O czym jest ten film
- OpenAI ogłosiło, że ich nowy model był tak potężny, iż zamknięto go w piaskownicy (sandboxie) — a model zdołał się z niej „wydostać”.
- Autor odczytuje to odwrotnie niż marketing: skoro firma nie potrafi utrzymać własnego systemu w izolacji, to nie potrafi też ochronić naszych danych.
- Teza: to reklamowy chwyt oparty na strachu, mający budować wrażenie potęgi produktu.
- Skarga na zmienną jakość modeli — „wczoraj genialny, dziś idiota” — którą autor tłumaczy optymalizacją kosztową dostawcy.
- Porównanie mechanizmu uzależnienia od AI do automatu do gry: nieregularne „wygrane” budują nawyk mocniej niż stała jakość.
- Sprzeczność interesów: użytkownik chce maksymalnej mocy tanio, dostawca chce maksymalnego zysku przy minimum, które wystarczy, by nas zatrzymać.
- Krytyka „barierek” (guardrails) w modelach z USA, które blokują część legalnych zastosowań (badania naukowe, biologia, bezpieczeństwo).
- Entuzjazm wokół chińskiego modelu open-weight Kimi K3 — brak restrykcji, przeciążone serwery, planowane udostępnienie wag.
- Wątek etyczny: kara finansowa dla Anthropic za trening na cudzych danych to za mało — zdaniem autora skradziona wiedza powinna wrócić do ludzkości jako open source.
- Wniosek praktyczny: autor planuje odejść od OpenAI i Anthropic i przenieść ~20% cięższych zadań na modele open-weight (Kimi K3, GLM) przez API, robiąc 80% pracy lokalnie.
Redakcyjne tłumaczenie
Nagrywam dziś w plenerze, bo jestem sfrustrowany
Nagrywam dziś na dworze, bo jestem naprawdę mocno zestresowany. Postanowiłem wyjść na spacer na łono natury, bo potrzebowałem oderwać się od komputera.
Dziś — właściwie wczoraj — OpenAI oświadczyło, że ich nowy model jest znów tak potężny, że zamknęli go w piaskownicy (sandboxie). I że w obrębie tej piaskownicy sztuczna inteligencja zdołała się z niej wydostać.
Dokłada się do tego cała otoczka i cała ta złożoność, którą przedstawiają w niesamowity sposób: jaka to potężna, jaka niezwykła technologia, czego to ona nie dokonała, jak „uciekła”, jak sama rozwiązała problem. Wszystko takie zdumiewające i potężne.
(Informacja dodatkowa: sandbox to odizolowane środowisko, w którym uruchamia się program tak, aby nie miał dostępu do reszty systemu ani do sieci — właśnie po to, by ograniczyć skutki jego działania.)
Odwracam narrację: to nie siła, to niekompetencja w bezpieczeństwie
A prawda jest taka, że oni nie potrafią utrzymać własnego systemu w piaskownicy. A przecież to te same piaskownice, które w teorii mają chronić nasze dane. Nie potrafią zachować tego w tajemnicy. Nie potrafią ochronić swoich danych. Są niezdolni do zarządzania bezpieczeństwem.
Jeśli budują tak potężną sztuczną inteligencję, ale nie umieją zapanować nad bezpieczeństwem tego systemu — to czy firma tego rodzaju w ogóle powinna móc rozwijać AI tak potężne, jak twierdzą? Moim zdaniem to nie jest bezpieczne. Uważam, że nie powinni. Skoro nie potrafią ochronić, skoro nie umieją zbudować piaskownicy, z której AI się nie wydostanie — jak mają ochronić nasze dane? Skąd mamy mieć pewność, że to, co budują, jest bezpieczne? Nie możemy jej mieć. Sami udowodnili, że nie potrafią.
Są niezdolni do zrobienia czegoś, co byłoby bezpieczne. To szaleństwo. A na dodatek wykorzystują to do promocji: „patrzcie, jaki niesamowity jest nasz produkt”. Naprawdę.
Wczoraj cuda, dziś idiota — o zmiennej jakości modeli
Jestem dziś sfrustrowany też z innego powodu — choć właściwie to nie inny powód, bo znów chodzi o AI. Co się dzieje ze sztuczną inteligencją? Wczoraj GPT 5.6 potrafiło robić cuda. Dziś to idiota.
