Ile kosztuje wdrożenie AI w firmie
Nie podamy Ci jednej kwoty z cennika, bo jej nie ma. Pokażemy za to, z czego składa się koszt AI w chmurze i na własnym serwerze, gdzie kryją się wydatki, o których mało kto mówi, i jak samodzielnie policzyć, kiedy własna infrastruktura się zwraca.
Z czego składa się koszt
Wdrożenie AI na własnej infrastrukturze to nie jedna faktura, tylko kilka pozycji. Każda odpowiada na inne pytanie:
- Sprzęt. Kupujesz go raz, w rozmiarze dopasowanym do zespołu. Zespołowi do 10 osób wystarczy zwykle jeden NVIDIA DGX Spark, większym stawiamy serwer z kartą NVIDIA RTX 6000 Ada. Szczegóły znajdziesz w artykule Jaki serwer do lokalnego LLM.
- Wdrożenie. Instalujemy i konfigurujemy modele, budujemy bazę wiedzy z Twoich dokumentów, łączymy AI z pocztą, kalendarzem i CRM, konfigurujemy agentów, którzy wykonują powtarzalną pracę.
- Szkolenie. Pokazujemy zespołowi, jak korzystać z asystenta i jak pisać polecenia, żeby dostawać dobre odpowiedzi.
- Utrzymanie (opcjonalnie). Aktualizujemy modele, pilnujemy działania systemu i dokładamy kolejne automatyzacje.
Najwięcej wartości zwykle nie daje sam model, tylko to, co go otacza: baza wiedzy, integracje i agenci. Dlatego wdrożenie to osobna pozycja, a nie dodatek do sprzętu.
Chmura i własny serwer: dwa modele płacenia
Chmura i lokalne AI różnią się przede wszystkim tym, jak rośnie rachunek, gdy firma zaczyna korzystać z AI na serio. Dostawcy chmurowi rozliczają się na dwa sposoby: abonamentem za każdego użytkownika (np. ChatGPT Business albo plan Team w Claude) lub opłatą za każdy milion tokenów wysłanych do modelu i odebranych z niego przez API (OpenAI, Anthropic, Google Gemini).
| Cecha | AI w chmurze | Lokalne AI |
|---|---|---|
| Jak płacisz | Abonament za każdą osobę albo opłata za zużyte tokeny | Sprzęt raz, potem prąd i utrzymanie |
| Nowy użytkownik | Kolejna licencja albo więcej tokenów na fakturze | Bez dodatkowej opłaty, dopóki sprzęt daje radę |
| Więcej zapytań | Wyższy rachunek | Rachunek stoi w miejscu |
| Kto ustala cenę | Dostawca, według swojego cennika | Ty, przy zakupie sprzętu |
| Start | Szybki i tani | Wymaga zakupu sprzętu i wdrożenia |
Chmura jest więc tańsza na start i przy małym użyciu. Lokalne AI zaczyna wygrywać, gdy z asystenta korzysta wiele osób codziennie albo gdy agenci pracują w tle przez całą dobę. Wtedy w chmurowym API każde wywołanie modelu trafia na fakturę, a u siebie płacisz głównie za prąd.
Jak policzyć próg opłacalności
Nie musisz wierzyć nam na słowo. Weź kartkę i podstaw własne liczby. Wystarczy kilka wartości:
- U - liczba osób, które będą korzystać z AI,
- C - miesięczny koszt chmury na jedną osobę (abonament plus ewentualne opłaty za zużycie; aktualne stawki znajdziesz w cennikach dostawców, a ceny API różnych modeli porównasz w zestawieniu LLM Stats),
- S - koszt sprzętu,
- W - koszt wdrożenia i szkolenia,
- E - miesięczny koszt prądu i utrzymania własnej infrastruktury.
Po M miesiącach chmura kosztuje U × C × M, a własny serwer S + W + E × M. Własna infrastruktura się zwraca, gdy pierwsza kwota przegoni drugą. Liczbę miesięcy do tego momentu policzysz tak:
M = (S + W) / (U × C - E)
Jeśli mianownik wychodzi ujemny albo bliski zera, lokalne AI się nie opłaci: zespół jest za mały albo korzysta z AI zbyt rzadko. Jeśli wychodzi kilkanaście lub kilkadziesiąt miesięcy, porównaj wynik z tym, ile lat zamierzasz używać sprzętu.
Wzór jest uproszczony. Nie uwzględnia agentów, którzy w chmurze płacą za każdy token, ani pracy potrzebnej, żeby korzystanie z chmury było zgodne z RODO. Oba czynniki zwykle przesuwają wynik na korzyść własnego serwera.
Ile kosztuje praca agentów: dane z FinOps
Najlepiej widać to na przykładzie. Firmaris Legal Studio i Oferris RFQ Studio mają wbudowany moduł FinOps. Liczy on tokeny i koszt każdego wywołania modelu, dzień po dniu, osobno dla każdego agenta i każdego modelu. Przy modelach lokalnych pokazuje zużycie prądu i czas pracy sprzętu.
