# Własny model czy API: rachunek na rok

> Porównanie własnego modelu z modelem udostępnianym przez API to porównanie kosztu stałego ze zmiennym, a nie dwóch cen za to samo. API rozlicza się za przetworzony tekst, więc rachunek rośnie proporcjonalnie do użycia i przy zerowym ruchu wynosi zero. Serwer z własnym modelem rozlicza się za czas, więc kosztuje tyle samo w nocy i w weekend. O progu opłacalności decyduje relacja stałego kosztu maszyny do stawki za milion jednostek dla klasy modelu, którą chcecie zastąpić, a ponieważ maszyna kosztuje tyle samo bez obciążenia, o wyniku przesądza przede wszystkim równomierność ruchu. Do tego dochodzą pozycje, których w porównaniach cen zwykle nie ma: nadmiarowość, czas człowieka na utrzymanie i testy po każdej zmianie wersji.

Autor: Robert Marczyński · Opublikowano: 2026-08-08 · Aktualizacja: 2026-08-08
Kanoniczny URL: https://ekspertodsztucznejinteligencji.pl/blog/wlasny-model-czy-api-rachunek

## To nie jest porównanie dwóch cen

Pytanie „czy taniej wyjdzie własny model” pada zwykle po pierwszym większym rachunku za API i prawie zawsze jest formułowane jako porównanie stawek. Tak się go nie da rozstrzygnąć, bo po obu stronach stoją koszty różnego rodzaju.

API rozlicza się za przetworzony tekst. Rachunek rośnie proporcjonalnie do użycia, a przy zerowym ruchu wynosi zero. Serwer z własnym modelem rozlicza się za czas. Kosztuje tyle samo w środę o jedenastej i w niedzielę o trzeciej w nocy, niezależnie od tego, czy cokolwiek liczy.

Z tej różnicy wynika cała reszta. Progu nie rozstrzyga samo zestawienie stawek: decyduje relacja stałego kosztu maszyny do stawki za milion jednostek dla klasy modelu, którą chcecie zastąpić. A że maszyna kosztuje tyle samo w nocy i w weekend, o wyniku przesądza przede wszystkim to, jak równomiernie rozłożony jest ruch.

## Jak wygląda strona API

Stawki podaje się za milion jednostek tekstu, osobno za to, co wysyłacie, i osobno za to, co model odsyła. Wyjście jest kilkakrotnie droższe od wejścia, co ma znaczenie przy zadaniach generujących długie odpowiedzi.

Aktualnych stawek nie przepisuję tutaj, bo dezaktualizują się szybciej niż tekst. Jedyne miejsce w tym serwisie z tabelą cen to wpis o [kosztach utrzymania AI](/odpowiedzi/ile-kosztuje-utrzymanie-ai), gdzie stoi zestawienie trzech głównych dostawców odczytane 29 lipca 2026 i opisane datą odczytu.

Z tej tabeli warto wynieść jedną proporcję, bo ona zmienia się wolniej niż same kwoty. Rozpiętość stawek wejścia w całym zestawieniu sięga dwóch rzędów wielkości: od 0,10 dolara za milion przy najlżejszym modelu Google do 10 dolarów przy najdroższym modelu Anthropic. W obrębie jednego dostawcy różnica między klasą lekką a flagową jest mniejsza i sama się waha: w tej tabeli od nieco ponad trzykrotności u OpenAI do dziesięciokrotności u Anthropic; Google ma tam wyłącznie modele klasy lekkiej, więc takiej pary nie tworzy. Obie liczby mówią to samo: rachunek przesuwa się o rzędy wielkości, nie o procenty, a decyduje o tym para klasy modelu i dostawcy naraz. W samej klasie lekkiej rozstrzał jest w tej tabeli jeszcze większy: od 0,10 dolara przy Gemini 2.5 Flash-Lite do 1,50 przy Gemini 3.5 Flash, czyli piętnastokrotny. Jedno i drugie trzeba więc policzyć na własnym zużyciu.

Warto odnotować dwie rzeczy, które realnie zmieniają rachunek. Powtarzalne fragmenty zapytania, na przykład stała instrukcja systemowa, bywają rozliczane po znacznie niższej stawce, jeśli dostawca stosuje mechanizm ponownego wykorzystania. Przetwarzanie wsadowe, czyli zgoda na to, że odpowiedź przyjdzie później, też bywa tańsze. Obie rzeczy potrafią zmienić rachunek bardziej niż zmiana dostawcy.

