Egy héttel ezelőtt a „Ox Alpha” néven felbukkant modell az OpenRouteren jelent meg — egy az immár több mint 400 elérhető modell közül, amelyek közül hozzávetőleg tíz jelenik meg hetente. A modell rögtön feltűnt, nem csak a díjmentes vagy olcsó elérhetősége miatt, hanem azért is, mert a közösségi visszajelzések szerint meglepően jól teljesített: hobbi fejlesztők és indie csapatok naponta több trillió tokent futtattak rajta, és becslések szerint a héten a használat egyjegyű trillióktól akár 20+ trillió tokenig terjedt.
Hat napnyi forenzikus vizsgálódás és találgatás után, 2026. augusztus 26-án a Z.ai vállalta a modellt: az Ox Alpha valójában a GLM-5.3-Flash volt. A vállalat szándékosan futtatta nyilvános forgalmon, de a valódi meglepetés az volt, hogy a modellt teljes egészében kínai chipeken és kínai infrastruktúrán szolgáltatták. A hivatalos árlista 0,15 USD / 0,50 USD per millió token; az OpenRouter bevezető promóció 50%-os kedvezményt ad (0,075 USD / 0,25 USD per millió token) szeptember 9-ig. A súlyok nyílt forráskódúak (MIT licence alatt), az inferencia szolgáltatók között pedig szerepel Z.ai, GMI Cloud, Cloudflare és más amerikai beszolgáltatók is.
Teljesítmény versus költség: hol áll a GLM-5.3-Flash?
Az Artificial Analysis ugyanezen a napon felvette a modellt egy intelligencia-költség összehasonlító diagramra. A GLM-5.3-Flash 57-es pontszámon szerepel az indexen, feladatonként körülbelül 0,09 USD költséggel. Összehasonlításképp a US középkategóriás GPT-5.6 Sol (max) ~59 ponton van 0,67 USD/feladat áron — tehát két pontnyi többlet intelligenciáért nagyjából 7,4-szeres költséget fizetnénk. Grok 4.6 körülbelül 61 ponton van 0,94 USD/feladat áron, ami közel 10-szeres árat jelent négy pontos többletért. Ezek az arányok azt jelzik, hogy a tokenalapú költségek erősen befolyásolják a fogyasztási döntéseket: a görbe tetején a haszon csökken, míg az olcsóbb megoldások nagy volumenű feladatoknál vonzóbbá válnak.
Vállalati reakciók és már érzékelhető hatások
Az amerikai vállalatok már most költségnyomást éreznek. Például az Ubernél Praveen Neppalli Naga, CTO áprilisban azt nyilatkozta a The Informationnek, hogy „vissza kell térnem a tervezőasztalhoz, mert a költségvetés, amit gondoltam, hogy szükségem lesz rá, már most elfogyott”: a 2026-os év kódolási költségvetését négy hónap alatt elhasználták, és Naga egy kétórás demó alatt személyesen 1 200 USD-t égetett el. Júniusra az Uber bevezetett egy 1 500 USD/fő/eszköz limitet. A McKinsey 2026-os State of AI felmérése szerint a válaszadók 80%-a szerint gyorsabbak lettek, 37% számolt be EBIT-növekedésről, és 32% hagyott ki legalább egy szoftvervásárlást, mert belső megoldást építettek kódoló ügynökökkel.
Ezek az adatok azt mutatják, hogy szervezetek nem akarják feladni az AI-t, viszont optimalizálniuk kell a használatot és a költségstruktúrát.
A kínai szereplők és az ökoszisztéma átrendeződése
Nem lehet kikerülni kínai modellkészítőket, például Zhipu, Qwen, DeepSeek és mások; ismételten új megközelítéseket hoznak, amelyek kihívást jelentenek a korábbi SOTA laborok számára, és jelentősen csökkentik a költségeket. Az OpenRouter statisztikái szerint a kínai modellek részaránya az amerikaiak fölé emelkedett június elején, és a toplista élén továbbra is sok kínai labor található. Az indie fejlesztők körében ma már gyakori választás a GLM Flash, DeepSeek Flash, MiniMax, Kimi, illetve előfizetés esetén Grok vagy Claude.
Ha egy cég már előfizetett Grokra vagy OpenAI-ra, az a költség elsüllyedt kiadásnak tekinthető; a pénzügyi vezetés hamar fel fogja tenni a kérdést, szükséges-e fenntartani ezeket a helyeket, ha a pay-as-you-go opció jelentősen olcsóbbá válik.
Javasolt stratégia: három rétegű modellhasználat
A szerző javaslata az, hogy a feladatokat és tokenfelhasználást három kategóriába osszuk, nem a költés dollárban, mert az olcsó per-token ár miatt a volumen gyorsan odavándorol a legolcsóbb rétegbe:
- Felső réteg: Fable és Opus — komplex stratégiai elemzések, visszafordíthatatlan döntések. Ezekre érdemes a legjobb modelleket használni, de valószínűleg csak az összfeladatok ~5%-ára.
- Középső réteg: Kimi K3, Gemini 3.7 Flash, GPT-5.6 Sol, Grok 4.6 — mind nagyjából 60 pont körül az intelligencia-indexen. Itt menjen a volumen ~50%-a; ez a napi kódolási és gyakorlati munka terepe.
- Alsó réteg: GLM-5.3-Flash — a volumenmunkát javasolt ide tenni, kb. 45% körüli részarányban. Olcsó per-token ár, nyílt súlyok, jó teljesítmény kis költséggel.
Minden szervezetnek a saját felhasználási arányai (kódolás vs. tartalom vs. marketing) és értékelési metrikái szerint kell meghúznia a határokat.
Mit tegyenek a cégek most — házi feladat szeptember előtt
- Számolják meg a tokeneiket. Tudják hozzárendelni a költést fő üzleti mutatóhoz (például ügyfél- vagy bevételnövekedés)? Ha nem, legalább a fejlesztési sebességhez vagy termelékenységhez rendezzék.
- Építsék újra az AI költségvetést. Szervezetenként, vezessék át, ki mit tervez költeni, és tudják-e ezt megvédeni.
- Határozzák meg a modellstratégiát csapatonként. Írják le a három réteget: mikor kell a felső kategória, mikor elég a közép, és mi megy GLM-5.3-Flashre.
Kilátások
Szeptemberre sok új modell érkezése várható (Google, xAI, Anthropic, OpenAI, DeepSeek). A Pareto-frontier változhat, de az irány világos: több intelligencia olcsóbban. Azok a labok, amelyek nem tudják csökkenteni a kiszolgálási költségeiket, elveszítik a volumenüket — és vele azokat a felhasználókat, akiket a volumen teremt.
Az eredeti cikk szerzője Parvez Syed Mohamed, aki termékvezetőként dolgozott API integrációk és ügynökplatformok építésén a Salesforce-nál (MuleSoft), az Oracle-nél és az AgentPaaS.ai-nál, és gyakorlatban foglalkozik ügynökrendszerek bevezetésével.
