O czym jest ten film
- Przegląd stanu modeli AI u progu czwartego kwartału 2026 — pięć trendów odczytanych z publicznych danych OpenRouter.
- Zużycie tokenów: z 4,5 bln do 146 bln tygodniowo rok do roku (w ujęciu rocznym autor mówi wręcz o 445 bln) — wzrost bliski wykładniczemu, czyli mocny argument przeciw tezie o „bańce”.
- Anthropic szykuje IPO za 2 bln dolarów mimo blisko 50 mld strat; powodzenie zależy od utrzymania tempa wzrostu — własna projekcja firmy to 200 mld dolarów rocznych przychodów powtarzalnych do końca 2028.
- Udziały na OpenRouter: DeepSeek, Google i OpenAI w czołowej trójce niemal przez cały rok; brak Anthropic w rankingu wynika z tego, że platforma liczy wyłącznie własny ruch.
- Rachunek na serwetce: przy ok. 60 mld dolarów rocznego tempa przychodów Anthropic przetwarzałby — nawet po przecięciu liczb o połowę — ok. 1,5-krotność wolumenu całego OpenRouter.
- Google daleko od wypadnięcia z gry: Gemini Flash to domyślny „koń roboczy” autora w agencie Pi, z najlepszym stosunkiem wydajności, szybkości i kosztu.
- Jev od Typesafe: uniwersalny klasyfikator zero-shot, wzrost rzędu 200–257% tydzień do tygodnia, wzorowa dostępność; w benchmarku autora daje ok. 20% oszczędności tokenów w agencie.
- Darmowe modele (np. owiany plotkami Space Bunny Alpha) wskakują na drugie miejsce — „jeśli nie płacisz, produktem jesteś ty”: prompty trafiają do dostawcy.
- Aplikacje: agent Pi konsekwentnie dogania Claude Code; posiadanie własnego harnessu jako przewaga, której nie daje wynajęte narzędzie.
- Wniosek końcowy: nie ma jednego zwycięzcy — tort rośnie dla wszystkich; strategia: modele stanu sztuki do zbadania problemu, potem zejście na tańsze.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Więcej tokenów to nie więcej wartości
Na czym polega: Zużycie tokenów rośnie niemal wykładniczo, ale sama ich ilość nic nie mówi o produktywności. Sedno tokenomiki: czy wyższy rachunek oznacza więcej użytecznej pracy, czy tylko nieefektywne „palenie” mocy obliczeniowej.
Jak stosować: Przy każdym projekcie agentowym porównuj koszt tokenów z mierzalnym efektem: zamkniętymi zadaniami, decyzjami, zmianami w kodzie. Celuj w równomierny wzrost zużycia, a nie jednorazowe zalewy. Generowanie kodu traktuj jako najłatwiejszy etap pracy — reszta inżynierii jest trudniejsza.
Na co uważać: Iluzja produktywności. Jeśli wzrost rachunku nie idzie w parze z zamkniętymi zadaniami, płacisz za poczucie działania, nie za efekty.
2.Statystyki z jednej platformy to nie cały rynek
Na czym polega: OpenRouter mierzy tylko ruch przechodzący przez własną platformę. Laboratoria — zwłaszcza Anthropic w segmencie korporacyjnym — dostają gigantyczny ruch bezpośredni. Rachunek autora: nawet po przecięciu o połowę wychodzi ok. 1,5-krotność całego wolumenu OpenRouter.
Jak stosować: Zanim uznasz kogoś za „przegranego”, sprawdź, czego dana metryka w ogóle nie mierzy. Zawsze pytaj, kto jest użytkownikiem źródła danych i czego ten użytkownik chce — na OpenRouter króluje publiczność nastawiona na najniższą cenę.
Na co uważać: Wnioski o rynku premium i korporacyjnym wyciągaj z innych źródeł; ranking popularności na jednej platformie bywa mylący.
3.Wybieraj konie robocze, nie medale rankingowe
Na czym polega: Segment tanich, szybkich i wystarczająco wydajnych modeli (klasa A) załatwia ok. 90% typowej pracy — i to tu toczy się najzacieklejsza konkurencja (Gemini Flash, DeepSeek, GPT-6 Luna).
Jak stosować: Ustaw tani, szybki model jako domyślny w codziennych narzędziach, a modele stanu sztuki trzymaj w zanadrzu na trudne przypadki. Buduj i regularnie odświeżaj własny stos modeli z przypisanymi rolami.
Na co uważać: Nowości w tym segmencie pojawiają się bez przerwy — testuj kandydatów na własnych zadaniach, nie na nagłówkach.
4.Klasyfikator zero-shot jako tani decydent w agencie
Na czym polega: Jev to bardzo uniwersalny klasyfikator zero-shot, który wewnątrz agentów zużywa ułamek tokenów konsumowanych przez duże modele językowe. W benchmarku autora (agent Pi, Sonnet 5.5, prompt rzędu 400–500 tys. tokenów wejściowych) daje ok. 20% oszczędności i wyższą szybkość.
Jak stosować: Wpisz taki model jako domyślnego „szybkiego decydenta” — do routingu, oceny zadania, wyboru narzędzia — a ciężką generację zostaw LLM. Na OpenRouter istnieje już osobna kategoria „decisions”.
