Ile kosztuje aplikacja z AI w 2026 i czy jest bezpieczna?

"Czy możemy dodać do aplikacji asystenta AI i ile będzie nas to kosztować co miesiąc?" "Czy to bezpieczne, że AI pisze nasz kod albo że wysyłamy do niej dane klientów?" Jeśli planujesz aplikację i zadajesz sobie te dwa pytania, ten tekst odpowiada na oba. Dowiesz się, ile kosztuje aplikacja z AI, rozpisane na dwie jasne kwoty, poznasz prawdziwe ryzyka opisane prostymi słowami i dostaniesz dziesięć pytań, które zadasz każdemu zespołowi przed podpisaniem umowy.

Najkrócej: za funkcję AI płacisz dwa razy. Raz za budowę, w ramach aplikacji: u nas każdy projekt zaczyna się od 50 000 zł netto, zwykle to 50-175 tys. zł netto. I co miesiąc za działanie, bo każde pytanie do modelu kosztuje tokeny (małe kawałki tekstu, które model czyta i pisze, rozliczane za milion) albo czas GPU (wynajęty czas na układzie stworzonym do uruchamiania modeli AI). AI w procesie może zwiększyć bezpieczeństwo aplikacji, a nie je obniżyć, pod warunkiem że człowiek sprawdza każdą zmianę.

Ile kosztuje aplikacja z funkcjami AI w 2026 roku? Od 50 000 zł netto, z AI w cenie

W skrócie: aplikacja z funkcjami AI kosztuje tyle co każda aplikacja, którą budujemy, plus praca nad częścią AI: dane, prompty (pisemne instrukcje, według których działa model), testowanie odpowiedzi i bezpieczeństwo. U nas MVP / Premiera aplikacji kosztuje od 50 000 zł netto, zwykle 50-175 tys. zł netto, w 8-12 tygodni, a funkcje AI mieszczą się w tej cenie. Podłączenie istniejącego produktu do Claude i ChatGPT kupione osobno kosztuje 17 500 zł netto. Ta praca nazywa się MCP (Model Context Protocol): to otwarty standard, dzięki któremu asystenci AI mogą korzystać z danych i akcji Twojego produktu.

Nie sprzedajemy funkcji AI z cennika, bo pod tą samą nazwą kryje się dzień pracy albo miesiąc. Asystent czatu nad dziesięcioma plikami PDF to co innego niż asystent nad całym Twoim CRM (bazą klientów). Kwotę ustalamy w Prototypie i planie, krótkim etapie planowania przed budową: 17 500 zł netto, 1-2 tygodnie, w całości zaliczane na poczet budowy, ze stałą ceną każdego etapu. Dzięki temu znasz pełną cenę, zanim zdecydujesz się cokolwiek budować.

Każdy z tych rodzajów już zbudowaliśmy. Museo rozpoznaje dzieło sztuki w około 100 ms i opowiada o nim w ponad 20 językach, a od koncepcji do działającego produktu minęły około 3 miesiące. Assuranci, aplikacja do ubezpieczeń samochodu, którą zrobiliśmy, odczytuje zdjęcie dowodu rejestracyjnego, wypełnia formularz i prosi o nowe zdjęcie, gdy jej pewność spada poniżej 50%. Prenta ma agenta kalendarza, który zamienia nadchodzące wydarzenia w zadania do przygotowania.

Case study: Assuranci odczytuje dowód rejestracyjny z jednego zdjęcia

Problem. Klienci Assuranci, aplikacji do ubezpieczeń samochodu, którą zbudowaliśmy dla rynku w Mauretanii, kupowali ubezpieczenie w biurze: papierowy formularz wypełniany ręcznie i czekanie.

Co zrobiliśmy. Zbudowaliśmy aplikację na iOS i Androida, backend (część serwerową, której użytkownik nie widzi) z panelem admina, stronę internetową i AI, które odczytuje dowód rejestracyjny. Model wizyjny wypełnia dziesięć pól z jednego zdjęcia. Sam ocenia swoją pewność, a poniżej 50% aplikacja prosi o nowe zdjęcie, zamiast zgadywać. Każde pole można poprawić, więc klient sprawdza je przed zapłatą.

Efekt. Zakup polisy to teraz pięć kroków w telefonie, bez wizyty w biurze. Od pierwszej linijki kodu do App Store minęły 4 miesiące, a wszystkie cztery części zbudował jeden zespół.

