GPT 6 Luna je levnější než DeepSeek V4.1 Flash a nikdo si toho nevšiml?

GPT-6 Luna je levnější než DeepSeek – ale srovnání cen má jeden háček

DeepSeek byl považován za cenového lídra – nyní je OpenAI pro mnoho dotazů levnější

DeepSeek byl dlouho považován za ztělesnění dostupné umělé inteligence. S GPT-6 Luna však OpenAI překvapivě otřásla cenovou krajinou: V rámci běžných API tarifů stojí Luna méně za vstupní token a odpověď než DeepSeek V4.1 Flash – a to i v nejpříznivějším časovém okně čínského poskytovatele. Pro mnoho typických úkolů proto může OpenAI nabídnout nižší cenu. To však neznamená, že Luna je vždy ekonomičtější volbou. DeepSeek boduje obzvláště nízkými náklady na zásahy do mezipaměti, vysokou rychlostí a váhami otevřených modelů, které lze také samostatně spravovat. Který model nakonec stojí méně, tedy závisí nejen na ceně za token, ale také na délce kontextů, podílu opakovaně použitých vstupů, denní době, požadovaném výkonu a operačním modelu. Podrobné srovnání odhaluje, kde je GPT-6 Luna ve skutečnosti levnější – a ve kterých případech může být DeepSeek stále lepší volbou.

Lídr v žebříčku umělé inteligence náhle pochází z USA

Cenová výhoda Číny je pryč – alespoň na faktuře

GPT-6 Luna stojí ve svém standardním programovacím rozhraní méně než DeepSeek V4.1 Flash. Toto zjištění zpočátku zní jako chyba ve výpočtu, protože je v rozporu s převládajícím obrazem trhu s umělou inteligencí, který je zakořeněn již měsíce: špičkové západní modely jsou považovány za výkonné, ale drahé, zatímco čínští poskytovatelé bodují agresivními cenami, váhami otevřených modelů a vysokou efektivitou. Tento obraz se změnil u dvou nejzajímavějších modelů efektivity, které jsou v současnosti k dispozici. OpenAI si účtuje 0,10 dolaru za milion neuložených vstupních tokenů s GPT-6 Luna a 0,50 dolaru za milion výstupních tokenů. DeepSeek si mimo špičku účtuje 0,15 dolaru za vstup a 0,60 dolaru za výstup s V4.1 Flash. Během definovaných špiček se sazby DeepSeeku dokonce zvýší na 0,30, respektive 1,20 dolaru.

To znamená, že běžná cena nových vstupních tokenů u GPT-6 Luna je o třetinu nižší než u nejlevnějšího přímého plánu DeepSeek. U výstupních tokenů je rozdíl přibližně 16,7 procenta. Ve srovnání s nejvyšším plánem DeepSeek je Luna zhruba o 66,7 procenta levnější u vstupů a o 58,3 procenta levnější u výstupů. Nejedná se o minimální zaokrouhlovací rozdíl, ale o jasné obrátení ceny. Ovlivňuje to přesně dvě položky, které tvoří největší podíl na účtu pro mnoho produktivních aplikací: nově zpracovaný kontext a generovaný obsah.

Provokativní tvrzení, že Luna je levnější a že si toho sotva kdo všiml, proto obsahuje zrnko pravdy. Vyžaduje si však důležité upřesnění. Nižší katalogová cena automaticky nedělá z Luny ekonomičtější model v každé aplikaci. DeepSeek má značnou výhodu při čtení vstupu z mezipaměti, lze jej hostovat samostatně a někdy vykazuje vyšší výkon a výrazně nižší latenci v náročných úlohách. Ekonomicky správné tvrzení tedy zní: GPT-6 Luna je v nejdůležitějších běžných cenách API levnější než DeepSeek V4.1 Flash, ale skutečné cenové vedení závisí na délce kontextu, velikosti mezipaměti, denní době, délce výstupu, cílové kvalitě a operačním modelu.

Střízlivý pohled na ceník

Standardní sazby zpočátku vytvářejí neobvykle jasné podmínky. GPT-6 Luna stojí 0,10 USD za milion tokenů za normální vstup, 0,01 USD za již uložený vstup a 0,50 USD za výstup. Zápis do mezipaměti je zpoplatněn částkou 0,125 USD za milion tokenů. DeepSeek V4.1 Flash na druhou stranu rozlišuje mezi špičkou a mimo ni. Mimo špičku účtuje 0,15 USD za nový vstup, 0,003 USD za záznamy v mezipaměti a 0,60 USD za výstup. Během špičky se tyto hodnoty zdvojnásobují na 0,30 USD, 0,006 USD a 1,20 USD.