Na co uważać: Na pojedynczym, dobrze opisanym zastosowaniu mniejszy model wytrenowany na własnych danych może być lepszy. Siła tej klasy to uniwersalność i niezawodność, a nie rola jedynej prawdy.
5.Łącz modele, zamiast wybierać
Na czym polega: Efektywna architektura nie opiera się na jednym dostawcy: łączy modele różnych klas i firm (DeepSeek i Jev, Opus i GPT-6 Astra). Rynek kręci się w korzystną pętlę — destylacje z modeli frontierowych tanieją, inteligencja drożeje.
Jak stosować: Projektuj routing w agentach: decyzje do klasyfikatora, generowanie do modelu o odpowiedniej klasie. Trzymaj więcej niż jednego dostawcę w stosie.
Na co uważać: Każdy dodany model to kolejny punkt awarii. Pilnuj latencji i dostępności — niezawodność bywa u dostawców priorytetem dopiero drugim albo trzecim.
6.Darmowe tokeny płaci się danymi
Na czym polega: Darmowe modele skaczą w rankingach, bo sama cena napędza adopcję. Autor jest przekonany, że dostawcy zatrzymują prompty i trenują na nich, mimo zapewnień o przeciwnym.
Jak stosować: Do pracy z danymi własnościowymi i kodem firmy — płać. Darmowe modele zostaw do nauki i prototypów na danych publicznych.
Na co uważać: Zasada „jeśli nie płacisz, produktem jesteś ty” dotyczy także pośredników — sprawdzaj politykę retencji promptów u każdego dostawcy.
7.Tania konsumpcja plus wartość równa się adopcja
Na czym polega: Dane rynkowe pokazują, że tanie i skuteczne modele konsekwentnie wspinają się w statystykach użycia; niska cena sama w sobie generuje uwagę i ruch.
Jak stosować: Jeśli budujesz produkt oparty na tokenach, projektuj go tak, by jednostkowy koszt konsumpcji był niski przy zachowanej wartości — to warunek skalowania.
Na co uważać: Tania konsumpcja musi się jakoś zwracać. Bez modelu biznesowego „tanie i dobre” zamienia się w „darmowe bez planu”.
8.Posiadaj harness, nie wynajmuj
Na czym polega: Własny agent (np. Pi) pozwala wpiąć narzędzia klasy Jev i ciąć ok. 20% kosztów przy każdym uruchomieniu. Na OpenRouter Pi konsekwentnie dogania Claude Code — znak, że coraz więcej inżynierów chce kontrolować swoje narzędzia.
Jak stosować: Zacznij od otwartego agenta, dodaj własne narzędzia i domyślny model decyzyjny, a potem mierz oszczędności przy każdym starcie. Wynajmuj jak najmniej — inteligencję i tak wynajmujemy na co dzień.
Na co uważać: To inwestycja czasu. Poza tym subskrypcje typu Claude Code nie wliczają się do statystyk OpenRouter, więc porównania popularności nie oddają pełnego obrazu.
9.Wprowadź procedurę degradacji modelu
Na czym polega: Autorska praktyka: na nowy problem rzuca się modele stanu sztuki, a gdy zadanie staje się powtarzalne, schodzi na tańsze, szybsze i wystarczająco wydajne.
Jak stosować: Ustal kryterium „dobrego wyniku”, porównaj kilka klas modeli, a po ustabilizowaniu zadania przełącz pipeline na najtańszy model, które je spełnia. Zostaw ścieżkę powrotu do mocniejszego modelu.
Na co uważać: Nie degraduj zbyt wcześnie — zanim obniżysz klasę, musisz wiedzieć, co dokładnie mierzysz.
10.Przygotuj się na nowe gatunki modeli
Na czym polega: Po wielkich modelach językowych wchodzą wyspecjalizowane klasy: klasyfikatory, decydenci, modele kategorii „decisions”. Co stare, znów jest nowe — zero-shot wraca w mocno zoptymalizowanej formie.
Jak stosować: Zostaw w architekturze agenta miejsce na nowe klasy (routing decyzyjny, ocena, filtrowanie). Obserwuj kategorię „decisions” na OpenRouter i benchmarkuj nowości na własnych zadaniach.
Na co uważać: Klony hitów mnożą się lawinowo — oceniaj niezawodność, latencję i uniwersalność, a nie samą nazwę i otoczkę medialną.
Redakcyjne tłumaczenie
Wstęp: po co śledzić stan modeli
Cześć, inżynierowie — tu IndyDevDan. Na rynek weszła nowa klasa modeli, Jev System 1, a wraz z nią lawina klonów powstałych w ciągu jednej nocy. To dobry moment, żeby rozebrać na czynniki pierwsze stan modeli AI u progu ostatniego kwartału 2026 roku. Po co się temu przyglądać? Bo żeby dobrze pracować, trzeba wiedzieć, jaka inteligencja jest w zasięgu ręki i dokąd zmierzają trendy — wtedy świadomie dobiera się punkt równowagi między wydajnością, szybkością i kosztem. W tym materiale przejdziemy przez pięć dużych trendów, a kompasem będą nam dane OpenRouter. Jeśli te tematy Was wciągają, zostańcie — i wspólnie skalujmy obliczenia, żeby skalować efekty.
