Ukryty koszt agentowej AI: dlaczego rachunki za agentów AI wciąż rosną w 2026 roku

W skrócie

Gartner przewiduje, że do końca 2027 roku ponad 40% projektów agentowej AI zostanie anulowanych – a głównymi powodami są rosnące koszty i niejasny zwrot z inwestycji, a nie brakujące możliwości. Matematyka stojąca za tym jest prosta: przepływy pracy oparte na agentach mogą zużywać od 10 do 100 razy więcej tokenów niż pojedyncze zapytanie do czatu, ponieważ jedno żądanie użytkownika potrafi wywołać od 8 do 15 wewnętrznych wywołań modelu, zanim powstanie odpowiedź. To zamienia prostą automatyzację w rachunek, którego nikt nie jest w stanie przewidzieć. Rozwiązaniem nie są tańsze tokeny – to inny model cenowy. AgentUI wykorzystuje sztuczną inteligencję, by zbudować aplikację raz; później płacisz za hosting w ramach stałego miesięcznego planu, a nie za każde wnioskowanie, które aplikacja akurat wykona.

Każdemu wnioskowi budżetowemu na wewnętrzne narzędzia w 2026 roku towarzyszy to samo niewypowiedziane pytanie: czy ten agent AI będzie kosztował tyle, ile wycenił dostawca, czy tyle, ile wycenił dostawca plus to, co pokaże zużycie w czwartym miesiącu? Kiedyś to pytanie nie miało znaczenia w przypadku oprogramowania. Subskrypcja SaaS była liczbą, którą można było wpisać do arkusza kalkulacyjnego i o niej zapomnieć. Agent AI, który wnioskuje, wywołuje narzędzia i przechodzi przez wiele kroków, by ukończyć jedno zadanie, to zupełnie inny rodzaj wydatku – taki, który skaluje się wraz z tym, ile agent „myśli”, a nie z liczbą wykupionych stanowisk. Odpowiedź Gartnera na to, co dzieje się, gdy ta luka pozostaje niekontrolowana, jest bezlitosna: ponad 40% projektów agentowej AI zostanie anulowanych przed końcem 2027 roku. Nie dlatego, że zawiodła technologia. Dlatego, że zawiódł rachunek.

Kiedy hype zderza się z fakturą

Prognoza Gartnera z czerwca 2025 roku była konkretna co do tego, dlaczego projekty agentowej AI są zamykane: rosnące koszty, niejasna wartość biznesowa lub niewystarczające mechanizmy kontroli ryzyka – zwykle jakaś kombinacja tych trzech czynników. Własne badania firmy potwierdzają, jak niepewny grunt leży pod większością tych projektów. W badaniu ze stycznia 2025 roku, obejmującym 3412 uczestników webinarów, tylko 19% stwierdziło, że ich organizacja dokonała znaczącej inwestycji w agentową AI. 42% określiło swoją inwestycję jako ostrożną, 8% nie zainwestowało wcale, a 31% wciąż stosowało strategię „poczekamy, zobaczymy”. To nie jest rynek zmierzający jednym frontem w stronę autonomicznych agentów. To rynek, w którym jedna piąta kupujących jest w pełni zaangażowana, a reszta obserwuje, kto sparzy się jako pierwszy.

Częścią tego, co się „przepala”, jest zaufanie do samej etykiety dostawcy. Gartner ostrzegał przed zjawiskiem „agent washing” – istniejącymi chatbotami, skryptami RPA i asystentami przemianowanymi na agentową AI bez żadnych realnych, autonomicznych możliwości stojących za nową nazwą. Spośród tysięcy dostawców, którzy dziś reklamują produkty oparte na agentowej AI, Gartner szacuje, że jedynie około 130 oferuje coś, co faktycznie na to zasługuje. Gdy kupujący nie jest w stanie odróżnić dostawcy, który sprzedał mu prawdziwego agenta, od tego, który sprzedał mu przemianowany skrypt, przekroczenia kosztów przestają wyglądać jak problem techniczny, a zaczynają wyglądać jak porażka procesu zakupowego – taką dużo łatwiej anulować niż naprawić.