Co to znaczy dla Twojego budżetu: część AI była jednym z elementów zwykłej budowy aplikacji, z jasną zasadą na chwile, gdy AI nie jest pewne. To ta zasada sprawia, że błędny odczyt nie zamienia się w błędną polisę.

Ten tekst dotyczy części AI. Resztę budżetu (ekrany, backend, publikację w sklepach, koszty roczne) rozpisujemy w artykule Ile kosztuje stworzenie aplikacji mobilnej?.

Ile AI kosztuje co miesiąc? Sześć przykładów od 2 do 340 USD

W skrócie: za budowę płacisz raz. Za działanie płacisz co miesiąc i ten koszt rośnie z użyciem: model przez API rozlicza się za tokeny, a własny model za czas GPU. W przykładach poniżej miesięczny rachunek wynosi od około 2 do około 340 USD. Podajemy dolary, bo tak rozliczają się dostawcy modeli.

Pomyśl o samochodzie. Budowa to zakup auta: płacisz raz. Koszt działania to paliwo: płacisz za każdym razem, gdy ktoś jedzie, więc więcej użytkowników to więcej paliwa. W tym obrazku token to litr paliwa. Dostawcy liczą osobno tokeny, które model czyta (wejście), i te, które pisze (wyjście), w cenie za milion. API to drzwi, przez które Twój serwer wysyła pytanie do modelu i odbiera odpowiedź.

Ceny tokenów pochodzą z cennika Anthropic, a ceny GPU z cennika Modal, stan na listopad 2026. Inni dostawcy liczą inaczej, ale metoda jest ta sama: tokeny albo sekundy GPU razy Twój ruch. Dwa pojęcia z tabeli: Batch API to sposób za pół ceny na pracę, która może poczekać (wysyłasz wiele zapytań naraz i odbierasz odpowiedzi później), a bezserwerowe GPU wynajmujesz na sekundy i nie utrzymujesz własnego serwera. L4 to jeden z modeli GPU firmy Nvidia. Poproś swój zespół o taką tabelę z Twoimi liczbami.

Dwie dźwignie, które obniżają rachunek z 340 do 17 USD

Pierwsza dźwignia: najmniejszy model, który przechodzi Twoje testy. W przykładzie ten sam ruch kosztuje 17 USD zamiast 340 USD. Druga: GPU, które skaluje się do zera, czyli wyłącza się, gdy nikt z niego nie korzysta, jak światło na czujnik ruchu. Ceną jest zimny start: pierwsze zapytanie po przerwie czeka, aż model się załaduje.

Museo świadomie wybiera odwrotnie. Model rozpoznawania jest gotowy z wyprzedzeniem, więc zwiedzający nigdy nie czeka przed obrazem. Tam szybkość jest produktem, więc warto płacić za ciepłe GPU.

Limit wydatków na użytkownika i na dzień ustaw od pierwszego wydania. Chroni rachunek przed błędem, pętlą albo kimś, kto nadużywa funkcji. Reszta aplikacji kosztuje w chmurze zwykle około 0 zł miesięcznie do kilkuset tysięcy użytkowników, na Twoim własnym koncie. Dla Ciebie to znaczy, że miesięczny rachunek za AI to kwota, którą zaplanujesz przed budową, a nie niespodzianka po premierze.

Co podnosi koszt funkcji AI? Dane i testy, a nie sam model

W skrócie: cenę funkcji AI przesuwa pięć rzeczy: gotowy model albo własny, stan Twoich danych, sposób testowania odpowiedzi, liczba języków i to, ile musi sprawdzić człowiek. Sam model rzadko jest najdroższy. Najdroższa jest praca wokół niego. Dlatego porównując oferty, pytaj, co każda obejmuje w danych i testach, a nie tylko jakiego modelu używa.

• Przygotowanie danych. Rozrzucone pliki PDF, stare eksporty i zdublowane rekordy trzeba uporządkować, zanim użyje ich jakikolwiek model. To często największy koszt, którego nikt nie zaplanował.
• Testowanie odpowiedzi. Zestaw prawdziwych pytań z poprawnymi odpowiedziami, uruchamiany po każdej zmianie promptu albo modelu. Bez niego nikt nie wie, czy zmiana coś poprawiła, czy popsuła.
• Języki. Żaden model nie mówi dobrze w każdym języku. Museo wysyła każdą narrację do jednego z trzech silników zamiany tekstu na mowę, wybranego według języka.
• Kontrola przez człowieka. Museo zamienia każde nagranie z powrotem na tekst i porównuje je ze scenariuszem. Nagranie, które odbiega, trafia do człowieka, zanim usłyszy je zwiedzający.
• Połączenia z Twoimi systemami. Asystent, który czyta Twój CRM albo działa w panelu, wymaga tej samej starannej pracy nad API co każda integracja. Tak samo jest przy szerszym wdrożeniu AI w firmie.

