Jak kalkulator liczy koszt
Każde wywołanie modelu jest rozliczane osobno: tokeny wejścia razy stawka za wejście plus tokeny wyjścia razy stawka za wyjście. Model nie pamięta rozmowy, więc w każdym wywołaniu dostaje od nowa całość: prompt systemowy, definicje narzędzi, wcześniejsze wiadomości i odpowiedzi, a na końcu nowe pytanie z fragmentami dokumentów z wyszukiwania (RAG).
Dla rozmowy bez wywołań narzędzi wejście z n tur sumuje się do wzoru: n × (prompt + narzędzia + kontekst) + wiadomość × n(n+1)/2 + odpowiedź × n(n-1)/2. Pierwszy człon rośnie liniowo, dwa kolejne z kwadratem liczby tur. Jeśli fragmenty dokumentów zostają w historii, kontekst RAG też przechodzi do części kwadratowej.
W pętli agenta każde wywołanie narzędzia to kolejne wywołanie modelu. Model zwraca nazwę i argumenty narzędzia, aplikacja dokleja wynik i wysyła wszystko jeszcze raz. Przy trzech narzędziach w jednej turze model dostaje ten sam prompt i te same definicje cztery razy. Dotyczy to także narzędzi z serwera MCP. Kalkulator zakłada, że narzędzia są wołane po kolei. Gdy model woła kilka narzędzi naraz, wpisz liczbę kroków zamiast liczby narzędzi. Całość liczę krok po kroku, a w testach sprawdzam, że wynik symulacji zgadza się ze wzorem.
Po stronie wyjścia są odpowiedzi, argumenty wywołań narzędzi i tokeny rozumowania. Tych ostatnich nie widać w odpowiedzi, ale OpenAI rozlicza je jak tokeny wyjścia, a Google podaje w cenniku Gemini stawkę wyjścia razem z tokenami rozumowania. Cache liczę tak: trafienia po stawce odczytu, chybienia i nowe tokeny po stawce zapisu albo zwykłego wejścia. Odczyt obejmuje tylko początek zapytania, który nie zmienił się od wcześniejszego wywołania. Gdy po turze z historii znikają fragmenty dokumentów albo rozumowanie, kalkulator czyta historię z cache tylko do tego miejsca.
Przykłady z liczbami
Stawek w przykładach celowo nie przeliczam na złotówki, bo zmieniają się częściej niż ta strona. Liczby tokenów wynikają z założeń i można je sprawdzić w kalkulatorze, wybierając scenariusz startowy.
Załóżmy chatbota na stronie: prompt systemowy 1200 tokenów, definicje dwóch narzędzi 800, fragmenty FAQ 1500 w każdej turze, pytanie 40 i odpowiedź 180 tokenów. Sześć tur to 24 540 tokenów wejścia i 1080 tokenów wyjścia. Dwanaście tur to 57 000 tokenów wejścia, czyli ponad dwa razy więcej, bo każda tura niesie całą wcześniejszą rozmowę.
Załóżmy agenta do skrzynki mailowej: jeden mail to jedno zadanie, ale agent woła trzy narzędzia (wyszukanie klienta, status zamówienia, zapis szkicu). Przy prompcie 2000 tokenów, definicjach narzędzi 3000, mailu 900, wywołaniu narzędzia 80, wyniku narzędzia 700 i odpowiedzi 350 tokenów wychodzą 4 wywołania modelu i 28 280 tokenów wejścia, z czego 12 000 to same definicje narzędzi. Jeśli model rozumuje i zużywa 300 tokenów rozumowania na wywołanie, wyjście rośnie z 590 do 1790 tokenów.
W pierwszym przykładzie najwięcej waży kontekst RAG i prompt, w drugim definicje narzędzi. Dlatego rozbicie na składniki jest ważniejsze niż sama kwota: pokazuje, co skrócić albo przenieść do cache.
| Składnik | Ile razy trafia do modelu | Co pomaga |
|---|---|---|
| Prompt systemowy | W każdym wywołaniu | Cache stałej części, krótsze instrukcje |
| Definicje narzędzi i MCP | W każdym wywołaniu, także gdy narzędzie nie jest używane | Tylko narzędzia potrzebne w danym kroku, krótkie opisy |
| Kontekst RAG | W każdej turze, a gdy zostaje w historii, także w kolejnych | Mniej, ale trafniejszych fragmentów |
| Historia rozmowy | Rośnie z każdą turą | Streszczanie starszych wiadomości, limit tur, cache historii |
| Wyniki narzędzi | W każdym kolejnym kroku pętli agenta | Zwracanie tylko potrzebnych pól |
| Rozumowanie | Jako wyjście w każdym wywołaniu | Model bez rozumowania tam, gdzie zadanie jest proste |
Kolejność od składników, które wracają najczęściej. Liczby dla własnego przypadku pokazuje tabela pod wynikiem kalkulatora.
