AI zastępująca ludzi jako siła robocza to gorący i odważny temat, a dwie konkretne osoby zaangażowane w ten proces twierdzą, że może on stawać się zbyt mocno przereklamowany. W ciągu ostatnich kilku miesięcy dwaj znaczący inwestorzy technologiczni, którzy faktycznie stoją za swoimi decyzjami konkretnym kapitałem, kwestionują to, co się stanie, jeśli wydatki związane z AI będą wyższe niż koszty utrzymania pracownika, który pierwotnie miał zostać zastąpiony?
To nie jest tylko teoretyczne pytanie; to dzieje się już teraz.
Zderzenie z rzeczywistością: 300 dolarów dziennie
Podczas niedawnego nagrania podcastu All-In, Jason Calacanis – inwestor venture capital i współprowadzący podcast – stwierdził, że płaci 300 dolarów dziennie za działanie agenta AI Claude od Anthropic, który zarządza jego firmami. Sumuje się to do około 9 000 dolarów miesięcznie, ale jest pewien haczyk: według Calacanisa wydajność agenta wynosi zaledwie od 10% do 20% jego maksymalnych możliwości.
Kiedy więc przeliczy się koszt pojedynczego użytecznego zadania przy 300 dolarach dziennie za częściowe wyniki, zaczyna to wyglądać mniej jak przełomowa technologia, a bardziej jak kosztowny eksperyment.
Calacanis opisał ten problem w prosty sposób: „Kiedy tokeny stają się droższe niż opłacanie pracownika?”. Tokeny to jednostki użycia, za które pobierają opłaty wszystkie modele AI. W miarę jak agent AI wykonuje zadania w ciągu dnia, liczba tokenów szybko rośnie. Im więcej zadań wykonuje agent, tym wyższy będzie rachunek. W przeciwieństwie do pracownika na pensji, nie ma limitu liczby naliczanych tokenów, dopóki agent pozostaje aktywny, chyba że użytkownik sam ustawi limity ich zużycia.
Zasada dwukrotności Chamatha
Chamath Palihapitiya, CEO Social Capital i współprowadzący podcast All-In, podzielił się informacją, że w Social Capital napotkał podobny problem, który sparafrazował następująco: „Agenci AI mogą uzasadnić swoje koszty tylko wtedy, gdy zapewnią mi co najmniej dwukrotnie większą wydajność niż ludzki pracownik na tym samym stanowisku”.
Przyjęcie tej dwukrotności jako podstawy pozwala przeanalizować efektywność AI w porównaniu z pracownikiem, ponieważ na całkowity koszt operacyjny składa się kilka czynników. Niektóre z nich to:
- Koszt uruchomienia (około 70 000 – 150 000 USD rocznie, w zależności od modelu chmurowego lub lokalnego)
- Koszt zarządzania i promptowania (około 20 000 – 50 000 USD rocznie, w zależności od częstotliwości użytkowania)
- Czas poświęcony na naprawianie błędów wynikających z pomyłek AI lub słabej jakości danych
- Utrata produktywności w okresach, gdy AI nie domaga
Gdy zsumuje się całkowite koszty operacyjne firmy opartej na ludziach i tej opartej na AI, okazuje się, że zatrudnienie człowieka za 70 tys. lub nawet ponad 150 tys. dolarów generuje podobne koszty. Staje się oczywiste, że firma chętniej zatrudni osobę, ponieważ łatwiej jest pozyskać kogoś, kto pracował w branży od lat, został przeszkolony i poznał specyfikę biznesu, aby wykonywał pracę podobną do tej, którą miałby realizować nowy agent AI.
Zasugerował on, że niektóre firmy prawdopodobnie wprowadzą twarde limity budżetowe, aby ograniczyć ilość wykorzystywanej sztucznej inteligencji (co jest zaskakujące u kogoś, kto od lat stawia na transformacyjną moc technologii). Wskazuje to, że nawet narzędzia AI, którym tak ufa sektor technologiczny, zostaną ostatecznie potraktowane jak każda inna pozycja w budżecie firmy i będą musiały wykazać uzasadnienie dla ponoszonych wydatków.