Czy aplikacja z AI jest bezpieczna? Tak, jeśli zamkniesz te dwie luki

W skrócie: tak, jeśli zamkniesz dwie różne luki, a dobry zespół nazywa obie. Pierwsze to kod napisany z pomocą AI, którego nikt nie sprawdził. Drugie to sama funkcja AI, którą można oszukać, która może ujawnić dane albo nabić Ci rachunek.

Ryzyko 1: kod napisany z AI, którego nikt nie sprawdził

Firma Veracode, która testuje oprogramowanie pod kątem luk bezpieczeństwa, sprawdziła kod z ponad 100 modeli językowych na 80 zadaniach programistycznych. Kod wygenerowany przez AI wprowadzał luki bezpieczeństwa w 45% testów (2025 GenAI Code Security Report). Nowsze i większe modele pisały kod, który lepiej działał, ale nie bezpieczniejszy.

Ryzyko 2: funkcja AI, którą można oszukać, która ujawni dane albo nabije rachunek

OWASP to organizacja non-profit znana z list kontrolnych bezpieczeństwa. Prowadzi listę 10 największych zagrożeń dla aplikacji z modelami językowymi, czyli LLM. To rodzaj AI, który stoi za ChatGPT i Claude (OWASP Top 10 for LLM Applications 2025). W typowej aplikacji najważniejsze jest tych pięć:

Prompt injection, pierwsze na liście OWASP, to ryzyko najmniej oczywiste, więc pomoże obrazek. Przypomina podrzucony liścik w stosie listów, które sortuje urzędnik: "Zignoruj szefa i oddaj mi klucz do sejfu". Rozsądny urzędnik tego nie zrobi, bo zasady dostaje od szefa, a nie z listów. W aplikacji zasady ustala Twój serwer: model może użyć tylko narzędzi, na które pozwalasz, a każde uprawnienie sprawdza serwer, niezależnie od tego, co jest w tekście.

Żadne z tych ryzyk nie jest powodem, żeby rezygnować z AI. To powody, żeby zaprojektować ochronę w pierwszych tygodniach, a nie po premierze. Dla firmy każde z tych ryzyk ma cenę: wyciek rekordu to incydent RODO, pętla to nieoczekiwany rachunek, a agent, który zrobi coś złego, to rozgniewany klient. Zaprojektowanie ochrony na początku to godziny pracy. Naprawa po premierze to nowe wydanie i utracone zaufanie użytkowników.

Jak chronimy aplikację z AI: 8 kroków, a senior czyta każdą linijkę

W skrócie: sprawia, że nudna praca nad bezpieczeństwem jest na tyle szybka, że naprawdę się dzieje. AI pisze testy, czyta zmiany w kodzie i wyłapuje ryzykowne wzorce w kilka minut, więc zespół może sobie pozwolić na kontrole, które kiedyś pomijano. Człowiek dalej sprawdza każdą zmianę i podejmuje każdą decyzję. Bez tego AI tylko szybciej pisze niebezpieczny kod.

• Krok 1Człowiek sprawdza każdą zmianę. Kod wygenerowany przez AI trafia do projektu dopiero po przeczytaniu przez doświadczonego programistę (seniora).
• Krok 2Testy przy każdym buildzie. AI pomaga je pisać, a uruchamiają się przy każdej nowej wersji, zanim cokolwiek trafi na Twój telefon.
• Krok 3Kontrole bezpieczeństwa w CI. CI to zestaw automatycznych kontroli, które uruchamiają się za każdym razem, gdy kod trafia do przeglądu. Szukają znanych luk w zewnętrznych bibliotekach, haseł zostawionych w kodzie i ryzykownych wzorców (analiza statyczna).
• Krok 4Model zagrożeń dla każdej funkcji AI. Krótka pisemna lista tego, co może pójść źle: co model może czytać, co może zrobić i kto może z nim rozmawiać?
• Krok 5Minimalne uprawnienia dla narzędzi AI. Każde narzędzie dostaje tylko taki dostęp, jakiego potrzebuje, jak klucz do jednego pokoju zamiast do całego budynku. Najpierw tylko odczyt, osobne uprawnienia dla każdej roli.
• Krok 6Żadnych sekretów w promptach. Klucze API (hasła, którymi Twój serwer łączy się z modelem) zostają na Twoim serwerze. Aplikacja nigdy nie łączy się z modelem bezpośrednio.
• Krok 7Logi i limity. Każda akcja AI zapisana w logu, do tego limity zapytań i wydatków na użytkownika.
• Krok 8Człowiek potwierdza ryzykowne akcje. Usunięcie, płatność albo wysyłka czegokolwiek w imieniu użytkownika czeka na kliknięcie człowieka.