Krótkie ogłoszenie: oficjalnie ruszyły przedpremierowe zapisy na trzeci etap mojego produktu o inżynierii agentowej. Zapis wstawia na prywatną listę mailową — będę tam jako pierwszy pokazywał, jaka przewaga czeka każdego inżyniera działającego na froncie. Nie mogę się doczekać, żeby się tym podzielić; to będzie zdecydowanie jedna z najcenniejszych rzeczy, jakie kiedykolwiek stworzyłem.
Trend 1: zużycie tokenów rośnie lawinowo
Spójrzcie na tygodniowy wykres zużycia tokenów na OpenRouter. Krzywa idzie w górę, ale dopiero konkretne liczby pokazują, jak astronomiczna jest dziś skala. Rok temu, mniej więcej w tym samym czasie, cały tydzień zamknął się w 4,5 biliona tokenów. Ile wynosi ta liczba dziś? Nie 10 bilionów, nie 20, nie 50, nie 100. W zeszłym tygodniu przez platformę przeszło łącznie 146 bilionów tokenów. (Informacja dodatkowa: bilion to w polskim nazewnictwie 10¹², czyli tyle, co angielskie „trillion”; autor czyta liczby z wykresów OpenRouter na żywo i w różnych momentach podaje nieco różne wartości — oddajemy je tak, jak padają w materiale.) To nie jest jeszcze wzrost wykładniczy, ale mu bardzo blisko.
Niektórzy wciąż powtarzają, że AI to bańka. Tymczasem rosnące, w pełni konkretne liczby pokazują popyt zbliżony do wykładniczego. Pewnie widzicie to we własnej pracy: im więcej taniej i inteligentnej mocy obliczeniowej macie w zasięgu, tym więcej zastosowań znajdujecie. Dotyczy to Was, mnie i całego ekosystemu inżynierskiego — wszyscy powoli uczymy się, jak sprawić, by wydawane tokeny przynosiły więcej wartości ekonomicznej. To właśnie jest tokenomika: sztuka i nauka czerpania wartości z tokenów.
Anthropic, IPO za 2 biliony i niewygodne pytanie
Na tym wykresie widać coś jeszcze ciekawszego: w ścisłej czołówce rankingu modeli językowych praktycznie nie ma modeli Anthropic. Powód jest prozaiczny — OpenRouter liczy wyłącznie ruch przechodzący przez własną platformę. Tymczasem Anthropic szykuje gigantyczny debiut giełdowy wyceniany na 2 biliony dolarów, mimo straty sięgającej niemal 50 miliardów. Nasuwa się więc niewygodne pytanie: przy całym tym świetnym wzroście i całym wydatku tokenowym, który napływa do Anthropic, czy wycena 2 bilionów jest uzasadniona? A właściwie: czy wybuchowy wzrost może trwać dalej? Czy tendencja znana z OpenRouter przenosi się na samych dostawców modeli?
Jeśli Anthropic ma jakikolwiek wewnętrzny wykres wyglądający jak ten — odpowiedź brzmi: tak. Wtedy rzeczywiście dojdą do 200 miliardów dolarów rocznych przychodów powtarzalnych do końca 2028 roku, zgodnie z własną projekcją. Właśnie na tym opiera się ta szalona deklaracja giełdowa.
Mamy więc dwie naprawdę ciekawe narracje — i obie stoją na jednym założeniu: że zużycie modeli językowych będzie nadal rosło niemal wykładniczo. Jeśli trend się utrzyma, można uderzyć pięścią w stół i powiedzieć: bańki nie ma. Jeśli nie — zrealizuje się pesymistyczny scenariusz dla IPO Anthropic, potem najpewniej OpenAI i zacznie się sypać domek z kart. Ja jestem raczej w obozie optymistów, ale już niedługo przekonamy się, który scenariusz okaże się prawdziwy. Tak czy inaczej jedno jest pewne: zużycie tokenów rośnie.
Tokenomika: wolumen to nie wartość
Co ten trend oznacza dla nas? Kluczowe pytanie, które powinien zadać sobie każdy inżynier, brzmi: czy moje wydatki na tokeny rosną, bo wykonuję więcej użytecznej pracy — czy dlatego, że próbuję ich używać więcej i nie umiem robić tego efektywnie? Czy z wydawanych tokenów rzeczywiście wyciągam produktywność? Bo to jest sedno tokenomiki. Nie wystarczy zużywać więcej tokenów. Zawsze powtarzam na kanale: skaluj obliczenia, by skalować efekty. Ale naprawdę liczy się to, co z tymi tokenami robisz.
Wielu inżynierów wybiera najtańsze modele i przy okazji traci własny czas oraz wydajność swojego biznesu. Inni potrafią te same modele dobrze wykorzystać i zrobić tę samą robotę taniej. Starajcie się trafić do tej drugiej grupy — korzystać z modeli bez rezygnowania z jakości. Ogromną rolę odgrywa tu Jev od Typesafe, o którym za chwilę. Jego wzrost jest astronomiczny: plus 257 procent tydzień do tygodnia, przy 2,6 biliona tokenów.
