Ile kosztuje agent AI w firmie

Cena z cennika to nie cena, którą się płaci

Gdy pada pytanie, ile kosztuje agent AI, pierwszą odpowiedzią jest niemal zawsze miesięczny abonament. To niepełny obraz. Autonomiczny agent AI w środowisku produkcyjnym sumuje kilka pozycji kosztowych, które nigdy nie pojawiają się na tej samej fakturze: inferencję modelu, abonament platformy, czas integracji, ludzki nadzór i długoterminowe utrzymanie. EY, w analizie kosztów tokenów w firmach, dobrze podsumowuje ten problem: te całkowite koszty pozostają strukturalnie niewidoczne, ponieważ rozpraszają się na kilka budżetów, które nigdy nie są konsolidowane w jednym miejscu (źródło: EY, "Agentic AI enterprise token costs", https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs, dostęp 2026-09-04).

Pozycja 1: inferencja LLM, cena tokenów

To najbardziej widoczna i najgorzej rozumiana pozycja. Każde rozumowanie agenta (planowanie, decyzja, wywołanie narzędzia) zużywa tokeny, rozliczane przez dostawców modeli za milion tokenów, z inną ceną za wejście (to, co wysyła się do modelu) i wyjście (to, co on generuje). Oto publiczne ceny obowiązujące 4 września 2026 roku.

W API Anthropic (źródło: Claude, strona z cennikiem, https://claude.com/pricing, dostęp 2026-09-04): Claude Haiku 4.5 jest rozliczany na poziomie 1 dolara za milion tokenów wejściowych i 5 dolarów za wyjściowe. Claude Sonnet 5 kosztuje 2 dolary za wejście i 10 dolarów za wyjście. Claude Opus 5, najbardziej zaawansowany model, kosztuje 5 dolarów za wejście i 25 dolarów za wyjście.

W API OpenAI (źródło: OpenAI, dokumentacja cennika, https://developers.openai.com/api/docs/pricing, dostęp 2026-09-04): GPT-5 kosztuje 1,25 dolara za wejście i 10 dolarów za wyjście. GPT-5.4 kosztuje 2,50 dolara za wejście i 15 dolarów za wyjście. GPT-5.5 kosztuje 5 dolarów za wejście i 30 dolarów za wyjście.

Te liczby dają rząd wielkości, a nie ostateczny budżet: agent, który planuje, wywołuje kilka narzędzi i ponownie odczytuje własne wyniki, może zużyć kilkadziesiąt tysięcy tokenów na jedno zadanie. EY ilustruje ten dryf przykładem, który sam przedstawia jako ilustrację, a nie zweryfikowaną średnią rynkową: rozmowa z klientem, która w 2023 roku kosztowała 0,04 dolara, wzrosła do około 1,20 dolara w 2026 roku, czyli razy 30, ze względu na rosnącą złożoność orkiestracji agentowych (to samo źródło co powyżej). To właśnie sprawia, że opcja BYOK jest atrakcyjna dla firm, które chcą zachować kontrolę nad tą pozycją: pozwala bezpośrednio podłączyć własny klucz API dostawcy inferencji, opcja BYOK, z rozliczeniem, które podąża wtedy za cennikiem wybranego dostawcy zamiast za pakietem kredytów.

Aspekt często pomijany w tym rachunku: cena za milion tokenów nic nie mówi o rzeczywistym wolumenie zużywanym przez agenta. Agent wsparcia, który jednorazowo odpowiada na proste pytanie, zużywa niewiele. Agent, który planuje zadanie, wywołuje trzy narzędzia, ponownie odczytuje swoje wyniki i poprawia własny szkic, może pomnożyć ten wolumen dziesięciokrotnie lub dwudziestokrotnie w ramach jednego zapytania. To właśnie ta mechanika, bardziej niż cennik dostawcy, tłumaczy, dlaczego rachunek za inferencję agenta produkcyjnego często zaskakuje na plus tych, którzy wyliczyli budżet projektu wyłącznie na podstawie ceny katalogowej.

Pozycja 2: platforma i sloty

Do inferencji dochodzi koszt samej platformy: środowiska, które hostuje agenta, zarządza jego uprawnieniami, połączeniami z narzędziami, historią i obserwowalnością. To nie to samo co cena tokenów, to cena infrastruktury, która sprawia, że agent jest użyteczny i sterowalny na co dzień, a nie jest zwykłym skryptem wywołującym API modelu. W Atako ta pozycja jest rozliczana za aktywnego agenta, z pulą kredytów inferencji wliczoną co miesiąc. Dokładne szczegóły progów cenowych widoczne są na stronie z cennikiem. To powszechny model wśród platform agentowych: płaci się za capacity, czyli ile agentów może działać jednocześnie, a nie za liczbę pracowników, którzy z nich korzystają.