Špičkové využití DeepSeeku je od pondělí do pátku mezi 1:00 a 4:00 a mezi 6:00 a 10:00 koordinovaného světového času (UTC). Pro Německo to obecně znamená časové úseky brzy ráno a pozdě ráno/poledne v říjnu, v závislosti na tom, zda je letní nebo zimní čas. Víkendy a čínské svátky jsou považovány za hodiny mimo špičku. Tato cenová struktura odměňuje flexibilní dávkové zpracování a znevýhodňuje aplikace s konzistentním provozem v reálném čase. Evropské oddělení zákaznických služeb, které pracuje primárně během německých úředních hodin, proto může generovat značnou část svého využití během dražších časových úseků. Naopak noční běh dokumentů lze konzistentně naplánovat za poloviční standardní sazbu.

OpenAI eliminuje tuto nejistotu závislou na denní době ve svém standardním oceňování. Kromě toho existují režimy Flex a Batch, přičemž každý z nich stojí přibližně polovinu standardní ceny. U asynchronních úloh může Luna teoreticky klesnout na 0,05 USD za milion vstupních tokenů a 0,25 USD za milion výstupních tokenů. Naopak zrychlený režim stojí zhruba dvojnásobek standardní ceny. Regionální zpracování může také vést k příplatku. Zdánlivě jednoduché srovnání modelů je proto ve skutečnosti srovnáním cen, metody nasazení, regionu, časového okna a pracovní zátěže.

Proč pokles cen zůstal téměř neviditelný

To, že se cenovému obratu nevěnovala velká pozornost veřejnosti, není tak překvapivé, jak se zpočátku zdá. Trhy reagují nejen na čísla, ale také na zakořeněné narativy. DeepSeek se stal synonymem pro radikálně dostupnou umělou inteligenci, zatímco OpenAI je vnímána jako prémiový poskytovatel. Takové mentální kotvy se mění pomaleji než ceníky. Jeden nový tarif je proto často integrován do stávajícího světonázoru, spíše než aby zpochybňoval samotný světonázor.

K tomu se přidává rychlost trhu s modely. GPT-6 Luna se objevila v prostředí, kde se nové modely, varianty, úrovně myšlení, hranice kontextu a možnosti nasazení mění téměř denně. Společnost DeepSeek krátce poté aktualizovala V4.1 Flash na verzi 1017 beze změny ceny. Veřejná diskuse se zaměřila na benchmarky, programovací možnosti a rychlost. Strategicky důležitější fakt, že uzavřený model OpenAI byl náhle podražen čínským modelem s otevřenou váhou za základní tarify, se ztratil uprostřed čísel verzí a výsledků testů.

Způsob, jakým jsou ceny prezentovány, také komplikuje srovnání. DeepSeek komunikuje špičku a mimo špičku a také extrémně levné zásahy do mezipaměti. OpenAI rozlišuje mezi Standard, Flex, Batch, Fast, regionální zpracování a dlouhými kontexty. Brokerské platformy zase zobrazují své vlastní ceny, které závisí na speciálních nabídkách, využití hardwaru a směrování. V závislosti na tom, zda srovnání zohledňuje přímého poskytovatele, router, nejlevnějšího poskytovatele třetí strany nebo skutečně průměrné zaplacené ceny, se objeví jiný obraz. Například DeepSeek se může při použití externího poskytovatele někdy jevit levnější, i když oficiální přímé API je dražší. Spolehlivé srovnání proto musí nejprve přesně definovat, co se porovnává.

Cena za token je pro mnoho uživatelů v konečném důsledku abstraktní pojem. Rozdíl pěti setin amerického dolaru na milion vstupních tokenů se zdá být nevýznamný. U miliard nebo bilionů tokenů se to však stává významným nákladovým faktorem. Zároveň i malé rozdíly v délce emise mohou cenový rozdíl více než kompenzovat. Tato kombinace zdánlivě malých jednotkových cen a vysoce škálovatelných objemů zabraňuje snadnému zveřejnění v novinách.

Výpočet efektu překvapení

Základní vzorec je jednoduchý: Cena dotazu se vypočítá vynásobením počtu nových vstupních tokenů vstupní cenou, sečtením tokenů uložených v mezipaměti za cenu mezipaměti a vygenerovaných tokenů za výstupní cenu. S jedním milionem nových vstupních tokenů a 200 000 výstupními tokeny stojí GPT-6 Luna 0,20 USD při standardní sazbě. DeepSeek V4.1 Flash stojí 0,27 USD mimo špičku a 0,54 USD ve špičce. V tomto příkladu je Luna přibližně o 25,9 procenta levnější než sazba DeepSeeku mimo špičku a přibližně o 63 procenta levnější než sazba ve špičce.

Typická operace orientovaná na dokumenty s jedním milionem nových vstupních tokenů, jedním milionem tokenů mezipaměti a 100 000 výstupních tokenů stojí na Luně 0,16 dolaru. DeepSeek si mimo špičku účtuje 0,213 dolaru. Luna je tedy asi o 24,9 procenta levnější. Během špičky se poplatek DeepSeeku zvyšuje na 0,426 dolaru. Ačkoli DeepSeek čte mezipaměť mnohem levněji, jeden milion tokenů uložených v mezipaměti v tomto příkladu nestačí k vyrovnání vyšších cen za nové vstupy a výstupy.