Autorstwa autora
Problem tokenów, przed którym nikt nie ostrzegał
Calacanis zauważa, że istnieje poważniejszy problem w artykułach o AI, które skupiają się głównie na metrykach wydajności i filmach demonstracyjnych, pomijając koszty tokenów. Większość systemów AI używanych przez przedsiębiorstwa obejmuje ogromną liczbę danych wejściowych, wyjściowych i transakcji związanych z interakcją agenta z systemem. W niektórych przypadkach koszty te sumują się na rozsądnym poziomie przy małych zleceniach, ale gdy agent zaczyna pracować przez 8 godzin dziennie we wszystkich działach firmy, liczba zużywanych tokenów w mgnieniu oka osiąga astronomiczne wartości.
Model biznesowy agenta AI operującego na tokenach drastycznie różni się od zatrudnienia zasobów ludzkich do wykonania pracy. Pracownik na rocznej pensji ma ustalony koszt, bez względu na to, jak produktywny jest w danym dniu. AI działająca w modelu tokenowym generuje koszt, który rośnie wraz z jej produktywnością – czyli, innymi słowy, wraz z większą wartością tworzoną dla firmy.
Próg produktywności wymagany, aby agent AI przyniósł firmie pozytywny zwrot z inwestycji (ROI), stale się zmienia, ponieważ dostawcy modeli AI będą zmuszeni do konkurowania ze sobą obniżkami cen. Jednak na początku 2026 roku różnica w kosztach finansowych między ceną agentów a tym, czego firmy mogą od nich oczekiwać, jest na tyle duża, że dwaj inwestorzy, którzy zainwestowali w nich znaczne kwoty, dzielą się teraz publicznie swoimi obawami.
To nie oznacza, że agenci AI to ślepy zaułek
Wyjaśnijmy to jasno: ani Calacanis, ani Palihapitiya nie skreślili agentów AI. Obaj są bardzo zaangażowani w ten obszar zarówno pod względem finansowym, jak i intelektualnym. Przyjmują oni bardziej skoncentrowane i pragmatyczne podejście w swojej argumentacji przeciwko hipotezie o agentach AI jako bezpośrednich substytutach. Przykładem tego jest poziom makroekonomiczny – aby doszło do zastąpienia, ekonomia musi się zgadzać, a obecnie sytuacja finansowa agentów AI jest dość chaotyczna.
W przyszłości, w miarę jak modele staną się bardziej wydajne, a dostawcy będą nadal walczyć o udział w rynku, nakład pracy agentów AI będzie mniejszy, a tym samym będą oni kosztować mniej. Działania OpenAI, Anthropic, Google oraz różnych alternatyw Open Source dążą do tworzenia bardziej efektywnych modeli. Gdy koszty za token spadną, a niezawodność wzrośnie, rachunek ekonomiczny zacznie sprzyjać przejściu na agentów AI. Jednak używanie argumentu „w przyszłości” do wspierania obecnej tezy o AI jako zamiennikach jest bardzo mylące, a użytkownicy aktywnie korzystający z tych narzędzi każdego dnia mogą dostarczyć realnych danych o tym, jak sprawy wyglądają w rzeczywistości.
Autorstwa autora
Na co zwrócić uwagę w następnej kolejności
Głównym aspektem jest cena. Jeśli OpenAI i Anthropic wraz z konkurentami będą nadal obniżać koszt tokena (a trendy pokazują, że tak się dzieje), wówczas opisany punkt rentowności ulegnie zmianie. Firmy, które już teraz rozwijają procesy oparte na agentach (mimo ujemnych marż), mogą przygotowywać się na inną strukturę kosztów w ciągu najbliższych 12 do 24 miesięcy.
Jednak wszystkie osoby wykorzystujące obecnie AI do definiowania struktury zatrudnienia w przekonaniu, że sztuczna inteligencja jest tańsza od pracowników, będą musiały zrewidować swoje podejście w oparciu o historyczne doświadczenia inwestorów zaangażowanych w sieci operacyjne.