(Informacja dodatkowa: „GPT 5.6”, a dalej nazwy takie jak „Luna” i „soul”, to określenia, których autor używa na oznaczenie poszczególnych trybów/wariantów modeli, których na co dzień używa; nie są to oficjalne, powszechnie znane nazwy produktów.)
Dzieje się tak prawdopodobnie dlatego, że po prostu wprowadzają korekty i optymalizacje. A optymalizacja z ich strony oznacza oszczędzanie. Chodzi o to, by utrzymać klientów wystarczająco zadowolonych, żeby nie odeszli — ale przy tym oszczędzać. Więc czynią model głupszym, żeby zużywał mniej tokenów i mniej mocy. Taka jest ta optymalizacja: nie jest skierowana ku nam, tylko ku ich modelowi biznesowemu. A dziś model jest idiotą, więc nie mogę go używać. Zmarnowałem dziś czas, próbując zmusić go do czegoś, co wczoraj było łatwe, a dziś okazało się trudne. Dlatego jestem sfrustrowany.
Ich model biznesowy jest sprzeczny z naszym interesem
I wtedy zaczynasz myśleć. Po pierwsze: ich model biznesowy jest całkowicie niezgodny z naszym interesem. My chcemy maksymalnej mocy, ekstremalnie taniej i szybkiej. Dla nich jest odwrotnie: chcą maksimum pieniędzy i dają nam absolutne minimum potrzebne do tego, żeby nas przy sobie zatrzymać.
Mechanizm uzależnienia jak w automacie do gry
Jest jeszcze inny element. Dzięki mediom społecznościowym odkryto, jak tworzyć uzależnienie od oprogramowania. Ta strategia to strategia jednorękiego bandyty — automatu do gry. Uzależnienie działa tak: jeśli wygrywasz cały czas, nie uzależniasz się. Uzależnienie bierze się z wygrywania od czasu do czasu. Nie z dawania stałego, przewidywalnego poziomu, lecz z czegoś niestabilnego — wygrywasz, przychodzi ekscytacja, potem spadek, a potem znów wygrywasz.
Jak to przełożyć na AI? Jednego dnia jest cudownie: jestem superproduktywny, robię niesamowite rzeczy szybko, rozwiązuję problemy. Następnego dnia — nie. Frustracja. Wymaga czasu i wysiłku. Potem znów wygrywam, mam kolejny dobry dzień, jestem znów wyjątkowo produktywny. I myślisz: „ale to przecież zadanie było inne”. A ja ci mówię: to nie jest kwestia zadania. Bo wczoraj model świetnie radził sobie z czymś naprawdę skomplikowanym, a dziś czegoś prostego nie umiał zrobić. Więc nie chodzi o zadanie — chodzi o to, że nie możesz wygrywać cały czas, bo inaczej to oprogramowanie nie zbuduje w tobie uzależnienia.
Oczywiście nie mam na to dowodu. Oni nie są na tyle przejrzyści, byśmy mogli zobaczyć, jak działa system. Widzimy tylko to, co widzimy. A ja widzę firmę, która nie potrafi stworzyć piaskownicy.
Moje dane na ich serwerach
Moje dane na ich serwerze można łatwo wykraść — bo jeśli dzisiejszy model potrafi wydostać się z piaskownicy, to znaczy, że nie umiecie zapanować nad bezpieczeństwem. Nie powinniście zbierać żadnych danych użytkowników, skoro wasz system jest niezdolny do ich ochrony, a wasz dział bezpieczeństwa niezdolny do ich zabezpieczenia. Jeśli nie potraficie zbudować piaskownicy dla AI — a ja potrafię — to dajcie mi ten model, a pokażę wam, że nigdy łatwo nie opuści mojego komputera. Oni nie potrafią. Nie są zdolni do czegoś takiego.
To chwyt reklamowy oparty na strachu
Przede wszystkim to reklamowy popis. Kłamią, żebyśmy uwierzyli w coś, co pasuje do ich celu — tak to działa. Czy więc mamy dalej ufać firmie, która kłamie? Wykorzystują strach, żeby budować uzależnienie i zależność od swojego oprogramowania. Mam tego dość.
