Problem za 15 milionów dolarów dziennie: dlaczego ekonomia wideo AI zdecyduje, kto przetrwa 2026 rok

Liczby, które zabiły Sorę

Pozwólcie, że przedstawię ekonomię, którą OpenAI próbowało ukrywać przez sześć miesięcy.

Sora wystartowała we wrześniu 2025 z cenami konsumenckimi: około 0,10 dolara za sekundę wideo 720p przez API. W szczycie użytkowania miliony użytkowników generowały klipy codziennie. Koszty inferencji GPU, głównie na klastrach NVIDIA H100, skalowały się liniowo z każdym żądaniem.

Stosunek przychodów do kosztów był katastrofalny. Sora zarobiła szacunkowo 2,1 miliona dolarów łącznego przychodu w całym okresie działania. Jej uruchomienie kosztowało około 2,7 miliarda dolarów. To nie jest model biznesowy. To demonstracja, która spalała kapitał venture na skalę przemysłową.

Dlaczego generowanie wideo jest fundamentalnie droższe niż obrazów

Żeby zrozumieć, dlaczego to ma znaczenie wykraczające poza Sorę, trzeba pojąć różnicę w zapotrzebowaniu na obliczenia między generowaniem obrazów a wideo.

Pojedyncze żądanie generowania obrazu modelem takim jak DALL-E 3 czy Stable Diffusion XL wymaga około 10-30 sekund czasu GPU na H100. 5-sekundowe wideo przy 24fps wymaga wygenerowania 120 klatek, z ograniczeniami spójności czasowej, które uniemożliwiają prostą paralelizację. Mechanizm uwagi w transformerach dyfuzji wideo skaluje się kwadratowo z długością sekwencji.

Różnica między obrazem a wideo to nie 5x ani 10x. To 30-100x w obliczeniach na wynik. I w przeciwieństwie do generowania tekstu, gdzie KV-caching i spekulatywne dekodowanie dramatycznie obniżyły koszty inferencji, generowanie wideo nie ma odpowiednika optymalizacji, która obniżyłaby koszty o rząd wielkości.

Trzy strategie przetrwania kryzysu kosztów

Każda firma nadal oferująca generowanie wideo AI mierzy się z tym samym fundamentalnym problemem. Ich strategie radykalnie się różnią.

Strategia 1: Subsydiuj i módl się (podejście VC)

To była strategia Sory. Ustal cenę poniżej kosztu, zdobądź użytkowników, wymyśl monetyzację później. Skończyło się dokładnie tak, jak profesorowie ekonomii przepowiadali od czasów bańki dot-comów.

Kilka firm nadal tak działa. Pika, Luma i Runway wyceniają swoje usługi znacznie poniżej szacowanych kosztów obliczeniowych. Zakład polega na tym, że koszty spadną szybciej niż przychody będą musiały rosnąć.

Ryzyko jest oczywiste. Jeśli koszty GPU nie spadną wystarczająco szybko lub jeśli użytkowanie będzie rosło szybciej niż zyski z optymalizacji, te firmy uderzą w tę samą ścianę co Sora.

Strategia 2: Przenieś koszty na sprzęt (podejście NVIDIA/Open Source)

To strategia stojąca za Helios, Wan 2.2, LTX-2.3 i każdym innym modelem open-source zoptymalizowanym pod konsumenckie GPU.

Logika jest elegancka: zamiast utrzymywać drogą infrastrukturę chmurową, przenieś koszt obliczeń na sprzęt użytkownika. RTX 4090 kosztuje 1599 dolarów jednorazowo. Potem każde generowanie wideo jest "darmowe" pod względem kosztu krańcowego (minus prąd).

Helios, model o 14 miliardach parametrów od ByteDance i Uniwersytetu Pekińskiego, wykazał, że pojedyncze H100 może generować 60-sekundowe wideo z prędkością 19,5 FPS. Co ważniejsze, zoptymalizowane modele open-source zbliżają się do generowania w czasie rzeczywistym na konsumenckim sprzęcie RTX 5090.

Ograniczenie jest oczywiste: ta strategia obsługuje tylko użytkowników posiadających karty graficzne z wyższej półki. To znaczący rynek, ale wyklucza casualowych twórców, którzy uczynili Sorę popularną.

