Zespoły, które w 2023 roku wybrały „najprostsze” rozwiązanie AI od jednego dostawcy, w 2025 roku po cichu zaczęły liczyć, ile kosztowałoby ich wyjście. Wyszły im okrągłe miliony. Nie dlatego, że dostawca był zły, ale dlatego, że przez dwa lata nikt nie zadbał o to, żeby wyjście w ogóle było możliwe bez operacji na otwartym sercu.
Ten artykuł jest dla Ciebie, jeśli stoisz dziś przed pierwszą poważną decyzją o tym, komu powierzyć swoje systemy AI, albo jeśli już u kogoś siedzisz i zaczynasz czuć, że ta zależność rośnie szybciej, niż powinna. Pokażę Ci, czym vendor lock-in w AI różni się od klasycznego lock-inu IT, ile realnie kosztuje wyjście i jak ułożyć architekturę tak, żeby za rok nie być zakładnikiem czyjejś roadmapy. Szerszy kontekst zakupowy znajdziesz w przewodniku o transformacji biznesowej i wdrażaniu AI.
Dlaczego lock-in w AI jest inny niż w klasycznym IT
Klasyczny vendor lock-in dotyczył baz danych, systemów ERP i platform chmurowych. Kosztowny, bolesny, ale stosunkowo przewidywalny. Migracja między systemami ERP to kilkanaście miesięcy projektu, wycenianego co do grosza i prowadzonego przez duży zespół wdrożeniowy. W świecie AI ten sam mechanizm działa ciszej, szybciej i w czterech dodatkowych warstwach, których w klasycznym IT nie było.
Liczby z badań 2025-2026 są jednoznaczne. 94% liderów IT wyraża obawy związane z vendor lock-in, prawie połowa deklaruje, że jest „bardzo zaniepokojona” niepewnością roadmap dostawców. 67% organizacji aktywnie stara się unikać silnego uzależnienia od jednego dostawcy AI, a 45% przedsiębiorstw już dziś przyznaje, że lock-in ogranicza ich zdolność wdrażania lepszych narzędzi.
Cena za spóźnioną reakcję jest konkretna. Średni koszt migracji z jednej platformy AI na inną to ok. 1,26 mln PLN (315 tys. USD) i trzy miesiące przestoju inżynierskiego. 57% liderów IT wydało w ostatnim roku ponad 4 mln PLN (ponad 1 mln USD) na migracje między platformami. To nie są koszty projektu rozwojowego. To koszt gaszenia pożaru.
Cztery warstwy lock-inu AI
Uzależnienie od dostawcy AI narasta jednocześnie na czterech poziomach. Każdy z nich wymaga innej strategii obronnej, a ignorowanie któregokolwiek powoduje, że pozostałe trzy stają się iluzoryczne.
Najciekawszy paradoks tej hierarchii polega na tym, że managerowie przy wyborze dostawcy patrzą głównie na warstwę pierwszą, czyli model. A najboleśniejsze konsekwencje przychodzą z warstwy trzeciej i czwartej, o których przy podpisywaniu kontraktu nikt nie rozmawia. Andreessen Horowitz wprost ostrzega: „Wzrost agentic workflows sprawia, że firmy stają się coraz mniej chętne do zmiany modeli”. Każdy tydzień pracy agenta na Twoich danych to nowa warstwa behawioralnej zależności.
Jak firmy wpadają w pułapkę
W moich rozmowach z zespołami, które właśnie się z lock-inu wypisują, wracają te same wzorce. Nie techniczne. Organizacyjne.
Pułapka wygody. Microsoft 365 Copilot, Google Workspace AI, pakiety z pudełka są łatwe do uruchomienia i wymagają minimalnej wiedzy ML. W fazie pilotażu to racjonalny wybór. Problem zaczyna się, gdy bez zmiany architektury firma skaluje wdrożenie z dwóch procesów na dwadzieścia i nagle okazuje się, że połowa infrastruktury biznesowej wisi na jednym API.
