Generatyvinio dirbtinio intelekto ekonomikoje atsirado paradoksas. Vieno milijono žetonų kaina gali kristi, tačiau mėnesio sąskaita – augti.
Priežastis panaši į mobiliojo interneto ar debesijos istoriją: atpigus vienam skaičiavimo vienetui jo pradedama naudoti daug daugiau. AI atveju šį efektą dar sustiprina agentai – sistemos, kurios ne tik atsako į vieną klausimą, bet pačios planuoja veiksmus, skaito failus, rašo ir taiso kodą, kviečia kitus įrankius bei daug kartų kreipiasi į modelį.
Todėl 2026 m. diskusija apie AI kainą persikėlė nuo klausimo „kiek kainuoja vienas žetonas?“ prie daug svarbesnio: „kiek žetonų reikia vienam naudingam rezultatui?“
Esmė
Esmė
AI modelių žetonų kainos 2026 m. daug kur mažėjo, tačiau įmonių sąskaitos augo. Duomenys rodo, kodėl problema slypi ne vien kainoje.
- Žetonai nebūtinai brangsta „AI Token Price Index“ duomenimis, nuo birželio 13 d. iki spalio 2 d. „frontier“ modelių medianinė mišri kaina sumažėjo 9 proc., o „workhorse“ ir mažų bei greitų modelių – po 34 proc.
- Sąskaitą išpučia naudojimo mastas AI agentai ir programavimo įrankiai gali atlikti daug tarpusavyje susijusių užklausų, todėl vienas darbuotojo veiksmas sukuria gerokai didesnį žetonų srautą nei paprastas pokalbis su chatbotu.
- Įmonės jau pradėjo taupyti „Reuters“ aprašė, kaip „Uber“ dar pavasarį viršijo visiems 2026 metams numatytą AI biudžetą, o įmonės vis dažniau nukreipia paprastesnes užduotis į pigesnius modelius.
Ką iš tikrųjų rodo AI žetonų kainų indeksas?
„AI Token Price Index“ lygina dabartinės kartos modelių sąrašines API kainas. Kad skirtingus modelius būtų galima palyginti vienu skaičiumi, indeksas skaičiuoja mišrią kainą, darant prielaidą, kad trims įvesties žetonams tenka vienas išvesties žetonas: (3 × įvesties kaina + išvesties kaina) / 4.
2026 m. spalio 2 d. indekso duomenys atrodo taip:
| Data | „Frontier“ | „Workhorse“ | Maži ir greiti |
|---|---|---|---|
| 2026-06-13 | 4,13 USD / 1 mln. | 1,71 USD / 1 mln. | 0,36 USD / 1 mln. |
| 2026-07-01 | 4,50 USD | 1,71 USD | 0,36 USD |
| 2026-08-01 | 5,25 USD | 1,13 USD | 0,26 USD |
| 2026-09-01 | 4,50 USD | 1,13 USD | 0,24 USD |
| 2026-10-02 | 3,75 USD | 1,13 USD | 0,24 USD |
Nuo birželio vidurio iki spalio 2 d. „frontier“ kategorijos mediana sumažėjo nuo 4,13 iki 3,75 JAV dolerio už milijoną žetonų, arba apie 9 proc. „Workhorse“ kategorijoje kritimas siekė apie 34 proc., nuo 1,71 iki 1,13 dolerio, o mažų ir greitų modelių grupėje – nuo 0,36 iki 0,24 dolerio.
Tai svarbi korekcija populiariam pasakojimui, kad AI įmonėms brangsta pirmiausia dėl kylančios žetono kainos. Bent jau sąrašinių API kainų rinkoje 2026 m. vaizdas gerokai sudėtingesnis: dalis modelių pinga, o bendras įmonių biudžetas vis tiek gali augti.
Jei žetonai pinga, kodėl sąskaitos vis tiek auga?
Pagrindinė priežastis – vartojimo kiekis. Paprastas pokalbis su modeliu gali sunaudoti kelis tūkstančius žetonų. Programavimo agentas gali per vieną užduotį perskaityti didelę kodų bazę, kelis kartus sugeneruoti kodą, paleisti testus, gauti klaidų pranešimus, juos analizuoti ir visą ciklą kartoti.
„Reuters Breakingviews“ birželį aprašė šį reiškinį kaip „tokenmaxxing“: įmonės agresyviai skatino darbuotojus naudoti AI, o vartojimu pagrįstos kainodaros modeliai pavertė IT sąskaitas sunkiau prognozuojamomis. „Reuters“ analizėje minima, kad 71 proc. vienos apklausos įmonių praėjusiais metais susidūrė su AI išlaidų viršijimu.
Dar ryškesnis pavyzdys – „Uber“. „Reuters“ birželio pabaigoje skelbė, kad bendrovė per pirmuosius keturis 2026 m. mėnesius išnaudojo visiems metams numatytą AI biudžetą. Tai paskatino įmones ieškoti ne vien galingiausio, bet ir ekonomiškai tinkamiausio modelio konkrečiai užduočiai.
