Astronomowie w ostatnich miesiącach dołączyli do grona największych konsumentów mocy obliczeniowej GPU na świecie. Modele AI, które skanują przestrzeń kosmiczną w poszukiwaniu nowych galaktyk, potrzebują takiej samej infrastruktury, jak systemy trenujące ChatGPT czy Claude. Efekt jest dokładnie taki, jakiego można się spodziewać: kolejka po karty NVIDIA H100 i H200 wydłuża się, a ceny idą w górę.
Dla polskich firm, które planują wdrożenie AI w najbliższych miesiącach, to nie jest abstrakcyjny problem z odległej Kalifornii. Koszt godziny pracy GPU w chmurze AWS czy Azure już dziś jest o 30-40% wyższy niż rok temu, a czas oczekiwania na dedykowane instancje w regionie Frankfurt wydłużył się z kilku godzin do kilku dni. Firmy, które w 2025 roku testowały AI "na spokojnie", w 2026 zderzają się z ograniczeniami, o których wcześniej nikt nie mówił.
Dobra wiadomość jest taka, że polskie małe i średnie firmy rzadko potrzebują własnej floty GPU. Zła wiadomość: trzeba świadomie wybierać narzędzia i dostawców, bo różnica w miesięcznym rachunku między dobrą a złą konfiguracją potrafi wynosić kilkanaście tysięcy złotych.
Dlaczego astronomowie zabierają nam GPU
Projekty takie jak Vera Rubin Observatory czy programy analizy danych z teleskopu Jamesa Webba generują petabajty obrazów miesięcznie. Klasyfikacja tych danych ręcznie jest niewykonalna, więc zespoły naukowe trenują własne modele konwolucyjne, które rozpoznają galaktyki, supernowe i obiekty przejściowe. Każdy taki projekt zajmuje tysiące godzin pracy kart H100, a działa równolegle z komercyjnymi treningami modeli językowych i generatywnych.
Problem polega na tym, że NVIDIA produkuje ograniczoną liczbę najwyższej klasy kart. W 2025 roku TSMC dostarczyło około 2 milionów chipów H100, a popyt przekraczał podaż trzykrotnie. Dołączenie nowych, dużych konsumentów akademickich oznacza, że firmy komercyjne rywalizują teraz nie tylko z OpenAI, Anthropic czy Meta, ale też z konsorcjami uniwersyteckimi, które często mają priorytet dzięki grantom rządowym.
W praktyce widać to w cennikach. Instancja p5.48xlarge w AWS (osiem kart H100) kosztuje dziś ponad 98 dolarów za godzinę w trybie on-demand, a zarezerwowanie jej na rok wymaga zgody account managera i często zaliczki. Dla polskiej firmy, która chciałaby trenować własny model fine-tuningowy na danych sprzedażowych, to bariera nie do przejścia.
Co to znaczy dla polskiej firmy, która chce używać AI
Większość polskich firm, z którymi pracuję jako konsultant AI, nie potrzebuje trenowania własnych modeli. Potrzebują dostępu do gotowych modeli (GPT-4, Claude Sonnet, Gemini) przez API, integracji z własnymi danymi i kilku agentów AI, którzy obsłużą konkretne procesy biznesowe. Ten scenariusz jest wciąż dostępny i relatywnie tani.
Problem zaczyna się wtedy, gdy firma chce robić rzeczy bardziej zaawansowane. Analiza dokumentów prawnych z lokalnym modelem (żeby dane nie wyszły poza serwerownię), generowanie obrazów produktów na dużą skalę, przetwarzanie godzin nagrań audio czy trenowanie klasyfikatora na własnej bazie e-maili. Wszystkie te zadania wymagają GPU, a dostępność lokalnego GPU w polskich chmurach (OVHcloud Warsaw, Atman, Polcom) jest ograniczona.
Konkretny przykład z praktyki: kancelaria prawna z Warszawy planowała wdrożenie lokalnego modelu Llama 3 70B do analizy umów. W styczniu 2026 oszacowaliśmy koszt wynajmu dedykowanego serwera z dwoma kartami A100 na 8 400 zł miesięcznie u polskiego dostawcy. W kwietniu ten sam sprzęt kosztuje już 11 200 zł, a czas oczekiwania na uruchomienie wynosi 3 tygodnie zamiast dwóch dni.
