O czym jest ten film
- OpenAI pokazało Jalapeño — pierwszy własny układ do uruchamiania modeli: od czystej karty do projektu gotowego do produkcji w dziewięć miesięcy, przy czym w wybranych fragmentach prac kod pisany przez modele OpenAI działał 1,5–1,8 raza szybciej niż wersje ekspertów.
- Chip ma obniżać koszt powtarzalnej inferencji (miliardy odpowiedzi ChatGPT i Codexa), a nie zastępować Nvidii w treningu — OpenAI ma u Nvidii zaplanowane lub zobowiązane około 12 gigawatów mocy do 2030 roku.
- OpenAI buduje zamkniętą pętlę: aplikacja pokazuje, co najwięcej kosztuje → zmienia się model → zmienia się routing zapytań → poprawia się software chipu → powstaje kolejna wersja układu.
- Po przejęciu Cursora przez SpaceX OpenAI wycofuje z tego narzędzia przyszłe modele (od 12 listopada); wcześniejszy precedens to Anthropic i Windsurf.
- Jensen Huang odpowiada, że Nvidia sprzedaje cały stos — trening, sieci, różne rodzaje zadań — przez każdą dużą chmurę, więc każdy z obozów i tak potrzebuje jej gdzieś.
- Nvidia może spokojnie inwestować w firmy tnące jej rachunki: zakłada, że rynek urośnie szybciej, niż ona na nim straci.
- Anthropic dywersyfikuje dostawców: Trainium od Amazona, TPU od Google (produkowane z Broadcomem), moce Nvidii przez Microsoft i centrum danych Colossus 1 należące do SpaceX (ponad 220 tysięcy GPU); Claude zostaje w Cursorze.
- To luźne obozy, nie formalne sojusze — te same firmy konkurują ze sobą w jednym miejscu i współpracują w innym.
- Autor trzyma pamięć, pliki i instrukcje poza dostawcami (OpenBrain), a modele łączy m.in. przez OpenRouter, niedawno przejęty przez Stripe.
- Konkretne budżety: 20 USD — jeden główny plan plus darmowe konto rywala; 60 USD — OpenAI, Claude i Cursor Pro (ewentualnie Google AI Pro jako zamiennik); 200+ USD — kilka planów flagowych, z których każdy musi się osobno spłacać.
Redakcyjne tłumaczenie
Trzy historie, trzy obozy
OpenAI pokazało właśnie Jalapeño — swój pierwszy układ do uruchamiania modeli AI. Do końca tego materiału zrozumiesz, dlaczego ten chip, walka o Cursora i odpowiedź, którą Jensen Huang złożył w Nvidii, odsłaniają trzy osobne obozy toczące bój o Ciebie i o przyszłość AI. Dowiesz się też, jak sam rozdzieliłbym wydatki — 20, 60 albo 200 dolarów miesięcznie — tak, żeby żaden dostawca nie przejął kontroli nad moją pamięcią i moimi plikami.
A szczerze: z całej układanki to podejście Anthropic skopiowałbym na własny użytek. Nie zaprojektuję chipu i nie zadzwonię do Jensena po finansowanie centrum danych — ale mogę sprawić, by żadna firma AI nie trzymała jedynej kopii mojej pamięci, moich plików, moich instrukcji i mojej pracy. Pisałem o tym w poniedziałkowym materiale o Apple, trzy dni po doniesieniach o Jalapeño.
Bo dalej potoczyło się szybko. OpenAI ogłosiło, że przestanie przekazywać przyszłe modele do Cursora — po tym, jak narzędzie kupił SpaceX. I to jeszcze nie koniec: Jensen Huang wykorzystał konferencję Nvidii po wynikach, żeby wytłumaczyć, dlaczego OpenAI będzie potrzebowało Nvidii jeszcze bardzo długo.