U aplikací s extrémně vysokou náročností na mezipaměť je situace jiná. Pokud je zpracováno pouze 100 000 nových vstupních tokenů a 100 000 výstupních tokenů, ale z mezipaměti je současně přečteno deset milionů tokenů, Luna stojí kolem 0,16 USD. DeepSeek stojí mimo špičku přibližně 0,105 USD. DeepSeek je pak asi o 34 procent levnější. Během špičky však stejná operace DeepSeeku stojí přibližně 0,21 USD, takže Luna je opět napřed. Tento příklad ukazuje, jak silně se vzájemně ovlivňují časově závislá cena a výhoda mezipaměti u DeepSeeku.

Matematicky vzato, prahová hodnota mimo špičku leží tam, kde množství tokenů mezipaměti dosáhne přibližně 7,14násobku nových vstupních tokenů plus 14,29násobku výstupních tokenů. Pod touto prahovou hodnotou je Luna levnější; nad ní může DeepSeek získat výhodu. Během špičky DeepSeek se hranice drasticky posouvá: pak by tokeny mezipaměti musely překročit přibližně 50násobek nového vstupu plus 175násobek výstupu, než by DeepSeek zlevnil. Pro většinu běžných úkolů v oblasti chatu, analýzy, extrakce a programování tak Luna zůstává při současné ceně API výhodnější variantou.

Keš je nejostřejší zbraní DeepSeeku

Nejdůležitějším protiargumentem k narativu Luny je ukládání do mezipaměti. DeepSeek si mimo špičku účtuje za milion tokenů mezipaměti pouze 0,003 dolaru. Luna stojí 0,01 dolaru. DeepSeek je tedy o 70 procent levnější; naopak, cena čtení mezipaměti u Luny je více než třikrát vyšší. I během špičky DeepSeeku stojí mezipaměť pouze 0,006 dolaru, což je o 40 procent levnější než u Luny.

Tento rozdíl je významný pro aplikace s dlouhými, převážně statickými systémovými instrukcemi, rozsáhlými produktovými katalogy, opakujícími se právními dokumenty nebo konstantním programovým kódem. Pokud je stejný kontext opakovaně použit stovky nebo tisícekrát, mohou se náklady na ukládání do mezipaměti stát důležitějšími než náklady na nový vstup. Společnost, která kombinuje stabilní znalostní bázi s mnoha krátkými uživatelskými dotazy, má proto jiný cenový profil než vyhledávací agent, který při každém spuštění zpracovává nové webové stránky, soubory a výsledky nástrojů.

Ukládání do mezipaměti však nepředstavuje automaticky dostupnou slevu na veškerý vstup. Kontext musí být technicky uložitelný do mezipaměti, opakovat se v dostatečně identické formě a znovu použitelný v rámci příslušné logiky úložiště. Dynamicky konstruované výzvy, často se měnící dokumenty nebo personalizované kontexty snižují míru úspěšnosti. Vysoká míra ukládání do mezipaměti sama o sobě navíc nezaručuje obchodní úspěch. Musí být kombinována se správnými odpověďmi, nízkou latencí a robustní aplikací. Levná mezipaměť, která poskytuje zastaralé nebo nesprávně strukturované informace, šetří tokeny, ale zároveň generuje dodatečné náklady.

Pro ekonomické hodnocení proto není rozhodující publikovaná cena mezipaměti, ale spíše skutečná naměřená míra zásahů do mezipaměti na aplikaci. Společnosti by měly samostatně sledovat nové vstupy, čtení z mezipaměti, zápisy do mezipaměti a výstupy. Teprve potom bude jasné, zda se teoretická výhoda DeepSeeku promítá do praktických výhod. Bez tohoto měření zůstává tvrzení, že model je levnější kvůli nízké mezipaměti, stejně neúplné jako všeobecný odkaz na nižší standardní sazby Luny.

Dlouhé kontexty opět obracejí výsledek

OpenAI stanovuje pro GPT-6 Luna významný limit na více než 272 000 vstupních tokenů na požadavek. Překročení tohoto limitu zdvojnásobí vstupní a mezipaměťové ceny pro celý požadavek; výstupní cena se zvyšuje o 50 %. Ve standardním režimu to má za následek 0,20 USD za milion nových vstupních tokenů, 0,02 USD za zásahy do mezipaměti a 0,75 USD za výstupní tokeny. Regionální příplatky nebo zrychlené zpracování mohou tyto náklady dále ovlivnit.

To znamená, že Luna ztrácí svou přímou cenovou výhodu oproti DeepSeeku u velmi dlouhých jednotlivých dotazů mimo špičku. Dotaz s jedním milionem nových vstupních tokenů a 100 000 výstupních tokenů stojí u Luny podle sazby za dlouhý kontext přibližně 0,275 dolaru. Mimo špičku si DeepSeek účtuje kolem 0,21 dolaru. V tomto scénáři je DeepSeek asi o 24 procent levnější. Během špičky je však DeepSeek s cenou kolem 0,42 dolaru výrazně dražší než Luna.