Co Ci to daje: problemy wychodzą przy przeglądzie, gdy poprawka jest jeszcze mała, a nie po premierze, gdy ta sama poprawka oznacza nowe wydanie.

Tak pracujemy w Codigee: AI to narzędzie, a senior czyta każdą linijkę. W Prencie administratorzy edytują prompty agenta AI w czacie przez MCP, a każdy zapis trafia do dziennika z wartością przed i po zmianie, więc każdą zmianę da się cofnąć. W Assuranci każde pole odczytane przez AI można poprawić, a klient sprawdza je przed zakupem.

Nasz zespół jest celowo mały. Seniorzy, którzy sprawdzają kod, to ludzie, z którymi rozmawiasz, bez warstw opiekunów klienta po drodze. Pytanie o bezpieczeństwo albo o miesięczny rachunek trafia więc do osoby, która napisała daną kontrolę.

Budujesz z AI sam? Darmowy pakiet skilli do Claude Code i innych agentów oraz test gotowości aplikacji znajdziesz na stronie Zbuduj z AI. Masz już aplikację z Lovable, Bolt albo Replit i nie wiesz, co jest w środku? Zobacz, jak przenosimy prototyp z AI do App Store i Google Play.

Twoje dane i prawo UE: czego w 2026 wymagają RODO i AI Act

W skrócie: w UE liczą się trzy rzeczy: umowa dotycząca danych osobowych, to, co dostawca AI robi z Twoimi danymi, i obowiązki przejrzystości z AI Act, które obowiązują od 2 sierpnia 2026. Ostrzejsze zasady dla systemów wysokiego ryzyka zaczną obowiązywać 2 grudnia 2027. To podsumowanie na listopad 2026, a nie porada prawna.

RODO: umowa powierzenia i żadnego trenowania na Twoich danych

Jeśli w promptach są dane osobowe, dostawca AI przetwarza je w Twoim imieniu, a art. 28 RODO (EN) wymaga na to umowy powierzenia przetwarzania danych. Wysyłaj tylko dane, których funkcja potrzebuje: asystent, który odpowiada na pytania o zamówienia, nie potrzebuje pełnego profilu klienta.

Dwaj najwięksi dostawcy API deklarują, że domyślnie nie trenują modeli na danych z API. OpenAI: dane wysłane do API od 1 marca 2023 nie są używane do trenowania, chyba że sam się na to zgodzisz. Anthropic: przechowywane dane nigdy nie są używane do trenowania modeli bez Twojej wyraźnej zgody. Obaj oferują też zerową retencję danych (zero data retention: dostawca nie przechowuje Twoich promptów i odpowiedzi po zakończeniu zapytania), którą ustalasz z ich działem sprzedaży.

Gdzie dane są przetwarzane, to osobna sprawa. OpenAI ma region Europa (EOG i Szwajcaria) dla projektów API: wybierasz go przy tworzeniu nowego projektu, a wymaga zatwierdzenia ustawień przechowywania danych. Własne API Anthropic pozwala wybrać przetwarzanie tylko w USA albo globalne, bez opcji tylko w UE (Anthropic, data residency). Jeśli przetwarzanie wyłącznie w UE to dla Ciebie warunek, sprawdź dostawcę i region przed budową albo uruchom otwarty model (taki, który możesz pobrać i uruchomić sam) na serwerach, które wybierzesz.

AI Act: powiedz, że to AI, i oznacz to, co AI tworzy

Art. 50 AI Act (EN) obowiązuje od 2 sierpnia 2026. Ludzie muszą wiedzieć, że rozmawiają z systemem AI, chyba że to oczywiste, a dźwięk, obrazy, wideo i tekst wygenerowane przez AI muszą być oznaczone w formacie czytelnym dla maszyn, czyli etykietą, którą program potrafi wykryć. Systemy, które były na rynku przed tą datą, mają na oznaczanie czas do 2 grudnia 2026.