Sformułowanie „niewystarczające mechanizmy kontroli ryzyka” kryje w sobie bardzo wiele i warto je rozłożyć na czynniki pierwsze. W praktyce zwykle oznacza to, że nikt nie ustalił limitu wydatków agenta, zanim ten trafił na produkcję, nikt nie przypisał zużycia do konkretnego projektu czy działu, który za nie odpowiada, i nikt nie miał planu na wypadek, gdy agent natrafi na nietypowy przypadek i będzie próbował rozwiązać go samodzielnie dłużej, niż ktokolwiek się spodziewał. To luki w zarządzaniu, a nie ograniczenia modelu – i to ten sam rodzaj luki, który przez dekadę pozwalał rozrastać się shadow IT i niekontrolowanym wydatkom na SaaS, zanim ktokolwiek objął to jakimkolwiek procesem.

Dlaczego rachunek za agenta AI nie zachowuje się jak subskrypcja SaaS

Mechanika stojąca za przekroczeniem kosztów jest prosta, gdy przyjrzeć się, co „agent” właściwie robi za kulisami pojedynczego żądania. Chatbot odpowiadający na jedno pytanie wykonuje jedno wywołanie modelu. Agent realizujący jedno zadanie zazwyczaj wykonuje od 8 do 15 wewnętrznych wywołań, zanim skończy – krok planowania, od trzech do pięciu wywołań narzędzi, kilka rund wnioskowania o tym, co zrobić z tym, co zwróciły narzędzia, przebieg refleksyjny i końcowy etap syntezy. Szacunki branżowe wskazują, że obciążenia agentowe zużywają od 10 do 100 razy więcej tokenów niż równoważna, jednorazowa interakcja z czatem, a zadanie przeprowadzone przez pipeline wieloagentowy może pochłonąć mniej więcej 30 razy więcej tokenów niż proste zapytanie.

Stąd narasta to jeszcze bardziej. Większość API modeli językowych nalicza opłaty za pełną historię konwersacji przy każdym wywołaniu, a nie tylko za najnowszą wiadomość, więc prompt systemowy liczący 2000 tokenów, wysyłany ponownie przy każdej turze pętli agenta liczącej od 10 do 20 tur, dodaje do pojedynczego zadania od 20 000 do 40 000 tokenów czystego powtórzenia. Zarejestruj 30 narzędzi, spośród których agent może wybierać, a model odczytuje wszystkie 30 schematów narzędzi przy każdym żądaniu – kolejne 15 000 do 21 000 tokenów narzutu, zanim w ogóle zostanie przetworzone rzeczywiste pytanie użytkownika. Nic z tego nie pojawia się jako pozycja kosztowa, którą ktokolwiek zatwierdził. Pojawia się jako rachunek, który rośnie za każdym razem, gdy agent staje się odrobinę mądrzejszy, odrobinę bardziej autonomiczny albo odrobinę bardziej użyteczny – czyli dokładnie w tym kierunku, w którym każdy dostawca pcha tę technologię.

Praktyczny efekt jest taki, że koszt przestaje być powiązany z tym, co dział finansowy faktycznie zabudżetował. Subskrypcja skaluje się wraz z liczbą stanowisk, co jest przewidywalne, bo liczba zatrudnionych zmienia się powoli. Koszt agenta skaluje się wraz z tym, ile razy zdecyduje się „pomyśleć”, ponowić próbę albo wywołać narzędzie – a to może podwoić się lub potroić w ciągu jednego tygodnia, jeśli dane źródłowe staną się bardziej chaotyczne, API dostawcy zacznie zwracać wadliwe odpowiedzi, wokół których agent musi sobie radzić, albo zadanie okaże się wymagać więcej kroków wnioskowania, niż kiedykolwiek testowano w pilotażu. Nikt nie zatwierdza takiej skali wahań z góry, bo nie istnieje pozycja kosztowa, która by to uchwyciła, zanim trafi już na fakturę.