To gra, w którą ostatecznie gramy wszyscy: więcej tokenów nie równa się więcej wartości. Korelacja jest silna — stąd moje hasło o skalowaniu obliczeń — ale palenie tokenów dla samego poczucia produktywności to nie jest postęp. Gdyby było, „vibe coding” byłby najlepszą możliwą aktywnością. A nie jest. (Informacja dodatkowa: „vibe coding” to pisanie kodu z generatorami AI „na czucie”, bez weryfikacji wyników.) Wygenerowanie kodu to najłatwiejsza część inżynierii oprogramowania; trudne jest wszystko pozostałe. Wolę równomierny wzrost zużycia obliczeń niż jednorazowy zalew tokenów.
I tak dochodzimy do ciekawego pytania: przy tych liczbach i tej narracji — kto właściwie wygrywa? Które laboratorium faktycznie prowadzi w wyścigu AI?
Trend 2: kto wygrywa wyścig AI?
Na pierwszy rzut oka w udziałach na OpenRouter dominuje kategoria modeli o otwartych wagach, a trzy czołowe miejsca okupują DeepSeek, Google i OpenAI. Najbardziej fascynujące jest jednak co innego. Gdy rozpiszemy dane na tygodnie, w trójce liderów przez niemal cały rok widnieją DeepSeek, OpenAI i Google — tydzień po tygodniu, z rzadka wtrącając się kategoria „pozostałe”, czyli wszyscy spoza pierwszej dziesiątki.
Skąd ta trójka? Wciąż słyszę, że Google wyleciał z wyścigu AI i przestał się liczyć. Nie mam pojęcia, o czym mówią ci ludzie. Seria Gemini Flash to jeden z najskuteczniejszych dostępnych koni roboczych i jeden z najbardziej użytecznych modeli w moim stosie. W moim rankingu to model klasy A — taki, który ogarnie 90 procent wszystkiego, co zwykle chce się zrobić modelem językowym. W moim agencie do kodowania Pi domyślnym modelem jest Gemini 3.8 Flash i to nie przypadek: ma najlepszy stosunek wydajności do szybkości i kosztu. Biorąc pod uwagę wszystko, co daje, to po prostu znakomity model.
W klasie A panuje teraz największy tłok — to najbardziej gorący segment rynku. Dla nas, inżynierów, to świetna wiadomość: eksplozja inteligencji trwa. Właśnie wyszedł nowy Claude Opus 5.5, świeżo pojawił się nowy Sonnet, zadebiutowały modele GPT-6 Soul i GPT-6 Luna. Dostępnej mocy obliczeniowej jest więcej niż kiedykolwiek. Lunie trzeba się tutaj pokłonić: to naprawdę mocny model i to on w praktyce trzyma OpenAI w rankingu na OpenRouter — spora część tego wolumenu to właśnie Luna. Te firmy siedzą w słodkim punkcie: DeepSeek, Gemini, Luna, a obok nich Terara — mniej popularna, ale również grająca w lidze tanich, szybkich i wystarczająco wydajnych koni roboczych, dokładnie tam, gdzie przecinają się koszt, szybkość i jakość.
Rachunek na serwetce: ile tokenów przetwarza Anthropic?
Trzeba jednak pamiętać, że statystyki OpenRouter obejmują wyłącznie modele wołane przez tę platformę. Patrząc na nadchodzące IPO Anthropic, lubię przeprowadzić prosty eksperyment myślowy — każdy może go powtórzyć. Anthropic ma rzekomo około 60 miliardów dolarów rocznego tempa przychodów. Ile z tego pochodzi z surowego wydatku na tokeny? Jaki jest u nich łączny licznik tokenów? Policzmy z grubsza: przyjmijmy owe 60 miliardów i załóżmy, że w całości to tokeny Opusa 5.5 po cenie Opusa 5.5.
Na wykresach udziałów wygląda, że wygrywają modele otwarte i że tanie, szybkie, wydajne konstrukcje mają całkowitą dominację. Wystarczy jednak rachunek na serwetce, a obraz się zmienia. Gdyby całe tempo 60 miliardów pochodziło z tokenów Opusa 5.5, Anthropic przetwarzałby 65,2 biliona tokenów dziennie. Dla porównania: cały OpenRouter robi 140 bilionów tygodniowo. Wychodzi więc, że Anthropic przetwarza około 450 bilionów tokenów tygodniowo. Nie podobają się Wam te uproszczenia? Słusznie — to w końcu nie same tokeny Opusa. Przytnijmy więc liczbę o połowę. Możecie ją ciąć jeszcze raz — sedno się nie zmieni: 32 biliony dziennie, 228 bilionów tygodniowo, a to wciąż półtorakrotność całkowitego wolumenu OpenRouter.
Nie kupujcie więc bezkrytycznie tych udziałów rynkowych. Trzeba sobie mocno uświadomić: laboratoria AI dostają gigantyczny ruch bezpośredni. Anthropic zresztą uchodzi za lidera rynku korporacyjnego i to właśnie tam powstają te wydatki tokenowe. Na OpenRouter może figurować dopiero na siódmej pozycji — ale nie dajcie się temu zmylić.
