Costul inferenței AI: de ce scade prețul, dar cresc facturile

Costul inferenței AI per token scade constant, iar facturile firmelor cresc totuși, pentru că fiecare sarcină consumă acum mult mai mulți tokeni decât acum doi ani. La 4 octombrie 2026, Epoch AI estimează că prețul unui nivel fix de performanță AI scade de aproximativ 13 ori pe an, în timp ce modelele cu raționament și agenții înmulțesc tokenii din spatele fiecărui răspuns. Cifra de urmărit este costul per sarcină, nu prețul per token.

Ce înseamnă costul inferenței AI și cum se facturează?

Inferența înseamnă rularea unui model deja antrenat pentru a produce un rezultat. Furnizorii o taxează în tokeni, bucăți de text de aproximativ patru caractere în engleză. O factură are până la patru linii: tokeni de intrare noi, tokeni de intrare din cache (mult mai ieftini), tokeni de ieșire (cei mai scumpi) și tokeni de raționament, adică gândirea internă a modelului, pe care documentația de costuri Anthropic o declară facturată ca tokeni de ieșire. Prețul unitar înseamnă dolari per milion de tokeni (MTok). Costul per sarcină este factura completă pentru o lucrare terminată, cu toate apelurile din buclă.

Scade într-adevăr prețul AI per token?

Da, dacă ții capacitatea constantă. Într-un studiu din septembrie 2026, Luke Emberson și David Roodman de la Epoch AI au găsit că prețul unui nivel dat de performanță AI a scăzut cu aproximativ 47% pe trimestru, adică de 13 ori pe an, din 2023, pe cinci benchmarkuri. În exemplul lor, modelul o3 al OpenAI a obținut 75% pe GPQA Diamond la circa 0,30 dolari pe întrebare în ianuarie 2025, iar după puțin sub 18 luni GPT-5.6 Luna a egalat scorul la 0,0004 dolari. Autorii avertizează că modelele pot fi antrenate pentru benchmarkuri și că aproape nimeni nu rămâne pe cel mai ieftin model pentru fiecare sarcină.

Listele de prețuri ale furnizorilor merg în aceeași direcție, cu excepții. Prețuri de listă per milion de tokeni, verificate la 4 octombrie 2026:

Model	Situație	Intrare $/MTok	Ieșire $/MTok
GPT-4 (context 8K)	Preț la lansare, 14 martie 2023	30	60
o3	Listat la 4 octombrie 2026	2	8
Claude Opus 4.1	Retras din API-ul direct	15	75
Claude Opus 5.5	Listat la 4 octombrie 2026	4	20
Claude Haiku 3.5	Retras din API-ul direct	0,80	4
Claude Haiku 4.5	Listat la 4 octombrie 2026	1	5
Claude Fable 5.1	Listat la 4 octombrie 2026	10	50

Surse: anunțul GPT-4, pagina de prețuri OpenAI și pagina de prețuri Anthropic. De la GPT-4 la lansare până la o3 azi, intrarea scade de la 30 la 2 dolari (de 15 ori), iar ieșirea de la 60 la 8 dolari (de 7,5 ori). În aceeași gamă Anthropic, de la Opus 4.1 la Opus 5.5, ambele prețuri scad de 3,75 ori. Scăderea într-o linie de produs este deci mai lentă decât cifra de 13 ori ajustată la capabilitate, iar două rânduri merg în sens invers. De la Haiku 3.5 la 4.5 prețul de listă a crescut cu 25%, iar Fable 5.1 costă dublu față de Opus 5 (10/50 dolari față de 5/25). Pagina Anthropic mai spune că modelele Claude 4.7 și mai noi folosesc un tokenizer nou, cu aproximativ 30% mai mulți tokeni pentru același text, deci un preț de listă neschimbat poate ridica costul per document.

De ce cresc facturile AI când prețul per token scade?

O factură este preț înmulțit cu tokeni înmulțit cu sarcini. Prețul scade, iar ceilalți doi factori cresc, din patru motive.