Ten sam rozrost narzędzi, tylko pod szyldem AI

Zespoły operacyjne znają ten wzorzec już z SaaS. Przeciętna firma zarządza dziś od około 291 do 305 osobnych aplikacji SaaS, jak wynika z branżowych badań nad zarządzaniem SaaS, a w dużych przedsiębiorstwach liczba ta przekracza 470 – sięgając nawet 696 – jeszcze zanim doliczy się 30–40% narzędzi shadow IT, których dział IT oficjalnie w ogóle nie śledzi. Każde z tych narzędzi zaczynało jako pojedynczy, rozsądny zakup rozwiązujący pojedynczy, rozsądny problem. Pomnożone przez skalę całej firmy, stały się stosem technologii, którego nikt nie potrafi w pełni rozliczyć, a co dopiero zabudżetować z rocznym wyprzedzeniem.

Agenci AI powtarzają ten wzorzec jeszcze szybciej, bo koszt wejścia jest tak niski. Dział nie potrzebuje cyklu zakupowego, by uruchomić agenta AI do jednego przepływu pracy – często wystarczy karta kredytowa i klucz API. Dodaj agenta do alertów o stanach magazynowych, kolejnego do scoringu leadów, jeszcze innego do obsługi zgłoszeń wsparcia, kolejnego do generowania raportów, a każdy z nich rozlicza się niezależnie, według własnej krzywej zużycia, bez żadnej funkcji odpowiedzialnej za sumę całości. Chaos arkuszy kalkulacyjnych, przed którym menedżerowie operacyjni od lat próbują uciec, nie znika, gdy do gry wchodzi AI. Po prostu przenosi się z zakładek na liczniki tokenów – a liczniki tokenów dużo trudniej uzgodnić na koniec miesiąca.

Porównanie do shadow IT nie jest przypadkowe. Działy IT i finansów spędziły ostatnie kilka lat, budując procesy do wykrywania i konsolidowania zdublowanych licencji SaaS. Narzędzia agentowe pojawiają się szybciej, niż te procesy nadążają się dostosować, często kupowane przez pojedynczych menedżerów kartą firmową, a nie przez dział zakupów, co oznacza, że pierwszy raz ktokolwiek widzi łączny koszt dopiero na koniec cyklu rozliczeniowego – a nie przed jego zatwierdzeniem.

Ambicje nie zwalniają – co tylko pogłębia problem kosztów

Nic z tego nie dzieje się dlatego, że apetyt na automatyzację słabnie. Badanie McKinsey z listopada 2025 roku wykazało, że 57% godzin pracy w USA mogłoby zostać zautomatyzowanych przy użyciu technologii, która już istnieje – to niemal dwa razy więcej niż własne szacunki firmy z 2023 roku, mówiące o 30% godzin możliwych do zautomatyzowania do 2030 roku. Gartner przewiduje, że agentowa AI zostanie wbudowana w 33% firmowych aplikacji do 2028 roku, wobec mniej niż 1% w 2024 roku, oraz że przynajmniej 15% codziennych decyzji biznesowych będzie wówczas podejmowanych autonomicznie, wobec praktycznie zera w 2024 roku.

Właśnie ten trend sprawia, że problem kosztów sam się nie rozwiąże. Każdy zespół, który ściga się w automatyzacji kolejnych decyzji, przepływów pracy i codziennych zadań, ściga się jednocześnie w kierunku większej liczby wywołań agentowych, wywołań narzędzi i narastających rachunków za tokeny – chyba że zmieni się model cenowy stojący za tą automatyzacją. Ambicja bez sufitu kosztowego to dokładnie ta kombinacja, którą opisuje Gartner, prognozując wskaźnik anulowań na poziomie 40%: projekty, które wyglądały obiecująco w fazie pilotażowej, a potem zostały zamknięte w chwili, gdy dział finansowy zobaczył, co ich skalowanie oznacza naprawdę dla faktury.