To nie są osobne historie. Przeczytane razem pokazują, że AI rozpada się na trzy luźne obozy. Nie są to formalne sojusze — ale gdy się czyta między wierszami, układ widać wyraźnie. OpenAI chce possessować coraz większą część Twojego całego systemu. Nvidia chce sprzedawać coś każdemu. Anthropic chce mieć dość dostawców i partnerów, żeby w każdej chwili móc się przełączyć i przeskoczyć swoje zasadnicze wąskie gardło: dostęp do mocy obliczeniowej.
Jeśli trafiasz tu po raz pierwszy — jestem Nate B. Jones. Dwadzieścia lat spędziłem w branży technologicznej, a ostatnie kilka pomagam menedżerom wdrażać AI w prawdziwych firmach.
Dlaczego Jalapeño jest ważne? Bo pokazuje, jak daleko OpenAI zajdzie, żeby kontrolować koszty i spiąć całość pionowo. Ale pytanie zasadnicze brzmi inne: gdzie lokujesz pieniądze, skoro firmy sprzedające AI zaczynają opowiadać się po stronach? Zacznijmy od chipu — to rozjaśni plan OpenAI. Potem dwa pozostałe obozy, a na końcu zajmiemy się portfelem.
Jalapeño: co naprawdę wiemy o pierwszym chipie OpenAI
OpenAI twierdzi, że Jalapeño pobiło systemy Nvidii GB200 i GB300 pod względem opóźnień i przepustowości w przeliczeniu na kilowat — w trzech różnych testach na modelach o otwartych wagach.
Układ przeszedł drogę od czystej karty do zakończonego projektu — w branżowym żargonie „taped out”, czyli w pełni zaprojektowany i gotowy do produkcji — w zaledwie dziewięć miesięcy. W tej dziedzinie to bardzo szybko. Co ciekawsze, w wybranych fragmentach prac projektowych kod wygenerowany przez własne modele OpenAI działał 1,5–1,8 raza szybciej niż warianty pisane przez ludzkich ekspertów. I nie jest to odosobniony przypadek: DeepSeek również optymalizował swoje kernele — niskopoziomowe fragmenty kodu przydzielające obliczenia układowi — z pomocą modeli AI. Czasem nikt do końca nie wie, dlaczego coś działa. Po prostu działa.
Są jednak istotne zastrzeżenia. Jalapeño nie jest lekarstwem na wszystko. To układ inferencyjny: uruchamia modele, ale nie zastępuje gigantycznych systemów, na których modele się trenuje. Porównania OpenAI obejmowały GB200, GB300 oraz nowszą generację Nvidii, Verę Rubin. Najlepsze wyniki kodu pisanej przez AI dotyczą zresztą tylko wybranych fragmentów modelu, a nie wszystkich zadań. Wreszcie OpenAI pozostaje gigantycznym klientem Nvidii — według Nvidii około 12 gigawatów jej systemów jest u OpenAI zaplanowanych lub kontraktowo zobowiązanych do 2030 roku. Brzmi wiarygodnie.
Krótko mówiąc: OpenAI kupuje nadal potężne ilości sprzętu Nvidii, a równolegle używa Jalapeño, żeby taniej obsługiwać pracę, która powtarza się miliardy razy — bo ChatGPT i Codex odpowiadają nam bez przerwy.
Najtrudniejsza część chipu to nie krzem, lecz software
We własnym układzie samo zaprojektowanie krzemu to dopiero pół biedy. Trzeba jeszcze napisać software, który mówi chipowi, jak dokładnie uruchomić każdą część modelu. Nvidia ułatwiała to przez dekady dzięki CUDzie. Firma potrafi zaprojektować szybszy układ na papierze — i mimo to przegrać, bo jej inżynierowie nie zdążą go zaprogramować.
OpenAI atakuje właśnie tę dziedzinę, w której Nvidia od lat jest najmocniejsza — i atakuje ją własnymi modelami do kodowania. Twierdzi, że Codex i GPT Astra wzięły trzy rodziny modeli, których w pierwotnym planie chipu w ogóle nie było, i w dwa miesiące doprowadziły je do sprawnego działania na projekcie Jalapeño. OpenAI może testować kod na własnym układzie, sprawdzać, co zadziałało, i wytwarzać kolejne wersje szybciej, niż ludzki zespół zdołałby je sprawdzić ręcznie.