Alternatywy, które działają w 2026 roku
Nie każdy problem wymaga najnowszej karty NVIDIA. Jest kilka strategii, które polskie firmy mogą wdrożyć już teraz, żeby obejść kryzys GPU i zachować budżet pod kontrolą.
Mniejsze modele wystarczają do 80% zadań biznesowych. Claude Haiku 4.5, GPT-4o mini czy Gemini Flash obsługują klasyfikację e-maili, generowanie opisów produktów, podsumowania spotkań i większość codziennych zadań biurowych. Koszt API jest 10-20 razy niższy niż przy flagowych modelach, a jakość dla zadań standardowych jest praktycznie nieodróżnialna. Firma, która wydaje 5 000 zł miesięcznie na GPT-4 do prostych zadań, zazwyczaj może zejść do 400-600 zł, zmieniając model.
CPU inference dla mniejszych modeli open source. Modele takie jak Llama 3.2 3B czy Phi-3 Mini działają przyzwoicie na zwykłym serwerze z dobrym procesorem Intel Xeon lub AMD EPYC. To nie jest rozwiązanie dla chatbota obsługującego tysiące użytkowników, ale do wewnętrznej wyszukiwarki dokumentów firmowych czy asystenta dla działu HR w zupełności wystarcza. Koszt takiego serwera to 800-1 500 zł miesięcznie, bez GPU w ogóle.
Routing zapytań między dostawcami. Narzędzia takie jak OpenRouter, LiteLLM czy Portkey pozwalają kierować zapytania do różnych dostawców w zależności od obciążenia i ceny. Jeśli OpenAI ma kolejkę, zapytanie trafia do Anthropic. Jeśli oba są przeciążone, do Together.ai czy Fireworks, którzy hostują modele open source na własnej infrastrukturze. Takie podejście daje firmie odporność na lokalne problemy dostawców.
Polskie chmury z GPU. OVHcloud (region Warszawa), Beyond.pl, Atman i Polcom oferują instancje z GPU, choć asortyment jest ograniczony. Dla firm, które muszą trzymać dane w Polsce ze względów regulacyjnych (RODO, sektor medyczny, prawny, publiczny), to często jedyna akceptowalna opcja. Warto zarezerwować moc z wyprzedzeniem, bo dostępność ad hoc znika szybciej niż u globalnych graczy.
Jak planować budżet AI na drugą połowę 2026
Jeśli planujesz wdrożenie AI w swojej firmie w najbliższych miesiącach, warto założyć kilka rzeczy. Po pierwsze, ceny GPU w chmurze będą rosły do końca roku. Analitycy z Omdia szacują wzrost o kolejne 15-25% do grudnia 2026, co oznacza, że projekt wyceniony dziś na 50 000 zł może kosztować 60 000 zł za sześć miesięcy.
Po drugie, warto zacząć od API i gotowych modeli, a dopiero potem ewentualnie przechodzić na własną infrastrukturę. Wielu moich klientów zaczyna od hipotezy "musimy mieć lokalny model, bo dane", a po analizie okazuje się, że 90% ich przypadków obsługują modele chmurowe z umową DPA i regionem UE. Lokalny model jest wtedy potrzebny tylko dla 10% najwrażliwszych zadań, co drastycznie obniża wymagania sprzętowe.
Po trzecie, agenci AI oparci na narzędziach takich jak n8n, Make czy Zapier w połączeniu z API modeli językowych załatwiają większość potrzeb automatyzacji w firmie do 50 osób, bez potrzeby jakiejkolwiek infrastruktury GPU. Koszt uruchomienia takiego obiegu pracy to zazwyczaj 200-800 zł miesięcznie, a wdrożenie zajmuje 2-3 tygodnie.
Kryzys GPU jest realny, ale nie jest to powód, żeby odkładać projekty AI. To raczej sygnał, żeby dobrze projektować architekturę i unikać nadmiernej ambicji na starcie. Firmy, które w 2026 roku zrobią 80% pracy na gotowych API i lekkich modelach, będą w znacznie lepszej pozycji niż te, które wydają setki tysięcy złotych na trenowanie własnych modeli, których nikt w organizacji nie używa.
Źródło: AI galaxy hunters are adding to the global GPU crunch