Ten sam przepływ pracy, dwa zupełnie różne rachunki

Wyobraź sobie średniej wielkości firmę logistyczną, która automatyzuje jeden przepływ pracy: agenta magazynowego śledzącego stany na trzech magazynach i przygotowującego rekomendację uzupełnienia zapasów za każdym razem, gdy coś spadnie poniżej progu. Wyceniony jako działająca na żywo usługa agentowa, ten przepływ pracy uruchamia swoją pętlę planowania i wywołań narzędzi za każdym razem, gdy zmienia się stan magazynowy – dziesiątki razy dziennie w trzech lokalizacjach – a każde uruchomienie pociąga za sobą od 8 do 15 wywołań modelu i pełne okno kontekstu opisane wyżej. W spokojnym miesiącu rachunek jest do ogarnięcia. W miesiącu z zakłóceniem w dostawach, gdy stany magazynowe wahają się nieustannie, a agent jest wywoływany dużo częściej, ten sam przepływ pracy może kosztować wielokrotność tego, co zatwierdził dział finansowy – bez żadnego ostrzeżenia, dopóki nie przyjdzie faktura.

Teraz wyobraź sobie ten sam przepływ pracy zbudowany raz jako aplikacja: reguła progu uzupełnienia zapasów, panel i alert, wygenerowane przez AI na podstawie opisu w zwykłym języku, a potem działające jak zwyczajne oprogramowanie. Logika nie wnioskuje od nowa przy każdej zmianie stanu magazynowego – wykonuje regułę, do wykonywania której aplikacja została zbudowana. Bardziej pracowite miesiące nie zmieniają tego, za co się płaci, bo koszt został ustalony na poziomie planu hostingowego, a nie liczby ruchów magazynowych. Ten sam efekt operacyjny dla menedżera operacyjnego pilnującego magazynu. Zupełnie inna rozmowa z działem finansów na koniec kwartału.

Ta różnica tylko się powiększa w miarę jak firma dodaje kolejne lokalizacje. Czwarty magazyn w modelu agentowym oznacza czwarty strumień wywołań wnioskowania na żywo, rozliczany niezależnie i doliczany do trzech poprzednich. Czwarty magazyn w modelu „zbuduj raz” oznacza po prostu skierowanie tej samej aplikacji na kolejne źródło danych – logika się nie zmienia i rachunek też nie, bo kosztowna praca sztucznej inteligencji już się wydarzyła, raz, w momencie budowy – nie raz na magazyn, raz na miesiąc, w nieskończoność.

Trzeba przyznać: część pracy naprawdę wymaga agenta działającego na żywo

Nic z tego nie jest argumentem, że agentowa AI wszędzie jest złym pomysłem. Agent wsparcia odpowiadający na otwarte pytania klientów, asystent badawczy syntetyzujący nieznane dokumenty czy agent programistyczny debugujący nieznaną bazę kodu – wszyscy oni wykonują pracę, która jest naprawdę nieprzewidywalna – wnioskowanie musi odbywać się na żywo, bo dane wejściowe za każdym razem są inne. Płacenie za tego rodzaju zmienne wnioskowanie, w modelu opartym na zużyciu, to rozsądna wymiana za wartość, jaką ono tworzy.

Większość wewnętrznej pracy operacyjnej wygląda inaczej. Próg uzupełnienia zapasów, reguła kierowania akceptacji, comiesięczny raport, grafik zmian – to przepływy pracy, które firma już rozumie. Ta logika nie musi być wyprowadzana od zera za każdym razem, gdy się uruchamia; musi zostać zbudowana raz, poprawnie, a potem wykonywana niezawodnie – tak samo jak działała wczoraj i będzie działać w przyszłym kwartale. Płacenie cen agenta na żywo, za wnioskowanie, za pracę, która z natury jest powtarzalna, to właśnie miejsce, w którym wycieka budżet – nie dlatego, że agentowa AI jest zepsuta, ale dlatego, że to niewłaściwy model cenowy zastosowany do niewłaściwego rodzaju zadania.

Jak w praktyce wygląda przewidywalny koszt AI

Rozwiązaniem nie jest wynegocjowanie lepszej stawki za token. To zmiana tego, za co faktycznie płacisz. Większość opisanych wyżej przypadków wymykających się spod kontroli kosztów ma jedną wspólną przyczynę: sztuczna inteligencja wykonuje pracę za każdym razem, gdy użytkownik dotyka aplikacji, co oznacza, że każde kliknięcie to rachunek za wnioskowanie na żywo. Istnieje inny model – niech AI wykona swoją najdroższą pracę raz, podczas budowy, a gotowa aplikacja niech potem działa jak zwyczajne, nudne, przewidywalnie wycenione oprogramowanie.