Presja kwartału. Decyzję o architekturze podejmuje ktoś, kto ma trzy tygodnie na pokazanie efektu zarządowi. Pytanie o warstwę abstrakcji, portabilność danych czy klauzule wyjścia brzmi wtedy jak zbędna komplikacja. Aż do momentu, gdy komplikacja staje się kryzysem i tłumaczenia zarządowi, dlaczego wyjście od dostawcy wymaga trzech miesięcy i 1,2 mln zł.
Shadow AI. Zespoły samodzielnie integrują narzędzia AI z procesami operacyjnymi, bez wiedzy IT i managerów. Kiedy problem wychodzi na jaw, organizacja jest już głęboko uzależniona od narzędzi, o których istnieniu IT oficjalnie nie wiedziało. Inwentaryzacja narzędzi AI używanych w firmie powinna być priorytetem, nie punktem czwartym na liście „kiedyś”.
Niedocenianie kosztów wyjścia. Przy wyborze dostawcy patrzy się na koszty wdrożenia. Koszty wyjścia są ignorowane, bo „nie planujemy wychodzić”. Tymczasem migracja kosztuje średnio dwa razy więcej niż pierwotne wdrożenie, a decyzji o wyjściu nie podejmuje się dobrowolnie. Podejmuje się ją, kiedy dostawca podnosi ceny albo wycofuje wersję modelu z krótkim wyprzedzeniem.
Konkretne przykłady z ostatnich dwóch lat? Upadek startupu Builder.ai, wycenianego na 1,3 mld USD, zostawił klientów bez dostępu do krytycznych systemów. W czerwcu 2025 Azure ogłosił daty wycofania starszych wariantów GPT-4 „0613”, a firmy w regionie Switzerland North nie miały zamiennika w swojej strefie. 10 czerwca 2025 OpenAI miał globalną awarię ChatGPT i endpointów API. Organizacje z failoverem przeszły ten dzień gładko. Pozostałe czekały.
Strategia niezależności: praktyczna mapa drogowa
Dobra strategia technologiczna AI nie polega na wyborze najlepszego modelu dziś, ale na ułożeniu architektury, która przetrwa zmianę modelu jutro. Strategie niżej są ułożone według priorytetu dla firm zaczynających wdrożenie AI. Nie wymagają jednoczesnej implementacji. Traktuj je jak mapę drogową do realizacji etapami.
Warstwa abstrakcji, czyli AI gateway
Najważniejsza decyzja architektoniczna: żadna logika biznesowa nie powinna wywoływać modeli AI bezpośrednio. Między aplikacją a modelem wprowadza się warstwę pośrednią (gateway/router), która tłumaczy wywołania na format akceptowany przez różnych dostawców. Aplikacja pozostaje niezmieniona, niezależnie od tego, czy zapytanie trafia do chmury, modelu lokalnego czy hybrydy. Gartner prognozuje, że do 2028 roku 70% organizacji budujących aplikacje multi-LLM będzie korzystać z AI gateway, wobec mniej niż 5% w 2024 roku.
Inteligentny routing zadań
Nie każde zadanie wymaga najdroższego modelu. Proste klasyfikacje, ekstrakcja danych, strukturyzowane odpowiedzi idą do tanich modeli lub lokalnych LLM-ów. Złożone rozumowanie i kreatywne treści trafiają do modeli premium z automatycznym failoverem na zapas. Dane wrażliwe zostają w private cloud lub na lokalnym modelu. Różnica kosztów jest dramatyczna: modele open-source to średnio ok. 3,30 zł za milion tokenów (0,83 USD), podczas gdy komercyjne modele proprietary to ok. 24 zł (6,03 USD). Przy dużym wolumenie zapytań daje to ok. 86% oszczędności.
Portabilność danych w umowach
Każda umowa z dostawcą AI powinna zawierać klauzulę portabilności danych. W praktyce oznacza to prawo do eksportu wszystkich danych, konfiguracji agentów i embeddingów w standardowych, maszynoczytelnych formatach. Nie „na zakończenie umowy”, ale w dowolnym momencie. Wymagana jest specyfikacja techniczna formatu eksportu, bo ogólne „zapewnimy przeniesienie danych” bez podania formatu jest operacyjnie bezużyteczne. Dołożyć trzeba prawo do eksportu pamięci agentów i historii konwersacji oraz prawo do zmiany modelu bazowego bez renegocjacji umowy.