Liczby z tej platformy odzwierciedlają głównie indywidualnych inżynierów oraz małe i średnie firmy. Zapewne i tam trafia jakiś ruch korporacyjny, ale prawdziwy enterprise jest w pełni zainwestowany w Anthropic, OpenAI, Google i może paru kolejnych graczy.
Wszyscy wygrywają
Kto więc wygrywa wyścig AI? Na OpenRouter widać mnóstwo modeli otwartych — ale kto wygrywa naprawdę? Wszyscy. Wydatek rośnie na całej tablicy, i to gwałtownie: w skali roku o jakieś 50–80 razy. Pamiętam, jak rok temu patrzyłem na te wolumeny i myślałem, że liczby są obłędne. I po prostu dalej rosną. Chińskie modele o otwartych wagach — a dziś także część zamkniętych — dominują, jeśli patrzeć na konkretny model wykonujący pracę. Ale uznanie należy się laboratoriom frontierowym za wytyczenie szlaku. Potem chińskim modelom otwartym za to, że zrobiły z tej inteligencji coś dostępnego cenowo. I znowu OpenAI oraz Anthropic — bo zgadnijcie, jak te tanie modele są trenowane: destylacją ze stanu sztuki, co dziś jest powszechnie znaną praktyką. Cały mechanizm kręci się więc w koło ku korzyści — przynajmniej z perspektywy nas, inżynierów: koszty lecą w dół, inteligencja rośnie. To wspaniały stan rzeczy. Nie ma jednego zwycięskiego modelu ani jednego zwycięskiego laboratorium — i jest to optymalny scenariusz, w jakim możemy się znaleźć.
Niedawno stało się jednak coś naprawdę ekscytującego. Wiecie o tym, to temat nagłówków: Jev. Mamy nową klasę modeli do pracy. Co stare, to znów nowe — klasyfikatory zero-shot wracają na scenę, a Jev wiedzie prym.
Trend 3: stara-nowa klasa modeli, z Jev na czele
Najpierw liczby: 2,68 biliona tokenów i wzrost o ponad 200 procent. To najszybciej rosnący model poza Mimo Flash oraz owianym tajemnicą Space Bunny Alpha, o którym krążą pogłoski, że to nowość od Minimaxu. Jev notuje wzrost wybuchowy. Co zadziwia w danych z OpenRouter: wewnątrz agentów Jev zużywa ułamek tokenów konsumowanych przez modele językowe — i mimo to jest już dwunasty w tym tygodniu. Wyszedł przed chwilą. To nowa technologia albo — dokładniej — stara technologia odświeżona i mocno zoptymalizowana.
Widzieliście już klony Jev, słyszeliście rozmowy o dostrajaniu modeli; co drugi inżynier zapewnia, że robił to już kiedyś. No właśnie — klasyfikatory. Sam pracowałem nad wieloma tradycyjnymi klasyfikatorami, takimi od scikit-learn. Ale to nie jest takie proste — i pokażę wykres, który to dowodzi.
Niezawodność, o której wszyscy zapominają
Jev od Typesafe to jeden z najbardziej skalowalnych i najbardziej niezawodnych modeli, jakie widziałem. Oto wykres, na który większość ludzi nie zwróci uwagi: dostępność. Jev po prostu nie pada — na tle wielu innych modeli, z wyraźnie gorszą latencją i gorszym uptime’em. O wilku mowa: właśnie nagrywam ten materiał, a Claude przeżywa kolejną awarię — drobny zgrzyt w systemie. Szokuje mnie, że każdy sądzi, iż skleci klon Jev, nie rozumiejąc, że to bardzo uniwersalny klasyfikator zero-shot, który da się stosować w mnóstwie różnych scenariuszy. Oczywiście: mając kupę danych treningowych, na pojedynczym zastosowaniu przebije się małym modelem. Ale nie przebijecie Jeva w wielu zastosowaniach naraz. Wbrew powszechnemu przekonaniu Jev nie jest łatwy do zastąpienia.
Kto był z kanałem tydzień temu, wie, że aktywnie wplątuję Jeva do mojego agenta Pi i już go benchmarkuję. W poprzednim materiale rozłożyliśmy na czynniki pierwsze dziesięć poziomów użycia Jeva przez inżynierów agentowych — po tym przeglądzie zajrzyjcie tam, żeby zobaczyć, jak go stosować w produkcji, aż po mocne scenariusze agentowe.
A tu wystarczy sam Jev: jeden dodatkowy model i kilka wywołań narzędzi, a wygrywam zarówno na szybkości, jak i na koszcie. (Widać co prawda tylko koszt — muszę jeszcze dorzucić prędkość do panelu porównawczego w Pi.) Przy w miarę prostym prompcie na 400–500 tysięcy tokenów wejściowych oszczędzam 5 centów, czyli około 20 procent. To właśnie ten procent warto śledzić — tyle daje sam klasyfikator w benchmarku. Do porównania używam nowego modelu Sonnet 5.5.
