Umělá inteligence měla podle optimistických předpovědí zvýšit produktivitu, urychlit výzkum a v konečném důsledku také snížit náklady. Článek Dareka Šmída „AI měla zlevnit svět. Místo toho zdražuje život“, publikovaný na WIRED.cz, upozornil na druhou stranu současného rozmachu AI: vysoké ztráty technologických společností, rostoucí spotřebu energie, obtížně měřitelnou návratnost investic i skutečnou cenu jejího používání. Na téma jsme se rozhodli podívat také z perspektivy akademického pracoviště, které umělou inteligenci skutečně provozuje a využívá.
Lukáš Hejtmánek z CERIT-SC Masarykovy univerzity vysvětluje, proč je třeba rozlišovat mezi náklady na vývoj modelů a jejich každodenním používáním, jak lze spotřebu AI sledovat po jednotlivých tokenech a co tato technologie již dnes přináší výzkumníkům a studentům.
Největší společnosti vyvíjející umělou inteligenci vykazují vysoké ztráty. Znamená to, že je současný rozvoj AI ekonomicky neudržitelný?
Je pravda, že řada společností vyvíjejících velké modely hospodaří se značnými ztrátami. Samotná neziskovost ale ještě neříká, zda je technologie užitečná nebo dlouhodobě životaschopná.
Můžeme to přirovnat například k železniční infrastruktuře. Provoz železnic je v mnoha zemích dotovaný a sám o sobě nemusí být ziskový. Přesto z toho nevyvozujeme, že jsou koleje nebo veřejná doprava zbytečné. U infrastruktury totiž nemusí být zisk jediným měřítkem její hodnoty. Důležité je také to, jaké služby společnosti poskytuje.
Je možné, že část dnešních AI firem nebo startupů zanikne. To ale neznamená, že zmizí modely, které už vznikly. V CERIT-SC provozujeme modely s otevřenými vahami. Máme je uložené na vlastní infrastruktuře a nejsou závislé na tom, zda nám konkrétní poskytovatel ponechá přístup ke své službě.
Nemohou být dnešní ceny AI služeb uměle nízké?
Je možné, že někteří komerční poskytovatelé své služby časem zdraží. Při hodnocení jejich ceny je však důležité oddělit náklady na vývoj a trénování modelu od nákladů na jeho následný každodenní provoz, tedy inferenci. Právě směšování těchto dvou položek může vytvářet zkreslenou představu o tom, kolik samotné používání AI skutečně stojí.
Trénování špičkového modelu může stát obrovské částky. Právě zde vzniká významná část ztrát, o nichž se v médiích mluví. Podobně jako u jiné nákladné infrastruktury ale nemusí být rozhodující, zda se počáteční investice vrátí přímo. Důležitý může být i širší přínos, který technologie následně přináší společnosti. Každodenní provoz již hotového modelu je navíc jiná ekonomická disciplína a právě tu dokážeme v CERIT-SC poměrně přesně sledovat.
Od 1. ledna do 14. července 2026 naše infrastruktura zpracovala přibližně 31,3 milionu požadavků a 315 miliard tokenů. Při použití srovnatelných cen komerčních poskytovatelů by tato spotřeba odpovídala zhruba 222 tisícům dolarů. Jeden požadavek tak v průměru vychází přibližně na 0,007 dolaru.
Pro jednoho z našich 2 392 registrovaných uživatelů to představuje přibližně 14 dolarů měsíčně. To je méně než běžné individuální předplatné některých komerčních chatbotů, přestože spotřeba zahrnuje i náročné agentní úlohy s desítkami tisíc tokenů na jediný požadavek.
Do celkových nákladů samozřejmě vstupují také hardware, elektřina, chlazení, prostory a práce lidí. Jedno zařízení NVIDIA DGX stojí přes půl milionu dolarů. Při současném využití nám ale vychází, že by se vlastní infrastruktura pro inferenci mohla při referenčních komerčních cenách zaplatit přibližně během dvou let.