Kai žetonų vartojimas tapo produktyvumo simboliu
Žetonų vartojimą kurį laiką skatino ir pati Silicio slėnio kultūra. „Nvidia“ vadovas Jensen Huang 2026 m. pavasarį pateikė provokuojantį pavyzdį: jeigu 500 tūkst. dolerių per metus kainuojantis aukšto lygio inžinierius AI skaičiavimams sunaudotų tik nedidelę sumą, jis tai laikytų nerimą keliančiu ženklu. Jo mintis buvo paprasta – brangiam žinių darbuotojui verta suteikti daug skaičiavimo galios, jei ji ženkliai padidina produktyvumą.
Tačiau toks principas turi silpną vietą: sunaudotų žetonų kiekis pats savaime neparodo, ar buvo sukurta daugiau vertės. „Meta“ vidinis darbuotojo sukurtas žetonų naudojimo reitingas, apie kurį balandį rašė „The Information“, per 30 dienų fiksavo daugiau kaip 60 trilijonų žetonų. Reitingas vėliau buvo išjungtas. Šis skaičius parodo naudojimo mastą, bet jo negalima tiesiogiai paversti į įmonės sąskaitą, nes nežinomas visas modelių, nuolaidų ir vidinės infrastruktūros derinys.
Agentai keičia AI ekonomiką labiau nei vien kainoraštis
Didžiausias skirtumas tarp ankstyvojo chatbotų laikotarpio ir dabartinių sistemų yra tas, kad žmogus nebėra vienintelis, kuris inicijuoja kiekvieną užklausą. Agentas gali pats atlikti dešimtis ar šimtus tarpinių veiksmų.
Tai reiškia, kad net atpigus vienam milijonui žetonų bendras sunaudotų žetonų kiekis gali augti greičiau nei mažėja vieneto kaina. Tokiu atveju galutinė sąskaita didėja.
Šis efektas jau paskatino įmones kurti maršrutizavimo sistemas. AT&T 2026 m. pradžioje skelbė apdorojusi apie 8 mlrd. žetonų per dieną. Bendrovė pertvarkė savo vidinę AI architektūrą taip, kad dideli modeliai koordinuotų mažesnius, konkrečioms užduotims skirtus modelius. „VentureBeat“ duomenimis, AT&T nurodė kai kuriais atvejais sumažinusi sąnaudas iki 90 proc., nors žetonų srautas vėliau išaugo iki 27 mlrd. per dieną.
Šis pavyzdys gerai parodo, kodėl vien kaina už milijoną žetonų nėra pakankamas rodiklis. Pigus modelis, kuriam reikia daug bandymų, gali kainuoti daugiau už brangesnį modelį, kuris užduotį išsprendžia iš karto. Ir atvirkščiai – galingiausio modelio naudojimas elementariam teksto klasifikavimui gali būti tiesiog pinigų švaistymas.
Įmonės pereina nuo „naudokite AI“ prie „naudokite tinkamą AI“
2026 m. vasarą „Reuters“ fiksavo aiškų poslinkį: įmonės dažniau renkasi mažesnius ir pigesnius modelius bei kelių modelių sistemas, kuriose užklausa automatiškai siunčiama tam modeliui, kurio pajėgumų konkrečiai užduočiai pakanka. Tame pačiame pranešime nurodyta, kad atvirų modelių dalis vienoje populiarioje modelių maršrutizavimo platformoje nuo sausio iki birželio padidėjo nuo 34 iki 65 proc.
„Microsoft“ taip pat ribojo dalies darbuotojų prieigą prie „Claude Code“. „The Verge“ rašė, kad sprendime susipynė finansinės ir strateginės priežastys: bendrovė tuo pat metu stūmė savo „Copilot“ įrankius ir siekė kontroliuoti išlaidas.
Tad ekonominis klausimas tampa ne „AI ar žmogus?“, o kuriai konkrečiai darbo daliai kokia kombinacija yra pigiausia ir patikimiausia: žmogus, mažas modelis, galingas modelis, vietoje paleistas atviras modelis ar kelių sistemų agentas.
Tikroji metrika – ne žetonai, o rezultato kaina
Vien didelis žetonų vartojimas gali reikšti tris visiškai skirtingus dalykus: darbuotojai iš tiesų daug produktyvesni, sistema atlieka daugiau darbo nei anksčiau arba architektūra tiesiog neefektyviai degina skaičiavimo resursus.
Finansų skyriui todėl svarbiau skaičiuoti ne žetonus vienam darbuotojui, o kainą vienam užbaigtam rezultatui: išspręstai kliento užklausai, priimtam kodo pakeitimui, apdorotam dokumentui ar sutaupytai žmogaus darbo valandai.
Žetonų kainų indeksas padeda stebėti rinkos kryptį, bet jis neatsako, kiek kainuos konkreti įmonės AI sistema. Tam reikia žinoti modelių pasirinkimą, įvesties ir išvesties santykį, konteksto dydį, talpyklos naudojimą, agentų žingsnių skaičių ir tai, kiek užklausų iš tikrųjų sukuria verslo vertę.
Duomenys apie AI žetonų kainas šiame tekste atnaujinti 2026 m. spalio 2 d.
Komentarai