Firmy coraz lepiej wiedzą, ile kosztuje uruchomienie pilotażu AI. Znacznie rzadziej wiedzą, ile kosztuje jego produkcyjne życie.

To różnica, która na pierwszy rzut oka wydaje się techniczna. W praktyce jest jedną z najważniejszych decyzji finansowych, jakie dziś podejmują zarządy. Pilotaż pokazuje, że model potrafi odpowiedzieć na pytanie, streścić dokument, wesprzeć programistę albo przyspieszyć obsługę klienta. Produkcja pokazuje coś znacznie trudniejszego: czy da się to robić codziennie, bezpiecznie, przewidywalnie i z sensem ekonomicznym.

Właśnie tam zaczyna się prawdziwy rachunek za AI.

Najbardziej widoczną pozycją kosztową pozostaje moc obliczeniowa. GPU, wyspecjalizowane instancje chmurowe, opłaty za inferencję, czas treningu, limity tokenów, storage i transfer danych. To elementy, które łatwo wpisać do arkusza kalkulacyjnego, bo mają cenniki, jednostki rozliczeniowe i faktury. Nic dziwnego, że szybko stają się centrum rozmowy między IT a finansami.

Problem polega na tym, że infrastruktura AI nie kończy się na compute. Coraz częściej nawet się tam nie zaczyna.

Według Międzynarodowej Agencji Energetycznej centra danych zużyły w 2024 roku około 415 TWh energii elektrycznej, czyli około 1,5 proc. globalnego popytu na prąd. Do 2030 roku zużycie to może wzrosnąć do około 945 TWh, a AI jest jednym z głównych czynników tej dynamiki. Skala inwestycji również pokazuje, że nie mówimy już o marginalnym koszcie działów IT. Goldman Sachs szacuje, że w latach 2026–2031 globalne inwestycje w infrastrukturę AI, w tym moc obliczeniową, data center i energię, mogą sięgnąć 7,6 bln dolarów.

Dla pojedynczej firmy nie oznacza to oczywiście konieczności budowania własnego data center. Oznacza jednak coś innego: koszt AI coraz mocniej zależy od infrastruktury, której nie widać w demonstracji produktu. Od jakości danych. Od stabilności integracji. Od bezpieczeństwa. Od monitoringu. Od ludzi, którzy potrafią utrzymać model w ruchu. Od energii, dostępności mocy, sieci i architektury chmurowej.

To dlatego pilotaż bywa tani, a produkcja zaskakująco droga.

W pierwszych kalkulacjach najłatwiej znikają dane. Nie samo ich przechowywanie, ale cała praca potrzebna do tego, aby mogły stać się użytecznym paliwem dla AI. Dane trzeba oczyścić, połączyć, opisać, zabezpieczyć, wersjonować i utrzymywać w jakości. Trzeba wiedzieć, skąd pochodzą, kto ma do nich dostęp, czy można ich użyć w danym procesie i czy nie wprowadzają modelu w błąd. Bez tego nawet najlepszy model pozostaje efektownym narzędziem uruchomionym na kruchym fundamencie.

Drugą ukrytą pozycją są logi, monitoring i obserwowalność. Produkcyjne AI nie może działać jak czarna skrzynka. Firma powinna wiedzieć, kto korzysta z modelu, jakie zapytania trafiają do systemu, jakie odpowiedzi są generowane, gdzie pojawiają się błędy, kiedy spada jakość i czy model nie zaczyna zachowywać się inaczej niż zakładano. To wymaga narzędzi, retencji danych, procedur, alertów i ludzi zdolnych do interpretacji sygnałów. W pilotażu monitoring bywa dodatkiem. W produkcji staje się warunkiem kontroli.

Trzeci koszt to integracja. AI rzadko tworzy wartość w izolacji. Musi połączyć się z CRM, ERP, hurtownią danych, systemem obsługi klienta, repozytorium dokumentów, aplikacją pracowniczą albo środowiskiem programistycznym. Każde takie połączenie oznacza testy, uprawnienia, mapowanie danych, utrzymanie API, odpowiedzialność za błędy i ryzyko awarii na styku systemów. Model może być gotowy szybciej niż organizacja, która ma go przyjąć.

Czwartym elementem jest bezpieczeństwo. W pilotażu często przesuwane na później, w produkcji nie daje już takiego komfortu. AI, która ma dostęp do wiedzy organizacji, dokumentów klientów, kodu, danych finansowych albo informacji operacyjnych, wymaga kontroli dostępu, szyfrowania, audytowalności, zarządzania sekretami, polityk retencji i odporności na wycieki. Do tego dochodzi zgodność regulacyjna, która w Europie będzie coraz mocniej wiązać projekty AI z odpowiedzialnością za dane, ryzyko i sposób użycia systemu.

Piątym, najbardziej niedoszacowanym kosztem są ludzie. Model nie działa sam, nawet jeśli tak bywa sprzedawany. Ktoś musi przygotować dane, zaprojektować proces, utrzymać środowisko, sprawdzić jakość odpowiedzi, reagować na incydenty, aktualizować polityki i tłumaczyć biznesowi, gdzie AI faktycznie pomaga, a gdzie jedynie tworzy iluzję automatyzacji. W tym sensie AI nie usuwa kosztu operacyjnego. Raczej przenosi go w nowe miejsca.

W tle rośnie jeszcze jeden wymiar rachunku: energia. AI zmienia charakter infrastruktury cyfrowej, bo wymaga nie tylko więcej mocy obliczeniowej, ale też stabilnego zasilania, chłodzenia i coraz bardziej zaawansowanej architektury data center. Badania dotyczące koncentracji nowych centrów danych wskazują, że największe obciążenia skupiają się w Ameryce Północnej, Europie Zachodniej i regionie Azji i Pacyfiku, co może lokalnie zwiększać presję na sieci energetyczne. W Europie analizy scenariuszowe pokazują, że rozwój AI może po 2030 roku silniej uzależnić lokalizację infrastruktury od dostępności stabilnej mocy i elastyczności systemu energetycznego niż od samej obecności zielonej energii.

Dla zarządów wniosek jest prosty, ale niewygodny. AI nie da się liczyć wyłącznie jako kosztu chmury, licencji lub GPU. Trzeba liczyć ją jako koszt procesu, który ma działać w organizacji na stałe. CFO i CIO powinni rozmawiać nie tylko o miesięcznej fakturze od dostawcy technologii, lecz także o koszcie jednego przypadku użycia, jednej wersji modelu, tysiąca inferencji, integracji z kluczowym systemem, utrzymania jakości danych, spełnienia wymogów bezpieczeństwa i obsługi ryzyka.

Dopiero wtedy AI przestaje być eksperymentem technologicznym, a staje się elementem modelu operacyjnego.

Największym błędem firm nie jest dziś samo inwestowanie w AI. Błędem jest liczenie jej tak, jakby była narzędziem kupowanym z półki. W rzeczywistości AI bliżej do systemu, który trzeba zasilić danymi, osadzić w procesach, zabezpieczyć, monitorować i stale korygować.

Pilotaż odpowiada na pytanie, czy AI działa. Produkcja odpowiada na pytanie, ile kosztuje, gdy działa naprawdę.

I to właśnie ta druga odpowiedź powinna interesować zarząd najbardziej. Bo rachunek za AI nie kończy się na GPU. Kosztuje nie sam model, lecz cały system, który sprawia, że model może działać bezpiecznie, stabilnie i z realnym znaczeniem dla biznesu.