeks Silicon Data?

Indeks Silicon Data LLM Token Expenditure Index spadł poniżej 1 dolara za milion tokenów, ponieważ rynek przesunął się w stronę tańszych modeli, a dostawcy wielokrotnie obniżali ceny dostępu przez API. 31 sierpnia 2026 roku szeroki odczyt indeksu wyniósł 97 centów — najmniej od momentu jego utworzenia i mniej niż połowę wcześniejszego letniego szczytu. 4

To jednak wskaźnik, który łatwo błędnie zinterpretować. Nie pokazuje całkowitych wydatków na AI ani łącznej liczby zużywanych tokenów. Jest ważoną wykorzystaniem miarą tego, ile rynek płaci średnio za milion tokenów inferencji, czyli jednostek tekstu przetwarzanych przez model. Spadek indeksu oznacza więc, że „inteligencja” tanieje w przeliczeniu na jednostkę — niekoniecznie, że spada popyt. 278

Skąd wziął się rekordowo niski poziom?

Na obniżenie efektywnej ceny nałożyło się kilka czynników:

• Tańsze chińskie modele zdobyły większy udział w rynku. Modele otwarte i niskokosztowe dały deweloperom alternatywę dla drogich, zamkniętych systemów, obniżając średnią cenę płaconą przez użytkowników. 3839
• Cena stała się narzędziem walki o rynek. Rabaty na API pomagają dostawcom przyciągać klientów, zwiększać liczbę wdrożeń i bronić udziałów w sytuacji, gdy różnice w możliwościach modeli zaczęły się zmniejszać. 39
• Poprawiła się ekonomika inferencji. Spadek kosztów wytwarzania i obsługi modeli ułatwił oferowanie większej ilości obliczeń za mniejsze pieniądze. Dostępne dane nie dowodzą jednak, że wszyscy dostawcy mają identyczną strukturę kosztów.
• Na obniżki odpowiedzieli także globalni konkurenci. Presja cenowa wyszła poza Chiny, gdy czołowi dostawcy zaczęli obniżać ceny tańszych wariantów swoich modeli. 3637

Trend był wyraźnie spadkowy: na początku czerwca indeks znajdował się powyżej 2 dolarów za milion tokenów, na początku sierpnia wynosił około 1,16–1,18 dolara, a później zszedł poniżej 1 dolara. 1384 Poszczególne odczyty pośrednie nie są jednak całkowicie spójne — jedna z publicznych publikacji wskazywała 1,43 dolara 27 lipca. 12

Jak chińskie laboratoria rozpętały wojnę cenową

Jednym z najważniejszych impulsów była decyzja DeepSeek z maja o utrzymaniu na stałe 75-procentowej obniżki cen API modelu V4-Pro. Firma poinformowała, że nowe stawki pozostaną na poziomie jednej czwartej wcześniejszych cen, przy czym zależą one od rodzaju wykorzystania. 33

Za DeepSeek poszli inni chińscy dostawcy. Xiaomi ogłosiło obniżki cen API dla modeli MiMo-V2.5 sięgające 99%. Raporty opisywały w tym samym okresie cięcia cen także w firmach ByteDance, Tencent, MiniMax i Alibaba. 3946

Zmieniło to sposób, w jaki klienci porównują modele. Nie chodzi już wyłącznie o pytanie, który system jest najbardziej zaawansowany. Liczą się również możliwości w przeliczeniu na dolara, opóźnienia, długość obsługiwanego kontekstu, niezawodność i łatwość wdrożenia. Jeśli modele są wystarczająco podobne w typowych zadaniach, duża różnica w cenie może szybko przekierować wykorzystanie do tańszego dostawcy.

W sierpniu pojawił się jednak sygnał, że najniższe ceny nie muszą być wieczne. DeepSeek podniósł stawki dla nowszych flagowych modeli i wprowadził taryfy szczytowe oraz pozaszczytowe. Cena poza godzinami szczytu została ustalona na poziomie połowy stawki szczytowej. Może to oznaczać, że dostawcy muszą lepiej zarządzać wykorzystaniem GPU i odzyskiwać koszty infrastruktury, zamiast bezterminowo oferować nieograniczony popyt po minimalnych cenach. 35

Dlaczego tańsze tokeny nie oznaczają niższych wydatków na AI?