Stawki zmieniają się na tyle często, że przed decyzją trzeba je odczytać w cenniku dostawcy, a nie w tekście takim jak ten. Podana wyżej rozpiętość jest punktem odniesienia z końca lipca 2026, nie stanem na dziś.

## Jak wygląda strona własnego modelu

Tutaj płaci się za godzinę pracy maszyny z układem graficznym, niezależnie od obciążenia. Do tego dochodzą pozycje, które w porównaniach cen znikają, a w rachunku po roku są widoczne.

**Nadmiarowość.** Jedna maszyna to jeden punkt awarii. Jeżeli wdrożenie obsługuje proces, który musi działać, potrzebna jest druga, co podwaja koszt stały.

**Czas człowieka.** Aktualizacje, monitorowanie, reagowanie na awarie, dobieranie parametrów przy wzroście ruchu. To nie jest zero i nie jest to praca, którą da się zlecić raz.

**Testy po każdej zmianie.** Podniesienie wersji biblioteki albo modelu wymaga sprawdzenia, czy proces nadal działa tak samo. Przy API ten koszt też istnieje, ale narzuca go dostawca w swoim rytmie; przy własnym modelu decydujecie sami i łatwiej go odłożyć, aż zrobi się duży.

**Czas bezczynności.** Najbardziej niedoceniana pozycja. Maszyna wykorzystana w kilku procentach kosztuje tyle samo co obciążona, więc przy ruchu skupionym w godzinach pracy płaci się głównie za noce i weekendy.

## Rachunek, który warto zrobić samodzielnie

Nie podam progu w liczbie zapytań, bo zależy od stawki u konkretnego dostawcy sprzętu, od długości zapytań i od klasy modelu, którą chcecie zastąpić. Podam za to rachunek, który zajmuje kwadrans i daje odpowiedź dla waszego przypadku.

1. Weźcie realne zużycie z ostatniego pełnego miesiąca: liczbę jednostek wejścia i wyjścia. Jest w panelu rozliczeniowym dostawcy, nie trzeba szacować.
2. Policzcie z tego miesięczny koszt API dla klasy modelu, której faktycznie używacie.
3. Odczytajcie u dostawcy infrastruktury stawkę godzinową maszyny zdolnej obsłużyć wasz model i pomnóżcie przez liczbę godzin w miesiącu. To jest koszt stały, jeśli maszyna ma być dostępna cały czas.
4. Dodajcie drugą maszynę, jeśli proces musi działać bez przerwy.
5. Dodajcie miesięczny czas człowieka na utrzymanie, wyceniony według realnej stawki tej osoby.
6. Pomnóżcie obie strony przez dwanaście i porównajcie.

Punkt piąty jest tym, który najczęściej odwraca wynik. Przy rachunkach rzędu kilku tysięcy złotych miesięcznie za API nawet kilka godzin pracy inżyniera na utrzymanie zjada różnicę.

## Kiedy własny model ma sens mimo rachunku

Bywają powody, dla których warto zapłacić więcej, i uczciwiej nazwać je wprost, niż naciągać kalkulację.

Pierwszy to dane, które nie mogą wyjść na zewnątrz z powodów regulacyjnych albo umownych. Własny model rozwiązuje wtedy konkretny problem: nie ma powierzenia przetwarzania dostawcy modelu ani transferu wynikającego z jego infrastruktury. Warto tylko pamiętać, że rachunek wyżej zakłada maszynę wynajętą, a wtedy powierzenie przenosi się na dostawcę infrastruktury zamiast zniknąć; całkiem znika dopiero na własnym sprzęcie. Nie znosi to pozostałych obowiązków z RODO, o czym piszę przy [korzystaniu z modeli a RODO](/odpowiedzi/rodo-a-sztuczna-inteligencja-w-firmie).

Drugi to niezależność od cyklu życia cudzego modelu. Dostawcy wycofują wersje, a każda podmiana wymaga ponownych testów. Własny model zamraża się na tyle długo, na ile trzeba, i to bywa warte swojej ceny w procesach, w których stabilność zachowania liczy się bardziej niż jakość.

Trzeci to bardzo równomierny, wysoki ruch. Wtedy wykorzystanie maszyny jest wysokie i rachunek zaczyna działać na korzyść własnego rozwiązania.