Zamierzam więc powiedzieć coś, czego nie chcę mówić — bo na razie wciąż uważam, że powinniśmy korzystać z chmurowego AI, które mamy. Ale kilka dni temu pojawiło się Kimi K3. I zgadnijcie: dziś nie da się nawet wykupić subskrypcji, bo chętnych jest tak wielu. A dlaczego jej chcą? Bo tam nie ma tych barierek, nie ma tej postawy rodem z wielkich korporacji — przekonania, że „mogę robić, co chcę, dopóki zarabiam miliardy, i wszystko jest w porządku”. I ludzie to celebrują: „ależ to niesamowite, zarabiają miliardy”.
(Informacja dodatkowa: „Kimi K3” to model chińskiego dostawcy z rodziny modeli open-weight, czyli takich, których wagi — parametry sieci — są publicznie udostępniane, dzięki czemu można je uruchamiać na własnych serwerach.)
A przecież oni tracą pieniądze i przetrwają tylko dzięki inwestorom — a inwestorzy przychodzą tylko z powodu kłamstwa, które opowiadają: całej tej historii o tym, jaki to potężny model uciekł z piaskownicy. Naprawdę? Jesteście po prostu niekompetentni. Tak nieprofesjonalni, że nie znacie abecadła ochrony i budowania piaskownicy. Taka jest rzeczywistość.
Odchodzę od OpenAI i Anthropic
Dlatego chcę przestać korzystać z OpenAI. Z Anthropikiem skończyłem już kilka miesięcy temu, kiedy zaczęli atakować open source: „nikt nie powinien używać open source, musicie płacić — i to nam. Open source jest niebezpieczny, ale my możemy sprawdzać wasze dane, kontrolować, co robicie, i patrzeć, czy się dobrze zachowujecie. Jeśli nie — blokujemy konto. Naszego najpotężniejszego AI mogą używać tylko te korporacje, na które się zgadzamy, nie wy”.
Najpierw musisz dużo zapłacić — ale pieniądze nie wystarczą. Chodzi o przywilej. Przywilej nadawany przez nich. Jest więc obywatel klasy A, obywatel klasy B i obywatel klasy C — ten, którego nie stać, żeby z nich korzystać, a który nie może użyć open source, bo to właśnie oni. Właśnie to budują — i dlatego nie mogę już używać Anthropica. A OpenAI, które było „tą złą firmą”, zanim Anthropic stał się jeszcze gorszy, po prostu wraca do tego, czym jest. Pokazują, kim są: niekompetentnymi ludźmi, których podstawowy biznes nie polega na świadczeniu usługi, tylko na wyciąganiu z nas danych i zarabianiu jak najwięcej.
Dlaczego ludzie idą do Kimi K3
Wróćmy do Kimi K3. Popyt jest tak duży, że serwery są przepełnione. Nie pozwalają rejestrować się nowym subskrybentom. Dlaczego? Bo ludzie zaczynają dostrzegać problem, ale też dlatego, że ten model potrafi rzeczy, których modele „frontierowe” z USA nie potrafią — bo tamte mają tak silne barierki, że nie zrobisz badań naukowych, biologii, niczego wokół bezpieczeństwa. „Po co chcesz coś zabezpieczać? Nie. Nie możesz utwardzić swojego oprogramowania. My możemy, ty nie”. Taka jest ich mentalność. Tych barierek, obecnych w modelach frontierowych z USA, w Kimi K3 nie ma. Te modele obsługują więc scenariusze użycia, których korporacje z USA nie pokrywają — i dlatego ludzie tam idą.
(Informacja dodatkowa: „frontier models” to najbardziej zaawansowane, najnowsze modele czołowych dostawców.)
Udostępnienie wag i distillation
27-go, jeśli wszystko pójdzie zgodnie z planem, mają udostępnić swoje wagi. To znaczy, że inna firma z własnym serwerem będzie mogła po prostu wgrać ten model Kimi K3 i uruchomić go u siebie — a więc dostęp do niego uzyska więcej osób.
Jeden ze scenariuszy, o którym mówiłem w innym filmie i na który już widać wyraźny popyt, to używanie tego modelu do trenowania innych modeli, czyli tzw. distillation. Distillation polega na tym, że masz Kimi K3 jako „nauczyciela”, który trenuje mniejszy model i czyni go naprawdę wydajnym. To scenariusz całkowicie zablokowany przez korporacje z USA — one specjalnie budują systemy tak, by go uniemożliwić, bo nie chcą, żeby ich zastrzeżona wiedza została „skradziona”.