Mohou se náklady na používání AI snadno vymknout kontrole?
Mohou, pokud organizace spotřebu nesleduje. To ale není specifické jen pro umělou inteligenci. Podobné riziko existuje u všech cloudových služeb.
V našem prostředí spotřebu tokenů průběžně monitorujeme. Když některý uživatel nebo aplikace během krátké doby spotřebuje neobvykle vysoký objem, zpravidla jde o chybu v programu, který opakuje požadavky, nebo například o uniklý přístupový klíč. V takové situaci se uživateli ozveme a problém řešíme.
Vysoký účet tedy nemusí znamenat, že je samotný token extrémně drahý. Často pouze chybějí limity, upozornění a provozní dohled. Je to podobné jako u špatně nastaveného cloudového serveru, který běží bez omezení. Problém není nutně v ceně technologie, ale v tom, že nikdo nekontroluje její využívání.
Firmy často nevědí, jak měřit návratnost investic do AI. Jak lze její přínos vyhodnotit?
Návratnost se měří obtížně, pokud o AI mluvíme jako o univerzálním nástroji, který má neurčitým způsobem proměnit celou organizaci. Jakmile ji ale nasadíme na konkrétní úlohu, lze její přínos hodnotit mnohem přesněji.
V CERIT-SC například používáme autonomního agenta nazvaného AI Karel. Každý den prochází výpočetní cluster a připravuje provozní zprávu. Upozorňuje například na grafické karty, které jsou rezervované, ale několik dní se nepoužívají, nebo na služby, které zůstaly v infrastruktuře bez aktivního uživatele.
V jednom z reportů například odhalil dvanáct rezervovaných, ale nevyužívaných grafických karet a více než pět set objektů, které už nikdo nepoužíval. Protože provoz takové techniky stojí peníze, může jejich včasné odhalení ušetřit významné náklady i čas pracovníků. Obdobnou funkcionalitu umí zajistit i monitoring, ale v našem případě jde právě o kombinaci sledování a analýzu příčiny, to druhé již monitoring snadno nezajistí.
U konkrétně vymezené úlohy tedy můžeme porovnat, kolik času a peněz vyžadovala dříve, kolik stojí její řešení pomocí AI a jaký výsledek přináší. Právě tehdy začíná být návratnost měřitelná.
Energetická náročnost datových center patří k nejvážnějším argumentům proti rozšiřování AI. Jak ji vnímáte?
Je to podle mě nejoprávněnější z diskutovaných námitek. Datová centra spotřebovávají velké množství elektřiny a vyžadují chlazení, prostor i další infrastrukturu. Bylo by chybou tento problém zlehčovat.
Zároveň je nutné rozlišovat různé způsoby provozu AI. Nemusí vždy jít o obrovskou globální službu dostupnou přes internet. Část budoucnosti mohou představovat lokálně provozované modely, které sdílejí konkrétní instituce nebo komunity.
V CERIT-SC takové prostředí funguje pro tisíce uživatelů. Modely běží uvnitř akademické infrastruktury, prompty ani odpovědi ji nemusí opustit a obsah komunikace se nepoužívá k dalšímu trénování. Zaznamenáváme pouze nezbytná provozní metadata. To je důležité zejména při práci s citlivými nebo regulovanými výzkumnými daty. Pro některé projekty není lokální akademická infrastruktura pouze levnější či bezpečnější alternativou ke komerční službě. Může být jedinou právně a eticky použitelnou možností.
Lokální provoz samozřejmě energetickou náročnost sám o sobě neřeší. Umožňuje ale efektivněji sdílet infrastrukturu, sledovat její využití a omezovat situace, kdy drahý hardware zůstává bez užitku.
Jak už dnes AI pomáhá studentům a mladým výzkumníkům?