Nowy gatunek modeli: myśl „i”, nie „albo”
Dlaczego ta premiera jest przełomowa? Bo to nowy gatunek modeli, który można stosować obok tradycyjnych modeli językowych i wewnątrz agentów. Widzowie kanału znają moje przekonanie: myślcie w kategorii „i”, nie „albo”. Nie chodzi o ten model albo tamten, o tego dostawcę albo innego, o to narzędzie albo tamto — chodzi o używanie ich razem. DeepSeek V4.1 Flash i Jev. Claude Opus 5.5 i GPT-6 Astra razem. Łączcie moce obliczeniowe, zamiast je wybierać. Chodzi o to, by używać wszystkich modeli we właściwym momencie i we właściwych kombinacjach — a Jev to nowy gatunek, który właśnie dołączył do zestawu.
Ciekawe, że OpenRouter to zauważył: w katalogu modeli pojawiła się nowa kategoria „decisions”, stworzona specjalnie pod takie konstrukcje — ukłon w stronę Jeva jako jednego z pierwszych. A teraz wszyscy wychodzą jak grzyby po deszczu ze swoimi klonami i klasyfikatorami robiącymi mniej więcej to samo. Przekonają się, ile realnie daje sam Jev poza wzorową implementacją: naprawdę dobrze rozwiązano tam kwestię wyniku „null choice” (Informacja dodatkowa: czyli sygnalizowania, że żadna z proponowanych opcji nie pasuje, zamiast wymuszonego wyboru.), a w drodze są kolejne typy i kolejne modele — bardzo na to czekam. Przede wszystkim dopięto szybkość — latencja jest konsekwentnie świetna — oraz niezawodność, z której czołowe laboratoria powinny brać przykład. Wiem, że Jev jest dużo prostszy, ale u dostawców modeli niezawodność od dawna bywa priorytetem dopiero drugim albo trzecim. Jestem więc bardzo zadowolony z tej premiery i właśnie gorączkowo eksploruję Jeva: szukam kolejnych zastosowań i sposobów, by używać go szeroko i na skalę. Wciągam go do agenta Pi i ustawiam jako domyślny model decyzyjny, żeby agent mógł błyskawicznie decydować, kiedy trzeba.
Jak omawialiśmy tydzień temu, da się sporo zaoszczędzić na tokenach wejściowych — i to skalowalnie, przy każdym uruchomieniu agenta. Według moich szacunków oszczędzam z Jevem około 20 procent wydatku tokenowego względem wersji bez niego. Po dniach i tygodniach to się porządnie sumuje. Dlatego miejcie oko na te nowe klasyfikatory i eksperymentujcie. Nie wrzucajcie ich tylko do kodu — wrzucajcie do agentów. Używajcie narzędzi wspólnie. Ten nowy model zostanie z nami na dłużej.
Trend 4: „darmowe” tokeny i ich prawdziwa cena
Zostawię tu krótką uwagę o modelach typu Space Bunny Alpha. Pewnie to znakomita nowość — plotka głosi, że następny model Minimaxu. Jedna z rzeczy, których nie lubię w OpenRouter, to oferta darmowych modeli. Rozumiem, że to wygodne, zwłaszcza przy ograniczonym budżecie. Problem w tym, że jeśli coś jest darmowe, to produktem jesteś ty. Zasada stara jak technologia: można się spodziewać, że tacy dostawcy zatrzymują Wasze prompty, czytają je i wykorzystują. Zapewniają, że nie używają ich do treningu — jakoś nie daję temu wiary. Taka jest po prostu cena tej okazji.
Tymczasem ten model wskoczył na drugie miejsce w rankingu. Jest więc najwyraźniej znakomity i tani — no i po prostu darmowy, co dobrze obrazuje, co ceni cały ekosystem modeli językowych i czego potrzebuje, by te modele działały naprawdę na skalę: żeby były bardzo tanie. Wiemy, że koszt spada, a inteligencja rośnie. Patrząc na zużycie darmowych tokenów na OpenRouter, nieustannie myślę: konsumpcja będzie rosła, a im tańsze tokeny przy zachowanej wydajności, tym więcej zastosowań się pojawi.
Więc choć nie lubię darmowych modeli — jestem przekonany, że zabierają Wasze prompty i dane, i na nich trenują, i wolę płacić niż oddawać informacje własnościowe — rozumiem mechanizm. Szerszy trend wskazuje przyszłość: im tańsze i bardziej opłacalne modele, bez wielkiej utraty wydajności, tym więcej tokenów będzie wydawanych. Widać to w całym rynku: tanie modele, które wciąż działają, wspinają się w statystykach. Dlatego po raz kolejny: DeepSeek, Google i OpenAI robią kawał dobrej roboty.
Ten wydany anonimowo model wybuchł niemal na pierwsze miejsce. To niezła lekcja: wypuszczenie taniego modelu samo w sobie napędza uwagę i ruch. Te same dane OpenRouter pokazują jednak pęknięcie w tym obrazie. Spora część ruchu bierze się stąd, że modele na platformie są różnorodne i śmiertelnie tanie — niektóre wręcz darmowe, bo trenują na Waszych danych. Skądkolwiek czerpiecie informacje, zwłaszcza z dużych narzędzi analitycznych, zawsze sprawdzajcie, kto dostarcza dane, skąd pochodzą statystyki i kim są użytkownicy. OpenRouter, jak bardzo jest cenny, przyciąga głównie ludzi, dla których cena znaczy więcej niż wszystko. To zupełnie inna publiczność niż inżynierowie pracujący na Claude czy OpenAI, którzy chcą maksymalnej wydajności.
