OpenAI i Anthropic rosną jak szalone. Jest tylko jeden problem!

ChatGPT zdobył sto milionów użytkowników w dwa miesiące. Żaden produkt w historii ludzkości nie rósł tak szybko. Ani Facebook, ani Google, ani TikTok. Claude Code, narzędzie do kodowania od Anthropic, dobił do miliarda dolarów przychodu w pół roku, czyli do wyniku, na który Salesforce potrzebował dwudziestu lat. Liczby, przy których szczęka opada. To teraz czas ochłonąć.

Za chwilę obie te firmy, OpenAI i Anthropic, wejdą na giełdę. Ja jestem fanatykiem inwestowania w AI, ale nawet ja potrafię zadawać niewygodne pytania, a to oddziela dobrego inwestora od fatalnego. Czy najszybszy wzrost biznesu automatycznie oznacza najlepszą inwestycję? Historia technologii to cmentarz firm, które rosły jak szalone, a potem albo nie umiały na tym zarobić, albo zjadła je konkurencja.

W tym materiale opowiem trochę o OpenAI i Anthropic. Czym się naprawdę różnią, gdzie są mocne, gdzie kruche, i czy warto myśleć o takiej inwestycji.

OpenAI i Anthropic rosną jak szalone. Jest tylko jeden problem!

Na pierwszy rzut oka OpenAI i Anthropic wyglądają podobnie. Obie firmy budują duże modele językowe, czyli LLM-y, i obie sprzedają do nich dostęp. Kiedy przyjrzeć się im jednak bliżej, różnice w modelach biznesowych są wyraźne i mają realne konsekwencje dla ich przyszłości.

OpenAI to przede wszystkim firma konsumencka. Około 75% jej przychodów pochodzi z subskrypcji ChatGPT, płaconych przez indywidualnych użytkowników. Ogromna baza i setki milionów ludzi, ale zaangażowanie większości z nich jest takie sobie. Większość użytkowników ChatGPT nie potrafi znaleźć dla niego codziennych zastosowań. Wchodzą, zadają pytanie, wychodzą. To zupełnie inna relacja niż ta, którą Google ma z użytkownikami wyszukiwarki, czy Apple z posiadaczami iPhone'ów.

OpenAI zdaje sobie z tego sprawę. Wewnętrzne memo strategiczne firmy, które wyciekło w ramach postępowania antymonopolowego Google'a, wprost mówi, że ChatGPT ma stać się „interfejsem użytkownika do Internetu”, czyli czymś w rodzaju nowego systemu operacyjnego dla całego używania Internetu. Swoistym pośrednikiem dla wszystkich innych funkcji. Tak samo jak czasem pytacie o coś GPT zamiast to googlować, tak samo OpenAI chce przejąć wszystkie inne aktywności w Internecie.

Firma zaczęła więc budować agentów AI zdolnych do wykonywania zadań w imieniu użytkownika. Codex do kodowania, a ChatGPT Agent do szerszych zastosowań. JPMorgan szacuje, że agenci AI mogą stanowić jedną czwartą przychodów OpenAI w ciągu pięciu lat.

Problem w tym, że ta wizja stawia OpenAI w bezpośrednim konflikcie z firmami, które dziś kontrolują cyfrowe ekosystemy. Apple kontroluje iOS, Google kontroluje Androida i Chrome'a, Microsoft kontroluje Windowsa. Każda z nich może promować własne narzędzia AI i utrudniać dostęp do ChatGPT. OpenAI nie ma własnego sprzętu, nie ma systemu operacyjnego i nie ma przeglądarki. To firma software'owa, która chce zostać platformą, ale nie ma własnego pomostu do użytkownika. Brakuje jej punktu zakotwiczenia klienta. Musi liczyć na to, że ludzie sami do niej przyjdą, zamiast użyć wbudowanego w telefon czy komputer asystenta. To sprawia, że wizja OpenAI nie jest taka pewna i może się potknąć o kilka sporych schodków.