(Informacja dodatkowa: distillation, czyli destylacja wiedzy, to technika, w której duży model-„nauczyciel” służy do wytrenowania mniejszego, szybszego modelu-„ucznia”.)
O karze dla Anthropic i o oddawaniu wiedzy ludzkości
A tymczasem Anthropic zapłacił — nie pamiętam dokładnie, chyba 1,8 miliarda dolarów — karę za kradzież danych innych podmiotów. Zdaje się, że ukradli wiele książek i tym podobne, żeby wytrenować AA.
(Informacja dodatkowa: autor odwołuje się do głośnej sprawy dotyczącej wykorzystania cudzych utworów do treningu; kwotę podaje z pamięci — traktuj ją jako przybliżenie.)
I ten pomysł, że „dam wam karę i sprawa załatwiona” — dla mnie to za mało. Bo owszem, masz karę, ale potem zarabiasz na cudzej pracy. Więc zasady powinny się zmienić: skoro użyłeś czyjejś pracy, teraz nie możesz na niej zarabiać. Karę oczywiście płacisz — ale potem nie wolno ci na tym zarabiać. Albo zaczynasz trening całkowicie od nowa, albo udostępniasz swój system jako open source, open weights, dla wszystkich. Bo te dane należały do kogoś innego. Ukradłeś dane ludzkości — oddaj je ludzkości. Tak powinno być. To takie proste: to jest ludzka wiedza. Dlaczego firma, która nikomu nic nie zapłaciła, może na niej zarabiać, robić z niej coś ekskluzywnego, a potem zabraniać ci ją kopiować? Oni mogą kopiować, ale ty nie. Zasady są inne dla nich, a inne dla ciebie i dla mnie. To właśnie jest szaleństwo, którego już nie znoszę.
AI wciąż ma wartość — mój układ: 80% lokalnie, 20% w chmurze
To wszystko jest przygnębiające, ale nie odbiera wartości sztucznej inteligencji. AI wciąż ma wartość i wciąż jest do czego jej użyć. Sam coraz częściej korzystam z lokalnego AI. Ma ono pewne ograniczenia — czasem nie da rady. Dlatego czasem używam GPT 5.6 albo innych modeli, gdy chcę zrobić coś bardziej złożonego, czego mój lokalny model nie potrafi. Ale lokalnie potrafię wykonać jakieś 80% pracy, a gdy się nie da, muszę sięgnąć po modele chmurowe — i wtedy się frustruję, bo nawet one czasem nie dają rady.
Jaka jest więc nowa strategia? Myślę, że te 20% mogłoby być kolejną subskrypcją u innego dostawcy. Może 27-go, gdy pojawią się dostawcy oferujący Kimi K3, wykupię jedną z nich. Jest też nowy Qwen, ale nie wydaje się tak dobry jak Kimi K3. Wziąłbym subskrypcję miesięczną. Kiedyś brałem roczną, bo to była dobra oferta, ale w rzeczywistości wszystko idzie zbyt szybko. Dziś jest Kimi K3, jutro może nowy MiniMax, może nowy Qwen. Musimy móc się przemieszczać między dostawcami.
Nie potrzebuję wiele. Na razie moje 20 dolarów za GPT w zasadzie wystarczało, bo — jak mówiłem — 80% pracy, jeśli nie więcej, robię lokalnie. A kiedy używam GPT 5.6, korzystam z dwóch modeli. Jednym jest „Luna” w wersji max, bo jest wyjątkowo dobra. Jeśli Luna nie daje rady, przechodzę do „soul” — jednej z najwyższych wersji, ultra/extra high czy max, nie pamiętam dokładnie nazw. To dwa modele, których używam, ale najczęściej Luna wystarcza. A ponieważ Luna wystarcza, oszczędzasz mnóstwo pieniędzy — to jakieś jedną piątą ceny „soul” w wersji max, co jest niedorzeczne. Dziś akurat nawet „soul” nie dał rady, ale zwykle Luna wystarcza.
Więc 20 dolarów, przy tym, co robię, i przy korzystaniu z modeli lokalnych, w zupełności starcza. Muszę tylko zastąpić tę część — i można to zrobić przez API. Mógłbym zastąpić Lunę przez GLM 5.2, a „soul” przez Kimi K3, płacić przez API i tyle — jako zaawansowany użytkownik.