V období odevzdávání závěrečných prací v našem grafu spotřeby pravidelně vidíme výrazný nárůst. Samotná vyšší spotřeba samozřejmě ještě nedokládá, že AI studentům skutečně pomáhá. Z jejich konkrétního využití ale vidíme, že se modely zapojují například při analýze dat, programování, práci v Jupyter notebooku nebo při hledání chyb ve výpočtech – tedy u úloh, kde jim mohou přímo usnadnit nebo urychlit práci.
Český student může prostřednictvím akademické infrastruktury získat bezplatný přístup k velmi výkonným modelům, aniž by jeho výzkumná data opouštěla instituci. Asistent může pracovat přímo s notebookem, kódem nebo datovým souborem a například vysvětlit, proč konkrétní výpočet selhal.
Přínosem tak nemusí být abstraktní slib technologické revoluce. Může jím být student, který dokončí práci rychleji, odhalí chybu nebo zvládne použít metodu, která by pro něj jinak byla obtížně dostupná.
Máme už konkrétní důkazy, že AI posouvá samotný vědecký výzkum?
Výsledky AI ve vědě už nejsou jen hypotetické. AlphaFold zásadně proměnil predikci prostorové struktury proteinů a práce jeho tvůrců byla oceněna Nobelovou cenou za chemii za rok 2024. Databáze AlphaFold obsahuje predikce struktur přibližně 200 milionů proteinů.
Dalším příkladem je rentosertib, léčivo vyvíjené proti idiopatické plicní fibróze, při jehož návrhu byla využita generativní AI. Výsledky klinické studie publikoval časopis Nature Medicine. Nejde ještě o hotový lék, ale o konkrétní ukázku toho, že AI může urychlit některé fáze vývoje léčiv.
V materiálovém výzkumu systém GNoME navrhl 2,2 milionu potenciálně stabilních krystalových struktur, z nichž přibližně 381 tisíc bylo vyhodnoceno jako nové stabilní materiály vhodné k dalšímu zkoumání.
Posun sledujeme také v matematice. V roce 2026 například model OpenAI autonomně vyvrátil dlouholetou domněnku z oblasti diskrétní geometrie týkající se problému jednotkových vzdáleností. Důkaz následně ověřili externí matematici. Jde o konkrétní ukázku toho, že AI se postupně posouvá od řešení známých úloh k práci na skutečně otevřených výzkumných problémech.
Je tedy správné ptát se, kolik AI stojí a kdo její rozvoj zaplatí. Stejně důležité je však sledovat, co konkrétně za tyto peníze získáváme.
Jsou tedy obavy ze současného rozmachu AI přehnané?
Ne. Část skeptických předpovědí se může naplnit. Některé firmy pravděpodobně zaniknou, ceny služeb se mohou změnit a energetická náročnost bude vyžadovat vážnou debatu. Teprve čas ukáže, do jaké míry je současná situace investiční bublinou a do jaké míry ranou fází dlouhodobé technologické proměny.
Nesouhlasil bych ale s představou, že skutečnou cenu AI nikdo nezná a že nelze zjistit, co za ni uživatelé dostávají. My tuto cenu sledujeme po jednotlivých tokenech a požadavcích. Zároveň dokážeme ukázat konkrétní služby, výzkumné projekty i provozní úspory, které díky ní vznikají.
AI především mění způsob, jakým práci vykonáváme. Výstižně to shrnuje často citovaná věta Michaely Liegertové: „AI vás nenahradí, ale může vás nahradit člověk, který ji umí používat.“
O autorovi
RNDr. Lukáš Hejtmánek, Ph.D., vede v CERIT-SC pracoviště zaměřené na cloudové výpočty a úložiště. Zabývá se provozem výpočetní infrastruktury, cloudových služeb a nástrojů umělé inteligence pro akademickou a výzkumnou komunitu. CERIT-SC je součástí Ústavu výpočetní techniky Masarykovy univerzity a národní výzkumné infrastruktury e-INFRA CZ.
----
Ilustrační obrázek byl vytvořený s pomocí generativní AI.
