Przez ostatnie dwa lata świat sztucznej inteligencji wyglądał dość przewidywalnie. OpenAI, Anthropic, Google - trzy amerykańskie firmy dyktowały tempo i ceny. Jeśli prowadziłeś firmę w Polsce i chciałeś korzystać z zaawansowanego modelu językowego, wybór był ograniczony do kilku dostawców, a ceny ustalane w dolarach, bez negocjacji.
Ten układ właśnie się zmienia. Azjatyckie startupy AI - z Chin, Korei Południowej, Singapuru i Indii - budują własne modele językowe, które w testach porównawczych osiągają wyniki zbliżone do czołowych rozwiązań zachodnich. Robią to mimo ograniczeń eksportowych na zaawansowane chipy, które miały spowolnić rozwój AI poza Stanami Zjednoczonymi. Nie spowolniły. Wymusiły za to kreatywność i optymalizację, co paradoksalnie doprowadziło do powstania modeli bardziej wydajnych, tańszych w utrzymaniu i często lepiej dostosowanych do specyficznych zadań biznesowych.
Dla polskiej firmy zatrudniającej 15, 50 czy 200 osób ta zmiana ma bardzo konkretne konsekwencje. Więcej dostawców to więcej opcji, niższe ceny i mniejsze uzależnienie od jednego ekosystemu. Ale żeby z tego skorzystać, trzeba rozumieć, co się dzieje i jak się do tego przygotować.
Nowi gracze na rynku - kto buduje alternatywne modele AI?
Lista firm, które weszły na rynek z własnymi modelami językowymi, jest dłuższa niż jeszcze rok temu. Chiński DeepSeek już w styczniu 2025 roku pokazał model R1, który w benchmarkach matematycznych i programistycznych dorównywał GPT-4o, a kosztował ułamek ceny. Od tego czasu pojawiły się kolejne iteracje - DeepSeek V3 i modele pochodne, które zaczęły być wykorzystywane komercyjnie w Azji i Europie.
Koreański Naver ze swoim modelem HyperCLOVA X, singapurski Sea AI Lab rozwijający rodzinę modeli SeaLLM, indyjski Krutrim od Ola (tak, od firmy, która zaczynała jako konkurent Ubera) - to tylko kilka przykładów. Każda z tych firm celuje w nieco inny segment rynku, ale wspólny mianownik jest jeden: oferują modele, które działają dobrze, kosztują mniej i są dostępne przez standardowe interfejsy API.
Najnowsza fala to modele określane roboczo jako "Mythos-like" - architektura zoptymalizowana pod kątem efektywności obliczeniowej, która pozwala uruchamiać zaawansowane modele na tańszym sprzęcie. W praktyce oznacza to, że firma z Seulu czy Bangalore może zaoferować model porównywalny z Claude'em 4 od Anthropica, ale za 30-60% niższą cenę za milion tokenów. Według danych z TechCrunch, koszty inferencji u azjatyckich dostawców spadły średnio o 40% w ciągu ostatnich sześciu miesięcy.
Warto dodać kontekst: ograniczenia eksportowe USA na chipy Nvidii (w szczególności na modele A100 i H100) miały zatrzymać rozwój AI w Chinach i innych krajach. Efekt był odwrotny - firmy zaczęły projektować własne chipy (jak Huawei Ascend 910C) i optymalizować architekturę modeli tak, żeby wycisnąć maksimum z dostępnego sprzętu. To klasyczny przykład tego, jak restrykcje handlowe mogą przyspieszyć innowacje zamiast je hamować.
Co to oznacza dla kosztów i dostępności AI w polskich firmach?
Przejdźmy do konkretów. Polska firma, która dziś korzysta z API OpenAI do obsługi klienta, analizy dokumentów czy generowania treści, płaci za model GPT-4o około 2,50 dolara za milion tokenów wejściowych i 10 dolarów za milion tokenów wyjściowych (ceny z połowy 2025 roku). Dla firmy przetwarzającej dziennie tysiące zapytań klientów to może być rachunek rzędu 2000-5000 złotych miesięcznie, w zależności od skali.