Fascynujące jest też to, że Anthropic operuje na liczbach tego rzędu. Nawet gdybyśmy je zrzucili do tygodniowych 140 bilionów znanych z OpenRouter — jeśli OpenAI faktycznie przetwarza takie wolumeny, to ich tokeny w ich cenach są wielokrotnie droższe niż wszystko, co znajdziemy na OpenRouter.
Zapowiada się też nowy Haiku. Zobaczymy, co z niego zrobią. Sądząc po premierze Sonneta, wycenią go tak samo jak poprzednika — a przecież prędzej czy później będą potrzebować cenowo konkurencyjnego Haiku. Chętnie zobaczyłbym go poniżej dolara; wtedy mógłby realnie konkurować z końmi roboczymi klasy Gemini 3.8 Flash. Ale szczerze mówiąc, nie spodziewam się, że Anthropic ruszy z cenami. To takie zastrzeżenie, które lubię tu zostawić.
Zawsze przypatruję się profilowi użytkowników, gdy oglądam trendy modeli. Ogólna zasada: jeśli Wasze tokeny, narzędzie czy produkt są bardzo tanie w użyciu, a przy tym dają wartość — użytkownicy się pojawią. Trudno to przełknąć, bo na tokenach jakoś trzeba zarabiać. I znów jesteśmy przy tokenomice.
Trend 5: aplikacje — Pi dogania Claude Code
W kategorii najpopularniejszych aplikacji śledzę jeden duży trend: gdzie plasuje się agent do kodowania Pi względem Claude Code. Przez długi czas Pi jechał za Claude Code — piąte, szóste, siódme miejsce wśród najczęściej używanych aplikacji na OpenRouter — ale konsekwentnie odrabia straty. W moich oczach to znak, że narzędzia agentowe i inżynieria harnessów trafiają do szerszego grona. (Informacja dodatkowa: harness agenta to „oprawa” wokół modelu — pętla pracy, narzędzia i sterowanie; inżynieria harnessu oznacza samodzielne budowanie i modyfikowanie tej oprawy.) Im więcej inżynierów uświadamia sobie, jak wielką wartością jest posiadanie własnego agenta do kodowania — możliwość dostosowania i kontroli — tym większa będzie ta liczba. I właśnie taki trend widzę: bardzo powolny, ale bardzo równy.
W grudniu opublikuję tradycyjny film z prognozami na kolejny rok; zdradzę już jedną, wprost z danych OpenRouter: po raz pierwszy Pi wyprzedzi Claude Code w zużyciu na tej platformie. Z zastrzeżeniem, o którym już mówiliśmy — realne użycie Claude Code jest dużo wyższe po doliczeniu subskrypcji i członkostw w Anthropic, więc porównanie nie jest pełne.
Ogromnie cieszy mnie przy okazji, że inżynierowie sięgają po coraz więcej modeli otwartych, w miarę jak kupują sprzęt do ich uruchamiania. Sam w październiku biorę jednego z nowych Maców Studio — M5 Ultra Max — i będę go testował. Podzielę się pełnymi statystykami: co da się uruchomić na Macu Studio z 512 GB zunifikowanej pamięci. Zalajkujcie i zasubskrybujcie, żeby niczego nie przegapić — to podniesie moje osobiste zużycie tokenów, a pewnie i nie tylko moje, na tych świetnych modelach otwartych, które oddano nam do dyspozycji.
Codex notuje tu wyraźnie niższe zużycie. Najlepszym — moim zdaniem — następcą Pi jest Cline; Kilo Code też broni się nieźle. Żaden jednak nie daje tej prostoty i swobody personalizacji co Pi. Dlatego to trend warty uważnej obserwacji — i realna przewaga do wzięcia. Jeśli kontrolujecie własne narzędzie agentowe i świadomie zwiększacie w nim zużycie tokenów, zyskujecie przewagę, której inni nie mają. Większość widzów tego kanału już to wie; jeśli nie — w opisie zostawiłem kilka materiałów pokazujących, co można osiągnąć z agentem Pi. W jednym z nich dodałem kilka naprawdę mocnych narzędzi opartych na Jevie, wpiąłem je w kod harnessa i zmodyfikowałem domyślną konfigurację. Efekt: dzięki umiejętności inżynierii harnessu oszczędzam około 20 procent tokenów przy każdym starcie agenta.
To konkretna, mierzalna przewaga — dostępna wtedy, gdy harness jest Wasz, a nie wynajęty. Wystarczająco dużo rzeczy już dziś wynajmujemy; wynajmujemy przecież samą inteligencję. Chcecie wynajmować jak najmniej, a mieć na własność jak najwięcej z tego, co obroni się czasem i inwestycją, jakie w to wkładacie. I własny harness agenta jest tego warty bez żadnych wątpliwości.
