Koszt używania AI w firmie rośnie nie dlatego, że pojedynczy token jest drogi, lecz dlatego, że zużycie rośnie szybciej, niż spada cena jednostkowa. To praktyczna wersja paradoksu Jevonsa: większa efektywność obniża koszt użycia zasobu, lecz jednocześnie uruchamia nowe zastosowania i zwiększa całkowity popyt. W 2026 roku ten mechanizm widać już w narzędziach agentowych, w rozliczeniach opartych na zużyciu oraz w doniesieniach o firmach ograniczających dostęp do najbardziej kosztownych narzędzi AI. Dla decydenta wniosek jest powściągliwy: abonament przestaje być wystarczającą miarą kosztu AI, a controlling zużycia staje się osobną kompetencją finansowo-operacyjną. Ten tekst opisuje przede wszystkim koszt na poziomie zużycia tokenów i pracy agentowej, a nie koszt infrastruktury obliczeniowej czy energii, które rządzą się częściowo innymi prawami.
Kluczowe wnioski
- ✓ Cena tokenu spada, lecz rachunki rosną, bo zużycie rośnie szybciej: to paradoks Jevonsa zastosowany do AI (mechanizm opisany przez W.S. Jevonsa, 1865; do AI odniósł go m.in. Satya Nadella, styczeń 2025).
- ✓ Zadania agentowe potrafią zużyć około 1000 razy więcej tokenów niż zwykła rozmowa z modelem, a dwa uruchomienia tego samego zadania różnią się nawet 30-krotnie (Microsoft Research, „How Do AI Agents Spend Your Money?”, arXiv 2604.22750, kwiecień 2026).
- ✓ Wyższe zużycie tokenów nie oznacza wyższej jakości: dokładność zwykle osiąga szczyt przy średnim koszcie i nasyca się przy wyższym (to samo badanie).
- ✓ Rozliczenie za zużycie staje się coraz ważniejszym modelem, zwłaszcza tam, gdzie pojawiają się agenci i praca w tle: Microsoft 365 Copilot Cowork przeszedł na ten model 16 czerwca 2026, a GitHub Copilot 1 czerwca 2026 (Microsoft 365 Blog, 2026; GitHub Blog, 2026).
- ✓ Produktywność narzędzia działa przeciwko budżetowi: im chętniej zespół używa agenta, tym szybciej znika limit wydatków (przypadki Ubera i Microsoftu, 2026).
Czym jest paradoks Jevonsa w kontekście AI?
Paradoks Jevonsa to obserwacja, że wzrost efektywności wykorzystania zasobu prowadzi do wzrostu, a nie spadku, jego całkowitego zużycia. Sformułował ją angielski ekonomista William Stanley Jevons w 1865 roku, analizując zużycie węgla. Pokazał, że sprawniejsze maszyny parowe nie zmniejszyły zużycia węgla, lecz je zwiększyły, bo obniżyły koszt jego użycia i otworzyły nowe zastosowania.
W odniesieniu do AI ten sam schemat rozkłada się na trzy efekty (za analizami rynkowymi, m.in. Northeastern University, 2025):
- Efekt bezpośredni: tańszy i szybszy model sprawia, że dotychczasowi użytkownicy robią więcej tego samego.
- Efekt odbicia (rebound): część oszczędności czasu i kosztu zostaje przeznaczona na większą liczbę zadań, co częściowo niweluje oszczędność.
- Efekt odwrócenia (backfire): popyt rośnie bardziej niż sama oszczędność, więc całkowite zużycie zasobu rośnie mimo niższego kosztu jednostkowego.
Paradoks Jevonsa nie oznacza, że każdy wzrost efektywności automatycznie zwiększa rachunek. Działa wtedy, gdy niższy koszt jednostkowy uruchamia wystarczająco duży wzrost popytu lub nowe zastosowania; jeśli popyt rośnie wolniej niż spada cena, rachunek całkowity może się obniżyć.
Termin wrócił do języka biznesu po styczniu 2025 roku, gdy prezes Microsoftu Satya Nadella odniósł go publicznie do AI w reakcji na tani model DeepSeek (NPR, Planet Money, luty 2025). Warto jednak pamiętać, że stosowanie paradoksu Jevonsa do AI bywa kwestionowane: badacze wskazują, że bywa „używany retorycznie” przez obie strony sporu, a pełny obraz wymaga analizy całego cyklu życia, nie hasła (Luccioni, Strubell, Crawford, FAccT 2025).
Dlaczego rachunki za AI rosną, mimo że cena tokenu spada?