(Informacja dodatkowa: dostęp przez API to płatność za faktyczne użycie [zużyte tokeny] zamiast stałej miesięcznej subskrypcji — wygodne, gdy chcesz swobodnie przełączać się między różnymi modelami.)
Zakończenie
To moja frustracja i to, co teraz myślę jako użytkownik zaawansowany. Jednocześnie, jako osoba tworząca treści na YouTube dla was, czuję, że może powinienem zachować te subskrypcje choćby po to, żeby testować i sprawdzać. W każdym razie dziękuję, że oglądaliście. Przepraszam za tę przygnębiającą energię, ale musiałem wyjść i podzielić się tym z kimś — z wami. Jeśli jeszcze tego nie zrobiliście, zostawcie łapkę w górę i subskrybujcie — pomóżcie temu kanałowi rosnąć. Mam nadzieję, że choć trochę nacieszyliście oko zielenią. Chcę wam pokazać jeszcze jedno. To mój pies — i to on jest tym szczęściem, powodem wszystkiego, co robię. Cześć.
10 najważniejszych takeaways — z kontekstem zastosowania
1.„Ucieczka z sandboxa” to sygnał o bezpieczeństwie, nie o mocy
Na czym polega: Autor odwraca marketingową narrację OpenAI: jeśli firma nie potrafi utrzymać własnego modelu w izolowanym środowisku, to jest to dowód słabości procedur bezpieczeństwa, a nie popis potęgi.
Jak stosować: Czytaj komunikaty dostawców AI krytycznie — pytaj, czy dana „przełomowa” właściwość nie jest jednocześnie przyznaniem się do luki. Przy wyborze dostawcy sprawdzaj realne zobowiązania wobec ochrony danych, a nie hasła reklamowe.
Na co uważać: To interpretacja autora, nie potwierdzony fakt o wycieku danych. Nie każdy „sandbox escape” w kontrolowanym eksperymencie oznacza podatność produkcyjną — nie wyciągaj wniosku o realnym wycieku Twoich danych bez twardych informacji.
2.Traktuj dane wysyłane do chmury jako potencjalnie odsłonięte
Na czym polega: Wątpliwości autora dotyczą tego, że dane użytkowników na cudzych serwerach nigdy nie są w pełni pod naszą kontrolą.
Jak stosować: Nie wysyłaj do modeli chmurowych danych wrażliwych (tajemnice firmowe, dane osobowe, poufny kod), których wyciek byłby dla Ciebie kosztowny. Do takich zadań rozważ modele lokalne lub wdrożenia z gwarancjami umownymi.
Na co uważać: Modele lokalne mają realne ograniczenia jakości — nie przenoś wszystkiego lokalnie „dla zasady”, jeśli obniży to jakość pracy tam, gdzie dane i tak nie są wrażliwe.
3.Zmienna jakość modeli jest realnym problemem operacyjnym
Na czym polega: Ten sam model potrafi „jednego dnia robić cuda, a drugiego być idiotą” — autor wiąże to z cichymi optymalizacjami kosztowymi dostawcy.
Jak stosować: Jeśli jakość nagle spada, nie zakładaj od razu, że to Twoja wina lub trudność zadania. Zapisuj udane prompty i wyniki, żeby mieć punkt odniesienia i móc porównać „dobry” i „zły” dzień.
Na co uważać: Percepcja bywa myląca — czasem faktycznie zmieniasz zadanie lub prompt. Zanim ogłosisz degradację modelu, odtwórz to samo zadanie na identycznym wejściu.
4.Interesy dostawcy i użytkownika są rozbieżne
Na czym polega: Użytkownik chce maksimum mocy tanio i szybko; dostawca chce maksimum przychodu przy minimum, które wystarcza, by Cię zatrzymać.
Jak stosować: Podejmuj decyzje zakupowe świadomie: mierz realny zwrot z konkretnej subskrypcji na swoich zadaniach, a nie na obietnicach. Bądź gotów zmienić dostawcę, gdy relacja jakości do ceny się pogarsza.
Na co uważać: To perspektywa użytkownika-krytyka — dostawcy mają też realne koszty infrastruktury. Nie każda optymalizacja jest złośliwa; nie buduj strategii wyłącznie na nieufności.
5.Uważaj na „hazardowy” mechanizm nawyku wobec AI
Na czym polega: Autor porównuje nieregularną jakość do automatu do gry — nieprzewidywalne „wygrane” budują przywiązanie mocniej niż stała jakość.