Tento limit je relevantní pro rozsáhlé kódové základny, velké archivy smluv, vědecké sbírky a dlouhodobě běžící relace agentů. Také ilustruje, proč může být jednoduché srovnání cen za milion tokenů bez znalosti velikosti jednotlivých požadavků zavádějící. Jeden milion tokenů rozdělených mezi tisíc krátkých požadavků má na platformě Luna odlišnou cenu než stejné množství v jednom velmi dlouhém požadavku. Pro finanční plánování je proto nezbytné znát nejen měsíční objem tokenů, ale také rozložení délek kontextů.

Technicky vzato se chytrá architektura může tomuto příplatku částečně vyhnout. Místo načítání celé datové sady s každým dotazem lze obsah předem prohledat, přeskupit a omezit na relevantní sekce. To však s sebou nese dodatečné náklady na vkládání, vektorové vyhledávání, řazení, přenos dat a orchestraci. Ekonomicky nejvýhodnějším řešením proto není nutně model s největším kontextovým oknem, ale spíše architektura, která vyžaduje co nejméně drahého kontextu k poskytnutí spolehlivé odpovědi.

Levnější za token neznamená levnější za výsledek

Cena za milion tokenů je pouze prvním aspektem ekonomie. Zásadní je, že záleží na tom, kolik tokenů model potřebuje k úspěšnému dokončení úkolu. Model může být levnější na token, ale stále může nést vyšší náklady na vyřešený problém, pokud poskytuje podrobnější odpovědi, generuje více myšlenkových procesů, častěji volá nástroje nebo musí častěji opakovat úkoly. Naopak dražší model může být ekonomičtější, pokud dospěje ke správnému výsledku přímo s krátkou odpovědí.

Současné srovnání odhaluje zajímavé napětí. Nezávislá měření řadí DeepSeek V4.1 Flash mírně před GPT-6 Luna v maximální kognitivní intenzitě. V kombinovaném indexu inteligence dosahuje DeepSeek přibližně 39 bodů, Luna asi 38. Rozdíl je dostatečně malý, aby se neměl interpretovat jako obecná převaha v každém úkolu. Ve specifických kategoriích, zejména v úkolech založených na agentech a programování, může být DeepSeek výrazně silnější. V jiných testech nebo s nižšími kognitivními nároky se situace mění.

Se standardizovanou kombinací mezipaměti, nového vstupu a výstupu byla efektivní cena Luny stanovena na přibližně 0,08 USD za milion vážených tokenů, zatímco vysokoúrovňové myšlení DeepSeeku přineslo přibližně 0,18 USD. To ilustruje výhodu Luny za těchto předpokladů. Nízkoúrovňové myšlení však není identické. Srovnání nízkoúrovňového myšlení Luny a maximálního myšlení DeepSeeku neodpovídá na smysluplnou otázku týkající se zadávání veřejných zakázek. Modely musí být porovnávány na úrovni kvality dostatečné pro daný proces.

Správnou metrikou je tedy cena za akceptovaný výsledek. Pro programátora by to mohla být cena za úspěšně vyřešenou chybu; pro analýzu dokumentů cena za správně extrahovaný datový záznam; a pro zákaznický servis cena za případ vyřešený bez lidské eskalace. Pouze při zohlednění míry chyb, opakování, spotřeby tokenů a ověřovacího úsilí lze učinit spolehlivé prohlášení o skutečné nákladové efektivitě.

Xpert.Digital je datově orientované B2B centrum pro průmysl, které vede Konrad Wolfenstein . Společnost funguje jako externí, kvazi-interní řešení pro průmyslové partnery a odstraňuje provozní mezery v marketingu, obsahu a prodeji – aniž by vyžadovala další zdroje na straně klienta.

Více informací zde:

• Kvazi-interní řešení: Jak Xpert.Digital uzavírá provozní mezery v marketingu a prodeji B2B – Smart Content-Driven Business

Rychlost je sama o sobě výrobním faktorem

DeepSeek má značnou rychlostní výhodu. V nezávislých měřeních generoval V4.1 Flash při vysoké intenzitě myšlení přibližně 217 až 231 tokenů za sekundu, zatímco GPT-6 Luna dosáhla při maximální intenzitě myšlení přibližně 128 tokenů za sekundu. Ještě pozoruhodnější je doba do prvního tokenu. V některých měřeních byl DeepSeek kolem jedné sekundy, zatímco Luna byl při maximální intenzitě myšlení výrazně delší. Tyto hodnoty se liší v závislosti na dodavateli, zátěži, výzvě, regionu a nastavení testu, ale jejich velikost ukazuje skutečný rozdíl.

U interaktivních aplikací není rychlost jen otázkou pohodlí. Delší čekací doby snižují míru dokončení, zvyšují počet opuštění a omezují počet úkolů, které člověk dokáže zvládnout s podporou umělé inteligence. V programovacím procesu může rychlá zpětná vazba umožnit více iterací za hodinu. U hlasového asistenta určuje doba do prvního slyšitelného výsledku, zda systém působí přirozeně, nebo pomalu. Model s nižšími náklady na tokeny proto může být z obchodního hlediska nákladnější, pokud váže pracovní sílu nebo zhoršuje zákaznickou zkušenost.