Rachunki rosną, ponieważ zużycie tokenów rośnie szybciej niż spada ich cena, a najsilniejszym mnożnikiem zużycia jest praca agentowa. Zwykłe zapytanie jest tanie, bo model odpowiada raz i kończy. Agent działa inaczej: planuje, uruchamia narzędzia, sprawdza wynik, poprawia i powtarza cykl, a zużycie mnoży się z każdym krokiem.
Skalę pokazuje pierwsze systematyczne badanie tego zjawiska. Microsoft Research przeanalizował przebiegi działania ośmiu czołowych modeli w zadaniach programistycznych (SWE-bench Verified) i ustalił, że zadania agentowe są wyjątkowo kosztowne tokenowo, a koszt napędzają głównie tokeny wejściowe, nie wyjściowe (Microsoft Research, „How Do AI Agents Spend Your Money?”, arXiv 2604.22750, kwiecień 2026).
| Tryb użycia modelu | Względne zużycie tokenów | Uwaga |
|---|---|---|
| Czat / rozumowanie nad kodem | punkt odniesienia (1x) | jedna odpowiedź, koniec |
| Zadanie agentowe | do ok. 1000x więcej | mnożnik z wielu kroków i narzędzi |
| Powtórzenie tego samego zadania | rozrzut do 30x | zużycie jest stochastyczne |
Źródło danych w tabeli: Microsoft Research, arXiv 2604.22750 (2026); pomiar dotyczy zadań programistycznych, więc liczb nie należy bezkrytycznie przenosić na inne typy pracy.
Najważniejszy wniosek dla controllingu jest kontrintuicyjny: więcej tokenów nie znaczy lepiej. W tym badaniu dokładność osiągała szczyt przy pośrednim poziomie wydatku i nasycała się przy wyższym, a same modele słabo przewidywały własne zużycie i systematycznie je zaniżały. Token jest więc miarą kosztu, nie produktywności.
Co zmienia rozliczenie za zużycie w modelu kosztowym?
Rozliczenie za zużycie (usage-based) przenosi koszt z przewidywalnej opłaty za użytkownika na zmienną opłatę za faktyczną pracę modelu. W praktyce oznacza to, że ten sam pracownik może w jednym miesiącu kosztować kilkukrotnie więcej niż w innym, zależnie od liczby i złożoności uruchomionych zadań.
Kierunek rynku jest tu wyraźny. Microsoft 365 Copilot Cowork wszedł na rozliczenie za zużycie 16 czerwca 2026 roku: koszt zadania liczony jest w „Copilot Credits” (0,01 USD za kredyt w modelu pay-as-you-go), a o jego wysokości decydują cztery czynniki: użyty model, ilość pobieranego kontekstu, liczba wywołań narzędzi oraz czas działania (Microsoft 365 Blog, czerwiec 2026). Klienci programu Frontier mieli czas na konfigurację billingu do 1 lipca 2026, inaczej dostęp do Cowork jest wstrzymywany (Microsoft Learn, 2026). Podobnie GitHub Copilot przeszedł 1 czerwca 2026 z „premium requests” na GitHub AI Credits, konsumowane na podstawie zużycia tokenów: wejściowych, wyjściowych oraz buforowanych (GitHub Blog, kwiecień 2026).
Nowa klasa narzędzi pogłębia ten trend. Microsoft Scout, zaprezentowany na konferencji Build 2026 jako pierwszy agent typu „Autopilot”, działa w tle według ustalonego harmonogramu i pod własną tożsamością, a Microsoft zapowiada jego rozliczenie zależne od zużycia (Microsoft, 2026). Wzmacnia to znaczenie kontroli kosztów, bo agent działający w tle może generować zużycie także poza aktywną sesją użytkownika.
| Kryterium | Abonament (za użytkownika) | Rozliczenie za zużycie |
|---|---|---|
| Przewidywalność rachunku | wysoka, stała | niska, zmienna |
| Koszt intensywnego użycia | rozłożony | rośnie wprost z aktywnością |
| Właściwa jednostka kontroli | liczba licencji | koszt na zadanie/proces |
| Ryzyko „bill shock” | niskie | realne bez limitów |
Jak policzyć realny koszt zadania AI?
