Najczęstszym błędem w ekonomice wdrożeń AI jest traktowanie ceny inferencji jako kosztu. Gdy karta modelu podaje dziesięć centów za odpowiedź, decyzja wydaje się prosta: zadanie obsługi klienta, za które człowiekowi płaci się pięć dolarów w pełni obciążonego kosztu pracy, wygląda na pięćdziesiąt razy tańsze w automatyzacji. Policz to uczciwie, a różnica jest bliższa trzy do jednego, czasem jeden do jednego, a w niemałej części zadań AI przegrywa na samym koszcie, zanim w ogóle zaczniesz mierzyć jakość.
Ten wpis przedstawia framework, którego Wagecore używa do obliczenia rzeczywistego kosztu operacyjnego zastąpienia zadania przez AI. Żaden z tych elementów nie jest z osobna nowy — każda pozycja pojawia się w analizach post-mortem nieudanych wdrożeń AI. Wkład polega na zebraniu ich w jednym miejscu i na zobowiązaniu się do liczbowych szacunków, tak by odpowiedź nie brzmiała jedynie "to więcej, niż myślisz".
Linia tokenów to widoczne 10%
Weźmy konkretny przypadek. Starszy agent wsparcia w firmie SaaS obsługuje mniej więcej 30 zgłoszeń dziennie, średnio po 600 tokenów wejściowych + 300 wyjściowych na każde, w ramach jednej lub dwóch wymian uzupełniających. Przy obecnych cenach modeli z pierwszej linii daje to rzędu 0,04 USD na zgłoszenie w surowym wydatku na model. Przy 30 zgłoszeniach dziennie i 22 dniach roboczych w miesiącu — około 26 USD na agenta miesięcznie w tokenach. Wobec w pełni obciążonej pensji 7500 USD miesięcznie oszczędność wygląda absurdalnie.
Ta liczba jest też błędna, ponieważ model to jedna z dziewięciu rzeczy, które kosztują pieniądze, gdy faktycznie go wdrażasz. Oto, co zostaje pominięte.
Nadzór
Każde zgłoszenie obsłużone przez AI albo (a) rozwiązuje się samo z wysoką pewnością, albo (b) trafia do człowieka do przeglądu, albo (c) eskaluje wprost do człowieka. W pierwszym dniu wdrożenia większość zespołów potrzebuje 100% przeglądu przez człowieka, dopóki kalibracja nie będzie solidna; dojrzałe wdrożenia utrzymują przegląd w dolnym paśmie 20–40% pewności plus 5% losowego audytu. Jeśli recenzent poświęca 45 sekund na audytowaną odpowiedź, a pula recenzentów kosztuje 30 USD/godz. z obciążeniami, wychodzi 0,38 USD na audytowane zgłoszenie. Audytuj 30% zgłoszeń, a dodałeś więcej kosztu niż sam model.
Ponawianie
Wdrożenia produkcyjne nie wykonują jednego wywołania modelu na zadanie — wykonują od jednego do pięciu. Jest wywołanie początkowe, często przebieg samosprawdzenia, czasem pętla krytyki i przepisania, a w agentach korzystających z narzędzi krok planowania plus wywołania narzędzi plus podsumowanie. Dobrze oprzyrządowany agent wsparcia, który bierzemy za benchmark, wykonuje średnio 3,4 wywołania modelu na rozwiązane zgłoszenie i 8,7 na zgłoszenie eskalowane. Pomnóż koszt tokenów odpowiednio.