## Pytanie, które warto zadać wcześniej

Zanim policzycie próg opłacalności własnego serwera, sprawdźcie, czy proces nie zadziała na modelu z tańszej klasy. Różnica stawek między klasami jest ogromna i w wielu zadaniach nie widać różnicy w wyniku, bo zadanie nie jest trudne.

Drugie pytanie z tej samej kategorii dotyczy tego, ile tekstu w ogóle wysyłacie. Wdrożenie, które przy każdym pytaniu podaje modelowi dwadzieścia dokumentów, bo nie potrafi wybrać właściwego, generuje rachunek, którego nie naprawi żadna zmiana dostawcy. To wraca do stanu danych i opisuję to przy [przygotowaniu danych pod wdrożenie](/odpowiedzi/jak-przygotowac-dane-do-wdrozenia-ai).

Kolejność, która oszczędza najwięcej: najpierw ograniczcie to, co wysyłacie, potem zejdźcie klasą modelu, a dopiero na końcu liczcie własny serwer. Pierwsze dwa kroki bywają tańsze i szybsze od trzeciego, a przy tym odwracalne.

## Najczęstsze pytania

**Kiedy własny model jest tańszy od API?**

Wtedy, gdy maszyna jest wykorzystana na tyle, że koszt jej czasu podzielony przez liczbę obsłużonych zapytań schodzi poniżej stawki za API. Kluczem jest wykorzystanie, nie sama cena sprzętu: serwer działający na kilku procentach możliwości kosztuje tyle samo co obciążony, więc przy nierównomiernym ruchu próg przesuwa się bardzo wysoko.

**Ile kosztuje API modelu językowego?**

Rozlicza się je za milion jednostek tekstu, osobno na wejściu i osobno na wyjściu, przy czym wyjście jest kilkakrotnie droższe. Konkretne kwoty trzymam w jednym miejscu w serwisie, w tabeli w tekście o kosztach utrzymania AI, odczytanej 29 lipca 2026. Rozpiętość stawek wejścia w całym zestawieniu trzech dostawców sięga tam od 0,10 dolara za milion przy najlżejszym modelu Google do 10 dolarów przy najdroższym modelu Anthropic; w obrębie oferty jednego dostawcy różnica między klasą lekką a flagową waha się w tej tabeli od nieco ponad trzykrotności u OpenAI do dziesięciokrotności u Anthropic; Google ma tam wyłącznie modele klasy lekkiej, więc takiej pary nie tworzy. Stawki zmieniają się na tyle często, że przed decyzją trzeba je odczytać u dostawcy, a nie z artykułu.

**Czy własny model rozwiązuje problem z RODO?**

Rozwiązuje jeden konkretny problem: treść zapytań nie trafia do dostawcy modelu, więc odpada powierzenie przetwarzania jemu i transfer wynikający z jego infrastruktury. Jeżeli model stoi na maszynie wynajętej, powierzenie przetwarzania i pytanie o region przetwarzania przenoszą się na dostawcę infrastruktury, a znikają dopiero na własnym sprzęcie. Nie zwalnia to też z podstawy prawnej przetwarzania, z obowiązku informacyjnego ani z wpisu do rejestru czynności przetwarzania.

**Co poza kosztem sprzętu składa się na rachunek za własny model?**

Nadmiarowość, bo jedna maszyna to jeden punkt awarii. Czas człowieka na aktualizacje, monitorowanie i reagowanie na awarie. Testy po każdej zmianie wersji modelu albo biblioteki. Oraz koszt czasu, w którym maszyna stoi bezczynnie, bo rozlicza się ją za godziny, nie za pracę.

**Czy przy własnym modelu można korzystać z tańszych, mniejszych modeli?**

Tak i to jest zwykle sensowniejsze pytanie niż wybór między własnym a cudzym. Duża część zadań w firmach nie wymaga największego modelu, a różnica stawek między klasą lekką a flagową sięga u jednego dostawcy od nieco ponad trzykrotności do dziesięciokrotności. Zanim policzy się próg opłacalności własnego serwera, warto sprawdzić, czy proces nie zadziała na modelu wielokrotnie tańszym.


## Źródła

- Anthropic — oficjalny cennik API Claude (stan: lipiec 2026): https://platform.claude.com/docs/en/about-claude/pricing
- OpenAI — oficjalny cennik API (stan: lipiec 2026): https://developers.openai.com/api/docs/pricing
- Google — oficjalny cennik Gemini API (stan: lipiec 2026): https://ai.google.dev/pricing