U asynchronních procesů jsou priority obrácené. Noční klasifikace dokumentů, dávka popisů produktů nebo čištění dat, které není časově kritické, nevyžaduje odezvu během sekundy. V těchto případech může cenově dostupnější tarif Flex nebo Batch od Luny nabídnout větší výhody než rychlostní výhoda DeepSeeku. Hodnota latence tedy závisí na procesu. Ti, kteří ji nepřevádějí do finančních jednotek, pouze porovnávají technické specifikace.

Kompletní analýza nákladů by proto měla zahrnovat nejen poplatek za API, ale také latenci, propustnost, limity souběžnosti a rizika selhání. DeepSeek specifikuje vysoký limit přímé souběžnosti pro Flash. OpenAI nabízí různé režimy zpracování, každý s vlastními náklady a výkonnostními charakteristikami. Pro velké uživatele může být garantovaná kapacita důležitější než rozdíl několika desetin dolaru na milion tokenů.

Dvě architektury, dva obchodní modely

DeepSeek V4.1 Flash je rozsáhlý model kombinující experty s přibližně 552 miliardami parametrů. Pro každý krok zpracování je však aktivována pouze část sítě. Architektura odděluje vstupní a výstupní zpracování a pracuje s výrazně menším počtem aktivních parametrů, než by naznačovala celková velikost. Tento přístup vysvětluje, jak může velmi rozsáhlý model kombinovat vysoký výkon s poměrně nízkými inferenčními náklady a vysokou rychlostí.

Naproti tomu GPT-6 Luna je uzavřený model. OpenAI nezveřejňuje kompletní váhy ani všechny architektonické detaily. Ekonomický přínos pro zákazníky proto vyplývá výhradně z nabízené služby, nikoli z jejich vlastního nasazení. OpenAI řídí model, inferenční software, plánování kapacity, integraci produktů a významnou část poptávky. Tato vertikální kontrola umožňuje agresivní stanovování cen, ale také více váže zákazníka k platformě.

Tento rozdíl mění význam slova „cena“. U Luny se „cena“ primárně vztahuje k účtu za API. U DeepSeek se „cena“ může vztahovat k přímému API, externímu poskytovateli nebo celkovým nákladům na provoz služby. Protože váhy V4.1 Flash jsou k dispozici pod permisivní licencí MIT, mohou společnosti a datová centra model samy hostovat, upravovat a integrovat do suverénních infrastruktur. Určené DeepSeek API proto není jedinou ekonomicky životaschopnou formou modelu.

Samostatný provoz však není zadarmo. Je třeba zohlednit hardware, elektřinu, chlazení, úložiště, síť, pohotovostní kapacitu, monitorování, aktualizace a specializovaný personál. Velmi rozsáhlý model dosahuje atraktivních jednotkových nákladů pouze při vysokém a konzistentním využití. Pro nepravidelnou poptávku je API založené na využití často nákladově efektivnější, protože poskytovatel sdílí zdroje infrastruktury mezi mnoha zákazníky. Otevřené váhy DeepSeek nabízejí strategickou možnost; nezaručují však nižší celkovou cenu.

Útok OpenAI na nízkonákladový segment

Stanovení ceny Luny není jen technickou poznámkou pod čarou, ale strategickým tahem. OpenAI snížila vstupní cenu ve srovnání s GPT-5.6 Luna z 0,20 USD na 0,10 USD a výstupní cenu z 1,20 USD na 0,50 USD. Díky tomu se Luna nestává jen menší variantou v rámci prémiového portfolia, ale modelem pro masový trh s vysokými objemy. Společnost cílí přesně na trh, kde dodavatelé open-weight a čínští vývojáři tradičně drželi nejsilnější ekonomický vliv.

Taková cenová strategie může mít několik příčin. Pokroky v architektuře modelu, kvantizaci, ukládání do mezipaměti, správě paměti a využití snižují reálné mezní náklady. Velká interní poptávková základna zlepšuje využití serveru. Dlouhodobá výpočetní kapacita může umožnit nižší průměrné náklady. Zároveň se poskytovatel může záměrně vzdát marže, aby si zajistil včasné přijetí svého rozhraní vývojáři, platformami agentů a podnikovými procesy.

Pro OpenAI slouží Luna také jako nástroj pro interní cenovou diferenciaci. Nízkonákladový model zvládá standardizované úkoly s vysokým objemem, zatímco výkonnější varianty vykazují vyšší ochotu platit. Zákazníci zůstávají ve stejném ekosystému a mohou přepínat mezi úrovněmi modelů na základě jednotlivých požadavků. To nejen zvyšuje celkový objem Luny, ale také potenciál pro větší využívání dražších modelů, nástrojů a podnikových funkcí. Nízká cena tokenu slouží jako vstupní bod do širšího platformního byznysu.

