Veštačka inteligencija postaje drastično jeftinija, ali računi kompanijama za upotrebu AI i dalje rastu. To je paradoks kojim su se u utorak pozabavili senior partneri McKinsey-ja u istraživanju The State of AI in 2026. A „igranka s cenama“ koje će ispručiti firmama AI agenati tek počinje.
Senior partneri McKinsey-ja, Tangi Katlin i Lari Hemeleinen su na radionici "Improving the Economics of Agentic AI" ("Unapređenje ekonomije agentske veštačke inteligencije"), organizovane u okviru serijala McKinsey Live, naveli naizgled paradoksalan nalaz istraživanja „The State of AI in 2026“.
„Inteligencija određenog nivoa sposobnosti postaje znatno pristupačnija, ali ne i cena korporativne upotrebe AI", rekao je Hemeleinen, koji je i jedan od lidera odeljenja McKinsey Digital.
Kao primer, naveo je da je GPT-4, lansiran početkom 2023, koštao 60 dolara po milionu izlaznih tokena. Danas modeli sličnog nivoa sposobnosti koštaju samo delić te cene – u pojedinim slučajevima i po nekoliko stotina puta manje, pri čemu su cene sa desetina dolara po milionu izlaznih tokena pale na manje od jednog dolara, piše magazin Fortune.
Ovaj trend se nastavlja i dalje: OpenAI je istog dana kada je održana McKinsey-jeva sesija predstavio i proširenje GPT-6 porodice modelima Sol i Luna, čime je slika koju je Hemeleinen opisao dobila gotovo trenutnu potvrdu na tržištu.
Ali dok trošak proizvodnje jedinice "inteligencije" naglo pada, količina koju kompanije troše eksplozivno raste. Modeli postaju jeftiniji po jedinici sposobnosti, ali istovremeno se od njih traži da obavljaju znatno više rasuđivanja i posla – posebno kroz autonomne AI agente. Deo tih ušteda u efikasnosti, dodaje Hemeleinen, prisvajaju sami dobavljači AI rešenja kroz veće marže.
U razvoju softvera, na primer, AI agenti mogu iznova da pregledaju, menjaju i prepisuju čitave baze koda, generišući znatno više koda nego što bi to inače uradio programer-čovek.
Ekonomija agentske AI: Može za 1$ a može i za 30$
„Kompanije tek počinju da razumeju ekonomiju agentske AI“, kaže Hemeleinen.
Za razliku od tradicionalnog softvera, gde je trošak izvršavanja zadatka relativno predvidiv, agenti mogu doći do istog rezultata različitim putevima, zbog čega troškovi znatno variraju. Isti zadatak može, od jednog do drugog pokretanja, koštati i do 30 puta više.
Najveći deo tog troška potiče od procesa rasuđivanja i ponovljenog usavršavanja pre nego što se dođe do konačnog rezultata.
„Dizajn sistema je ključan: izbor da se koristi jedan agent ili više agenata istovremeno može drastično uticati na cenu izvršavanja zadatka“, napominje Hemeleinen.
Upravljanje troškovima veštačke inteligencije sve više postaje pitanje inženjeringa sistema koji od samog početka ne rasipaju tokene.
Umesto merenja agenata po ceni po tokenu, lideri bi trebalo da ih procenjuju na nivou zadatka: koliko košta izvršenje zadatka, koliko često agent uspešno obavi posao, i koliko je ljudskog vremena potrebno da se taj rad proveri.
Kao osnovno pravilo, korišćenje agenta ima smisla kada je vreme potrebno za proveru njegovog rezultata mali deo vremena koje bi čoveku bilo potrebno da zadatak uradi od nule. Ako čoveku za zadatak treba sat vremena, a rad agenta se može proveriti za šest minuta, agent sa stopom uspešnosti iznad 10% već može da stvara vrednost, dodaje Hemeleinen. Veći izazov, kaže on, jeste redizajniranje okolnog radnog procesa tako da se iskoristi kapacitet koji agent oslobađa.
Tri poluge za kontrolu troškova
„Istina je da ne postoji jedinstvena poluga za kontrolu troškova“, kaže Katlin, koji je i direktor McKinsey Global Institute-a.
On izdvaja tri oblasti u kojima kompanije mogu da upravljaju potrošnjom na veštačku inteligenciju:
Vidljivost – kompanijama je pre svega potreban uvid u to koji slučajevi upotrebe, poslovne jedinice, agenti, modeli i korisnici najviše troše.
Optimizacija radnih procesa – usklađivanje složenosti modela sa zadatkom, usmeravanje upita ka odgovarajućim modelima, keširanje konteksta koji se može ponovo koristiti i ograničavanje nepotrebnih poziva alata i "petlji" agenata.
Disciplina u nabavci – ukidanje nekorišćenih licenci, upravljanje kvotama, pregovaranje o uslovima sa dobavljačima i izbegavanje prekomerne zavisnosti od jednog modela ili dobavljača.
Katlin ipak upozorava da cilj ne treba da bude nediskriminatorno smanjenje troškova. Kompanije bi, kaže, trebalo da utvrde gde im ulaganje u veštačku inteligenciju donosi najveći povrat i da optimizaciju usmere upravo ka tim oblastima.
Ako važi globalno, važiće i za Srbiju
Iako se McKinsey-jevo istraživanje oslanja pretežno na velike globalne kompanije, poruka je jednako primenjiva i na firme u regionu koje tek uvode AI alate i agente u svoje poslovanje: pad cene po tokenu ne znači automatski i nižu ukupnu fakturu, ako se paralelno ne uspostavi kontrola nad time koliko se, kako i za šta ti alati koriste.
Za finansijske direktore to praktično znači da trošak veštačke inteligencije treba pratiti na nivou konkretnog poslovnog zadatka i njegove uspešnosti, a ne kao zbirnu stavku u računu dobavljača.
Neko „džabe“ a nekome skuplje
Istog dana kada je održana McKinsey-jeva sesija o ekonomiji agentske veštačke inteligencije, OpenAI je objavio proširenje GPT-6 porodice modela – i to na način koji gotovo doslovno ilustruje paradoks o kome govore Katlin i Hemeleinen. Prema zvaničnom cenovniku:
GPT-6 Luna, najjeftiniji model iz porodice, košta svega 0,10 dolara po milionu ulaznih i 0,50 dolara po milionu izlaznih tokena – to je oko 120 puta jeftinije od izlazne cene GPT-4 iz 2023. Luna je i jedini GPT-6 model dostupan na besplatnom planu i najjeftinijem plaćenom planu (Go, 8 dolara mesečno).
GPT-6 Sol, opisan kao "uravnoteženi radni konj" ove generacije, naplaćuje se 2 dolara po milionu ulaznih i 10 dolara po milionu izlaznih tokena.
GPT-6 Astra, vrhunski model porodice (lansiran 3. septembra), naplaćuje se čak 10 dolara po milionu ulaznih i 50 dolara po milionu izlaznih tokena – oko 2,5 puta skuplje od prethodnog vodećeg modela GPT-5.6 Sol.
Drugim rečima: dok je "osnovna" inteligencija (Luna) postala gotovo besplatna, cena vrhunskog, najsposobnijeg modela – onog koji kompanije po pravilu koriste za zahtevnije agentske zadatke poput samostalnog programiranja ili analize – zapravo je porasla u odnosu na prethodnu generaciju.
To je u praksi upravo ono na šta upozorava Hemeleinen: pad cene po jedinici inteligencije ne prevodi se automatski u niži ukupan račun, jer kompanije istovremeno biraju sposobnije (i skuplje) modele za sve složenije zadatke.