Mechanizm jest prosty:

Łączne wydatki = cena za token × liczba wykorzystanych tokenów.

Jeśli cena spada o 90%, ale wykorzystanie rośnie o więcej niż 90%, całkowite wydatki nadal mogą się zwiększać. Tańsza inferencja sprawia, że opłacalne stają się zastosowania, które wcześniej były zbyt drogie — między innymi automatyczna obsługa klienta, programowanie, analiza dokumentów, praca z długim kontekstem i procesy realizowane przez autonomicznych agentów.

Niektóre analizy wskazują, że od 2023 roku ceny tokenów spadły o ponad 90%, podczas gdy łączne wydatki na AI mniej więcej się podwoiły. Taki obraz pasuje do rynku, na którym tańsza inferencja poszerza liczbę zastosowań zamiast niszczyć popyt. 1922

Sygnałem rosnącego popytu w Chinach jest także rozwój tamtejszej gospodarki tokenów. Chińska Narodowa Administracja Danych podała, że dzienne zużycie tokenów przekroczyło w marcu 140 bilionów — o ponad 40% więcej niż 100 bilionów odnotowanych pod koniec poprzedniego roku. 2632

W infrastrukturę obliczeniową inwestują również najwięksi operatorzy telekomunikacyjni. China Telecom poinformował o 95-procentowym wzroście przychodów z inteligentnych obliczeń w pierwszym półroczu, a nakłady China Unicom na infrastrukturę obliczeniową zwiększyły się rok do roku o ponad 80%. 1718

Dane te nie dowodzą, że każdy dostawca modeli jest rentowny. Pokazują natomiast, jak niższa cena jednostkowa może wspierać znacznie większą skalę wykorzystania oraz inwestycji w centra danych, układy scalone, sieci i energię.

Luka inwestycyjna przypomina o ryzyku

Optymistyczna interpretacja zakłada, że spadające ceny inferencji są początkiem masowej adopcji. Tańsza inteligencja może wygenerować tyle nowych tokenów, że uzasadni dalsze wydatki na chmurę obliczeniową, centra danych, chipy, sieci i energię.

Bardziej sceptyczne podejście skupia się na tempie zwrotu z tych inwestycji. Według analiz powołujących się na Allianz Research różnica między nakładami inwestycyjnymi sektora AI a wzrostem sprzedaży wynosi około 46%. To więcej niż około 32% podczas przegrzania rynku telekomunikacyjnego w 2001 roku. 202223

Nie jest to dowód, że AI powtarza bańkę telekomunikacyjną. Stanowi jednak ostrzeżenie. Firmy muszą zmierzyć się z trzema rodzajami ryzyka:

1. Deflacją cen: coraz bardziej zaawansowane modele mogą być sprzedawane za coraz mniejsze kwoty.
2. Ryzykiem wykorzystania infrastruktury: wysokie koszty stałe wymagają trwałego popytu, a nie tylko krótkotrwałych skoków obciążenia.
3. Ryzykiem monetyzacji: liczba tokenów musi rosnąć wystarczająco szybko, aby zrekompensować niższe ceny i zapewnić zwrot z dużych inwestycji.

Jak czytać najnowszy odczyt?

Nowe minimum indeksu Silicon Data najlepiej traktować jako sygnał dotyczący siły cenowej dostawców i gotowości rynku do płacenia, a nie jako samodzielny miernik popytu na AI. Wskaźnik pokazuje, że rynek płaci mniej za każdą jednostkę inferencji — częściowo dlatego, że wykorzystanie przesuwa się w stronę tańszych modeli, a dostawcy agresywnie konkurują ceną. 7814

Najważniejsze pytanie brzmi, co wydarzy się dalej. Czy niższe ceny odblokują tyle nowych zastosowań, że całkowite przychody będą rosły? Czy też wojna cenowa wyprzedzi wzrost wykorzystania, pozostawiając branżę z drogą infrastrukturą i słabymi stopami zwrotu? Dostępne dane wspierają pierwszą możliwość jako scenariusz popytowy, ale potwierdzają również drugą jako istotne ryzyko finansowe. Nie rozstrzygają jeszcze, która z nich się urzeczywistni.