Czego kalkulator nie liczy
- Obrazy, pliki PDF i audio. Kalkulator liczy tylko tekst. Pliki i nagrania dostawcy rozliczają według własnych zasad, więc dolicz je po pomiarze na prawdziwych plikach.
- Narzędzia po stronie dostawcy. Wyszukiwanie w sieci i podobne narzędzia mają dodatkową opłatę za użycie, którą cennik Anthropic opisuje osobno od tokenów.
- Przechowywanie jawnego cache. Cennik Gemini podaje osobną stawkę za przechowywanie, liczoną za milion tokenów na godzinę.
- Wyższe stawki dla długich promptów. Część modeli ma próg długości, powyżej którego całe zapytanie jest droższe. Kalkulator pokazuje najdłuższe wywołanie, żeby łatwo było to sprawdzić w cenniku.
- Tryb wsadowy. W cenniku Anthropic Batch API daje rabat 50% na wejście i wyjście (stan na 12.11.2026), ale tylko dla zadań, które mogą poczekać na wynik. Rozmowa z klientem na żywo się do tego nie nadaje.
- Podatki i kurs banku. Wynik to stawki z cennika przeliczone po kursie z pola. Kwota na wyciągu zależy od kursu, po którym bank przeliczy płatność kartą.
- Porównanie z modelem lokalnym. Rzetelne porównanie wymaga testu przepustowości i jakości na tych samych sprawach, więc kalkulator go nie robi. Opisuję to w tekście lokalny model AI w firmie.
Jak obniżyć koszt API bez zmiany modelu
- Ułóż zapytanie tak, żeby stała część była na początku: najpierw prompt i definicje narzędzi, potem zmienna treść. Tylko wtedy cache ma co powtarzać.
- Po kilku turach streszczaj starsze wiadomości albo ustaw limit długości rozmowy.
- Dawaj agentowi tylko narzędzia potrzebne w danym kroku i pisz krótkie opisy parametrów.
- Zwracaj z narzędzi potrzebne pola zamiast całych rekordów z CRM czy sklepu.
- Ogranicz kontekst RAG do kilku najtrafniejszych fragmentów.
- Zadania, które mogą poczekać, wysyłaj w trybie wsadowym, jeśli dostawca go ma.
- Ustaw limit długości odpowiedzi tam, gdzie wystarczy krótka odpowiedź.
Skąd wziąć liczby do kalkulatora
Najpewniejsze źródło to pole usage w odpowiedzi API. Zbierz je z 20 prawdziwych rozmów albo zadań, policz średnią i wpisz do kalkulatora. OpenAI zwraca tam też liczbę tokenów odczytanych z cache, a Anthropic udostępnia dodatkowo endpoint do liczenia tokenów przed wysłaniem zapytania.
Nie przeliczaj słów na tokeny stałym mnożnikiem z angielskich tabelek. Ten sam tekst każdy dostawca dzieli na tokeny po swojemu, a wynik zależy też od języka. Polski prompt zmierzony na Twoich danych da pewniejszą liczbę niż reguła z internetu.
Policzę to razem z Tobą
Kalkulator pokazuje rząd wielkości. Jeśli planujesz chatbota albo agenta i chcesz znać koszt przed wdrożeniem, policzę go na Twoich danych: zmierzę tokeny na prawdziwych przykładach, ustawię cache i dobiorę model do zadania. Projektuję i wdrażam agentów AI oraz chatboty dla firm. Prosty agent kosztuje u mnie od około 1200 zł netto, a do tego dochodzą opłaty za API, które ten kalkulator pomaga oszacować.
Więcej o kosztach piszę w tekstach ile kosztuje agent AI, ile kosztuje chatbot dla firmy i ile kosztuje wdrożenie AI w firmie. Jak połączyć model z systemem firmy, opisuję na stronie o integracji ChatGPT API z aplikacją firmową, a pracę z Claude w tekście Claude w firmie. Agenta zbudowanego w n8n opisuję na stronie agent AI w n8n.
Miesięczny koszt z kalkulatora wpisz jako utrzymanie w kalkulatorze ROI automatyzacji, żeby sprawdzić, po ilu miesiącach zwróci się wdrożenie. Pozostałe kalkulatory i testy są w dziale darmowe narzędzia.
Opisz, co ma robić Twój agent, a policzę koszt API i wdrożenia.
Napisz do mnieŹródła
Stawki i zasady rozliczania sprawdziłem 12 listopada 2026 na oficjalnych stronach dostawców. Cenniki zmieniają się, więc przed decyzją sprawdź aktualne.
- API Pricing (OpenAI)
- Pricing (Claude Platform Docs) (Anthropic)
- Gemini Developer API pricing (Google)
- Prompt caching (OpenAI)
- Reasoning models (OpenAI)
- Understanding and counting tokens (OpenAI Help Center)