Pętla, którą OpenAI chce mieć w całości
OpenAI chce posiadać więcej mocy obliczeniowej i cały stos inferencyjny, żeby tanio serwować Ci dużo AI. ChatGPT i Codex pokazują kierunek — firma będzie dobudowywać kolejne warstwy zaplecza, żeby obsługiwać klientów coraz lepiej. W planach jest więc więcej własnego stosu modelowego i software’u, który go obsługuje, a Jalapeño daje fundament pod część prac inferencyjnych. Do tego inwestycje w centra danych, wykup mocy energetycznych i rozwój urządzeń. OpenAI stawia wszystko na jedną kartę: posiadać cały ekosystem, przez który dostarcza AI klientom.
Powstaje z tego jedna pętla zwrotna, którą OpenAI chce kontrolować od końca do końca: ChatGPT pokazuje, które zadania kosztują najwięcej, więc zespół modelowy modyfikuje model; zespół od ChatGPT zmienia sposób, w jaki zapytania trafiają na chipy; Codex poprawia software układu; a zespół chipowy bierze to wszystko do zaprojektowania kolejnej wersji Jalapeño.
I tu ważny niuans: żeby ta pętla działała, OpenAI wcale nie musi mieć każdego chipu, na którym działa. Wystarczy, że posiada dość drogiej, powtarzalnej inferencji, żeby zmienić ekonomię pojedynczego zapytania.
Cursor: jak zmiana właściciela zabiera Ci model z ręki
Decyzja OpenAI ws. Cursora pokazuje ten sam plan na poziomie produktu. Cursor był przez dłuższy czas niezależnym narzędziem do programowania — a potem kupił go SpaceX. Dziś Cursor stawia Groka i Composera w roli własnych modeli, a AI należące do SpaceX kontroluje jedno z głównych miejsc, w których programiści w ogóle wybierają model do kodowania. To dla zespołu xAI gigantyczna, długoterminowa przewaga — i jeden z powodów, dla których Elon kupił Cursora. (Informacja dodatkowa: Cursor to jeden z najpopularniejszych edytorów kodu z wbudowanym AI; do przejęcia należał do niezależnej firmy Anysphere.)
OpenAI ogłosiło, że 12 listopada przestanie udostępniać przyszłe modele w Cursorze, bo nowa struktura właścicielska stworzyła problemy z zaufaniem i kontraktami.
Szersza lekcja jest boleśnie prosta. Jeśli firma AI potrafi zabrać model z narzędzia, w którym pracujesz — wyłącznie dlatego, że zmienił się właściciel i obie firmy stały się rywalami — musisz się zastanowić, czy sam nie siedzisz w pułapie. Czy nie pracujesz w miejscu, w którym jedna umowa wystarczy, żeby nagle zostać bez modelu, do którego przywykłeś? To zresztą nie pierwszy taki przypadek — Anthropic głośno wycofało wsparcie dla Windsurfa. (Informacja dodatkowa: Windsurf to konkurencyjny edytor kodu z AI; w 2025 r. Anthropic odebrało mu dostęp do swoich modeli po przejęciu jego kluczowego zespołu przez Google.)
To przykład OpenAI, które myśli całą pętlą: firma chce, by jej inteligencja była dostępna na wszystkich własnych powierzchniach — ale już niekoniecznie tam, gdzie model mógłby zostać „zdestylowany” (czyli gdzie ktoś mógłby wyciągnąć z niego wiedzę na własny użytek) albo gdzie cenne dane treningowe i dane o użyciu mogłyby zostać wydobyte i wykorzystane przez konkurencję.