Koszt błędu
To pozycja, która rozbija więcej wdrożeń niż jakakolwiek inna. Pewna siebie błędna odpowiedź AI nie jest równoważna błędnej odpowiedzi człowieka; jest gorsza, bo klient w nią wierzy i na jej podstawie działa. Spory o zwrot, które rozwiązałyby się gładko przeprosinami, zamieniają się w chargebacki, gdy AI powiedziała klientowi, że jego zwrot został już przetworzony. Sprawy odzyskiwania konta, w których AI halucynuje krok weryfikacji, generują zgłoszenia dwukrotnie — sprawa pierwotna i sprzątanie po niej. Wycofanie przez Klarnę w maju 2025 jej wdrożenia obsługi klienta opartego na AI z 2024 to najgłośniejszy publiczny przypadek do tej pory: dyrektor generalny przyznał, że jakość wyników spadła, i zaczął z powrotem zatrudniać ludzi. Klarna nie ujawniła leżącej u podstaw różnicy we wskaźniku ponownych zgłoszeń, ale jakościowy wzorzec — praca porządkowa nad złożonymi zgłoszeniami napędzająca wycofanie, a nie oszczędności na prostych zgłoszeniach — jest spójny z tym, co widzimy w pokrewnych analizach post-mortem.
Koszt błędu modelujemy jako mnożnik czasu, jaki starszy człowiek potrzebuje, by przejrzeć ślad błędnej odpowiedzi i albo eskalować, albo naprawić relację. Dla zadania skierowanego do klienta mnożnik wynosi zwykle 2–5× bazowego czasu rozwiązania tej samej sprawy; dla zadania back-office bez klienta w pętli jest bliższy 1–2×.
Narzut integracji
AI nie czyta zgłoszeń z dokumentu Word. Czyta je z CRM przez API, z uwierzytelnianiem, limitami zapytań, wersjonowaniem schematu i warstwą wyszukiwania nad bazą wiedzy firmy. Tę warstwę muszą zbudować i utrzymywać inżynierowie. Zamortyzowany na wolumenie zgłoszeń pojedynczego zespołu, poważny wysiłek integracyjny kosztuje 20–60 tys. USD w początkowej budowie plus 10–30% bieżącego czasu inżyniera. W zespole 50 agentów daje to około 1,50 USD na zgłoszenie w stanie ustalonym, w naszej kalibracji.
Orkiestracja i uzależnienie od dostawcy
Konfiguracje wielomodelowe, łańcuchy fallback, rejestry szablonów promptów, infrastruktura ewaluacyjna. Nic z tego nie jest darmowe. Szacujemy tę pozycję zachowawczo na 0,20–0,80 USD na rozwiązane zgłoszenie, zależnie od etapu firmy. Solidna infrastruktura ewaluacyjna zwraca się, ale pozycja kosztowa AI i tak się pojawia.
Składanie pozycji razem
Z tymi pięcioma konkretnymi dodatkami i rozsądnymi założeniami dla punktu środkowego — 30% wskaźnika audytu, 3,4 wywołania modelu na rozwiązane zgłoszenie, 8,7 na eskalowane, 20% wskaźnika eskalacji, mnożnik kosztu błędu 3× na 12% przypadków, które idą źle — przykład wsparcia przesuwa się z 26 USD/agenta miesięcznie w tokenach do około 1800 USD/agenta miesięcznie w ujęciu całkowitym. To wciąż taniej niż człowiek za 7500 USD, ale stosunek wynosi 4 do 1, a nie 290 do 1. A matematyka pogarsza się, gdy wspinasz się po łańcuchu wartości. Dla ról, w których błędne odpowiedzi wyrządzają realną szkodę — doradztwo finansowe, triaż medyczny, przegląd prawny — pozycja kosztu błędu dominuje, a wdrożenie przegrywa na koszcie, zanim w ogóle policzysz pensję.
Wzorzec jest ogólny: wraz ze wzrostem złożoności zadania linia kosztu inferencji pozostaje mniej więcej płaska (dłuższe prompty, więcej kontekstu, ale nie 10× więcej), podczas gdy każda inna pozycja skaluje się superliniowo. Audyt trwa dłużej, bo recenzenci muszą faktycznie przeczytać sprawę. Ponowienia mnożą się, bo model potrzebuje więcej kroków, by obsłużyć sprawę. Koszt błędu eksploduje, bo przypadki, które idą źle, to te, w których stawka jest najwyższa. Zanim dojdziesz do starszej pracy umysłowej, koszt operacyjny to niemal w całości czas-człowieka-wokół-AI, a model stał się najtańszym składnikiem własnego wdrożenia.