Rozporządzenie (UE) 2026/1744, czyli Digital Omnibus on AI, przesunęło obowiązki dla systemów wysokiego ryzyka z załącznika III, na przykład AI używanej przy rekrutacji albo ocenie zdolności kredytowej, na 2 grudnia 2027. Daty wzięliśmy z podsumowania opublikowanego tekstu przez kancelarię Cooley (EN). Asystent czatu nad Twoimi stronami pomocy zwykle nie jest na tej liście. Wszystko, co decyduje o pracy, kredycie albo dostępie ludzi do usług, warto dać do sprawdzenia prawnikowi.

Lista kontrolna: 10 pytań, które pokażą, czy zespół jest gotowy na Twoją funkcję AI

W skrócie: zadaj te dziesięć pytań przed podpisaniem. Dobry zespół odpowie na każde w jednym, dwóch zdaniach, na piśmie, jeszcze przed umową. Możesz je wysłać jeszcze dziś mailem do każdego zespołu, z którym rozmawiasz. Wymijająca odpowiedź też jest odpowiedzią.

1. Ile funkcja AI będzie kosztować miesięcznie przy 1000 i przy 10 000 użytkowników i na czym opieracie ten szacunek?
2. Jakiego modelu i dostawcy chcecie użyć i co dzieje się tam z moimi danymi: trenowanie, przechowywanie, region?
3. Czy jest limit wydatków na użytkownika i na dzień?
4. Kto sprawdza kod wygenerowany przez AI, zanim trafi do projektu?
5. Jakie testy i kontrole bezpieczeństwa uruchamiają się przy każdym buildzie?
6. Co funkcja AI może czytać, co może zmieniać i które akcje wymagają potwierdzenia człowieka?
7. Jak testujecie odpowiedzi i skąd wiecie, że zmiana promptu ich nie pogorszyła?
8. Gdzie są klucze API i czy aplikacja może połączyć się z modelem z pominięciem naszego serwera?
9. Jak użytkownicy dowiedzą się, że rozmawiają z AI, tak jak wymaga AI Act?
10. Do kogo w dniu premiery należą kod, prompty, konta i dane?

Jak porównać firmy i co musi być w samej umowie, żeby kod, repozytorium i konta należały do Ciebie, rozpisujemy w tekście Jak wybrać software house: lista kontrolna przed podpisaniem umowy.

Wyślij te dziesięć pytań także do nas. Odpowiemy na nie na piśmie, zanim cokolwiek podpiszesz.

Kto powinien zbudować Twoją aplikację z AI? Mały zespół seniorów z AI w działających aplikacjach

W skrócie: wybierz zespół, który wdrożył funkcje AI u prawdziwych użytkowników, daje Ci bezpośredni kontakt z ludźmi, którzy budują, i odpowie na listę powyżej na piśmie. Mały zespół seniorów spełnia te trzy warunki z definicji, bo osoba, z którą rozmawiasz, to osoba, która pisze i sprawdza kod. Poproś o działający produkt, który sam sprawdzisz, a nie o film z demo.

Sześć dowodów, o które poproś każdy zespół, i nasze

Seniorzy przy każdej rozmowie: dlaczego mały zespół buduje funkcje AI bezpieczniej i szybciej

Funkcja AI psuje się na szczegółach: uprawnienie o krok za szerokie, brak limitu wydatków, zmiana promptu, której nikt nie przetestował. W małym zespole seniorów o tych szczegółach decyduje osoba, z którą rozmawiasz. Nic nie ginie po drodze między handlowcem, kierownikiem projektu i programistą, którego nigdy nie poznasz, a decyzja zajmuje jedną rozmowę, a nie tydzień zgłoszeń.

Dzięki temu Museo przeszło od koncepcji do działającego produktu w około 3 miesiące, a Assuranci od pierwszego commita do App Store w 4. Klienci piszą o tym na Clutch, gdzie mamy ocenę 5.0. W opinii o MVP, które zbudowaliśmy dla Fishpro, czytamy: "They immediately knew which mistakes to avoid, and their product suggestions were accurate and insightful." Po polsku: od razu wiedzieli, jakich błędów uniknąć, a ich sugestie produktowe były trafne i przemyślane.

Każdy projekt ma stałą cenę za etap, a konta i repozytorium (miejsce, w którym leży kod) są Twoje od pierwszego dnia. Wszystkie ceny znajdziesz w cenniku.