Jak wybrać między komercyjnym a otwartym modelem AI

„Czy dla bezpieczeństwa danych powinniśmy postawić własny, otwarty model AI zamiast płacić za ChatGPT albo Claude?” Odpowiedź zależy od tego, jakie zadanie ma wykonać model, ile razy dziennie, na czyich danych i kto poniesie konsekwencje błędnej odpowiedzi. Rzadko wynika z przekonań o wyższości jednego rodzaju modeli nad drugim.

Dotyczy GPT Claude Gemini Qwen3 Mistral Bielik gpt-oss

Trzy kategorie zamiast dwóch

Pierwsza kategoria to model komercyjny dostępny wyłącznie przez API dostawcy, np. rodziny GPT, Claude i Gemini. Druga to model o otwartych wagach uruchamiany u zewnętrznego dostawcy hostingu: wagi są publiczne, ale infrastruktura nadal nie należy do firmy. Trzecia to model o otwartych wagach uruchomiony na własnym sprzęcie albo we własnej chmurze prywatnej.

Warto też odróżnić open source od open weights. Większość popularnych modeli otwartych publikuje wagi i architekturę, ale pełny zbiór treningowy i kod treningu pozostają zamknięte. W zastosowaniach biznesowych ta różnica ma znaczenie głównie przy audycie pochodzenia danych.

Poufność danych

To najczęstszy powód rozmów o modelach otwartych i zarazem argument stawiany najmniej precyzyjnie. Dostawcy komercyjni oferują dziś umowy o zerowej retencji, wyłączenie danych klienta z treningu i wybór regionu przetwarzania w Unii Europejskiej, także pośrednio przez platformy chmurowe. Dla większości danych firmowych to wystarczający poziom ochrony i zdecydowanie krótsza droga niż budowa własnej infrastruktury.

Koszt przy skali

Modele otwarte nie mają opłat licencyjnych, ale mają koszt eksploatacji. Wynajem pojedynczej karty obliczeniowej klasy H100 kosztuje w wyspecjalizowanych chmurach GPU (procesory kart graficznych) kilka dolarów za godzinę, u dużych dostawców chmury publicznej wyraźnie więcej. Karta pracująca bez przerwy to koszt rzędu kilku tysięcy złotych miesięcznie za sam sprzęt, przed doliczeniem pracy zespołu, monitoringu i utrzymania.

Skala sprzętu bywa mniejsza, niż podpowiada intuicja. OpenAI podaje, że gpt-oss-120b mieści się na jednej karcie 80 GB, a gpt-oss-20b w 16 GB pamięci, czyli na dobrze wyposażonej stacji roboczej.¹ Oba modele są publikowane na licencji Apache 2.0.

Przy niskim i nieregularnym wolumenie API wygrywa niemal zawsze, bo płaci się tylko za zużycie. Punkt przełamania pojawia się przy wysokim i przewidywalnym wolumenie zadań powtarzalnych: klasyfikacji zgłoszeń, ekstrakcji pól z dokumentów, wstępnego streszczania. Przed planem migracji trzeba policzyć zmierzony wolumen zapytań z ostatnich 3 miesięcy, a nie jego wyobrażenie.

Jakość w języku polskim

Przewaga modeli komercyjnych pozostaje zauważalna przy zadaniach wymagających swobody stylistycznej: redagowaniu pism, rejestrze językowym, pracy na tekście prawnym. Dystans jednak wyraźnie się skrócił.

Do porównań służy Open PL LLM Leaderboard prowadzony przez SpeakLeash na Hugging Face, oparty na polskich zadaniach NLP (przetwarzanie języka naturalnego). Mierzy klasyfikację, rozumienie tekstu i pytania zamknięte, więc o jakości redakcyjnej mówi niewiele. Decyzja wymaga własnego zestawu testowego: od 50 do 100 przypadków z firmy, ocenianych przez osoby, które tę pracę wykonują na co dzień.

Kontrola nad wersją

Dostawca API może wycofać wersję modelu, zmienić jej zachowanie albo zaostrzyć filtry treści, a proces, który przeszedł walidację, zacznie wtedy zwracać inne wyniki. Model o otwartych wagach pobrany raz działa tak samo za rok, o ile firma utrzymuje środowisko. Dla systemów objętych walidacją, audytem albo dokumentacją zgodności ta powtarzalność jest wartością samą w sobie.

Licencja i odpowiedzialność

Licencję modelu otwartego trzeba przeczytać przed zbudowaniem na nim produktu. Licencja Llama 4 zawiera klauzulę: „With respect to any multimodal models included in Llama 4, the rights granted under Section 1(a) of the Llama 4 Community License Agreement are not being granted to you if you are an individual domiciled in, or a company with a principal place of business in, the European Union”.⁵ Cała rodzina Llama 4 jest natywnie multimodalna, więc dla firmy z siedzibą w Polsce oznacza to barierę prawną niezależną od jakości modelu. Licencja Apache 2.0, na której publikowane są Qwen3, Mistral Large 3 i gpt-oss, takiego ograniczenia nie zawiera.

Kupując API, firma kupuje też umowę, poziom usług, kanał wsparcia i podmiot odpowiedzialny za działanie usługi. Uruchamiając model otwarty, przejmuje tę rolę w całości: dostępność, aktualizacje bezpieczeństwa i jakość odpowiedzi.

Unijne rozporządzenie o AI przewiduje dla modeli ogólnego przeznaczenia wydawanych na wolnych i otwartych licencjach ograniczone zwolnienie z części obowiązków dokumentacyjnych, pod warunkiem publicznej dostępności wag i architektury oraz braku monetyzacji. Zwolnienie nie obejmuje modeli o ryzyku systemowym, a obowiązki dotyczące polityki praw autorskich i podsumowania danych treningowych pozostają w mocy. Obowiązki podmiotu stosującego istnieją niezależnie od tego, czy model jest otwarty.

Architektura mieszana

Większość organizacji kończy na połączeniu obu podejść:

Granicę między jednym a drugim wyznacza się raz, zapisuje w polityce i przegląda co kwartał, bo obie strony rynku zmieniają się szybciej niż roczny cykl budżetowy. Wybór modeli, politykę danych i plan wdrożenia przygotowujemy w ramach pakietu Strategia AI.

Najczęstsze pytania