Anthropic obrał inną drogę i postawił na klienta biznesowego. Większość przychodów firmy pochodzi z dużych kontraktów enterprise'owych, a nie z subskrypcji za 20 dolarów miesięcznie. To się jak na razie opłaca. Według Ramp AI Index, miernika opartego na realnych danych wydatkowych firm, Anthropic w kwietniu 2026 roku po raz pierwszy wyprzedził OpenAI w adopcji biznesowej. Podobno 34,4% firm korzysta z Anthropic wobec 32,3% korzystających z OpenAI. Mowa o firmach w ogóle korzystających z podobnych rozwiązań AI. To odwrócenie proporcji, które jeszcze rok wcześniej wyglądało niewyobrażalnie. W ciągu dwunastu miesięcy Anthropic zwiększył czterokrotnie adopcję biznesową, podczas gdy OpenAI urósł o zaledwie 0,3 punktu procentowego.

Motorem tego wzrostu jest Claude Code. Przeciętny programista korzystający z tego narzędzia spędza z nim 20 godzin tygodniowo. W samym Anthropic większość kodu jest już pisana przez Claude Code. Inżynierowie skupiają się na architekturze i podejmowaniu decyzji, a wykonanie zlecają narzędziu. To tworzy coś na wzór pętli zwrotnej. Anthropic używa własnego produktu do budowy następnej wersji własnego produktu. Konkurentom, którzy nie mają porównywalnego narzędzia, trudno jest tę pętlę odtworzyć. To jedyny zalążek fosy, ale wciąż wąski.

Znowu jednak uwaga przed zbyt szybkim wyciąganiem wniosków. Rynek AI jest tak dynamiczny, że lider może się zmienić w ciągu kilku miesięcy, co zresztą właśnie zaobserwowaliśmy. Nigdy wcześniej w branży software'owej nie było tak niskiej lojalności wobec dostawcy, a koszty przejścia z jednego modelu na drugi są minimalne. Firma, która dziś dominuje, jutro może stracić pozycję, bo konkurent wypuścił lepszy lub tańszy model. Wystarczy dać dostęp Claude'owi do danego folderu i on działa, a kiedy chcemy przesiąść się na Codex, to dajemy mu dostęp do tego samego folderu, tłumaczymy kontekst i on może działać dalej. Mechanizmy, które trzymają użytkownika przy danym rozwiązaniu, są paradoksalnie bardzo słabe.

Te problemy kompensuje trochę tempo adopcji. Pozyskanie nowego użytkownika jest szybkie i gładkie, bo LLM-y i agenci AI działają na infrastrukturze Internetu i są w pewnym sensie pochodną poprzedniej rewolucji technologicznej, a to oznacza, że próg wejścia w ten produkt jest minimalny.

Wystarczy zacząć rozmawiać z naszym AI i on już wie, o co nam chodzi. Nie trzeba się niczego uczyć ani instalować serwerów lokalnie. To dlatego te firmy tak szybko rosną. Anthropic odnotował wzrost o 80x w skali roku, podczas gdy firma planowała 10x. Musieli zawrzeć nagły deal ze SpaceX na dostęp do ponad 220 tysięcy GPU w centrum danych Colossus 1, żeby w ogóle nadążyć za popytem.

Tu znów wracamy jednak do fosy, bo kiedy popyt przerasta infrastrukturę, każdy tydzień ograniczonej mocy obliczeniowej to tydzień, w którym konkurenci mogą nadrobić dystans i odebrać udziały w rynku AI.

To wszystko podstawy, na których będziemy budować dalszą narrację. Zacznijmy na razie od pozytywów. Pomijając czyste metryki wzrostu, jest kilka głębszych powodów, dla których OpenAI i Anthropic przyciągają tak dużo kapitału.

Po pierwsze, te firmy mają już strategiczne znaczenie na poziomie państwowym. Administracja USA traktuje frontier AI jako technologię o znaczeniu narodowym. To zbliża największe laby AI do statusu „too big to fail”. Określenia, które pamiętamy z kryzysu bankowego 2008 roku, kiedy państwo ratowało instytucje zbyt ważne dla systemu, żeby mogły upaść.