Nvidia: sprzedać coś każdemu
Odpowiedź Jensena na Jalapeño nie brzmiała „własne chipy się nie sprawdzą”. Brzmiała: Nvidia sprzedaje znacznie więcej niż jeden chip. Systemy do trenowania modeli. Systemy do ich ulepszania. Systemy łączące tysiące komputerów w centrach danych. Systemy do różnorodnych zadań. I sprzedaje je przez każdego dużego dostawcę chmury. To czyni Nvidię jądrem drugiego obozu — tego, który chce mieć w ofercie coś dla każdego.
OpenAI może przenieść część powtarzalnych zadań na Jalapeño, ale nadal potrzebuje Nvidii do treningu i do prac nietypowych — i ani nie zamierza, ani nie jest w stanie się z niej zruszyć. Google sprzedaje własne TPU, jednocześnie oferując systemy Nvidii przez Google Cloud, i Google też nie może ich odpuścić: po prostu nie ma dość własnych układów. Anthropic kupuje chipy Amazona i Google, a równolegle korzysta z mocy Nvidii przez Microsoft i SpaceX. Wszystko i tak kończy się u Jensena.
Dokładnie dlatego Jensen może inwestować w firmy, które chcą ściąć swoje rachunki u Nvidii. Jego zakład jest konkretny: rynek AI urośnie tak szybko, że własne układy klientów powycinają sobie kawałki tortu — a Nvidia mimo to wyjdzie na plus w sumie. OpenAI może odstawić od Nvidii jeden rodzaj pracy i kupować jej sprzętu łącznie więcej, bo cała pula AI rośnie.
Nvidia zyskuje również wtedy, gdy zmienia się charakter pracy. Własny układ może być znakomity dla konkretnej rodziny modeli — ale przychodzi nowy model, inne obciążenie, albo firma potrzebuje trenować zamiast uruchamiać. Nvidia sprzedaje system uniwersalny, który udźwignie zadania, o których pół roku temu nikt nie pomyślał — i w gruncie rzeczy zakłada, że na zawsze pozostanie tak elastyczna.
Jensen nie musi wygrywać każdej potyczki tej wojny. Wystarczy mu, że każdy z trzech obozów potrzebuje Nvidii w jakimś miejscu.
Anthropic: mieć kilka dróg wyjścia
Trzeci obóz jest mniej schludny. Anthropic siedzi gdzieś pośrodku, a całości nie kontroluje żadna jedna firma. Anthropic korzysta z układów Trainium od Amazona. Ma umowę na wiele gigawatów na TPU Google, produkowane z Broadcomem. Microsoft zapewnia mu moce Nvidii. Firma zapowiedziała też, że do obsługi Claude’a wykorzystuje całe centrum danych Colossus 1 należące do SpaceX — ponad 220 tysięcy GPU Nvidii. I co znamiennie: nikt nie wyciąga Claude’a z Cursora, choć należy on do tej samej grupy.
Taka mieszanka daje Anthropicowi mnóstwo dźwigni. Różne prace mogą biec na różnych systemach. Dostawcy muszą konkurować ceną i mocami, żeby w ogóle liczyć na kontrakty. A jeśli jedna firma nie da rady dostarczyć dość chipów, Anthropic przenosi część zadań gdzie indziej. Na pochwałę zasługuje też praca po stronie modelu — zespół faktycznie doprowadził Claude’a do sprawnego działania na różnych układach. Ceną jest rezygnacja z części ścisłej koordynacji, jaką OpenAI uzyskuje, mając większą część stosu u siebie. Zyskiem — znacznie mniejsza zależność od pojedynczego dostawcy.
Dołóżmy do tego Cursora, który wnosi do tego obozu dystrybucję. AI SpaceX wstawia Groka i Composera przed programistów, a Cursor wciąż sprzedaje dostęp do Claude’a — i tak naprawdę także do Geminiego. Anthropic i Google zdobywają klientów w narzędziu należącym do firmy z konkurencyjnym modelem — firmy, od której Anthropic jednocześnie kupuje moce. OpenAI w tym węźle rezygnuje, bo nie akceptuje ryzyka, że dane o użyciu modeli wymkną się na zewnątrz.
