Ile kosztuje jedno zapytanie AI: zmierzyliśmy dziewięć operacji

W skrócie: 30 lipca 2026 r. przepuściliśmy dziewięć typów zapytań przez Google Vertex AI i zarejestrowaliśmy liczbę tokenów bezpośrednio z odpowiedzi API. Główny wniosek: czytanie jest tanie dla AI, tworzenie jest drogie, a różnica sięga tysiąckrotnie. Oglądanie dziesięciominutowego wideo na YouTube kosztuje dwa centy. Generowanie ośmiu sekund wideo kosztuje trzy dolary dwadzieścia. Ta sama technologia, ten sam rachunek, ale operacje o zupełnie innej naturze — a ty nie zaplanujesz budżetu, nie rozumiejąc tej różnicy.

Jak to zmierzyliśmy

Nie z kalkulatorów na stronach marketingowych ani z obietnic na blogach dostawców. Każde zapytanie trafiło do Vertex AI na koncie usługowym naszego projektu, a z każdej odpowiedzi pobraliśmy blok usageMetadata — gdzie sam model raportuje, ile tokenów kosztował twój wkład i ile jego odpowiedź.

Następnie pomnożyliśmy to przez ceny opublikowane przez Google na dzień 30 lipca 2026 r. dla rodziny Gemini 2.5 Flash-Lite: 0,10 USD za milion tokenów wejściowych (tekst, obrazy, wideo), 0,30 USD za milion tokenów wejściowych audio i 0,40 USD za milion tokenów wyjściowych. Ceny generowania wideo pochodzą z cennika Veo 3.1: 0,40 USD za sekundę w trybie standardowym.

Metoda ma znaczenie, ponieważ pozwala ci ją powtórzyć: te same liczby znajdują się w odpowiedzi na każde zapytanie, które wykonasz, jeśli spojrzysz na usageMetadata.

Tabela: co ile kosztuje

Operacja	Co się dzieje	Koszt za uruchomienie
Zapytanie tekstowe	~300 tokenów wejścia, ~500 wyjścia	$0.0003
Odczyt zdjęcia	obraz plus krótka odpowiedź	$0.001
Transkrypcja 30 s mowy	audio kosztuje trzy razy więcej niż tekst	$0.0008
Czytanie akapitu na głos	synteza mowy	$0.0006
Oglądanie 3-minutowego wideo	51 tys. tokenów	$0.006
Oglądanie 10-minutowego wideo	171 tys. tokenów	$0.02
Generowanie jednego obrazu	1290 tokenów wyjściowych	$0.04
8 s wideo, tryb szybki	rozliczane za sekundę	$0.64
8 s wideo, tryb standardowy	rozliczane za sekundę	$3.20

Wniosek: oglądanie jest tańsze niż tworzenie

Porównaj dwa wiersze. Analiza czyjegoś dziesięciominutowego wideo: dwa centy. Generowanie ośmiu sekund własnego wideo: trzy dolary dwadzieścia. To 160 razy więcej za siedemdziesiąt pięć razy mniej sekund.

Powodem jest sposób rozliczania. Wszystko, co wysyłasz do modelu, to input tokens — najtańsza rzecz w cenniku. Wszystko, co produkuje, to output, a output kosztuje kilka razy więcej. W przypadku Flash-Lite, input to 0,10 USD za milion, a output to 0,40 USD — cztery razy więcej. Generowanie obrazów i wideo jest ponownie rozliczane oddzielnie, według zupełnie innych stawek.

Stąd zasada, która pozwala zaoszczędzić najwięcej pieniędzy: skracaj odpowiedź, nie pytanie. Wskazówka „odpowiedz w jednym akapicie” obniży twój rachunek bardziej niż skrócenie pytania o połowę. Najdroższe zdanie, jakie możesz napisać do modelu, to „wyjaśnij szczegółowo, ze wszystkimi przykładami”.

Wideo, sekunda po sekundzie

Zmierzyliśmy to oddzielnie, przycinając jeden klip do różnych długości. Model liczy wideo jako 258 tokenów na sekundę materiału filmowego i 25 tokenów na sekundę audio. Zależność jest ściśle liniowa — pięć sekund dało 1290 tokenów, dziesięć sekund dało dokładnie 2580.

Długość	Tokeny	Koszt analizy
5 sekund	1415	$0.0002
1 minuta	17000	$0.002
5 minut	85000	$0.010
10 minut	171000	$0.020

Co to oznacza w praktyce: analiza wideo nie jest luksusem. Wydobycie esencji z godzinnego wykładu kosztuje około dwunastu centów. Twój własny czas poświęcony na sformułowanie zadania będzie kosztował więcej.

Dlaczego nadal musisz liczyć

Pojedyncze zapytanie kosztuje ułamek centa, co stwarza wrażenie, że nie ma czego liczyć. To wrażenie jest błędne z dwóch powodów.

Po pierwsze: rozmowa staje się droższa z każdą wiadomością. Model nie pamięta poprzednich tur — aby śledził kontekst, cała wymiana jest wysyłana ponownie z każdym zapytaniem. Twoja dziesiąta wiadomość ciągnie za sobą dziewięć poprzednich, a wszystkie z nich ponownie liczą się jako input. Ty piszesz równie krótkie odpowiedzi, podczas gdy rachunek rośnie sam.

Po drugie: niektóre języki kosztują mniej więcej dwa razy więcej niż angielski. Model liczy ani liter, ani słów, ale tokeny — fragmenty tekstu. Angielski dzieli się na większe fragmenty: jeden token to tam mniej więcej cztery znaki, podczas gdy w wielu innych językach jest to bliżej dwóch. Ta sama myśl kosztuje półtora do dwóch razy więcej.

Co z tym zrobić

• Wyraźnie ograniczaj długość odpowiedzi. „Trzy zdania”, „jeden akapit”, „lista pięciu” — to bezpośrednie oszczędności, a nie stylistyczne czepialstwo.
• Rozpocznij nowy czat dla nowego zadania. Długi wątek „wszystko w jednym” kosztuje więcej niż świeży czat z tym samym pytaniem — i działa lepiej, bo przestarzały kontekst przestaje przeszkadzać.
• Nie generuj tego, co możesz znaleźć. Czytanie istniejącego klipu lub dokumentu jest prawie zawsze tańsze niż tworzenie własnego.
• W przypadku długich promptów technicznych spróbuj angielskiego. Nie chodzi tylko o cenę: modele uczyły się głównie na tekstach angielskich i precyzyjniej wykonują angielskie briefy.

Zastrzeżenia, bez których liczby kłamią

Zmierzyliśmy jeden model — Gemini 2.5 Flash-Lite — na jednej chmurze. Potężniejsze modele kosztują kilka razy więcej; konkurenci mają własne cenniki. To, co wszędzie się sprawdza, to rząd wielkości i, co ważniejsze, stosunek między operacjami: input jest tańszy niż output, czytanie jest tańsze niż tworzenie.

Po drugie: taryfy się zmieniają. Nasze dane pochodzą z 30 lipca 2026 r. Sprawdź cenę na stronie cennika dostawcy, a nie w artykułach — w tym w tym.