Alternatywne modele azjatyckie oferują porównywalne możliwości w cenach niższych nawet o połowę. DeepSeek V3 API kosztuje około 0,27 dolara za milion tokenów wejściowych - to prawie dziesięciokrotnie mniej niż GPT-4o. Oczywiście, nie każdy model nadaje się do każdego zadania. DeepSeek radzi sobie doskonale z analizą danych i programowaniem, ale w generowaniu kreatywnych treści po polsku wciąż ustępuje modelom od OpenAI czy Anthropica. Kluczowe jest testowanie - i tu pojawia się realna szansa dla polskich firm.
Wyobraź sobie biuro rachunkowe z Łodzi, które przetwarza setki faktur miesięcznie. Do ekstrakcji danych z dokumentów nie potrzebuje najdroższego modelu na rynku. Tańszy model azjatycki, odpowiednio skonfigurowany, może wykonać tę samą pracę za ułamek ceny. Z kolei do komunikacji z klientami, gdzie liczy się naturalność języka polskiego, warto zostać przy sprawdzonym dostawcy. Strategia "mix and match" - używanie różnych modeli do różnych zadań - staje się nie tylko możliwa, ale ekonomicznie sensowna.
Firma e-commerce z Krakowa, z którą rozmawiałem w maju, przeszła właśnie taki proces. Używali GPT-4o do wszystkiego - od opisów produktów po klasyfikację zgłoszeń reklamacyjnych. Po testach przenieśli klasyfikację zgłoszeń na tańszy model (w ich przypadku Mistral Large, ale modele azjatyckie dają podobne wyniki), a GPT-4o zostawili tylko do generowania opisów. Miesięczny rachunek spadł z 3800 zł do 1600 zł, przy zachowaniu jakości na poziomie akceptowalnym przez zespół.
Ryzyka i ograniczenia - o czym trzeba pamiętać
Nie wszystko w tej historii jest różowe i byłoby nieodpowiedzialne udawać, że nie ma ryzyk. Oto najważniejsze kwestie, które polska firma powinna rozważyć przed przejściem na alternatywnego dostawcę AI.
Prywatność danych i RODO. Korzystanie z modelu hostowanego w Chinach czy Singapurze rodzi pytania o zgodność z europejskimi przepisami o ochronie danych. DeepSeek miał już problemy z regulatorami w Europie - włoski urząd ochrony danych tymczasowo zablokował dostęp do platformy na początku 2025 roku. Jeśli przetwarzasz dane osobowe klientów, musisz dokładnie sprawdzić, gdzie trafiają dane wysyłane do API i czy dostawca oferuje przetwarzanie w europejskich centrach danych. Część azjatyckich firm już uruchomiła węzły w Europie, ale nie wszystkie.
Stabilność dostawcy. OpenAI czy Google to firmy, które raczej nie znikną z rynku z dnia na dzień. Mały startup z Azji - teoretycznie może. Budując procesy biznesowe na konkretnym API, tworzysz zależność. Dlatego warto projektować systemy tak, żeby wymiana modelu była stosunkowo prosta - to znaczy korzystać z warstw abstrakcji, takich jak LiteLLM czy OpenRouter, które pozwalają przełączać się między dostawcami bez przepisywania kodu.
Jakość w języku polskim. To chyba największe praktyczne ograniczenie. Modele trenowane głównie na danych angielskich i chińskich mogą gorzej radzić sobie z polską odmianą, składnią i kontekstem kulturowym. W testach, które przeprowadzałem na początku 2025 roku, DeepSeek V3 radził sobie z polskim zaskakująco dobrze w zadaniach analitycznych, ale w generowaniu dłuższych tekstów po polsku zdarzały mu się nienaturalne konstrukcje zdań i błędy w odmianie. Sytuacja poprawia się z każdą aktualizacją, ale na dziś nie jest to jeszcze pełna paryteta z GPT-4o czy Claude'em w kontekście polskojęzycznym.