Luźne sojusze, nie drużyny
Podkreślmy: to luźne obozy, nie formalne drużyny. Google konkuruje z Nvidią w chipach i sprzedaje jej systemy w chmurze. Microsoft ściśle współpracuje z OpenAI i pomaga Anthropicowi zdobyć moce Nvidii. AI SpaceX konkuruje z Anthropicem, a Cursor sprzedaje Claude’a. Te same firmy rywalizują ze sobą w jednym miejscu i dogadują się w innym.
Przypomina mi to czasy, gdy pracowałem w Amazonie w zespole Prime Video i doskonale wiedzieliśmy, że Netflix działa na AWS. Ale mimo te same zależności metody tych graczy różnią się na tyle, że warto obserwować ich osobno — i moim zdaniem powinniśmy traktować ich jako odrębne grupy również jako użytkownicy: OpenAI naprawdę chce posiadać całą pętlę; Nvidia pilnuje, by ekosystem był na tyle otwarty, by sprzedać każdemu; Anthropic chce kilku dróg do mocy obliczeniowej — zwłaszcza dla klientów biznesowych.
Zanim wydasz pieniądze: zabezpiecz pamięć
A bójka o Cursora sprawia, że ryzyko staje się namacalne. Wyobraź sobie, że spędzasz rok w jednej aplikacji AI: Twoje projekty, historia rozmów, reguły, zapisane wspomnienia — wszystko tam mieszka. Nagle narzędzie ktoś kupuje albo dwaj dostawcy wchodzą w spór — i model, na którym polegasz, znika z aplikacji. Możesz otworzyć inną. Ale czy dokończysz robotę, nie budując wszystkiego od zera? Przecież zmiana „inteligencji” zmienia sposób, w jaki komputer pracuje dla Ciebie. Zmienia.
Dlatego używam OpenBrain. Ważną pamięć trzymam w systemie, który kontroluję sam, a ChatGPT, Claude, Gemini, Cursor czy model na moim własnym komputerze mogą ją czytać i nią zarządzać. Dokumenty zostają w zwykłych plikach, kod w repozytoriach, którymi władam, a ważne procesy i umiejęjętności — w instrukcjach, które mogę przenieść gdzie indziej.
Jeśli dodatkowo chcesz nie być skazany na jeden model, pomoże usługa typu OpenRouter — niedawno przejęta przez Stripe — kierująca zadania do wielu modeli, zależnie od potrzeby. Ale nawet OpenRouterowi nie warto oddawać całego doświadczenia obliczeniowego. To też jedna firma.
Budżet 20 dolarów: jeden plan i jeden darmowy rywal
Co bym kupił dziś? Za około 20 dolarów miesięcznie zapłaciłbym za jednego głównego dostawcę — wybranego pod pracę, którą wykonuję co tydzień. (Sam nie płacę 20; zaraz powiem, ile płacę naprawdę — ale od tego bym zaczął.) Poza tym trzymałbym darmowe konto u co najmniej jednego poważnego konkurenta i używał go dość często, żeby wiedzieć, jak ono działa. Na tym poziomie wydatków nie rozsyłałbym każdego promptu do pięciu modeli w pogoni za ułamkową poprawą. Jedna firma dostałaby większość mojej codziennej pracy — a pamięć i pliki zostałyby poza nią. Uruchomienie czegoś w stylu OpenBrain to dziś błahostka: ostatnia świeża instalacja zajęła mi jakieś pięć minut.
Budżet 60 dolarów: dwa plany bezpośrednie i jeden dostęp do wielu modeli
Przy 60 dolarach mój zestaw wyglądałby tak: bezpośredni dostęp do OpenAI (po 20), bezpośredni dostęp do Claude’a (po 20) i Cursor Pro — o ile koduję codziennie. U OpenAI ogarniam ChatGPT, Codexa, research, agentów i podpięte narzędzia. W Claude robię dużą część pracy z dokumentami i pisania — dobierając właściwy model; dzisiaj raczej nie sięgałbym po Opusa 5. Claude służy mi też za drugą opinię przy ważnych decyzjach. Cursor daje kilka modeli w ramach jednej subskrypcji.