Tento vývoj vyvíjí tlak na DeepSeek, přestože jeho ceny zůstávají mimořádně nízké. Konkurence se přesouvá od otázky, který poskytovatel je nejlevnější, k otázce, který poskytovatel poskytuje nejnižší náklady na výsledek při dané úrovni kvality. Cenové vedení se tak stává krátkodobějším, závislým na kontextu a obtížněji dosažitelným prostřednictvím efektivní komunikace.

Odpověď DeepSeeku se skrývá za ceníkem

DeepSeek není v žádném případě znehodnocen nižší standardní cenou Luny. V4.1 Flash nabízí kombinaci vysoké inteligence, velmi vysoké výstupní rychlosti, velkého kontextového okna, multimodálních možností a otevřených vah. Pro organizace, které upřednostňují technickou kontrolu, přizpůsobitelnost nebo datovou suverenitu, může být tato kombinace důležitější než nejnižší cena za přímé API.

Licence MIT umožňuje komerční využití, úpravy a distribuci s relativně malým počtem omezení. Provozovatelé datových center si na jejím základě mohou vyvíjet vlastní nabídky. Společnosti mohou provozovat nebo nechat provozovat řízenou instanci v požadované jurisdikci. Vlády a regulovaná odvětví získají možnost organizačně oddělit model a infrastrukturu. Luna sice nabízí regionální a evropské možnosti zpracování, ale zůstává externí, uzavřenou službou.

DeepSeek může také konkurovat prostřednictvím cen třetích stran. Různé inferenční platformy nabízejí model dočasně pod přímou oficiální cenou. Takové nabídky mohou být výsledkem efektivnějšího hardwaru, optimalizovaného využití, speciálních podmínek nebo dočasných slev. Pro kupující to zvyšuje konkurenční tlak, ale také složitost. Nejlevnější zprostředkovatel není automaticky nejspolehlivějším partnerem z hlediska dostupnosti, ochrany osobních údajů, verze modelu a podpory.

Kromě toho existují samostatně zpoplatněné funkce vyhledávání a načítání. DeepSeek si účtuje 0,75 USD za každých tisíc úspěšných vyhledávání nebo načítání. Tyto náklady nelze zaměňovat s cenou modelu. U OpenAI mohou volání nástrojů také spouštět vlastní poplatky. Agentní systémy proto nejen spotřebovávají tokeny, ale také generují řetězec spuštění modelu, vyhledávání, přístupů k souborům a opakování. Konkurenceschopnost DeepSeeku stále více závisí na tomto celkovém řetězci, nikoli na jediné cenové linii.

Co odhaluje obrat cen o trhu s umělou inteligencí

Nejdůležitějším ekonomickým poselstvím je, že inference se stále více stává komoditou masového trhu. Technologický pokrok, specializované čipy, lepší využití a intenzivní konkurence snižují cenu na jednotku. Historicky se náklady na danou úroveň výkonu v krátkém období snížily o řády. GPT-6 Luna a DeepSeek V4.1 Flash v tomto trendu pokračují a posouvají hranice toho, co lze automatizovat.

Klesající ceny jednotek však nemusí nutně znamenat pokles celkových nákladů. Když cena za token klesne, společnosti do svých aplikací začleňují delší kontexty, více kroků agentů a větší uživatelské základny. Proces, který dříve generoval modelovou odpověď, nyní může plánovat, vyhledávat, volat více nástrojů, kontrolovat mezivýsledky a revidovat odpověď. V důsledku toho se počet tokenů na transakci může zvyšovat rychleji než jejich cena klesá. Tento vzorec je klasickým rebound efektem: efektivita zlevňuje používání a tím vyvolává dodatečnou poptávku.

Pro poskytovatele se objevuje závod o úspory z rozsahu. Nízké ceny přitahují objem, objem zlepšuje využití, vysoké využití snižuje jednotkové náklady a umožňuje další snižování cen. Velké platformy mají výhody, protože dokáží agregovat poptávku a distribuovat infrastrukturu napříč mnoha produkty. Modely s otevřenou váhou fungují jako protiváha, protože přesouvají konkurenci na úroveň poskytovatelů inference. O zákazníky může soutěžit nejen samotný model, ale i provozovatel hardwaru.

Z dlouhodobého hlediska pravděpodobně cena čistého tokenu ztratí strategický význam. Modely se stanou více zaměnitelnými, zatímco přístup k datům, integrace, bezpečnost, odolnost, pozorovatelnost a kvalita specifická pro danou oblast nabudou na významu. Cena zůstane viditelná a snadno srovnatelná, ale marže se přesune k nástrojům, funkcím platformy a řešením specifickým pro dané odvětví. Luna a DeepSeek tedy nejsou jen dva modely, ale dvě cesty na stejný industrializovaný trh s umělou inteligencí.