Jeśli AI jest strategiczne, to najlepsze laby wchodzą do tej kategorii, a to zmienia wszystko. Spada koszt kapitału, bo firma zbyt duża, by upaść, jest bezpieczniejsza dla pożyczkodawców niż taka, która może upaść. Otwiera się też dostęp do kontraktów rządowych, pojawiają się inwestorzy kotwiczący, którzy raczej nie sprzedadzą swoich udziałów w panice. Trump zasugerował nawet, że USA mogłyby obejmować niewielkie pakiety udziałowe w największych firmach AI, żeby obywatele mogli uczestniczyć we wzroście tej technologii.

Na razie to koncepcja, ale kierunek jest znaczący, a to wszystko zaledwie kilka lat po powstaniu tych firm. Co będzie, kiedy gospodarka na dobre uzależni się od AI?

Druga kwestia, która trzyma te biznesy w pionie, to zaplecze kapitałowe. Listę inwestorów Anthropic czyta się jak spis najważniejszych graczy technologicznego świata: Amazon, Google, Nvidia, SoftBank, a16z, Lightspeed. OpenAI ma za sobą podobny zestaw. To nie są firmy, które inwestują na zasadzie „zobaczymy, co będzie”, a stawiają konkretną tezę, że koszty mocy obliczeniowej na jednostkę inteligencji będą dalej spadać, więc przychody będą rosnąć szybciej niż wydatki.

Kolejna rzecz to coś tak prostego, jak wielkość rynku. AI jest i może być wykorzystywane w zasadzie w każdej branży i przez każdą osobę na świecie.

Tak, to są wspaniałe biznesy, ale wszystkie biznesy mają też słabsze strony. Na start rozwinę wątek fosy ekonomicznej, o której już trochę mówiłem. To być może najpoważniejszy problem strukturalny. W branży technologicznej firmy, które zdominowały swoje rynki, Google, Apple, Microsoft, Facebook, miały coś, co chroniło ich pozycję. Meta ma efekt sieciowy. Im więcej ludzi jest na Facebooku, tym trudniej odejść na inną platformę i tym mniejszy ma to sens. Apple ma kontrolę nad całym ekosystemem oraz App Store. Microsoft ma wysokie koszty przejścia, bo migracja danych i przyzwyczajenie do danych narzędzi Office robią swoje. Modele AI nie mają nic z tych rzeczy, a przynajmniej nie na tę samą skalę.

W przypadku modeli fundamentalnych nie obserwujemy efektu sieciowego ani zasady „zwycięzca bierze wszystko”. DeepSeek R1 z Chin dorównał lub przewyższył OpenAI na benchmarkach rozumowania i kodowania przy ułamku kosztów. Gemini 2.5 od Google'a zrobił to samo. Kiedy Google wypuścił model Pro, który w rankingach użytkowników wyprzedził o3 od OpenAI, OpenAI musiał obniżyć ceny o 80%. Rywalizacja cenowa na rynku, gdzie produkty są trudne do odróżnienia, to klasyczny objaw komodytyzacji, czyli sytuacji, w której produkt staje się wymiennym towarem, a jedynym wyróżnikiem zostaje cena. To charakterystyczna cecha produktów, które widujecie na półce w supermarkecie i nikt nie chce, żeby jego produkty miały właśnie tę cechę.

Warto też zadać sobie jeszcze jedno pytanie. Skoro wszystkie LLM-y są podobne, to które w przyszłości częściej będzie wybierał klient: te, które oferują tylko model LLM i nic więcej, czy te, które w pakiecie dadzą Ci miejsce w chmurze, aplikacje do wideorozmowy i jakiś pakiet biurowy z Excelem i Wordem oraz inne usługi?

Ten problem doskonale było widać w styczniu tego roku, kiedy Internet obiegł wykres pokazujący, jak szybko Gemini odbiera udziały w rynku od ChatGPT.

Dziś może ten efekt jest jeszcze słabo widoczny, ale co w hipotetycznej sytuacji, kiedy chwilowo narzędzia AI od Big Tech zaczną dominować w benchmarkach? Co zatrzyma klientów w Anthropic i OpenAI?

