Zapłacisz mniej za token, ale drożej za chaos. Co tania inteligencja robi z systemami danych

Cena inteligencji maszynowej spadła z 30 USD do poniżej 1 USD za milion tokenów w niecałe trzy lata [1]. Brzmi jak koniec problemów z AI w firmie. Dopiero zaczynasz mieć problemy: agenty, które za te grosze zaczną pracować, w kilka miesięcy przeciążą twoją bazę danych, zapchają pamięć i wygenerują więcej śmieci, niż Ty kiedykolwiek wyprodukujesz. To nie jest scenariusz z 2030 roku. Liczby z pierwszego półrocza 2026 mówią, że to już się dzieje.

Czy darmowa inteligencja to nowy standard?

Mediana spadku cen inference w benchmarkach wynosi około 50x rocznie, a część dostawców celuje już w poziom poniżej 0,10 USD za milion tokenów [1]. Jeszcze w styczniu 2023 roku model klasy GPT-4 kosztował w przeliczeniu około 30 USD za milion tokenów. W połowie 2026 roku mówimy o mniej niż 1 USD za tę samą jednostkę. Niektórzy dostawcy oferują jeszcze mniej.

"Darmowa inteligencja" to oczywiście skrót myślowy. Płacisz za prąd, za chłodzenie, za ludzi, którzy to wdrożą. Ale kierunek jest jednoznaczny: koszt pojedynczego wywołania modelu przestaje być czynnikiem decyzyjnym w projektowaniu systemów. Jeśli koszt nie stanowi bariery, to co ją stanowi?

Powstaje pętla: tania inteligencja -> więcej agentów -> więcej danych -> droższa infrastruktura. W naszych wdrożeniach w Aion Automation widzimy, że firmy zaczynają odliczać koszty tokenów, a kończą na negocjacjach z dostawcą chmury o limitach zapytań na sekundę. To nie jest przenośnia. To jest codzienność działów IT w 2026 roku.

Agenty AI jako dominujące obciążenie

Artykuł badaczy z BAIR [1] jasno stawia tezę: agenty staną się dominującym obciążeniem dla systemów danych. Nie modele, nie pojedyncze zapytania, ale autonomiczne podmioty, które działają w pętlach: czytają, myślą, piszą, weryfikują, poprawiają, czytają ponownie. Każda taka pętla to dziesiątki, setki, tysiące wywołań do bazy danych.

Systemy danych DLA agentów

Agent nie działa jak człowiek. Nie otwiera arkusza kalkulacyjnego, nie patrzy na dashboard. Agent żyje w API: pobiera kontekst, zapisuje stan, czyta historię interakcji. System danych dla agentów musi być zaprojektowany pod zapytania maszynowe, a nie ludzkie.

Co to oznacza w praktyce:

• optymalizacja pod krótkie, powtarzalne zapytania zamiast złożonych raportów,
• warstwy pamięci — wektorowe bazy do semantycznego wyszukiwania, ale też zwykłe tabele do przechowywania stanu,
• kontrola kosztów zapytań: agent potrafi wygenerować 10 000 wywołań na godzinę, jeśli mu na to pozwolisz.

W naszym teście agent obsługujący dokumenty KSeF potrafił wygenerować 50 zapytań do bazy w ciągu jednego zadania, które człowiek wykonałby w trzech prostych krokach. To nie jest wada agenta. To jest wskazówka: projektuj system danych tak, jakbyś projektował dla najgorszego klienta API, który nie czyta dokumentacji.

Systemy danych OD agentów

Agent nie tylko czyta dane. Agent produkuje dane. Każda odpowiedź, każdy wygenerowany raport, każda decyzja zapisana w logach — to nowe dane. BAIR nazywa to nowym paradygmatem generowania i przetwarzania danych [1].