To właśnie ten model stoi u podstaw AgentUI. Sztuczna inteligencja buduje aplikację – bazę danych, interfejs, logikę, integracje – na podstawie opisu w zwykłym języku. Gdy jest już zbudowana, jej działanie to hosting, a nie wnioskowanie: stały miesięczny plan, a nie rachunek, który zmienia się w zależności od tego, ile razy twój zespół kliknie przycisk. Ceny zaczynają się od planu Minimum za 50 dolarów miesięcznie, przez 250 dolarów miesięcznie w planie Visionary, w którym ląduje większość rozwijających się zespołów, aż po plan Build with You za 2500 dolarów miesięcznie dla zespołów, które chcą mieć dodatkowo dedykowane godziny programistyczne – każdy z nich to stała liczba, którą można wpisać do budżetu na cały rok naprzód, a nie przedział, o którym dowiadujesz się dopiero po otrzymaniu faktury. Gdy coś wykracza poza to, co AI potrafi dopracować samodzielnie, przejmuje to prawdziwy inżynier – ten sam zespół, a nie licznik, który dalej nabija, podczas gdy czekasz na wsparcie. Większość platform sprzedaje ci agenta i otwartą zakładkę z rachunkiem. AgentUI sprzedaje ci gotowy system i stałą liczbę.

Zanim podpiszesz kolejną umowę na agenta AI, sprawdź:

Stałą, przewidywalną cenę miesięczną – a nie rozliczenie za token lub za uruchomienie, które rośnie niewidocznie wraz z zużyciem
Jasną odpowiedź na pytanie: „co się stanie z moim rachunkiem, jeśli zużycie potroi się w przyszłym kwartale”
Czy praca AI kończy się w momencie zbudowania aplikacji, czy trwa – i jest rozliczana – w nieskończoność
Przypisanie kosztów i zużycia do konkretnych projektów, a nie jedną zbiorczą liczbę dla całej firmy, której nikt nie potrafi rozłożyć na czynniki
Prawdziwego inżyniera, który potrafi wyjaśnić fakturę, a nie tylko bota wsparcia odczytującego ją na głos
Stronę z cennikiem, na której widnieją rzeczywiste liczby, a nie „skontaktuj się z działem sprzedaży” przy każdym planie

Prognoza Gartnera mówiąca o 40% anulowań nie jest przewidywaniem, że agentowa AI zawiedzie technicznie. To przewidywanie, że działy finansowe będą wciąż wyciągać wtyczkę z projektów, których kosztów nikt nie potrafi przewidzieć nawet na kwartał naprzód, bez względu na to, jak dobrze wypadło demo. Projekty, które przetrwają po 2027 roku, nie będą tymi z najbardziej imponującym agentem – będą tymi, których właściciel potrafi z pełnym przekonaniem powiedzieć, ile dokładnie wyniesie rachunek za rok.

To problem modelu cenowego, zanim stanie się problemem technologicznym. Zbuduj aplikację raz, przy pomocy AI, a potem płać za hosting tak jak za każde inne oprogramowanie, od którego zależy twoja działalność – liczbę, wokół której można planować, a nie licznik, na który boisz się spojrzeć.

Menedżer operacyjny zatwierdzający kolejny budżet na automatyzację nie musi zostać ekspertem od cen tokenów, żeby uniknąć trafienia na stos 40% anulowanych projektów. Potrzebuje jasnej odpowiedzi na jedno pytanie, zanim podpisze umowę: czy to rachunek, który skaluje się wraz z tym, ile AI zdecyduje się „myśleć”, czy liczba, która pozostaje stała bez względu na to, jak pracowity okaże się kwartał. Wszystko inne w ofercie dostawcy jest drugorzędne wobec tej odpowiedzi.