Te role można odwrócić. Jeśli Twoja praca żyje w Gmailu, Dokumentach i na Dysku — w całym Google Workspace — Google AI Pro potrafi zastąpić jeden z bezpośrednich planów. Zastąpić, nie dołożyć się do nich. Myślę w ramach budżetu, a budżet ma każdy.
Zasada jest prosta: główny płatny plan ma postawić Cię w pozycji, w której wyciągniesz maksimum ze swojego tygodnia. Jeśli tego nie robi — to po co go płacisz?
Budżet 200 dolarów i wyżej: każdemu planowi osobny rachunek
Jeśli wydajesz ponad 200 dolarów — i nie będzie zaskoczeniem, że sam do tej grupy należę — moja poprzeczka rośnie. Płacę za więcej niż jeden plan flagowy w tej cenie: u Anthropic, za Codexa i za Groka. I każdemu stawiam ten sam warunek: znajdziesz sposób, żeby mi się spłacić. Zaoszczędzisz mi na subskrypcjach. Dorobisz na bug bounty. Zwrócisz mi czas. Rozszerzysz moje możliwości programistyczne tak, żebym mniej płacił za programowanie. Cokolwiek — ale odrobisz swoje. Jeśli ktoś nie stawia modelom takiej poprzeczki, to moim zdaniem nie traktuje pracy z AI na tyle poważnie, żeby plan za 200 dolarów pracował produktywnie.
Moje oczekiwania są wysokie. Płacę i zakładam, że będę korzystał z tych modeli codziennie, że każdemu przydzieliłem konkretne zadania i że przyciskam je na maksa. Jeśli nie — z czasem plan zwijam. I uważam to za całkowicie rozsądną stopę zwrotu.
Przyznaję od razu: nie jestem miarodajny dla wszystkich — należę do rzadkich ptaków skłonnych tyle płacić. Ale chcę otworzyć karty i pokazać, jak o tym myślę: jeśli się nie spłaca, nie płacę. A te modele są już wystarczająco dobre, żeby się spłacały. Samo OpenAI idzie zresztą w tę samą stronę — u wybranych klientów korporacyjnych wprowadza rozliczanie za efekt: klient płaci dopiero, gdy wynik zostanie osiągnięty. Właśnie tego wymagam od planów za 200 dolarów.
Czego przez to chcę? Inwestować w wartościowe modele flagowe w kilku miejscach ekosystemu. Nauczyć się nie zależeć od żadnego z nich. Trzymać pamięć osobno. I wymagać od każdego z osobna, by zasłużył na swoje miejsce.
Ostatni test: czy przesiadka by zabolała?
Nieważne, ile wydajesz — 20, 60, 200 czy więcej — zadaj sobie pytanie kontrolne: gdyby Twój główny model zniknął jutro, czy byś to poczuł? Czy zmiana by bolała? Bo celem jest taka organizacja pracy, żebyś z resztą dostępnej inteligencji po prostu kontynuował — nowy model szybko przejmie Twoją pamięć, umiejęjętności i instrukcje. Idealnie płynnie nie będzie, mówię to wprost: przesiadkę między Codexem a Claude’em czuć nawet przy wspólnej, wyniesionej na zewnątrz pamięci. Ale dzięki temu jednemu elementowi jest nieporównanie prostsza.
Zbierzmy to w całość. Były trzy wielkie obozy — OpenAI, Nvidia i Anthropic — i trzy różne zakłady, które składają. Było spostrzeżenie, że zakład Anthropic jest najbliższy temu, co może zrobić zwykły użytkownik. I pokazałem, jak ja wybieram narzędzia oraz dlaczego.