Pozycja 3: integracja z istniejącymi narzędziami

Agent, który rozmawia tylko sam ze sobą, nie ma żadnej wartości. Musi czytać CRM, zapisywać dane w narzędziu do ticketingu, publikować w kanale rozmowy. Każde połączenie wymaga konfiguracji: utworzenia dostępów API lub OAuth, precyzyjnego zdefiniowania, co agent ma prawo robić, nie tylko do czego ma dostęp, a następnie przetestowania, czy działa to na rzeczywistych przypadkach. Ta praca jest często niedoszacowana w momencie wstępnej wyceny projektu, choć bezpośrednio decyduje o tym, czy agent jest naprawdę użyteczny, czy pozostaje gadżetem, który dobrze wypada w demo, ale nigdy nie dotyka prawdziwych systemów firmy.

Ta pozycja różni się ogromnie w zależności od liczby narzędzi do podłączenia i ich złożoności. Podłączenie agenta do jednego dobrze udokumentowanego systemu, z prostą autoryzacją przez klucz API, zajmuje kilka godzin. Mnożenie połączeń, z systemami wymagającymi każdy własnej konfiguracji (subdomena, region, uprawnienia specyficzne dla obiektu), podnosi tę pozycję znacznie szybciej, niż sugerowałaby sama liczba narzędzi. To jeden z argumentów za platformą, która już uprzemysłowiła szeroki katalog gotowych do użycia łączników, zamiast budować każdą integrację od nowa we własnym zakresie.

Pozycja 4: nadzór ludzki

Agent autonomiczny to nie agent bez kontroli. Najbardziej wrażliwe działania, wysłanie zimnego e-maila do klienta, publikacja treści publicznej, zmiana danych fakturowania, zasługują na punkt zatwierdzania przez człowieka przed wykonaniem, przynajmniej na początku. Ten czas nadzoru ma realny koszt, często liczony w godzinach pracowników, którzy sprawdzają, zatwierdzają lub poprawiają pracę agenta. Zwykle maleje wraz ze zdobywanym zaufaniem, ale nigdy nie znika całkowicie: governance i zabezpieczenia są częścią całkowitego kosztu, nie opcjonalnym dodatkiem. To też jeden z czynników, które Gartner wymienia, tłumacząc, dlaczego ponad 40% projektów AI agentowej ma zostać porzuconych do końca 2027 roku: niedoszacowane na starcie koszty governance i kontroli ryzyka (źródło: Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, dostęp 2026-09-04).

Pozycja 5: długoterminowe utrzymanie

Wdrożony agent nigdy nie jest gotowy raz na zawsze. Instrukcje, które mu się nadaje, trzeba dostosowywać, gdy zmienia się proces. Łączniki się psują, gdy zewnętrzny dostawca zmienia swoje API. Dzienniki aktywności trzeba monitorować, aby wychwycić odchylenia, zanim staną się incydentami. Ta pozycja utrzymania jest tą, o której osoby odpowiedzialne za projekt zapominają najbardziej systematycznie przy liczeniu budżetu, ponieważ nie pojawia się przy starcie: płaci się ją miesiąc po miesiącu, w postaci czasu inżyniera lub administratora, który pilnuje tego, co działa.

Zbudować samodzielnie czy skorzystać z platformy

Wobec tej listy istnieją dwie drogi. Budowa we własnym zakresie: samodzielne złożenie wywołania modelu, zarządzania uprawnieniami, obserwowalności i łączników, z dedykowanym zespołem technicznym. Albo skorzystanie z platformy, która już uprzemysłowiła te elementy i rozlicza abonament za agenta zamiast projektu inżynieryjnego szytego na miarę. Wybór zależy przede wszystkim od liczby docelowych agentów i rzadkości przypadków użycia: im bardziej standardowe są potrzeby (wsparcie, HR, monitoring), tym mniej uzasadniona jest budowa na miarę. To porównanie rozwijamy szczegółowo w osobnym artykule. W każdym razie, zanim zapadnie decyzja, lepiej dysponować realistyczną wyceną pięciu powyższych pozycji niż jedną ceną abonamentu wyeksponowaną dużą czcionką na stronie marketingowej.