Koszt zadania AI to całkowity koszt wykonania konkretnego procesu przez model lub agenta, obejmujący tokeny, pobrany kontekst, wywołania narzędzi, czas działania, licencje oraz weryfikację człowieka. W praktyce firma powinna mierzyć koszt na proces, a nie tylko koszt na użytkownika, bo to proces (a nie etat) zużywa tokeny.
| Składnik kosztu | Co mierzyć | Dlaczego ma znaczenie |
|---|---|---|
| Tokeny wejściowe | wielkość promptu, plików, historii, kontekstu | w agentach to często główny koszt |
| Tokeny wyjściowe | długość odpowiedzi, raportów, kodu | łatwe do kontroli limitami |
| Pobranie kontekstu | dane z maili, plików, CRM, repozytoriów | więcej źródeł, wyższy koszt |
| Wywołania narzędzi | liczba akcji agenta | każde narzędzie uruchamia kolejne kroki |
| Czas działania | długość procesu agentowego | praca w tle generuje koszt bez udziału użytkownika |
| Poprawki i powtórzenia | liczba ponownych uruchomień | tani model bywa drogi, jeśli wymaga wielu prób |
| Nadzór człowieka | czas weryfikacji wyniku | AI nie usuwa kosztu kontroli jakości |
Podział czterech pierwszych składników (model, kontekst, narzędzia, czas) odpowiada wprost sposobowi naliczania kosztu w Copilot Cowork (Microsoft 365 Blog, 2026). Pozostałe trzy (tokeny wyjściowe, powtórzenia, nadzór człowieka) wynikają z mechaniki pracy agentowej opisanej w badaniach kosztu tokenów (Microsoft Research, 2026). Im pełniejszy ten rachunek, tym mniejsze ryzyko, że rzeczywisty koszt procesu zaskoczy firmę po fakcie.
W tym rachunku łatwo pominąć koszt niegotowych danych. Gartner przewidywał (komunikat z lutego 2025), że w okresie do 2026 roku organizacje porzucą 60% projektów AI, które nie są wspierane przez dane gotowe do użycia w AI (Gartner, 2025). To nie znaczy, że upadnie 60% wszystkich projektów AI: warunkiem jest brak danych przygotowanych pod wdrożenie modelu lub agenta. Dla pełnego obrazu kosztu ma to znaczenie, bo firma może jednocześnie płacić więcej za zużycie modeli i tracić budżet na pilotaże, które nie wchodzą do produkcji, gdy dane są rozproszone, niespójne lub niezarządzane. Przewagę mają wtedy nie dostawcy „AI na skróty”, lecz zespoły, które najpierw porządkują dane, proces i odpowiedzialność za wynik.
Co pokazują doniesienia o Uberze i Microsofcie?
Doniesienia o Uberze i Microsofcie pokazują, że problem kosztów AI nie wynika wyłącznie z ceny modeli, lecz z intensywności użycia. Gdy narzędzie jest naprawdę użyteczne, pracownicy uruchamiają je częściej, do większej liczby zadań i w bardziej agentowych scenariuszach. Wtedy sukces adopcji może stać się problemem budżetowym, a koszt rośnie nie z powodu ceny tokenu, lecz skali jego zużycia.
Uber jest tu najczęściej przywoływanym przykładem. Według doniesień The Information (kwiecień 2026), cytowanych później przez Fortune i serwisy branżowe, dyrektor ds. technologii Praveen Neppalli Naga miał przekazać, że firma wyczerpała zaplanowany roczny budżet na programistyczne narzędzia AI w cztery miesiące. Adopcja Claude Code w jego około 5-tysięcznej organizacji inżynierskiej wzrosła do około 84% do marca, a koszt na inżyniera miał wynosić od 500 do 2000 USD miesięcznie. Tej liczby nie potwierdza oficjalne sprawozdanie Ubera, więc traktuj ją jako relację prasową, nie dane finansowe spółki.
Microsoft pokazuje inny wariant tego samego napięcia: nawet firma budująca własny ekosystem AI może ograniczać zewnętrzne narzędzia, jeśli ich skala użycia, koszt lub governance przestają pasować do modelu operacyjnego. Według doniesień The Verge firma zaczęła wygaszać większość wewnętrznych licencji Claude Code, szczególnie w obszarze Experiences and Devices, z terminem do 30 czerwca 2026 i kierować inżynierów do GitHub Copilot CLI (The Verge, 2026). Oficjalnym motywem było ujednolicenie narzędzi, lecz źródła branżowe wskazywały również na koszt. To doniesienie medialne, nie komunikat firmy, więc warto traktować je jako sygnał, nie pełne case study. Sam sygnał jest jednak nietypowy: narzędzie ograniczono nie dlatego, że było używane za rzadko, lecz dlatego, że było używane zbyt intensywnie.
Co to oznacza dla różnych sektorów?
Skutki rozkładają się nierówno, bo zależą od tego, jak intensywnie dany sektor zamienia pracę ludzi na pracę agentów. Poniżej trzy różne konteksty.