Gdzie AI naprawdę wygrywa na koszcie
Trzy profile zadań konsekwentnie wychodzą na prowadzenie przy takim rachunku:
- Ograniczone, powtarzalne, o niskiej stawce. Zadania kategoryzacji, w których pomyłka jest tania (np. skierowanie wewnętrznego e-maila). Wskaźniki audytu mogą być niskie, koszt błędu minimalny, integracja płytka.
- Redagowanie pod przeglądem człowieka. AI tworzy pierwszą wersję, człowiek doprowadza ją do końca na ostatnich 30%. Obie linie kosztu (model + przegląd człowieka) pozostają ograniczone, bo człowiek i tak miał na to spojrzeć.
- Agregacja i wyszukiwanie. Wydobycie właściwych dokumentów, streszczenie wczorajszych zgłoszeń, odnalezienie właściwej polityki. AI zastępuje interfejs wyszukiwania, a nie pracownika, i zastępuje go dobrze, bo błędy wyszukiwania zwykle ujawniają się szybko.
Każdy z tych przypadków mapuje się czysto na klasę substytucji w taksonomii Wagecore: ai-augmented (redagowanie), human-led + ai-assisted (agregacja) oraz wąskie pasmo prawdziwie replaceable pracy (przypadek ograniczony i o niskiej stawce). Poza nimi matematyka mówi: wstrzymaj się.
Co zmienia odpowiedź w czasie
Trzy rzeczy poruszają linią kosztu operacyjnego:
Cena inferencji. Koszt tokenów spadał o mniej więcej 10× co 18–24 miesiące dla porównywalnej wydajności. To przesuwa linię modelu, ale nie dotyka audytu, ponawiania ani kosztu błędu — więc dla zadań o wysokiej stawce ledwie zmienia werdykt.
Narzędzia ewaluacyjne i orkiestracyjne. Lepsze ewaluacje wyraźnie zmniejszają komponent wskaźnika audytu; to obecnie linia o najwyższej dźwigni do optymalizacji. Przejście z 30% do 10% wskaźnika audytu w dojrzałym wdrożeniu to realna zmiana kosztu.
Reżim odpowiedzialności i regulacji. Gdy AI jest prawnym rejestratorem, mnożnik kosztu błędu rośnie. Gdy AI jest używana jako wsparcie decyzji z wyraźnym człowiekiem w pętli, maleje. To linia, która porusza się polityką, a nie technologią.
Sedno sprawy
Wycena wdrożeń AI na podstawie karty modelu to odpowiednik wyceny samochodu po cenie z metki i pominięcia paliwa, ubezpieczenia, amortyzacji i osoby, której musisz płacić za prowadzenie. Koszt operacyjny ma znaczenie, bo to on decyduje, czy wdrożenie przetrwa pierwsze sześć miesięcy. Role, w których AI jest "3–10× tańsza od człowieka" w praktyce, to role, w których demo było uczciwe co do swojego zakresu. Większość ról, zwłaszcza tych, na które dyskurs uporczywie celuje, wygląda znacznie bardziej jak 4 do 1 — realna oszczędność, realna wartość, ale nie zastąpienie i nie darmowe.
Wagecore liczy tę wersję kalkulacji dla poszczególnych ról, używając tych samych kategorii operacyjnych przedstawionych tutaj. Jeśli chcesz zobaczyć, jak wygląda matematyka konkretnie dla twojej pracy, kreator działa w dwie minuty, a metodologia jest opublikowana. Możesz też przeczytać metodologię i nie zgodzić się z naszymi szacunkami poszczególnych pozycji — aktualizujemy je kwartalnie w oparciu o to, co mówią dane.