Nová logika zadávání veřejných zakázek pro firmy

Firmy by neměly automaticky prohlašovat OpenAI nebo DeepSeek za standard. Rozumnější je robustní testovací sada s reálnými úkoly. To zahrnuje zachycení typických dotazů, délek kontextu, velikostí mezipaměti, délek výstupu, požadavků na latenci a kritérií kvality. Oba modely jsou poté testovány na stejné datové sadě s využitím srovnatelného uvažování a identických nástrojů. Hodnocení se zaměřuje nejen na správné odpovědi, ale také na náklady, dobu trvání, počet opakování a úsilí potřebné k lidské kontrole.

Oddělení úloh je obzvláště důležité. Krátké dávkové požadavky, dlouhé dokumenty, programoví agenti a interaktivní asistenti mají různé nákladové funkce. Luna může být ekonomicky výhodnější pro krátké a středně dlouhé kontexty i pro asynchronní dávkové zpracování. DeepSeek může být výhodný pro velmi dlouhé nečinné požadavky, extrémně náročné procesy na mezipaměť, nízkou latenci nebo samoprovisioning. Jeden globální model proto často plýtvá penězi nebo kvalitou.

Moderní architektura využívá směrování. Jednoduché úkoly jsou přiřazeny nejlevnější a dostatečně kvalitní variantě. Obtížné případy jsou předávány výkonnějšímu modelu. V případě časových limitů nebo problémů s kapacitou převezme kontrolu záložní poskytovatel. Pro citlivá data lze použít vlastní instanci DeepSeek, zatímco obecné operace s velkým objemem dat probíhají přes Lunu. Tato multimodelová strategie snižuje závislosti a umožňuje zvládat cenové výkyvy.

Zároveň musí zadávání veřejných zakázek věnovat pozornost stabilitě verzí. Název modelu lze přesměrovat na nový snapshot bez změny názvu API. To sice zlepšuje funkčnost, ale může to změnit reprodukovatelné procesy. Smlouvy by proto měly zahrnovat výkonnostní charakteristiky, zpracování dat, dostupnost, oznámení o změnách a možnosti ukončení. I nejlevnější token je bezcenný, pokud nepozorovaná změna modelu destabilizuje regulovaný proces.

Od ceny tokenu k kompletnímu účetnictví jednotkových nákladů

Profesionální nákladové účetnictví pro umělou inteligenci začíná na úrovni procesu. Pro každou funkci se měří nové vstupní tokeny, tokeny mezipaměti, výstupní tokeny, volání nástrojů a opakování. Zohledňuje se také infrastruktura, přenos dat, úložiště, pozorovatelnost a lidské zajištění kvality. Výsledkem není cena za milion tokenů, ale cena za fakturu, zákaznický případ, změnu kódu nebo vyhodnocený dokument.

Následuje posouzení nákladů na chyby. Nesprávný popis produktu způsobuje jiné škody než chybné rozhodnutí o úvěru. Čím vyšší jsou následné náklady, tím méně rozumné je optimalizovat pouze pro nejlevnější tarif. Model, který zpracuje transakci o zlomek centu méně, může zhatit celou výhodu kvůli mírně vyšší míře chyb. Kvalita se proto musí promítnout do klíčového ekonomického ukazatele.

Latence má také peněžní hodnotu. U interních nástrojů lze dobu čekání propojit s personálními náklady a objemem transakcí. U externích aplikací lze jako přibližné hodnoty použít míru opuštění, tržby a spokojenost zákazníků. To jasně ukazuje, kdy rychlost DeepSeeku ospravedlňuje vyšší cenu tokenu, nebo kdy pro asynchronní úlohy jasně převažuje nízká cena Luny.

Konečně je třeba zohlednit riziko závislosti na určitém dodavateli. Uzavřený model může generovat nízké provozní náklady, ale vysoké náklady na přechod k jinému dodavateli. Otevřený model může vést k vyšším provozním nákladům, ale nabízí strategické alternativy. Rozhodnutí mezi Lunou a DeepSeek je proto také rozhodnutím o flexibilitě. Ekonomická hodnota této flexibility se obvykle projeví až při změně cen, vzniku regulačních požadavků nebo vzniku kapacitních úzkých míst.

Proč jsou jednoduché seznamy vítězů zavádějící

Žebříček založený na jedné ceně již dostatečně neodráží trh. GPT-6 Luna je levnější pro běžný, ne příliš dlouhý provoz v reálném čase. DeepSeek V4.1 Flash je levnější pro čtení mezipaměti. Luna nabízí obzvláště levné asynchronní režimy. DeepSeek se liší v závislosti na denní době a lze jej hostovat samostatně. DeepSeek je rychlejší v nezávislých měřeních a o něco efektivnější při maximální náročnosti zpracování. Luna stále dokáže dosáhnout výrazně nižších nákladů na úlohu. Každé z těchto tvrzení je zároveň pravdivé.

Volba také závisí na zdroji. Přímé stanovování cen od dodavatele vytváří transparentnost a jasnou odpovědnost. Routery mohou být levnější a zmírňovat výpadky, ale přidávají další vrstvu smluv a dat. Samostatný provoz poskytuje kontrolu, ale vyžaduje kapitál, personál a kapacitu. Společnost s několika miliony tokenů měsíčně má proto jiné optimální řešení než globální provozovatel platformy s miliardami denních požadavků.