Deweloperzy, kluczowa grupa użytkowników, są wyjątkowo wrażliwi na cenę i gotowi do przeskakiwania między dostawcami. Duże firmy coraz częściej budują „portfolio AI” złożone z modeli różnych dostawców, zamiast wiązać się z jednym. To strategia, w której firma dobiera różne modele do różnych zadań. Taki rynek może charakteryzować się niskimi marżami, trudnym wyróżnieniem i klientem, który zawsze szuka tańszej alternatywy.

Kolejny problem to ekonomia jednostki, która nie zachowuje się jak w typowym SaaS. Tu dochodzimy do problemu, który inwestorzy przyzwyczajeni do firm software'owych mogą zupełnie źle odczytać. Tradycyjny model SaaS, czyli Software as a Service, działa tak, że raz budujesz produkt, a potem każdy kolejny klient to niemal czysty zysk, bo koszt obsługi kolejnego użytkownika jest minimalny. W końcu oprogramowanie można sprzedawać do nieskończonej liczby klientów i nie trzeba ponosić kosztów zmiennych, jak w przypadku produkcji fizycznej, gdzie każdy sprzedany na przykład samochód trzeba osobno wyprodukować. Z tego powodu marże brutto rzędu 70–80% są normą w sektorze SaaS. Firma dojrzewa i dźwignia operacyjna robi swoje.

W AI ta logika nie działa. Koszty nie są jednorazowe i rosną proporcjonalnie do użycia. Każdy prompt, każde zapytanie do modelu wymaga mocy obliczeniowej, energii, pamięci. Im więcej klientów, im intensywniej korzystają, tym wyższe rachunki za wykorzystanie mocy obliczeniowej. Według instytucji Whitepaper Charli Capital wiele wdrożeń AI doświadcza malejących zwrotów z marży w miarę wzrostu skali, co jest dokładnym przeciwieństwem tradycyjnego SaaS.

Do tego dochodzi zjawisko, w którym firmy konsumują tokeny AI na absurdalną skalę, bez refleksji, czy dane zadanie tego naprawdę wymaga. Przypadek Mety jest wymowny. Firma wysłała wewnętrzne ostrzeżenie do sześciu tysięcy pracowników, bo koszty AI mogły w 2026 roku pójść w miliardy dolarów. Pracownicy zużyli 73,7 biliona tokenów w ciągu trzydziestu dni. Wewnętrzny ranking premiował samo zużycie, a nie efekt. W odpowiedzi Meta zmienia strategię, buduje centralny system kontroli zużycia i przesuwa ludzi z Claude'a w stronę własnego, tańszego narzędzia MetaCode.

Zresztą ten, kto sporo korzysta z agentów AI, doskonale wie, że najwięcej kombinatorstwa wymaga wdrażanie takich praktyk w korzystaniu z agenta, żeby nie zjadał za dużo tokenów, bo limit się wyczerpie i będzie klops. Duże korporacje otwarcie mówią, że chcą optymalizować zużycie tokenów, co jest kolosalnym niedźwiedzim argumentem przeciwko AI Labom w krótkim i średnim terminie.

Sam Altman przyznał wprost, że koszty używania AI stają się dla firm dużym problemem, a jeśli duzi klienci zaczynają racjonalizować zużycie, bo tak dzieje się zawsze, gdy początkowa faza beztroskiego eksperymentowania mija, to dynamika przychodów Anthropic i OpenAI może wyraźnie zwolnić. Tylko czy rynek jest na to przygotowany przy obecnych wycenach?

OpenAI ma w końcu prognozowaną wycenę na bilion dolarów, a prognozuje przepalenie 220 miliardów w latach 2026–2029.

Sam trening modeli to zresztą tylko początek kosztów. Po wdrożeniu modelu do produkcji pojawiają się ciągłe nakłady na utrzymanie infrastruktury, monitorowanie jakości, łatanie błędów, walka z halucynacjami, zarządzanie wersjami. Aktualizacja modelu to nie prosty patch jak w tradycyjnym oprogramowaniu, często wymaga ponownego trenowania, inżynierii promptów czy migracji do nowych architektur. Każda taka zmiana niesie ze sobą ryzyko finansowe. To może nawet oznaczać koniec ery wzrostu za wszelką cenę w branży oprogramowania. Inwestorzy coraz głośniej domagają się efektywności kapitałowej i zweryfikowanej ekonomiki jednostkowej.