• Raționamentul înmulțește tokenii de ieșire. Gândirea se taxează la tariful de ieșire, cel mai mare. Artificial Analysis, firmă independentă de benchmarkuri, publică costul per sarcină. La 1 septembrie 2026 a raportat că Claude Fable 5.1 a păstrat prețul de listă al lui Fable 5 (10/50 dolari), dar a costat cu aproximativ 20% mai mult per sarcină, pentru că a folosit de circa 1,7 ori mai mulți tokeni de ieșire. La 9 septembrie a raportat că GPT-6 Astra, cu preț de 2,5 ori mai mare decât GPT-5.6 Sol, a egalat Fable 5.1 la circa 40% din costul per sarcină, cu 27.000 de tokeni de ieșire per sarcină față de 78.000. Un preț mai mare per token poate da un preț mai mic per sarcină, iar un preț neschimbat per token poate da unul mai mare.
• Buclele de agenți înmulțesc apelurile. Anthropic raportează că, în sistemul său de cercetare, agenții folosesc de circa 4 ori mai mulți tokeni decât un chat, iar sistemele multi-agent de circa 15 ori, pentru că fiecare pas retrimite un context tot mai mare. Exportul propriu de utilizare al Danube Labs pentru cele zece săptămâni dintre 27 iulie și 4 octombrie 2026 (un cont Claude Code pe planul Max 5x) arată 50,0 milioane de tokeni de ieșire față de 21,08 miliarde de tokeni citiți din cache. Citirile din cache au fost 98,2% din toți tokenii, aproximativ 420 la fiecare token de ieșire. Este un singur cont, deci ilustrează doar forma traficului de agenți.
• Tokenizerele și nivelurile mută unitatea. Un tokenizer nou schimbă în câți tokeni se transformă un document, iar un nivel nou de top schimbă prețul celui mai bun model, care poate crește în același an în care prețul unei capabilități fixe scade.
• Modelele mai ieftine invită la lucrări mai mari. Echipele care nu își permiteau să ruleze un model peste fiecare tichet sau contract acum o fac.

Este paradoxul lui Jevons aplicat tokenilor?

William Stanley Jevons a observat în The Coal Question (1865) că mașinile cu abur mai eficiente au crescut consumul total de cărbune, pentru că munca mai ieftină și-a găsit mai multe utilizări. La tokeni, cheltuiala totală crește când volumul crește mai mult decât scade prețul. Notează cu V creșterea volumului și cu P factorul cu care scade prețul, iar cheltuiala crește când V este mai mare decât P.

O verificare de plauzibilitate: cei 13 ori pe an ai Epoch ajung la 169 de ori în doi ani, iar prezentarea pentru investitori Alphabet din iunie 2026 spune că procesa 9,7 trilioane de tokeni pe lună acum doi ani și 3,2 cvadrilioane azi, de aproximativ 330 de ori mai mult. Măsurile diferă (Epoch urmărește prețul performanței constante, Alphabet numără toate suprafețele, inclusiv produsele gratuite), deci verificarea arată doar că V mai mare decât P este plauzibil, fără să estimeze elasticitatea cererii. Părerea noastră este că, pentru volumele dominate de agenți, volumul câștigă.

Ce reduceri scad cu adevărat factura?

Pârghie	Efect documentat (prețuri Anthropic, 4 octombrie 2026)	Potrivită pentru
Prompt caching	Citirea costă 0,1× din prețul de intrare la majoritatea modelelor Claude (0,05× la Opus 5.5, 0,025× la Fable 5.1). Scrierea costă 1,25× pentru 5 minute sau 2× pentru o oră.	Prefixe lungi și stabile, bucle
Batch API	50% reducere la intrare și ieșire, cumulabilă cu caching.	Lucrări care pot aștepta
Efort mai mic	Gândirea se taxează ca ieșire, iar nivelul de efort controlează cât gândește modelul.	Cereri simple
Rutarea modelelor	Haiku 4.5 la 1/5 dolari față de Opus 5.5 la 4/20 dolari, un raport de 4×.	Sarcini trecute de modelul mic la teste

Despre mecanism vezi prompt caching. Articolul cum am redus costurile LLM cu 99% fără să pierdem calitate combină rutarea, caching-ul, reducerea prompturilor și batching-ul, verificate pe 400 de exemple de evaluare.

Abonament sau plată la consum: cine poartă riscul de utilizare?

Un plan fix este un pachet prețuit pe o medie așteptată, deci furnizorul asigură variația de utilizare, ceea ce merge cât timp utilizarea per utilizator are o limită. Anthropic listează Pro la 20 de dolari pe lună și Max de la 100, descrie Max drept „5x or 20x more usage per 5-hour session than Pro” și adaugă „paid plans add weekly limits on top” (claude.com/pricing, 4 octombrie 2026).

Diferența dintre prețul fix și valoarea la consum poate fi mare. În cele zece săptămâni de mai sus, ccusage a evaluat utilizarea contului la 13.166 de dolari la prețurile de listă API, față de circa 230 de dolari pentru zece săptămâni dintr-un plan listat de la 100 de dolari pe lună, de aproximativ 57 de ori mai mult. Nu este suma facturată, contul a atins limita săptămânală în fiecare dintre acele săptămâni și este un singur cont. Arată de ce furnizorii plafonează planurile fixe.