Podsumowanie: tort rośnie, zwycięzców brak
Oto wielkie trendy, które obecnie śledzę. Tort rośnie. Nie ma jednego zwycięzcy: nie jest nim ani OpenAI, ani Anthropic; nie jest nim obóz zamkniętych wag przeciw otwartym. Wygrywają wszyscy. Jest za to jeden wykres, który to wszystko podsumowuje: wydatek tokenowy wzrósł rok do roku około 80-krotnie — z 4,5 biliona do 445 bilionów tokenów. To nie wzrost wykładniczy, ale bardzo mu blisko. Za każdym razem, gdy komuś wydaje się, że tempo słabnie, że zbliża się ściana — ściany nie ma. Wzrost trwa.
Jedyne pytanie natury finansowej brzmi: na ile amerykańska gospodarka rzeczywiście opiera się na pomyślnych debiutach giełdowych Anthropic i OpenAI — bo ich niepowodzenie mogłoby nakłuć finansową bańkę AI. A przecież, jak pokazują dane, bańki AI w gruncie rzeczy nie ma: to konkretna, realnie użyteczna technologia. Ludzie chętnie porównują ją z kryptowalutami, mówiąc, że tamta technologia przyszła za wcześnie. Moim zdaniem krypto też jest użyteczne, ale znacznie trudniej było zmierzyć jego użyteczność. Tu, w danych OpenRouter, widać ją gołym okiem. I powtórzę: to wyłącznie publiczny wycinek — Anthropic i OpenAI mają własne, wewnętrzne liczby, wyglądające zapewne podobnie, a może jeszcze ostrzej.
Co było stare, znów jest nowe: Jev toruje przestrzeń nowym gatunkom modeli. Wchodzą modele decyzyjne — bardzo mocne narzędzia do podejmowania decyzji w pracy i w oprogramowaniu. Ponownie odsyłam do zeszłotygodniowego materiału o dziesięciu poziomach Jeva dla inżynierów agentowych. Tort rośnie nam na oczach. Zwycięzców nie ma — jest za to mnóstwo opcji, by skalować obliczenia i skalować efekty.
Wielkie pytanie na przyszłość, i to dla każdego z nas, brzmi: jak zwiększać wydatek tokenowy w najbardziej użyteczny sposób? Ja często robię tak: na nowy problem rzucam modele stanu sztuki, a jeśli zadanie trzeba powtarzać, schodzę na tańsze, szybsze i wystarczająco wydajne. Właśnie dlatego trzymam stos modeli. Wkrótce opublikuję jego zaktualizowaną wersję — zbierającą najlepsze benchmarki, na które patrzę przy długim horyzoncie pracy poza pętlą. Będziecie mogli ją przeanalizować i porównać ze swoim stosem oraz własnym rankingiem klas.
O to chodzi w całej tej grze: rozumieć technologię i dostępną w niej inteligencję, żeby wdrażać ją we właściwym punkcie wydajność–szybkość–koszt, do własnej pracy i własnych zastosowań. Modele takie jak Jev zapowiadają dalszy ciąg: nowe gatunki, nie tylko modele językowe do wstawienia w agenta, ale klasyfikatory, decydenci i inne, bardziej wyspecjalizowane konstrukcje, których dziś nie umiemy sobie nawet wyobrazić. Wielkie brawa dla twórców Jeva za wytyczenie szlaku.
Najważniejsza rzecz, jaką dziś może zrobić każdy inżynier, to przygotować się na kontynuację eksplozji inteligencji. W praktyce: używać modeli takich jak Jev do kierowania ruchu — na właściwy model, do właściwego agenta, do właściwego przepływu pracy — i rozumieć, jakiego modelu potrzeba w danym momencie i za jaką cenę. Zarządzajcie tokenomiką pracy agentów w pętli, a pamiętajcie, że coraz większym odblokowaniem jest praca poza pętlą: out-loop agentic coding, a ściślej — out-loop agentic engineering. (Informacja dodatkowa: w slangu inżynierów agentowych „in-loop” to bieżąca praca agenta w pętli, a „out-loop” — warstwa nadzoru, orkiestracji i projektowania wokół tej pętli.)
Pożegnanie i zapowiedź
Dla wszystkich, którzy dotrwali do końca — wielkie dzięki. Przedpremierowe zapisy na trzeci etap produktu o inżynierii agentowej są już otwarte; pierwszy link znajdziecie w opisie. Po rejestracji czeka Was opcjonalny quiz — dzięki niemu jak najszybciej dopasuję produkt do Was, zwłaszcza jeśli należycie już do programu Agentic Engineering. Zapis wstawia na listę mailową, na której będę dzielić się pomysłami i materiałami z nadchodzącej premiery. Ten produkt pochłania teraz cały mój czas — i szczerze mówiąc, bardzo dobrze to się spina. Trudno w to uwierzyć, ale sądzę, że będzie to najcenniejsza rzecz, jaką kiedykolwiek stworzyłem. Start w okolicach przełomu listopada i grudnia. Wiecie, gdzie mnie szukać — w każdy poniedziałek. Bądźcie skupieni i budujcie dalej.