Pojawia się problem jakości. Model generuje odpowiedź z wysokim prawdopodobieństwem, ale prawdopodobieństwo to nie jest pewność. W systemach, gdzie agenty piszą kod, obsługują klientów, analizują kontrakty, potrzebujesz warstwy weryfikacji. Kto sprawdza, czy agent nie halucynuje?

U nas sprawdza się model oceniający (LLM-as-a-judge) plus klasyczne reguły walidacyjne. Sam model oceniający też bywa zawodny, więc w przypadku dokumentów księgowych weryfikację robi człowiek. Tylko w 30% przypadków. To ograniczenie, o którym trzeba mówić głośno: systemy OD agentów to nie "ustaw i zapomnij", tylko "ustaw, obserwuj, koryguj, powtarzaj".

Systemy danych PRZEZ agentów

Najbardziej obiecujący i najbardziej niedojrzały obszar. Chodzi o sytuację, w której agenty samodzielnie zarządzają infrastrukturą: optymalizują zapytania, zmieniają schemat bazy, aktualizują indeksy [1].

Mamy pierwsze wdrożenia, gdzie agent monitoruje wolne zapytania i automatycznie tworzy indeksy. Działa, ale z jednym zastrzeżeniem: agent nie rozumie domeny. Może zoptymalizować zapytanie, które w ogóle nie powinno zostać wykonane, bo wynika z błędnej logiki biznesowej. Systemy PRZEZ agentów wymagają nadzoru człowieka przez co najmniej pierwsze 3–6 miesięcy. Być może zawsze.

Od Copilota do autonomicznych zespołów

Przejście od asystenta do pracownika nie jest płynne. Znamy liczby z praktyki: CEO Microsoftu podał, że systemy AI piszą 20–30% kodu w firmie [3]. To nie jest "wsparcie programisty". To realna zmiana w procesie wytwarzania oprogramowania. W naszych projektach widzimy podobne wartości: agenci kodowi generują nawet 30% linii kodu w nowych modułach.

Na benchmarku SWE-bench Verified, który sprawdza rozwiązywanie realnych problemów z GitHub, wyniki wzrosły z około 60% do blisko 100% w ciągu jednego roku [2]. To oznacza, że na testowanych zadaniach agenci dorównują ludziom. Zastrzeżenie: benchmark to nie produkcja. W produkcji agent nie zna kontekstu firmy, nie wie, dlaczego kod napisano tak, a nie inaczej. Dlatego mówimy o współpracy, a nie zastąpieniu.

Stanford HAI w raporcie za 2026 rok wskazuje, że ponad 90% znaczących modeli granicznych powstało w przemyśle [2]. Modele osiągają lub przekraczają ludzkie wyniki w zadaniach naukowych na poziomie doktoranckim, w multimodalnym rozumowaniu i matematyce olimpijskiej [2]. Ale domena biznesowa to nie jest matematyka. Autonomia agentów w firmie zależy od jakości systemów danych, o których piszemy wyżej. Bez nich model o wynikach 100% na benchmarku będzie generował 100% błędnych decyzji w twojej firmie.

Inwestycje i regulacje

Prywatne inwestycje w AI w USA w 2025 roku wyniosły 285,9 mld USD [2]. To kwota, która napędza rozwój modeli, ale też infrastruktury. Tymczasem badania McKinsey wśród około 900 MŚP w Europie i Ameryce Północnej pokazują, że tylko 14% firm to "liderzy AI", a 46% to "początkujący" z ograniczoną infrastrukturą danych i zarządzaniem [4].

Polskie firmy nie różnią się znacząco od średniej europejskiej. Widujemy w Aion Automation firmy zatrudniające 100–200 osób, które nadal trzymają dane w arkuszach Excel. I traktują AI jako dodatek do arkusza, a nie fundament procesu. To nie zadziała.

Przepisy też nie nadążają. OECD pokazuje, że tylko 13–17% MŚP spełnia minimalne progi gotowości AI we wszystkich pięciu filarach, a najsłabsze obszary to zarządzanie danymi (ponad 60% poniżej progu) i umiejętności AI (ponad 70% poniżej progu) [5]. Niepewność prawna i regulacyjna pozostaje jedną z głównych barier adopcji [6].