Krótkie kontrakty i klauzule wyjścia
Negocjuj 12-miesięczne umowy z opcją odnowienia zamiast zobowiązań trzyletnich, dopóki nie zweryfikujesz realnych kosztów przełączenia. W umowie powinna znaleźć się klauzula „deconversion” opisująca procedury i terminy migracji, warunki ciągłości usług na wypadek upadłości dostawcy (np. escrow kodu lub danych) oraz zakaz jednostronnej zmiany cen bez okresu przejściowego minimum 90 dni.
Open source jako strategiczna rezerwa
Modele Llama, Mistral, Qwen, DeepSeek osiągają dziś wydajność zbliżoną do komercyjnych w zadaniach specjalistycznych. Nie chodzi o zastąpienie wszystkich płatnych API. Chodzi o posiadanie przetestowanej alternatywy. Uruchom co najmniej jeden model lokalny albo self-hosted jako backup dla funkcji krytycznych, testuj regularnie kompatybilność promptów z alternatywnymi modelami. Modele jak DeepSeek V3.1 czy Qwen3 osiągają koszty inferencji do 90% niższe niż OpenAI o1.
Standardy i protokoły otwarte
Projekt zaprojektowany wokół otwartych standardów jest przenośny z definicji. ONNX (Open Neural Network Exchange) to otwarty standard dla portabilności modeli ML, wspierany przez IBM, Intela, AMD, Microsoft i Metę; używa go już 42% specjalistów AI. MCP (Model Context Protocol) to standard Anthropica z 2024 roku do łączenia AI z zewnętrznymi źródłami danych, adoptowany w 2025 roku przez OpenAI, Google DeepMind, Microsoft i AWS. OpenAI-compatible API to de facto standard, który obsługuje większość alternatywnych modeli. Przełączenie dostawcy nie wymaga wtedy zmiany kodu.
Kontekst regulacyjny UE w 2026 roku
Dla firm w Polsce i całej UE regulacje są dodatkowym argumentem za architekturą niezależności. EU AI Act wymaga od sierpnia 2026 roku pełnych ścieżek audytowych proweniencji danych treningowych dla systemów wysokiego ryzyka. Kary sięgają 7% globalnego rocznego obrotu. Systemy oparte na czarnych skrzynkach jednego dostawcy utrudniają spełnienie tych wymogów.
Europejski Urząd Bankowy wprost podkreślił potrzebę „pełnej kontroli i nadzoru nad krytycznymi funkcjami outsourcowanymi”. Dla firm z sektorów regulowanych niezależność od dostawcy AI to już nie opcja, to wymóg compliance. Dla pozostałych to strategiczna przewaga, którą można zbudować od pierwszego dnia.
Trzy zasady, które wystarczą do startu. Żadna logika biznesowa nie wywołuje modelu bezpośrednio, zawsze przez gateway. Każda umowa ma klauzulę portabilności danych i exit clause. Plan wyjścia jest dokumentem żywym, tworzonym przy wdrożeniu, nie podczas kryzysu. Rynek modeli AI zmienia się szybciej, niż większość firm potrafi śledzić. Anthropic urósł z 12% do 40% udziału enterprise w ciągu dwóch lat, OpenAI spadł z 50% do 27% w tym samym czasie. Firmy locked-in obserwują te zmiany z zewnątrz. Pozostałe z nich korzystają.
Jeśli chcesz ułożyć całą strategię AI w firmie tak, żeby jutro dało się skorzystać z lepszego modelu, niższej ceny i nowego standardu bez kryzysu migracyjnego, zobacz pełny program w kursie Future Leaders: AI dla Liderów. Dobre wdrożenie to nie takie, w którym kupiłeś „najlepszy model”, tylko takie, w którym możesz zmienić zdanie za dwanaście miesięcy.