Ponad 82 miliony tokenów w 30 dni i rachunek rzędu kilkunastu złotych. Tyle kosztuje praca agentów na sprzęcie, który już stoi w firmie. W chmurowym API za każdy z tych tokenów zapłaciłbyś według cennika dostawcy. Jeśli chcesz porównać, pomnóż wolumen przez stawkę za milion tokenów wybranego modelu.
Druga korzyść jest mniej oczywista. Widzisz, który agent i który model generują koszt. Jeśli jeden proces zużywa nieproporcjonalnie dużo, od razu wiesz, gdzie szukać oszczędności.
Koszty, o których łatwo zapomnieć
Uczciwe porównanie wymaga spojrzenia poza fakturę. Obie strony mają koszty, które nie wychodzą w cenniku.
W chmurze
- Zgodność z RODO. Umowa powierzenia przetwarzania danych (art. 28 RODO), analiza transferu danych poza EOG (rozdział V), polityka dla pracowników. To praca prawnika lub inspektora ochrony danych. Więcej w artykule AI a RODO i tajemnica zawodowa.
- Nieprzewidywalne zużycie. Przy opłacie za tokeny rachunek zależy od tego, ile faktycznie pracują ludzie i agenci. Źle ustawiony agent może zużyć więcej, niż zakładał budżet.
- Uzależnienie od dostawcy. Cennik, regulamin i dostępne modele ustala dostawca. Przeniesienie integracji do innego zajmuje czas.
Na własnym serwerze
- Administracja. Ktoś musi dbać o system, aktualizacje i bezpieczeństwo. Możesz to zlecić nam w ramach utrzymania.
- Aktualizacje modeli. Otwarte modele zmieniają się co kilka miesięcy. Warto co jakiś czas podmienić model na nowszy.
- Kopie zapasowe. Baza wiedzy i historia rozmów wymagają miejsca na backup, na przykład dysku sieciowego.
- Wymiana sprzętu. Sprzęt kiedyś się zestarzeje albo przestanie wystarczać. Uwzględnij to, licząc, przez ile lat ma pracować.
Nie musisz wybierać jednej strony. W modelu hybrydowym Enterprise AI Gateway kieruje wrażliwe zapytania do modelu lokalnego, a resztę do wybranego modelu w chmurze. Ustawiasz budżety, więc wydatki na chmurę mają twardy limit, a rejestr zapytań pokazuje, kto i ile korzysta.
Co wpływa na cenę wdrożenia
Sprzęt łatwo porównać. Cena wdrożenia zależy od tego, co AI ma u Ciebie robić. Najwięcej znaczą cztery rzeczy:
- Liczba integracji. Każdy system, z którym AI ma rozmawiać (poczta, kalendarz, CRM, system dziedzinowy), to osobna praca.
- Dokumenty do zaindeksowania. Ile ich jest, w jakich formatach i jak bardzo są uporządkowane. O tym, jak działa baza wiedzy, piszemy w artykule RAG: firmowa baza wiedzy.
- Liczba użytkowników. Od niej zależy dobór sprzętu, uprawnienia i zakres szkoleń.
- Agenci szyci na miarę. Gotowy produkt, jak Firmaris dla kancelarii czy Oferris dla działu zakupów, wdraża się szybciej niż agent budowany od zera pod nietypowy proces.
Dlatego każde wdrożenie wyceniamy indywidualnie. Zaczynamy od bezpłatnej konsultacji: przechodzimy przez procesy w Twojej firmie, wskazujemy zadania, w których AI da najwięcej, i proponujemy sprzęt oraz modele. Dopiero na tej podstawie przygotowujemy wycenę.
Pytania i odpowiedzi
Dlaczego nie podajecie cen na stronie?
Bo koszt zależy od liczby użytkowników, integracji, dokumentów i agentów. Dwie firmy o tej samej wielkości mogą potrzebować zupełnie innego zakresu. Wycenę przygotowujemy po bezpłatnej konsultacji.
Czy lokalne AI zawsze jest tańsze od chmury?
Nie. Przy małym zespole i rzadkim użyciu chmura wychodzi taniej. Lokalne AI wygrywa, gdy z asystenta korzysta wiele osób codziennie albo agenci pracują w tle przez całą dobę. Próg opłacalności policzysz prostym wzorem z tego artykułu.
Ile kosztuje prąd przy lokalnym modelu?
W przykładowych danych z modułu FinOps w Firmaris Legal Studio 30 dni pracy agentów i ponad 82 miliony tokenów kosztowały 13,63 zł, z czego 12,39 kWh to prąd. Twój wynik zależy od sprzętu, modeli i intensywności pracy.
Czy można zacząć od chmury i przejść na lokalne AI później?
Tak. Enterprise AI Gateway pozwala podmieniać modele bez przerabiania aplikacji. Możesz zacząć od chmury, a wrażliwe zadania przenieść na własny serwer, gdy użycie urośnie.