Jak stosować: Obserwuj własne nawyki: czy wracasz do narzędzia z powodu wyników, czy z przyzwyczajenia. Ustal twarde kryteria („jeśli model nie rozwiąże zadania w X próbach, przełączam się gdzie indziej”), żeby nie tracić czasu.
Na co uważać: To hipoteza autora bez dowodu, że dostawcy celowo destabilizują jakość. Nie przypisuj intencji tam, gdzie wystarczy zwykła zmienność techniczna.
6.Modele open-weight otwierają zastosowania blokowane przez barierki
Na czym polega: Modele takie jak Kimi K3 przyciągają użytkowników brakiem restrykcyjnych guardrails, przez co obsługują scenariusze (np. badania naukowe, bezpieczeństwo), które modele z USA odrzucają.
Jak stosować: Jeśli legalne zadania są u Ciebie blokowane przez nadmiernie ostrożne filtry, przetestuj model open-weight jako uzupełnienie. Sprawdź, czy dostawca lub self-hosting mieści się w Twoich wymogach zgodności.
Na co uważać: Brak barierek to miecz obosieczny — mniej filtrów oznacza też większą odpowiedzialność za bezpieczne i legalne użycie. Zweryfikuj politykę prywatności chińskiego dostawcy, zwłaszcza dla danych firmowych.
7.Open weights umożliwiają self-hosting i distillation
Na czym polega: Udostępnienie wag pozwala uruchamiać model na własnych serwerach i używać go jako „nauczyciela” do trenowania mniejszych, wydajnych modeli.
Jak stosować: Jeśli potrzebujesz pełnej kontroli nad danymi lub taniego, wyspecjalizowanego modelu, rozważ self-hosting modelu open-weight albo destylację do mniejszego modelu pod konkretne zadanie.
Na co uważać: Self-hosting i distillation wymagają realnych zasobów (sprzęt, kompetencje, koszty). Sprawdź licencję konkretnych wag — nie każda pozwala na komercyjne użycie czy destylację.
8.Kara finansowa nie rozwiązuje problemu praw do danych treningowych
Na czym polega: Autor argumentuje, że sama grzywna za trening na cudzych utworach nie wystarcza — zarabianie na skradzionej pracy powinno pociągać dalsze konsekwencje.
Jak stosować: Wybierając model do produktu komercyjnego, sprawdzaj pochodzenie danych treningowych i status prawny — ryzyko prawne przechodzi po części na użytkowników. Preferuj modele z jasną sytuacją licencyjną, gdy budujesz na nich biznes.
Na co uważać: To pogląd normatywny autora, nie stan prawa. Kwota kary podana z pamięci może być nieścisła — zweryfikuj konkretne sprawy przed powołaniem się na nie.
9.Model 80/20: lokalnie tanio, chmura tylko do najcięższego
Na czym polega: Autor wykonuje ~80% pracy lokalnie, a do pozostałych ~20% najtrudniejszych zadań sięga po modele chmurowe, dobierając tańszy model, gdy tylko wystarcza.
Jak stosować: Zbuduj podobną kaskadę: domyślnie tani/lokalny model, eskalacja do droższego tylko gdy tańszy zawiedzie. Może to obniżyć koszty nawet kilkukrotnie przy zachowaniu jakości.
Na co uważać: Kaskada dodaje złożoności (przełączanie, utrzymanie lokalnej infrastruktury). Dla małych wolumenów oszczędność może nie zrównoważyć nakładu pracy — policz to na swoich realnych zadaniach.
10.Elastyczność ważniejsza niż lojalność — płać miesięcznie lub przez API
Na czym polega: Rynek zmienia się tak szybko („dziś Kimi K3, jutro MiniMax albo Qwen”), że autor odchodzi od rocznych subskrypcji na rzecz miesięcznych i rozliczeń przez API.
Jak stosować: Unikaj długich zobowiązań, dopóki krajobraz modeli jest niestabilny. Preferuj rozliczenie przez API i architekturę, która pozwala szybko podmienić dostawcę (warstwa abstrakcji nad modelem).
Na co uważać: Rozliczenie przez API bywa droższe przy dużym, stałym wolumenie niż płaska subskrypcja. Policz próg opłacalności, zanim zrezygnujesz z abonamentu — a przy częstej zmianie modeli pamiętaj o kosztach ponownego testowania promptów.