Na benchmarky by se nemělo pohlížet izolovaně. Malé bodové rozdíly mohou spadat do tolerance chyby nebo v závislosti na povaze skladby úkolů. Vyšší úrovně uvažování spotřebovávají více času a tokenů. Model, který si v průměru vede dobře, může v určité oblasti podávat horší výsledky. Zadávání veřejných zakázek proto nenahrazuje interní testování.

Tvrzení, že Luna je levnější než DeepSeek a nikdo si toho nevšiml, je užitečné jako varovný signál, ale jako univerzální úsudek příliš zjednodušující. Nutí trh přehodnotit staré předpoklady. Právě v tom spočívá jeho hodnota. Včerejší nejlevnější poskytovatel může být zítra dražší a údajný prémiový model by se mohl stát ničivým zdrojem nákladů.

Skutečným vítězem je vyměnitelný stack AI

Z ekonomického hlediska by ani jeden z modelů neměl být prohlášen za trvalého vítěze. Zvítězí organizace, která dokáže snadno vyměňovat, měřit a kombinovat modely. Ceny a výkon se mění příliš rychle na to, aby trvale svázaly architekturu s dnešním hodnocením. Neutrální vrstva modelu, čisté protokolování a automatizované testy kvality činí konkurenci mezi poskytovateli výhodnou pro kupujícího.

Pro dnešní standardní provoz nabízí GPT-6 Luna přesvědčivou cenovou výhodu. Jeho jádrové frekvence jsou nižší než u DeepSeek V4.1 Flash, a to i při využití nejlevnějšího přímého časového slotu DeepSeek. Pro dlouhý provoz v jednom kontextu, extrémní využití mezipaměti, minimální latenci, váhy otevřených oken a spolehlivý provoz však zůstává DeepSeek velmi atraktivní. Ti, kteří berou v úvahu pouze cenové rozpětí, tyto protichůdné faktory přehlížejí.

Strategická perspektiva je však jasná: OpenAI rozbila narativ nevyhnutelně drahého západního modelu. DeepSeek už nemůže vyhrávat pouze na základě své pověsti radikálního cenového lídra. Konkurence se přesouvá k poměru výkonu k poměru cena/výkon, rychlosti, provozní svobodě a komplexní integraci. To zvyšuje tlak na všechny poskytovatele a snižuje náklady na vstup nových aplikací umělé inteligence na trh.

Překvapivou zprávou nakonec není, že Luna je o pár setin dolaru levnější. Klíčovým bodem je, jak rychle se může zdánlivě stabilní cenová struktura zhroutit. Společnosti, které své výběry modelů revidují pouze každoročně, na tomto trhu pravděpodobně přeplácejí. Společnosti, které průběžně měří kvalitu, latenci a náklady, proměňují cenovou válku mezi OpenAI a DeepSeek ve svou vlastní konkurenční výhodu.

V průmyslovém B2B segmentu se udržitelné obchodní vztahy zřídkakdy objevují přes noc. Rozvíjejí se krok za krokem – prostřednictvím viditelnosti, profesní relevance, opakujících se kontaktních bodů a rostoucí důvěry. Čtyřfázový model Xpert.Digital přesně toto řeší: Nabízí strukturovanou cestu, která začíná zvládnutelným vstupním bodem a v případě potřeby se může rozvinout do hlubší spolupráce v oblasti rozvoje podnikání.

Místo spoléhání se na hlasité marketingové sliby staví tento model do popředí vztah. Firmy začínají s jasně definovanými, snadno vypočítatelnými kritérii a poté se na základě vlastních zkušeností rozhodnou, jak dalece chtějí spolupráci rozšířit. Klíčovým faktorem pro tento nerušený proces budování důvěry je, že se platforma zcela vyhýbá otravným reklamám, takže redakční zaměření zůstává výhradně na odbornosti firem.

Více informací zde:

• Od viditelnosti k důvěře: Vaše škálovatelná cesta s Xpert.Digital

☑️ Naším obchodním jazykem je angličtina nebo němčina

☑️ NOVINKA: Korespondence ve vašem rodném jazyce!

 

Já a můj tým jsme rádi, že vám můžeme být k dispozici jako váš osobní poradce.

Můžete mě kontaktovat vyplněním kontaktního formuláře zde wolfenstein@xpert.digital:nebo mi jednoduše zavolat na číslo +49 7348 4088 965. Moje e-mailová adresa je

Těším se na náš společný projekt.

 

 

☑️ Podpora malých a středních podniků v oblasti strategie, poradenství, plánování a implementace

☑️ Vytvoření nebo restrukturalizace digitální strategie a digitalizace

☑️ Rozšíření a optimalizace mezinárodních prodejních procesů

☑️ Globální a digitální B2B obchodní platformy

☑️ Průkopnický rozvoj podnikání / Marketing / PR / Veletrhy