To niestety nie koniec wątpliwości. Silny udział państwa w sektorze to nie tylko stabilizator dla too big to fail, ale też ryzyko regulacyjne i geopolityczne. To stosunkowo nowy front ryzyka. Administracja USA wprowadziła faktyczny system licencjonowania dostępu do najnowszych modeli AI. Kiedy Anthropic wypuścił modele z rodziny Mythos i Fable, badacze Amazona znaleźli sposób na obejście zabezpieczeń Fable 5, co pozwalało na uzyskanie informacji przydatnych w cyberatakach. W rezultacie rząd USA zablokował model. Nie tylko za granicą, ale nawet dla zagranicznych pracowników samego Anthropic.

Sam fakt blokady jest mniej istotny niż to, co oznacza dla klientów. Jeśli najpotężniejsze modele AI wymagają rządowej zgody na każdego klienta, zmienia się cały rachunek ekonomiczny. Koszty tworzenia modelu ponosisz dzisiaj, a przychody mogą przyjść później albo wcale, jeśli nie wszyscy klienci dostaną dostęp. Pentagon wpisał Anthropic na listę ryzyk łańcucha dostaw, co może oznaczać miliardy utraconych przychodów, bo ponad stu klientów enterprise'owych wyraziło wątpliwości co do kontynuowania współpracy.

Najgroźniejszy jest efekt zaufania. Jeśli zagraniczna firma albo zagraniczny oddział amerykańskiego koncernu nie ma pewności, czy model nie zostanie jej nagle zabrany, zaczyna traktować go jak ryzyko łańcucha dostaw. Nikt nie buduje krytycznego procesu biznesowego na czymś, co może zniknąć z dnia na dzień. To popycha klientów w stronę modeli open source albo kreacji własnych rozwiązań. Może będą słabsze, ale dają kontrolę.

Na koniec niedźwiedzich argumentów jeszcze jedna rzecz. Zależność od partnerów i brak własnego ekosystemu. OpenAI nie ma systemu operacyjnego, nie ma przeglądarki, nie ma hardware'u. Relacja z Microsoftem, kiedyś źródło ekskluzywnego dostępu do chmury i kapitału, stała się skomplikowana. Warunki podziału przychodów są renegocjowane, bo OpenAI chce więcej autonomii.

Anthropic jest w nieco lepszej pozycji dzięki głębokiej integracji z AWS, ale jednocześnie uzależnia się od Amazona jako dostawcy infrastruktury i inwestora. To jest delikatna równowaga. Amazon inwestuje w Anthropic, ale jednocześnie rozwija własne modele i chipy. Co się stanie, gdy interesy się rozejdą? Kto będzie miał więcej kart w rękawie? Zostawiam to pytanie do własnej interpretacji.

Trochę postraszyłem, ale warto też prześledzić, jak przesuwała się niedźwiedzia linia obrony. Najpierw było, że laby AI nigdy nie pokażą dużych przychodów. Potem, że pokażą przychody, ale marże będą fatalne. Teraz, gdy przychody rosną, a koszt mocy obliczeniowej na dolara przychodu się poprawia, narracja przeskakuje na optymalizację zużycia tokenów w korporacjach.

Historyczne obserwacje są jednak bliższe temu, że kiedy coś staje się tańsze i wydajniejsze, to często zużywamy tego więcej, a nie mniej. Klasyczny paradoks Jevonsa.

Tańszy token to w końcu więcej zastosowań. Czyli pomimo tego, że korporacje optymalizują zużycie tokenów, to ich wykorzystanie i tak będzie rosnąć, bo nowe chipy od Nvidia, Amazona i Google po prostu sprawiają, że zużycie tokenów staje się tańsze!

