Vaš AI postaje gluplji i skuplji: Kako znalci izbjegavaju ovu zamku?

Termin "šrinkflacija" se već neko vrijeme pominje u tekstovima o vještačkoj inteligenciji. Zapravo, svako je iskusio pravo značenje – to je situacija kada u supermarketu plaćate isto ili više, a dobijate manje. Čokoladice su tanje, toalet papir kraći, pakovanja manja. Prema podacima CapitalOne, svaki treći proizvod u prosječnoj korpi pogodila je ova "tiha inflacija".

Ali šrinkflacija nije više samo "fizički fenomen". Stigla je i u svijet vještačke inteligencije.

U posljednjih nekoliko sedmica, primijetili ste da su kompanije koje razvijaju AI sisteme ili pooštrile uslove pretplate, ili podigle cijene, ili ograničile pristup modelima. GitHub je u aprilu privremeno zaustavio nova prijavljivanja na Copilot Pro i tako najavio prelazak na naplatu po potrošnji od 1. juna. OpenAI je uveo više cjenovnih nivoa kako bi "bolje razumio" različite načine korišćenja svojih proizvoda. A Anthropic je prošlog mjeseca bio prinuđen da prizna grešku: korisnicima je, umjesto punog modela, serviran okrnjeni Claude, nastao u pokušaju da se sistemi učine efikasnijim.

Sve je to dio jedne šire borbe: AI laboratorije pokušavaju da izađu na kraj sa rastućom potražnjom, a istovremeno nude proizvode koji su, po svim procjenama, i dalje subvencionisani. Nvidia, koja dominira tržištem čipova koji pokreću AI revoluciju, već otvoreno kaže da AI može da košta više od zaposlenog radnika.

- Jedan od ključnih izazova za provajdere jeste da nekako usklade svoja ograničenja sa načinom na koji programeri zaista koriste alate . kaže Triša Gi, softverska programerka koja prati usvajanje AI alata za kodiranje u industriji.

Analiza korišćenja platforme OpenRouter pokazuje koliko se situacija promjenila: između novembra 2024. i novembra 2025. godine, prosječan broj tokena po upitu porastao je sa oko 1.500 na čak 6.000 tokena. U isto vrijeme, prosječan output je skočio sa 150 na 400 tokena.

Kineski AI provajder Zhipu AI, tvorac GLM modela koji se takmiče sa Anthropic-ovim velikim jezičkim modelima, saopštio je ovog mjeseca da svakodnevno procesiraju 5,5 triliona tokena što je ekvivalent četiri triliona reči, ili oko 45 miliona prosječnih knjiga. Goldman Sachs procjenjuje da bi potrošnja tokena mogla da bude čak 24 puta veća od ukupnih kapaciteta koji danas postoje, a pokretač tog rasta su agentni AI sistemi.

Pre godinu ili dvije, tipičan korisnik bi postavio kratko pitanje, dobio kratak odgovor, eventualno razmenio nekoliko poruka i završio razgovor. Danas je scenario potpuno drugačiji: korisnici AI modele pokreću na dugotrajnim projektima koji uključuju analizu podataka, pisanje koda i paralelne zadatke koji traju satima.

- Jedinica potrošnje više nije razmjena poruka - objašnjava Eduardo Arinjo de la Rubia, profesor na Centralnoevropskom univerzitetu u Beču. - Sada je to opsježna agentna putanja koja često uključuje višestruke asinhrone agente, višestruke pozadinske agente, ponekad i desetine ili čak stotine poziva alatima. Subvencionisane cijene koje su AI provajderi nudili jednostavno ne mogu da prate ovakav rast.

Kompanije najčešće naplaćuju pristup modelima na jedan od dva načina: mjesečna pretplata sa ograničenjima, ili neograničen pristup uz naplatu po tokenu putem API poziva. "Kako bi odgovorili na eksploziju agentnih AI sistema – koji troše mnogo više tokena već samim "otkucajima srca" kojima proveravaju stanje sistema u realnom vremenu – neki provajderi, poput Anthropica, zatvorili su mogućnost "flat pretplate" za agentne aplikacije" rekao je profesor.

Kako korisnici zaobilaze poskupljenja

Na ovom mjestu vrijedi pomenuti lično iskustvo koje je podijelio Kris Stokel, autor jedne od analiza objavljene na nekoliko portala koji se bave AI tematikom: on lično koristi između 75 i 100 miliona tokena dnevno od kojih su dve trećine kroz lokalno hostovane modele. Razlog je jednostavan, kako je napisao – strah da će, "kako se plafoni snižavaju", biti primoran na skuplje planove, za koje bi za godinu dana potrošio više nego što bi koštalo njegov lični hardver.

Nije jedini koji tako razmišlja. Mac Mini računari, koje mnogi biraju za lokalno pokretanje modela, sve se teže nabavljaju u Apple prodavnicama. Cijene grafičkih kartica, čak i polovnih, naglo su porasle, navodi autor.

- Prelazak na lokalne modele mora biti dio rešenja - smatra de la Rubia. Ali, uz važno pitanje: za šta se ti modeli zapravo koriste? - Koristimo li ih za asinhron pregled koda? Kao pozadinski alat za otkrivanje bezbjednosnih propusta? Ili nešto treće? Kako se sve to uklapa?

To zapravo praktično znači da korisnici umjesto da plaćaju pristup AI modelima kroz cloud servise (OpenAI, Anthropic, Google), preuzmu i pokreću te modele direktno na sopstvenom računaru ili serveru.

Na šta konkretno misli kad kaže "lokalno"? Skinete model (npr. Llama, Mistral, DeepSeek). Pokrenete ga lokalno, na svom računaru sa dobrom grafičkom karticom, ili na sopstvenom serveru. Koristite ga neograničeno, bez mjesečne pretplate i bez ograničenja tokena

Zašto je to "dio rešenja"? Jer cloud provajderi mogu da ti smanje limit, podignu cijenu ili okrnje model — a vi to ne možete da kontrolišete. Sa lokalnim modelom, jednom kad kupite hardver, troškovi su gotovi. Međutim, hardver koji može da pokrene ozbiljne modele nije jeftin, a održavanje tih sistema zna da bude naporno za laike pogotovo. Zbog toga to nije rješenje za svakog korisnika, nego pre svega za one koji intenzivno koriste AI. Upravo to navodi De la Rubia.

- Ostaje i pitanje da li su uštede zaista uštede: kupovina hardvera dovoljno snažnog za lokalne LLM modele ozbiljan je finansijski poduhvat. A uz to dolazi i svakodnevni izazov održavanja sistema koji znaju da budu nestabilni.

I možda je upravo ta komplikacija razlog zašto će mnogi ostati na pretplatama, bez obzira na pomenutu šrinkflaciju. Ne vidim da ljudi odustaju od planova od 200 dolara mesečno. Nisam primetio nikakav signal da najskuplji sveobuhvatni planovi nestaju. Pretpostavljam da će postati skuplji, ali da će opstati.

Anthropic

Claude

OpenRouter

Zhipu AI

AI

vještačka inteligencija

chat botovi

AI šrinkflacija