Agenții elimină limita naturală a utilizării, deci prețul fix se retrage acolo unde costul crește cu tokenii. The New Stack a relatat în iunie 2026 că GitHub a retras abonamentul fix Copilot în favoarea facturării pe tokeni și că Cursor și-a restructurat nivelurile pentru echipe. Documentația Anthropic indică un cost mediu Claude Code de aproximativ 13 dolari per dezvoltator pe zi activă, 150–250 de dolari pe lună și sub 30 de dolari pe zi activă pentru 90% dintre utilizatori. Folosește abonamente pentru oameni și chei API pentru produse și respectă termenii furnizorului. Comparația noastră abonament Claude sau API pentru coding trece prin avantaje și dezavantaje.

Cum calculezi costul per sarcină? Un exemplu pas cu pas

Costul per sarcină însumează fiecare apel din buclă: intrare nouă × prețul de intrare, intrare din cache × prețul de citire din cache și ieșire (cu raționament cu tot) × prețul de ieșire. Costul per rezultat reușit împarte costul unei încercări, plus verificarea umană, la rata de succes.

Ipoteze ilustrative, nemăsurate. Un agent de suport face 4 apeluri per tichet. Fiecare apel trimite 9.000 de tokeni de intrare (un prefix stabil de 6.000 de tokeni cu instrucțiuni și politici, citit dintr-un cache cald, plus 3.000 noi) și produce 400 de tokeni vizibili plus 600 de raționament. Modelul este Claude Sonnet 5.5 la 2 dolari intrare, 0,20 dolari citire din cache și 10 dolari ieșire per MTok. Calculul este 12.000 × 2 $ ÷ 1.000.000 = 0,024 $, plus 24.000 × 0,20 $ ÷ 1.000.000 = 0,0048 $, plus 4.000 × 10 $ ÷ 1.000.000 = 0,040 $, în total 0,0688 $ per tichet, adică 688 $ la 10.000 de tichete.

Scenariu	Intrare nouă	Din cache	Ieșire	Cost per tichet	Variație
Cazul de bază	12.000	24.000	4.000	0,069 $	referință
Fără caching	36.000	0	4.000	0,112 $	+63%
Raționament triplat	12.000	24.000	8.800	0,117 $	+70%
Prețuri la jumătate, raționament triplat	12.000	24.000	8.800	0,058 $	−15%
Batch API, aceiași tokeni	12.000	24.000	4.000	0,034 $	−50%

Doar caching-ul elimină 39% din factură. Dacă înjumătățești toate prețurile și triplezi raționamentul, factura scade doar cu 15%, pentru că tokenii de ieșire au crescut de 2,2 ori, iar intrarea a rămas la fel. Dacă un om are nevoie de 6 minute per tichet la un cost complet de 16 euro pe oră (ipoteza noastră), un tichet costă 1,60 euro în muncă, iar apelul către model reprezintă circa 4% din asta, tratând 1 dolar ca 1 euro pentru ordin de mărime. Raportul avantajează modelul, pentru că verificarea și răspunsurile greșite costă mai mult, iar ghidul despre ROI agenți AI pentru firme arată cum le numeri.

Cum bugetezi tokenii AI într-o firmă?

1. Înregistrează tokenii per sarcină, pe tip (noi, din cache, ieșire, raționament).
2. Limitează tokenii de ieșire, setează un nivel de efort per flux și testează calitatea pe un set de evaluare înainte să schimbi ceva.
3. Pune la început partea lungă și stabilă a promptului și trimite sarcinile ușoare la un model mic.
4. Calculează fiecare sarcină la 0,5× și la 2× tokenii măsurați și recalculează trimestrial, pentru că furnizorii schimbă prețuri și tokenizere. Pagina Anthropic consemnează o creștere de preț pentru Sonnet 5, planificată pentru 1 septembrie 2026, care nu a avut loc.

Cum lucrează Danube Labs cu costurile AI

Danube Labs construiește My Claude Code, un gateway local care rutează agenții de coding peste 57 de furnizori de modele și ține un jurnal al cererilor cu costul fiecăreia, adică datele de care ai nevoie. Pentru clienți, un studiu de fezabilitate AI începe cu un set de evaluare și o estimare a costului per sarcină. Vezi serviciul de sisteme AI sau cere un apel introductiv gratuit.