Skutek: największe firmy technologiczne wykorzystają efekt skali, a MŚP będą gonić. Zanim cokolwiek wdrożysz, policz, ile kosztuje cię dziś chaos w danych. W jednym z naszych audytów wyszło, że firma wydaje 120 godzin miesięcznie na ręczne przenoszenie danych między systemami. Rok pracy jednego etatu. Mnożone przez rok, to realny koszt 80–100 tys. PLN. Tania inteligencja nie rozwiąże tego problemu sama — wręcz przeciwnie, pogłębi go, jeśli nie uporządkujesz danych przed wdrożeniem agentów.

Jak przygotować organizację na przyszłość z agentami AI

Cztery kroki, które sprawdzają się w firmach, które widzieliśmy:

Audyt gotowości AI

Zacznij od oceny danych i umiejętności, nie od wyboru modelu. Jeśli ponad 60% MŚP ma problemy z zarządzaniem danymi [5], prawdopodobnie Ty też. Przejrzyj, ile masz systemów, które się nie integrują, ile danych jest w plikach płaskich, ile procesów zależy od wiedzy jednej osoby.

Budowanie infrastruktury pod agenty

Zacznij od warstwy pamięci: wektorowe bazy, tabele stanu, rejestry zdarzeń. Ustal limity zapytań na agenta i na użytkownika. Zaprojektuj system tak, jakby każde zapytanie miało kosztować, nawet jeśli dziś kosztuje grosze. To wymusza dyscyplinę.

Ustalenie granic autonomii

Zdecyduj, gdzie agent działa sam, a gdzie wymaga akceptacji człowieka. Zasada z naszych wdrożeń: agent może przygotować odpowiedź, ale nie może jej wysłać do klienta; może zoptymalizować zapytanie, ale nie może zmienić schematu bazy bez przeglądu. Ustal to na piśmie, zanim agenty zaczną pracować.

Zmiana kultury organizacyjnej

Ludzie muszą zrozumieć, że agent nie jest narzędziem do otwierania, tylko współpracownikiem, którego trzeba nadzorować. W firmach, gdzie wdrożenie się udało, liderzy AI odnotowują średnio 2,1x wyższy wzrost EBIT niż firmy pozostające w tyle [4]. Ale to działa w obie strony: zespoły, które nie potrafią pracować z agentami, przegrywają z tymi, które potrafią.

Źródła

[1] lilithai.dev — Gdy inference spada poniżej 1 dolara, problem agentów trafia do systemów danych: https://lilithai.dev/radar/intelligence-is-free-now-what-data-systems-for-of-and-by-agents?lang=pl

[2] Stanford HAI — The 2026 AI Index Report: https://hai.stanford.edu/ai-index/2026-ai-index-report

[3] YouTube — 10 Things They're NOT Telling You About AI in 2026: https://www.youtube.com/watch?v=UjwpDEU6wSQ

[4] McKinsey — The state of AI in small and medium-size enterprises: https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-small-and-medium-size-enterprises

[5] OECD — OECD Framework for ICT and AI Uptake in SMEs: https://www.oecd.org/publications/oecd-framework-for-ict-and-ai-uptake-in-smes-2023.htm

[6] Information & Management — Barriers and drivers of AI adoption in SMEs: https://doi.org/10.1016/j.im.2023.103890

Co robić dalej: Zanim kupisz kolejny model albo zatrudnisz specjalistę od promptów, zrób rachunek. Policz, ile godzin tygodniowo znikają w twojej organizacji na ręczne sklejanie danych. Jeśli wyjdzie więcej niż 20 godzin — masz pierwszy projekt dla agenta. Jeśli mniej — może jeszcze nie potrzebujesz agentów, tylko porządnego ładu w danych. Od tego zacznij.