# Cztery warstwy kosztów
1. Koszty API i infrastruktury
GPT-4o, Claude, Gemini — modele kosztują per token. Przy intensywnym użyciu jeden pipeline przetwarzający 10 000 dokumentów miesięcznie to realnie 200-500 dolarów miesięcznie tylko na API. Plus hosting, bazy wektorowe, orchestration.
Typowy zakres: 200–2000 USD/miesiąc dla średniej aplikacji produkcyjnej.
2. Koszty developmentu
To zwykle największa pozycja. Dobry inżynier AI to nie junior developer który umie wywołać API. To ktoś kto rozumie architekturę systemów, ewaluację modeli, bezpieczeństwo i monitoring.
Typowy zakres: 60–120 tys. PLN za solidny pilot (8–16 tygodni).
3. Koszty ukryte: dane i integracje
Najczęściej niedoszacowane. Przygotowanie danych do RAG (czyszczenie, chunking, embedding) to często 30–40% czasu projektu. Integracja z systemami legacy — ERP, CRM — potrafi podwoić budżet.
4. Koszty utrzymania
Modele się zmieniają. Dostawcy deprecjonują wersje. Jakość odpowiedzi dryfuje. System wymaga regularnej ewaluacji i aktualizacji — minimum 10–20% budżetu rocznego na maintenance.
# Kiedy AI się opłaca
Reguła kciuka: AI ma sens gdy automatyzujesz zadanie, które:
- Zajmuje co najmniej 0.5 FTE
- Jest powtarzalne i dobrze zdefiniowane
- Błąd ludzki ma realny koszt
Przy takich założeniach ROI poniżej 18 miesięcy jest realistyczny dla większości wdrożeń.