80% zadań AI na tańszych modelach - OpenAI i Anthropic tracą przed IPO
- Coinbase co-founder Brian Armstrong przewiduje, że 80% zadań AI przeniesie się na modele tańsze o 99% w ciągu 12-18 miesięcy.
- Harvey przetestował mieszanie Claude Opus z GLM 5.1 od Fireworks AI i obciął koszty inferencji trzykrotnie bez pogorszenia jakości.
- Zmiana uderzyłaby bezpośrednio w przychody OpenAI i Anthropic, które właśnie szykują się do IPO.
Prognozy Briana Armstronga mogą zrujnować biznes OpenAI
Co-founder Coinbase Brian Armstrong wrzucił na X prognozę, która spędza sen z powiek szefom wielkich lab: 80% workloadów AI będzie odpalanych na modelach tańszych o 99% już w ciągu 12-18 miesięcy. Pozostałe 20% - tam, gdzie liczy się maksymalny IQ modelu - zostanie przy najnowszych, najdroższych wersjach.
Jeśli ma rację, to ekonomika całej branży staje na głowie. Do tej pory firmy AI konkurowały jakością i defaultowały do najmocniejszego dostępnego modelu. Klienci nie pytali o cenę - bo ceny były mocno dotowane przez inwestorów. Teraz to się zmienia.
Harvey ciął koszty 3x - bez żadnych kompromisów
Legal AI startup Harvey przeprowadził test, który robi wrażenie. We współpracy z platformą inferencji Fireworks AI połączyli Claude Opus z modelem GLM 5.1 od Fireworks - Opus dostaje najtrudniejsze zadania, tańszy model ogarnia resztę. Wynik: koszty inferencji spadły trzykrotnie, jakość bez zmian.
“Jakość jest na pierwszym miejscu i w branży prawniczej zawsze będzie” - powiedział TechCrunch Gabe Pereyra, co-founder Harvey. “Ale definicja jakości ewoluuje - z ‘używamy najmocniejszego modelu do wszystkiego’ na ‘używamy modelu, który daje właściwą odpowiedź najefektywniej’.”
To zdanie robi robotę. Przez lata “jakość” i “najdroższy model” były synonimami. Harvey pokazuje, że niekoniecznie.
Czy to naprawdę wojna open source z proprietarnymi?
Media lubią tę historię jako starcie zachodnich modeli z chińskimi - DeepSeek kontra GPT. Ale Russell Brandom z TechCrunch celnie punktuje: to nie ten podział ma znaczenie. Prawdziwa oś to duże modele kontra małe. Możesz zaoszczędzić przechodząc z GPT-5.5 na DeepSeek V4 Flash, ale przejście na GPT-5.4-mini działa równie dobrze.
Trieje aktywna wojna cenowa między inferencją in-house od wielkich lab a serwowanymi niezależnie modelami open-weight. Ale z perspektywy pytania “duże vs małe” nie ma znaczenia, który tani model wygrywa.
Skalowanie jako dogmat, który właśnie dostał cios
Branża latami żyła “bitter lesson” - zasadą, że więcej compute zawsze wygrywa. Labsy trenowały coraz cięższe modele, pchały granicę możliwości, a klienci i tak brali najlepsze, bo ceny były sztuczne.
Teraz ceny tokenów rosną, dotacje inwestorskie hamują, a enterprise po raz pierwszy odczuwa presję kosztową. To nowe zjawisko - cost-conscious model-shopping - i nikt jeszcze nie wie, jak głęboko sięgnie.
Firmy mają kilka wyjść: przejść na mniejsze modele, rzadziej wywoływać API, skracać kontekst albo po prostu ubijać najmniej obiecujące deploymenty. Każda z tych opcji boli labsy, tylko inaczej.
Co to oznacza dla IPO OpenAI i Anthropic?
Obie firmy szykują się do wyjścia na giełdę. W scenariuszu Armstronga znaczna część oszczędności użytkowników wychodziłaby wprost z kieszeni OpenAI i Anthropic. Mniejsze przychody z inferencji tuż przed IPO to niekomfortowa pozycja negocjacyjna z inwestorami.
Dodatkowo: jeśli 80% zadań można obsłużyć tanim modelem bez utraty jakości, to pojawia się niewygodne pytanie o uzasadnienie kosztów trenowania kolejnych frontier models. Miliardowe runde treningowe muszą się jakoś zwrócić - a popyt na drogi inference właśnie może wyhamować.
Harvey to na razie jeden datapoint. Ale jeśli podobne testy w innych branżach dadzą podobne wyniki, presja na labsy będzie rosła szybko. Brian Armstrong podał konkretne okno czasowe: 12-18 miesięcy.
