Modele komercyjne czy open-source

Pytanie o modele komercyjne kontra otwarte pojawia się niemal w każdym projekcie wdrożeniowym, zwykle w połowie warsztatu i zwykle w formie ideologicznej. Odpowiedź rzadko jest ideologiczna. Zależy od tego, jakie zadanie ma wykonać model, ile razy dziennie, na czyich danych i kto poniesie konsekwencje, gdy odpowiedź okaże się błędna.

Trzy kategorie zamiast dwóch

W praktyce spotykamy trzy różne modele operacyjne, choć dyskusja toczy się tak, jakby były dwa. Pierwszy to model komercyjny dostępny wyłącznie przez API dostawcy, czyli rodziny GPT, Claude i Gemini. Drugi to model o otwartych wagach uruchamiany u zewnętrznego dostawcy hostingu: wagi są publiczne, ale infrastruktura nadal nie należy do nas. Trzeci to model o otwartych wagach uruchomiony na własnym sprzęcie albo we własnej chmurze prywatnej.

Wymiar	API komercyjne	Otwarte wagi u dostawcy	Otwarte wagi u siebie
Poufność danych	Zerowa retencja i region UE w umowie	Infrastruktura nadal cudza	Dane nie opuszczają sieci
Koszt przy niskim wolumenie	Najniższy: płacimy za zużycie	Średni	Najwyższy: sprzęt stoi bezczynnie
Koszt przy wysokim i stałym wolumenie	Rośnie liniowo	Zależy od umowy	Najniższy przy pełnym wykorzystaniu
Kontrola wersji modelu	Dostawca może wycofać wariant	Ograniczona	Pełna
Nakład zespołu	Bliski zeru	Niewielki	Monitoring, utrzymanie, dyżury

Warto też odróżnić „open source” od „open weights”. Większość popularnych modeli otwartych publikuje wagi i architekturę, natomiast 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, dla którego w ogóle rozmawiamy o modelach otwartych, i zarazem argument stawiany najbardziej nieprecyzyjnie. Dostawcy komercyjni oferują dziś umowy o zerowej retencji, wyłączenie danych klienta z treningu oraz 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.

Model uruchomiony lokalnie wygrywa tam, gdzie ograniczenie jest twarde: dane objęte tajemnicą zawodową, dokumentacja medyczna, materiał z postępowań, informacje, których zgodnie z polityką bezpieczeństwa nie wolno wypuścić poza własną sieć nawet do zaufanego procesora. W takim przypadku dyskusja o benchmarkach staje się wtórna, bo zmienną decydującą ustala polityka bezpieczeństwa, zanim ktokolwiek spojrzy na wyniki.

Koszt przy skali

Tutaj najczęściej widzimy błąd w rachunku. Modele otwarte nie mają opłat licencyjnych, za to mają koszt eksploatacji. Wynajem pojedynczej karty obliczeniowej klasy H100 kosztuje w wyspecjalizowanych chmurach GPU (procesory kart graficznych) rzędu dwóch do trzech dolarów za godzinę, u dużych dostawców chmury publicznej wyraźnie więcej. Karta pracująca w trybie ciągłym generuje więc koszt rzędu kilku tysięcy złotych miesięcznie za sam sprzęt, zanim doliczymy pracę zespołu, monitoring i procedury utrzymania.

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

Konsekwencja jest prosta. Przy niskim i nieregularnym wolumenie API wygrywa niemal zawsze, ponieważ płacimy wyłącznie za zużycie. Punkt przełamania pojawia się przy wysokim i przewidywalnym wolumenie zadań powtarzalnych: klasyfikacji zgłoszeń, ekstrakcji pól z dokumentów, wstępnym streszczaniu. Wtedy własna instancja pracuje blisko pełnego wykorzystania i rachunek zaczyna wyglądać inaczej. Zanim ktokolwiek podpisze plan migracji, warto policzyć zmierzony wolumen zapytań z ostatnich trzech miesięcy zamiast jego wyobrażenia.

Jakość w języku polskim

Przewaga modeli komercyjnych była tu przez lata największa i wciąż pozostaje zauważalna przy zadaniach wymagających swobody stylistycznej: redagowaniu pism, obsłudze niuansów rejestru, pracy na tekście prawnym. Dystans jednak wyraźnie się skrócił. Rodzina Qwen3 jest publikowana na licencji Apache 2.0 i deklaruje wsparcie dla 119 języków i dialektów. Mistral, spółka francuska, udostępnia na Apache 2.0 zarówno model flagowy Mistral Large 3, jak i mniejszą serię Ministral 3 w wariantach 14B, 8B i 3B, co daje europejską alternatywę również po stronie jurysdykcji.

Osobno warto znać ekosystem polski. Bielik fundacji SpeakLeash, rozwijany przy wsparciu Cyfronetu AGH i publikowany na Apache 2.0, jest trenowany na polskich danych i inaczej dzieli polski tekst na fragmenty rozliczeniowe, przez co ten sam tekst kosztuje mniej niż u modeli trenowanych głównie po angielsku. Wersja 11B ukazała się na początku 2026 roku. Równolegle działa PLLuM, inicjatywa Ministerstwa Cyfryzacji udostępniona publicznie w 2025 roku. Do porównań służy Open PL LLM Leaderboard prowadzony przez SpeakLeash na Hugging Face, oparty na polskich zadaniach NLP (przetwarzanie języka naturalnego). Ranking mierzy klasyfikację, rozumienie tekstu i pytania zamknięte, więc traktujemy go jako wskazówkę o ograniczonym zasięgu; o jakości redakcyjnej mówi niewiele. Rekomendujemy własny zestaw testowy: od 50 do 100 przypadków wziętych z firmy, ocenianych przez osoby, które tę pracę wykonują na co dzień.

Kontrola nad wersją i ciągłość

Ten wymiar bywa niedoceniany, a potrafi przesądzić o wyborze. Dostawca API może wycofać wersję modelu, zmienić jej zachowanie albo zaostrzyć filtry treści, przez co proces, który przeszedł walidację, zacznie zwracać inne wyniki. Model o otwartych wagach pobrany raz działa tak samo za rok, o ile utrzymujemy środowisko. Dla systemów objętych walidacją, audytem lub dokumentacją zgodności ta powtarzalność jest wartością samą w sobie.

Licencja i odpowiedzialność

Licencję otwartego modelu warto przeczytać, zanim ktoś zbuduje na nim produkt, ponieważ nie wszystkie rodziny są równie otwarte. 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”. Ponieważ cała rodzina Llama 4 jest natywnie multimodalna, 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 czy gpt-oss, takiego ograniczenia nie zawiera.

Druga strona tego samego wymiaru to odpowiedzialność. Kupując API, kupujemy również umowę, poziom usług, kanał wsparcia i podmiot, który odpowiada za działanie usługi. Uruchamiając model otwarty, przejmujemy tę rolę w całości: dostępność, aktualizacje bezpieczeństwa, jakość odpowiedzi i skutki jej braku.

Na koniec kontekst regulacyjny. 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 model istnieją niezależnie od tego, czy model jest otwarty.

Rekomendacja

W większości organizacji, z którymi pracujemy, wybór kończy się na architekturze mieszanej. Model komercyjny obsługuje zadania wymagające najwyższej jakości językowej i najszerszego kontekstu. Model otwarty, uruchomiony lokalnie, obsługuje wolumen powtarzalny oraz dane, które nie mogą opuścić sieci. Granicę między jednym a drugim wyznaczamy raz, zapisujemy w polityce i przeglądamy kwartalnie, ponieważ obie strony tego rynku zmieniają się szybciej niż roczny cykl budżetowy.