Kwestie prawne i geopolityczne. Ograniczenia eksportowe działają w obie strony. Istnieje ryzyko, że w odpowiedzi na sankcje technologiczne, dostęp do niektórych azjatyckich modeli z Europy może zostać ograniczony lub skomplikowany. To scenariusz mało prawdopodobny w najbliższych miesiącach, ale wart uwzględnienia w długoterminowej strategii.
Jak polskie firmy mogą wykorzystać tę sytuację?
Zwiększona konkurencja na rynku modeli AI to szansa, ale wymaga aktywnego podejścia. Oto konkretne kroki, które polska firma może podjąć już teraz.
Po pierwsze: audyt obecnych kosztów AI. Jeśli korzystasz z API OpenAI, Anthropica czy Google'a, sprawdź dokładnie, ile płacisz i za jakie zadania. Rozbij koszty na kategorie: obsługa klienta, analiza dokumentów, generowanie treści, kodowanie. To da ci mapę, gdzie potencjalne oszczędności są największe.
Po drugie: testy porównawcze na własnych danych. Nie ufaj benchmarkom - testuj modele na swoich prawdziwych przypadkach użycia. Weź 100 zapytań klientów, 50 dokumentów do analizy, 20 opisów produktów do wygenerowania. Przepuść je przez 3-4 modele i porównaj jakość wyników. To jedyny wiarygodny sposób oceny, czy tańszy model sprawdzi się w twoim kontekście.
Po trzecie: buduj z myślą o wymienialności. Projektując systemy oparte na AI, nie wiąż się na stałe z jednym dostawcą. Używaj standardowych formatów zapytań (większość azjatyckich dostawców jest kompatybilna z formatem API OpenAI), stosuj warstwy pośrednie i dokumentuj, które modele używasz do jakich zadań. Dzięki temu, gdy pojawi się lepszy lub tańszy model, przejście zajmie godziny, a nie tygodnie.
Po czwarte: śledź rynek europejskich alternatyw. Nie tylko Azja buduje konkurencję. Francuski Mistral AI, niemiecki Aleph Alpha (choć ten przeszedł pivot w stronę konsultingu) i kilka mniejszych europejskich firm rozwija modele, które mogą być lepiej dopasowane do europejskich wymogów regulacyjnych. Mistral Large 2 w moich testach radzi sobie z polskim naprawdę dobrze i jest dostępny w europejskich centrach danych.
Polskie firmy technologiczne też nie śpią. SpeakLeash - projekt budujący zasoby językowe dla polskiego AI - dostarcza dane treningowe, które mogą poprawić jakość dowolnego modelu w kontekście polskojęzycznym. To inicjatywa, którą warto obserwować, bo może zmienić jakość modeli AI w naszym języku niezależnie od tego, kto jest ich dostawcą.
Podsumowanie
Rynek modeli AI przestaje być oligopolem trzech amerykańskich firm. Azjatyckie startupy, napędzane paradoksalnie przez ograniczenia eksportowe, tworzą konkurencyjne alternatywy, które są tańsze i coraz lepsze. Dla polskich małych i średnich firm to dobra wiadomość - pod warunkiem, że podejdą do tematu z głową.
Nie chodzi o to, żeby jutro porzucić OpenAI i przenieść wszystko na DeepSeek. Chodzi o to, żeby wiedzieć, że masz wybór, i żeby ten wybór był świadomy. Testuj alternatywy, licz koszty, buduj systemy, które nie są uzależnione od jednego dostawcy. Konkurencja na rynku AI działa na twoją korzyść - ale tylko wtedy, gdy z niej aktywnie korzystasz.
Jeśli chcesz przedyskutować, które modele AI najlepiej sprawdzą się w twoim biznesie, albo potrzebujesz pomocy z audytem kosztów - odezwij się. Pomagam polskim firmom nawigować ten rynek od strony praktycznej, nie teoretycznej.
Źródło: Asian AI startups launch Mythos-like models as Anthropic's export ban drags on - TechCrunch