Finanse i sektory regulowane
Dla dyrektora finansowego zmiana jest fundamentalna: koszt AI przestaje być stałą pozycją „licencje” i staje się kosztem zmiennym, bliższym chmurze niż oprogramowaniu biurowemu. W instytucjach objętych wymogami odporności operacyjnej i nadzoru nad dostawcami (na przykład w ramach DORA) dochodzi drugi wymiar: przewidywalność i kontrola wydatków na zewnętrzne usługi AI stają się elementem zarządzania ryzykiem, nie tylko budżetem. Minimalny zestaw to limity wydatków, raport kosztu na proces oraz dobór modelu do zadania.
Software i IT
Zespoły inżynierskie odczuwają paradoks Jevonsa najszybciej, bo praca agentowa jest tu najbardziej zaawansowana. Kluczowe ryzyko to premiowanie zużycia zamiast efektu: jeśli organizacja ocenia inżynierów przez liczbę uruchomień AI, zoptymalizują oni właśnie tę liczbę. Wnioski z badania Microsoft Research sugerują odwrotny kierunek: skoro dokładność nie rośnie liniowo z kosztem, sensowniejsze są krótsze, dobrze zakresowane sesje niż maksymalizacja tokenów.
Life sciences i badania kliniczne
W organizacjach pracujących na danych wrażliwych, na przykład w CRO obsługujących badania kliniczne, racjonowanie dostępu do AI bywa podyktowane nie tylko kosztem, lecz także nadzorem nad danymi. Tu naturalnie pojawia się napięcie: ograniczanie dostępu do najmocniejszych modeli obniża rachunek, lecz może obniżyć też jakość pracy, więc decyzja wymaga jawnego kryterium, a nie domyślnego cięcia.
Kluczowe pytania i decyzje
Czy wdrażać „agenta AI dla każdego pracownika” już teraz?
Tak, jeśli proces jest wąsko zakresowany, ma policzalny koszt na zadanie i twarde limity wydatków. Nie, jeśli wdrożenie ma charakter otwarty („niech każdy używa do wszystkiego”), bo wtedy koszt staje się trudny do przewidzenia, a budżet podatny na efekt Jevonsa.
Czy mierzyć koszt pojedynczego zadania, czy wystarczy cena abonamentu?
Mierz koszt na zadanie i na proces, jeśli korzystasz z narzędzi agentowych lub rozliczanych za zużycie. Cena abonamentu wystarcza tylko tam, gdzie użycie jest lekkie i czatowe, bez pracy agentowej w tle.
Czy droższy, mocniejszy model zawsze podnosi koszt?
Niekoniecznie: mocniejszy model bywa tańszy w zadaniu, jeśli rozwiązuje je w mniejszej liczbie iteracji. Tańszy model bywa droższy w skutku, jeśli wymaga wielu prób i powtórzeń, które mnożą tokeny wejściowe.
Kiedy ta analiza się nie sprawdzi
Teza o rosnących kosztach AI ma swoje warunki brzegowe i kontrargumenty:
- Spadek cen może wyprzedzić wzrost zużycia. Jeśli koszt jednostkowy spadnie szybciej, niż rośnie liczba zadań, rachunek całkowity może się ustabilizować. Paradoks Jevonsa opisuje tendencję, nie prawo deterministyczne.
- Tańsze modele dedykowane zmieniają rachunek. Microsoft zapowiedział model Cowork 1, dostrojony do tańszej obsługi typowych zadań (Microsoft 365 Blog, 2026); upowszechnienie takich modeli może obniżyć koszt na zadanie.
- Podaż mocy obliczeniowej działa w obie strony. Anthropic w 2025 roku wprowadzał tygodniowe limity dla najbardziej intensywnych użytkowników Claude (od 28 sierpnia 2025), a 6 maja 2026, po zwiększeniu dostępnej mocy, ogłosił podwojenie pięciogodzinnych limitów Claude Code, usunięcie redukcji w godzinach szczytu oraz podniesienie limitów API dla modeli Opus (Anthropic, maj 2026). To pokazuje drugą stronę kosztu AI: ograniczeniem bywa nie tylko cena, lecz także dostępna moc obliczeniowa, a gdy mocy przybywa, presja po stronie użytkownika słabnie.
- Zastosowanie paradoksu do AI jest sporne. Część badaczy uważa, że właściwym poziomem analizy jest infrastruktura i energia, nie liczba etatów czy zadań (Luccioni i in., 2025).
Czego ten tekst nie twierdzi
- Nie twierdzi, że AI jest nieopłacalna: opisuje, dlaczego koszt staje się zmienny i trudniejszy do przewidzenia, a nie że przewyższa korzyści.