Teraz Wasza kolej. Ile jesteś w stanie wydać na AI? Jaka jest Twoja poprzeczka zwrotu? Który model wybierasz i dlaczego właśnie dziś? Co realnie oddaje Ci wartość, za którą chce się płacić — 20, 60 czy 200 dolarów? I ostatnie pytanie, o którym dziś nie mówiłem, a jestem bardzo ciekaw: czy są modele, które straciły Twoje zaufanie? Czy jest firma, przy której powiedziałeś sobie „koniec, nie chcę Was słyszeć, przechodzę dalej”? To się zdarza i chętnie poznam Wasze opinie.
To na tyle. Trzy obozy — w którym jesteś Ty? Nie zaprojektuję chipu i nie zadzwonię do Jensena po finansowanie centrum danych. Ale mogę sprawić, by żadna firma AI nie trzymała jedynej kopii mojej pamięci, moich plików, moich instrukcji i mojej pracy. Do zobaczenia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Pamięć i pliki trzymaj poza dostawcą modelu
Na czym polega: Przypadek Cursora pokazał, że model może zniknąć z narzędzia z dnia na dzień — wystarczy zmiana właściciela. Jeśli jedyna kopia Twojej pamięci, plików i instrukcji mieszka w jednej aplikacji, staje się zakładnikiem jednej decyzji korporacyjnej.
Jak stosować: Pamięć trzymaj w systemie, który kontrolujesz (wzorzec OpenBrain), dokumenty w zwykłych plikach, kod we własnych repozytoriach, procesy i umiejęjętności w przenośnych instrukcjach. Modele — czy to ChatGPT, Claude, Gemini czy Cursor — mają tę pamięć tylko czytać.
Na co uważać: Wbudowana pamięć aplikacji jest wygodna i kusi, a eksport bywa niepełny lub ułamek możliwości. Rób regularne kopie i sprawdzaj, co naprawdę da się wynieść na zewnątrz.
2.Rób test „znikającego modelu”
Na czym polega: Najprostszy audyt niezależności: gdyby jutro Twój główny model zniknął, co dokładnie by zabolało?
Jak stosować: Raz na kwartał przejrzyj swoją pracę i wypisz, co trzymasz u dostawcy: dane, integracje, nawyki, instrukcje. Tam, gdzie przesiadka byłaby bolesna, przenieś elementy na własny grunt zanim będzie przymus.
Na co uważać: Celem nie jest eliminowanie wszelkiego tarcia — przejście między modelami zawsze trochę czuć. Celem jest zmiana uciążliwej, a nie paraliżującej.
3.Utrzymuj żywe konto u konkurenta
Na czym polega: Darmowe (lub tańsze) konto u poważnego rywala Twojego głównego dostawcy to tania polisa — pod warunkiem, że naprawdę go używasz.
Jak stosować: Zlecaj rywalowi choć jedno realne zadanie tygodniowo. Przygotuj własny mini-benchmark z dwóch–trzech swoich typowych promptów i porównuj wyniki na własnym materiale, nie na publicznych rankingach.
Na co uważać: Konto założone „na zapas” i nieużywane nie daje żadnej wartości — w kryzysie i tak zaczniesz od zera. Testuj na prawdziwych zadaniach.
4.Przy 20 dolarach: jeden główny plan, nie pięć słabych
Na czym polega: Na niskim budżecie rozpraszanie zapytań po wielu modelach w pogoni za drobnymi ulepszeniami zabiera więcej wartości, niż daje.
Jak stosować: Wybierz jednego głównego dostawcę pod pracę, którą realnie wykonujesz co tydzień, i wyciśnij z niego maksimum. Resztę świata sprawdzaj darmowym kontem rywala.
Na co uważać: Nie płać za plan „na wszelki wypadek”. Kryterium jest jedno: czy główny plan wyraźnie poprawia Twój tydzień? Jeśli nie — anuluj.
5.Przy 60 dolarach: dwa plany bezpośrednie plus narzędzie z dostępem do wielu modeli
Na czym polega: Sensowny zestaw to np. OpenAI (agenci, kod, research), Claude (dokumenty, pisanie, druga opinia) i Cursor Pro (kilka modeli w jednej subskrypcji) — jeśli kodujesz codziennie.
