IBM: firmy wybierają tańsze modele open-weight zamiast frontier AI

Przedsiębiorstwa coraz śmielej przyglądają się otwartym modelom AI, które nie wymagają płacenia wysokich stawek za dostęp do najdroższych systemów frontier. Arvind Krishna, dyrektor generalny IBM, przedstawił tę tendencję podczas rozmowy o wynikach finansowych spółki za trzeci kwartał 2026 roku. Jego zdaniem firmy zaczynają liczyć realny zwrot z inwestycji w sztuczną inteligencję — i coraz częściej dochodzą do wniosku, że nie warto przepłacać.

Dziesięciokrotna różnica w cenie, niewielka w wydajności

Kluczowa obserwacja Krishi dotyczy relacji między kosztem a jakością. Modele typu open-weight — czyli takie, których wagi są publicznie dostępne i które można uruchamiać na własnej infrastrukturze — oferują obecnie około 90% możliwości najlepszych zamkniętych systemów, przy koszcie tokenów wynoszącym od 10 do 25% stawki pobieranej przez dostawców frontier LLM. Dla wielu organizacji to rachunek, który trudno zignorować.

Szef IBM zwrócił uwagę, że jeszcze niedawno różnica była zbyt duża, by mówić o realnej alternatywie. W 2024 roku najlepsze modele osiągały w szerokich benchmarkach wyniki rzędu 70 punktów, podczas gdy rozwiązania alternatywne plasowały się na poziomie 20–30. Taka przepaść skutecznie zniechęcała do rozważania tańszych opcji.

Luka wydajnościowa szybko się zamyka

Sytuacja zaczęła się zmieniać pod koniec 2025 roku. Krishna zauważył, że dystans między czołówką a modelami open-weight zmniejszył się na tyle, że w niektórych testach różnica wynosiła już nie 70 do 25, lecz 70 do 50 punktów. Kolejne iteracje rozwojowe pozwoliły IBM nabrać przekonania, że wkrótce najlepsze systemy będą osiągać około 100 punktów, a ich otwarte odpowiedniki zbliżą się do 90.

Ta zmiana sprawia, że pytanie o wybór modelu przestaje dotyczyć wyłącznie wydajności, a zaczyna koncentrować się na kosztach wdrożenia i utrzymania. Otwarte modele nie są bowiem tak łatwo dostępne jak usługi chmurowe oferowane przez Anthropic czy OpenAI — wymagają własnej infrastruktury i zespołu, który potrafi je uruchomić oraz zintegrować z istniejącymi systemami.

Dwa–trzy racki wystarczą, by zacząć oszczędzać

Krishna wskazał, że dla przeciętnego dużego przedsiębiorstwa uruchomienie modeli open-weight nie wymaga ogromnych nakładów. Wystarczą dwa lub trzy racki serwerowe, aby uzyskać możliwość korzystania z tych systemów po koszcie tokenów wynoszącym od jednej dziesiątej do jednej czwartej ceny modeli frontier. To infrastruktura, którą wiele firm już posiada lub może stosunkowo łatwo pozyskać.

Dyrektor IBM podkreślił, że wybór staje się prosty, gdy zestawić ze sobą obie opcje. Czy lepiej zapłacić dziesięciokrotnie więcej za nieco lepszy model, czy zadowolić się rozwiązaniem osiągającym 90% skuteczności za ułamek ceny? Dla większości zadań odpowiedź wydaje się oczywista — choć Krishna zastrzegł, że istnieją obszary, w których droższe systemy frontier nadal mają przewagę.

Suwerenność AI napędza boom na otwarte modele

Drugim istotnym wątkiem poruszonym przez szefa IBM jest kwestia suwerenności danych. Część przedsiębiorstw nie chce, by ich informacje trafiały do dostawców AI z USA lub innych krajów — nawet jeśli ci nie wykorzystują ich bezpośrednio, w logach i systemach pozostają ślady pokazujące, do czego służyły zapytania. To rodzi obawy o poufność i kontrolę nad danymi.

Modele open-weight rozwiązują ten problem, ponieważ dają pełne prawa własności intelektualnej i pozwalają uruchamiać system na własnej infrastrukturze lub w prywatnej chmurze. Przedsiębiorstwo samo decyduje wtedy, co dzieje się z logami i danymi wejściowymi. Zdaniem Krishi właśnie dlatego obserwujemy obecnie wyraźny wzrost inwestycji w infrastrukturę AI działającą na miejscu — trend, który będzie się nasilał wraz z rosnącą świadomością kosztów i ryzyk związanych z zewnętrznymi dostawcami.

Wniosek płynący z wypowiedzi dyrektora IBM jest jasny: rynek dojrzewa. Firmy przestają kupować AI pod wpływem emocji, a zaczynają analizować, czy wydatki przekładają się na konkretne rezultaty. Otwarte modele, oferujące zbliżoną jakość przy znacznie niższym koszcie, stają się dla wielu organizacji rozsądnym wyborem — zwłaszcza gdy dochodzi do głosu troska o kontrolę nad danymi.