Modele open source, które wielu wskazuje jako zabójcę AI Labów, też mają swoje ograniczenia. One są trochę jak Linux w starciu z Windowsem. Fascynujące dla pasjonatów, ale pozbawione szlifu, którego potrzebuje masowy konsument. W kontekście enterprise'owym, gdzie liczy się wsparcie techniczne, gwarancje bezpieczeństwa i odpowiedzialność dostawcy, modele zamknięte też dalej mają przewagę.

Według mnie można wyciągnąć z tego wszystkiego dwa główne wnioski. Pierwszy jest taki, że cały sektor modeli AI będzie dalej rozwijał się dynamicznie i ostatecznie dojdzie do rentowności, o którą wszyscy się tak boją, bo po prostu koszty zużycia tokenów będą spadać. Nie będzie to jednak rentowność tak niesamowita, jak w spółkach SaaS, bo jednak ekonomika jednostki jest mniej korzystna.

Drugi wniosek jest taki, że cały sektor to nie pojedyncza spółka, a tegoroczna wymiana na fotelu lidera, czyli to, jak Anthropic wyprzedził OpenAI, daje do zrozumienia, że fosa pojedynczych firm jest płytka. Dlatego pomimo szybkiego rozwoju całej branży, nie każda inwestycja może być tutaj udana. To sprawia, że według mnie inwestowania w ten sektor nie można traktować na zasadzie kup i zapomnij. Jeśli ktoś z Was będzie chciał ładować się w jakiś AI Lab, to będzie to pozycja, która wymaga sporego przekonania i bieżącego śledzenia tego, co dzieje się w branży, żeby szybko reagować na potencjalne problemy.

Dlatego cały czas megaciekawa jest inwestycja pośrednia. Popyt na moc obliczeniową rośnie bardziej, niż ktokolwiek podejrzewał. Nvidia i inni gracze z sektora półprzewodników zarabiają niezależnie od tego, czy dominuje OpenAI, Anthropic, czy Google, bo każdy z nich kupuje jej GPU. Dostawcy chmury, czyli AWS, Azure i Google Cloud, pobierają opłaty za każdy token przetworzonego zapytania.

OpenAI i Anthropic to fascynujące firmy, które budują technologię o potencjalnie transformacyjnym wpływie na gospodarkę. Ich tempo wzrostu jest bezprecedensowe, ale obecne fosy ekonomiczne kruche.

Najszybszy wzrost biznesu w historii nie musi jeszcze oznaczać najlepszej inwestycji. To dalej są realnie startupy i to będą inwestycje podwyższonego ryzyka. Przestaną nimi być, jeśli rozwiną własne ekonomiczne fosy i na to oczywiście są szanse.

Tu też może powstać efekt sieciowy, gdzie im więcej ludzi używa modelu, tym więcej danych o interakcjach, poprawkach, preferencjach, a to trenuje lepszy model, który przyciąga więcej userów.

Tu może powstać wyższy koszt zmiany. To jest to, co próbuje Anthropic z Claude Code. Kiedy firma zbuduje całą infrastrukturę, pipeline'y, agenty i procesy wokół jednego modelu, przesiadka przestaje być „wskaż folder”, a staje się kosztowną migracją jak przy Oracle czy SAP. Im głębiej model wrasta w krytyczne procesy biznesowe klienta, tym twardsza fosa.

Może powstać też cały ekosystem. Fosą nie jest sam model, tylko to, do czego jest przyklejony. Microsoft z Copilotem w Office, Google z Gemini w Workspace. Wtedy model staje się lepki, bo siedzi w narzędziu, którego i tak nie porzucisz. Może i AI laby takie systemy stworzą?

Wróćmy więc na koniec do tych liczb z początku. Sto milionów userów w dwa miesiące, miliard przychodu w pół roku. Te liczby robią wrażenie i to jest dokładnie ich problem. Bo im bardziej coś zapiera dech, tym łatwiej wyłączyć myślenie. AI Laby to są na dziś fenomenalne firmy, ale to jeszcze nie są fenomenalne biznesy. W tym świecie jednak może się to bardzo szybko zmienić.

Do zarobienia,
Piotr Cymcyk