Jak stosować: Przypisz każdej subskrypcji rolę i nie dubluj funkcji. Jeśli Twoja praca żyje w Google Workspace, Google AI Pro może zastąpić jeden z planów bezpośrednich — zamiennik, nie dokładka, bo myślisz w ramach budżetu.
Na co uważać: Nie płać za najdroższy model do zadań, w których wystarczy tańszy — dobieraj model do pracy, a nie prestiżowo.
6.Przy 200 dolarach: każdemu planowi osobny sposób spłacenia się
Na czym polega: Kilka drogich planów ma sens tylko wtedy, gdy każdy z osobna zwraca koszty — przez zaoszczędzony czas, napisany kod, oszczędności na usługach czy bug bounty.
Jak stosować: Na kartce zapisz przy każdej subskrypcji, skąd ma wrócić wartość. Co miesiąc sprawdzaj rzeczywiste użycie. Plan, który nie oddaje pieniędzy, z czasem zwijaj.
Na co uważać: Pokusa „flagowego planu dla prestiżu” jest realna. Jeśli nie używasz modelu codziennie i nie masz dla niego zdefiniowanej pracy, to abonament, nie narzędzie.
7.Śledź właścicieli swoich narzędzi
Na czym polega: Fuzje i przejęcia zmieniają dostęp do modeli z dnia na dzień — Cursor i Windsurf to dwa przykłady z tego samego roku.
Jak stosować: Przy wyborze narzędzia sprawdź, kto za nim stoi i jakie modele oferuje. Trzymaj dane w formatach, które wyniesiesz, i miej zaznajomioną drogę awaryjną (choćby to darmowe konto rywala).
Na co uważać: Obietnice „dożywotniego dostępu” są warte tyle, co kontrakt po przejęciu. Dokumentuj, co masz, zanim zrobi się gorąco.
8.Czytaj wieści o chipach przez pryzmat: inferencja czy trening
Na czym polega: Własny układ do inferencji obniża koszt powtarzalnych odpowiedzi, ale nie zastępuje systemów treningowych — stąd OpenAI ma jednocześnie własny chip i około 12 GW mocy u Nvidii do 2030 roku.
Jak stosować: Przy nagłówkach typu „firma X kończy z Nvidią” zadawaj trzy pytania: do czego ten chip służy, na jakich zadaniach go testowano i kto pisze pod niego software (to tu leży przewaga CUDA).
Na co uważać: Rekordowe wyniki kodu generowanego przez AI dotyczą zwykle wybranych fragmentów pracy, a nie całości. Szybszy układ na papierze wciąż może przegrać z ekosystemem.
9.Dywersyfikuj jak Anthropic — kilka dróg do tego samego celu
Na czym polega: Anthropic celowo ma wielu dostawców mocy (Amazon, Google, Microsoft, SpaceX), dzięki czemu żaden nie może go przycisnąć. Ten sam wzorzec przenosi się na pojedynczego użytkownika.
Jak stosować: Dla każdego kluczowego zadania miej co najmniej dwie drogi: dwa modele, dwa narzędzia, przenośny format danych. Przetestuj drogę zapasową, zanim będzie potrzebna.
Na co uważać: Dywersyfikacja ma koszt koordynacji — więcej kont, formatów i konfiguracji. Uzależniaj od siebie przede wszystkim to, czego utrata boli najbardziej: pamięć, pliki, instrukcje. Resztę można trzymać prosto.
10.Router modeli to elastyczność, ale nie nowa pułapka
Na czym polega: Usługi typu OpenRouter (przejęty przez Stripe) kierują zapytania do wielu modeli zależnie od potrzeby — wygodna warstwa niezależności od pojedynczego dostawcy.
Jak stosować: Używaj rutera do eksperymentów, porównań i jako drogi awaryjnej, gdy któryś model znika lub szwankuje.
Na co uważać: Ruter to też jedna firma — nie przenoś do niej pamięci, plików ani całego sposobu pracy, bo zamienisz jedną zależność na drugą. Kontrolę nad danymi zostaw u siebie.