Strategia 3: Agregacja platformowa (podejście Adobe/Google)

To najbardziej finansowo zrównoważone podejście. Zamiast ponosić pełny koszt generowania, stań się rynkiem przekierowującym żądania do wielu dostawców modeli.

Adobe Firefly hostuje teraz ponad 30 modeli od różnych dostawców. Google Flow integruje Veo z modelami firm trzecich. CapCut osadza Seedance 2.0. We wszystkich trzech przypadkach platforma pobiera marżę, podczas gdy dostawca modelu ponosi koszt obliczeń.

Adobe jest tu najlepiej pozycjonowane, ponieważ Premiere Pro i After Effects już dominują w profesjonalnej edycji wideo. Dodanie generowania AI do istniejących przepływów pracy to naturalne rozszerzenie, a Adobe może wycenić to jako funkcję premium w subskrypcjach Creative Cloud, za które użytkownicy już płacą.

Krzywa kosztów infrastruktury

Kluczowe pytanie brzmi, czy koszty GPU spadną wystarczająco szybko, by uczynić konsumenckie wideo AI opłacalnym.

Architektura Blackwell od NVIDIA (B200, GB200) zapewnia mniej więcej 2-3x lepszy stosunek ceny do wydajności dla obciążeń inferencyjnych w porównaniu z H100. Nadchodząca architektura Rubin obiecuje kolejne 2-3x poprawy. Jeśli obie spełnią oczekiwania, do 2028 roku koszt wygenerowania 10-sekundowego wideo może spaść z 0,50 dolara do około 0,05 dolara.

Ten harmonogram ma znaczenie. Firmy spalające gotówkę na subsydiowanych cenach muszą przetrwać jeszcze 2-3 lata, zanim ulepszenia sprzętu uratują ich modele biznesowe. Nie wszystkim się to uda.

Co to oznacza dla twórców

Jeśli jesteś twórcą wybierającym dziś platformę wideo AI, ekonomia ma takie samo znaczenie jak funkcje.

• ✓Platformy wspierane przez dochodowe spółki macierzyste (Google, Adobe, ByteDance) to bezpieczniejsze zakłady długoterminowe
• ✓Modele open-source działające lokalnie eliminują zależność od jakiejkolwiek pojedynczej firmy
• ✓Startupy oferujące "nieograniczone" generowanie w niskich cenach niosą największe ryzyko
• ✓Czekanie na stabilizację kosztów przed wybraniem przepływu pracy jest rozsądne, ale oznacza utratę przewagi wczesnego wdrożenia

Zamknięcie Sory nie było anomalią. To było pierwsze domino. Ekonomia generowania wideo AI jest brutalna, a firmy, które przetrwają, będą tymi, które znalazły kreatywne rozwiązania problemu kosztów, a nie tylko kreatywne rozwiązania problemu generowania.

Szerszy obraz

Każda wielka zmiana w informatyce przechodziła przez fazę, w której technologia działała, ale ekonomia nie. Przetwarzanie w chmurze było nieopłacalne przez lata, zanim AWS przekształcił je w maszynę do zarabiania pieniędzy. Streaming wideo tracił miliardy, zanim Netflix znalazł równowagę. Generowanie wideo AI jest w tym samym bolesnym okresie przejściowym.

Różnica tym razem polega na prędkości. Krzywa ulepszania sprzętu jest stroma jak nigdy dotąd. NVIDIA wypuszcza nowe architektury co 18-24 miesiące ze znaczącymi redukcjami kosztu na FLOP. Badania nad wydajnością modeli, od destylacji przez mixture-of-experts po innowacje architektoniczne jak kompresja kontekstu w Helios, obniżają wymagania obliczeniowe od strony oprogramowania.

Moja ocena: pod koniec 2027 roku wygenerowanie 10-sekundowego wideo w 1080p będzie kosztować poniżej 0,10 dolara w infrastrukturze chmurowej. Przy takim punkcie cenowym model biznesowy działa. Pytanie brzmi, które firmy przetrwają do tego momentu.

Cmentarz startupów wideo AI wkrótce się zapełni. Ale sama technologia nie zniknie. Po prostu czeka, aż ekonomia ją dogoni.