- Nie twierdzi, że rozliczenie za zużycie jest gorsze od abonamentu: oba modele mają zastosowania, a wybór zależy od profilu użycia.
- Nie twierdzi, że liczby z badań programistycznych (1000x, 30x) obowiązują w każdym zastosowaniu AI: to pomiary dla zadań kodowania.
- Nie obiecuje, że jakakolwiek metoda kontroli kosztów zagwarantuje oszczędność: zmniejsza ryzyko, lecz go nie eliminuje.
Podsumowanie
Koszt używania AI w 2026 roku przestał być funkcją ceny abonamentu, a stał się funkcją zużycia. Paradoks Jevonsa, opisany dla węgla w 1865 roku, dobrze tłumaczy obecny obraz: spadająca cena tokenu nie obniża rachunków, bo praca agentowa zwiększa zużycie o rzędy wielkości, a dwa uruchomienia tego samego zadania potrafią różnić się kilkudziesięciokrotnie. Przejście Copilot Cowork i GitHub Copilot na rozliczenie za zużycie oraz przypadki Ubera i Microsoftu pokazują, że to nie scenariusz przyszłości, lecz bieżąca rzeczywistość budżetowa.
Dla decydentów praktyczny wniosek jest powściągliwy, nie alarmistyczny. Warto traktować wydatki na AI jak koszt chmury, a nie jak koszt oprogramowania biurowego: z limitami, raportem kosztu na proces i jawnym kryterium doboru modelu do zadania. Kluczowe jest też porzucenie założenia, że więcej tokenów znaczy lepiej, bo dane wskazują na coś przeciwnego. Żadna z tych praktyk nie gwarantuje oszczędności, lecz każda zwiększa szansę, że rachunek za AI pozostanie pod kontrolą, zanim efekt Jevonsa wymusi reakcję w najgorszym momencie.
O autorze
Remigiusz Pruszczak: ekspert GenAI i trener AI, z wieloletnim doświadczeniem menedżerskim w międzynarodowych instytucjach finansowych; makler papierów wartościowych z uprawnieniami do wykonywania czynności doradztwa inwestycyjnego. Pisze o praktycznym wykorzystaniu generatywnej AI w sektorach regulowanych. Więcej o autorze
Źródła
- William Stanley Jevons, The Coal Question (1865): pierwotne sformułowanie paradoksu.
- Microsoft Research, How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks, 2026: https://arxiv.org/abs/2604.22750
- Microsoft 365 Blog, Copilot Cowork is now generally available, 16 czerwca 2026: https://www.microsoft.com/en-us/microsoft-365/blog/2026/06/16/copilot-cowork-is-now-generally-available/
- Microsoft Learn, Usage-Based Billing and Cost Management for Copilot Credits, 2026: https://learn.microsoft.com/en-us/microsoft-365/copilot/usage-based-billing-overview-copilot-credits
- GitHub Blog (Mario Rodriguez), GitHub Copilot is moving to usage-based billing, 27 kwietnia 2026: https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/
- GitHub Docs, Usage-based billing for individuals (1 AI credit = 0,01 USD; tokeny wejściowe, wyjściowe, buforowane), 2026: https://docs.github.com/en/copilot/concepts/billing/usage-based-billing-for-individuals
- The Verge, Microsoft starts canceling Claude Code licenses (doniesienie medialne), 2026: https://www.theverge.com/tech/930447/microsoft-claude-code-discontinued-notepad
- The Next Web, Microsoft’s quiet Claude Code retreat and the real cost of enterprise AI (doniesienie medialne), 2026: https://thenextweb.com/news/microsoft-claude-code-retreat-ai-cost
- Fortune, Uber burned through its entire 2026 AI budget in four months (doniesienie medialne), 26 maja 2026: https://fortune.com/2026/05/26/uber-coo-ai-spending-tokens-claude-code/
- NPR, Planet Money, Why the AI world is suddenly obsessed with Jevons paradox, luty 2025: https://www.npr.org/sections/planet-money/2025/02/04/g-s1-46018/ai-deepseek-economics-jevons-paradox
- Northeastern University, What is Jevons Paradox?, luty 2025: https://news.northeastern.edu/2025/02/07/jevons-paradox-ai-future/
- Luccioni, Strubell, Crawford, From Efficiency Gains to Rebound Effects: The Problem of Jevons’ Paradox in AI, 2025: https://arxiv.org/abs/2501.16548
- Anthropic, Higher usage limits for Claude and a compute deal with SpaceX, maj 2026: https://www.anthropic.com/news/higher-limits-spacex
- Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 26 lutego 2025: https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
