Revolut deklaruje rachunek 10x niższy po przejściu na GLM

Brytyjski fintech Revolut pisze oprogramowanie z użyciem otwartego modelu GLM od chińskiej firmy Z.ai. Według relacji z konferencji w Nowym Jorku robi to około 2000 inżynierów, a model chodzi na dedykowanych GPU firmy. David Abitbol z Revolut twierdzi, że łączny rachunek to jedna dziesiąta tego, co firma płaciła Anthropic i OpenAI. To deklaracja firmy z konferencji, nie niezależny audyt, ale liczby i haczyki, które pokazał, są warte rozbioru.

Dlaczego Revolut w ogóle odchodzi od Claude Code?

Przez rachunki. Revolut wdrożył Gemini na początku 2025 roku, a Claude Code na dużą skalę na początku 2026. Abitbol opowiada o inżynierach, którzy wydawali 1000 albo 10 000 USD miesięcznie przy skromnych efektach. Firma, jak wiele dużych, wprowadziła sztywne limity budżetowe.

Limity mają skutek uboczny, który zna każdy, kto kiedyś pilnował pakietu minut. Gdy tokeny są policzone, oszczędzasz je na najtrudniejsze zadanie, a przez resztę czasu AI stoi bezczynnie. Token to kawałek tekstu, który model czyta albo produkuje. Przy tańszym modelu inżynierowie używają AI także do debugowania, ticketów w Jirze i dokumentów w Confluence. Według Abitbola to właśnie ten codzienny użytek dał największą korzyść.

Wykresy z konferencji pokazują, że po pojawieniu się GLM 5.1 w kwietniu czas pisania kodu skrócił się o 60%, a czas dostarczenia funkcji (od startu prac do gotowości do wydania) o 70%. To zbieżność w czasie, nie dowód, że winny jest sam model. Ciekawsza jest lekcja Abitbola: poprawa jest większa na dostarczaniu niż na pisaniu, czyli czas inżyniera ucieka także wokół kodu. Płacenie stawką za najmocniejszy model za każdy ticket w Jirze to jazda bolidem po bułki.

Co Revolut uruchomił i jakie ma wyniki?

Szczegóły techniczne, które podał Abitbol:

• Model: GLM firmy Z.ai, wersja 5.1 od kwietnia, obecnie 5.3.
• Sprzęt: 56 GPU NVIDIA B200 wystarcza do obsługi całego modelu.
• Koszt: średnio około 0,30 USD za milion tokenów.
• Kontekst: 256 000 tokenów zamiast miliona, bo według Abitbola „długi kontekst to wydmuszka”. Kontekst to ilość tekstu, którą model trzyma w głowie naraz.
• Kwantyzacja 4-bitowa: liczby w modelu zapisane na mniejszej liczbie bitów, co zwalnia pamięć GPU.

Największa niespodzianka dotyczy samego uruchomienia. Według Abitbola załadowanie wag na GPU i odpalenie usługi daje fatalne osiągi, a wszystko zależy od ustawionych parametrów. Zespół Revolut stroił system od kwietnia do sierpnia na tych samych 56 GPU. Efekt: o 76% więcej żądań na sekundę, a czas oczekiwania na początek odpowiedzi spadł z 14,26 do 1,68 sekundy (-88%).

Próg, który się liczy, to według Abitbola trzy sekundy do startu odpowiedzi. Powyżej pięciu skargi inżynierów przychodzą od razu. Szybkość generowania może za to zatrzymać się na 200 tokenach na sekundę, bo zadania uruchamia się równolegle i sprawdza po ich zakończeniu.

Jakie są haczyki własnego modelu: obrazy, bezpieczeństwo, chińskie pochodzenie?

Model tylko tekstowy i potrzebna drużyna do obsługi

GLM obsługuje wyłącznie tekst. Do obrazów Revolut używa routera, czyli programu rozdzielającego zapytania, który kieruje je do Gemini albo GPT. Claude Code i Codex zostają do najtrudniejszych przypadków i są, jak mówi Abitbol, „wyjątkiem”. Kto zaczyna od zera, musi zbudować kompetencje, a nie tylko kupić maszyny.

Co wolno AI w systemach firmy

Revolut odpowiedział sandboxem, czyli odizolowanym środowiskiem, z regułami zatwierdzania poleceń. Można na przykład pozwolić na grep, a zablokować gradle. Do tego dochodzi telemetria na tyle szczegółowa, że da się odtworzyć incydent.

Chińskie pochodzenie modelu

Abitbol każe rozróżniać dwie sytuacje. Ryzyko dotyczy głównie usług, które wysyłają dane do Chin. Pobranie wag i uruchomienie ich na infrastrukturze wybranej przez firmę, w krajach objętych równoważnością ochrony danych, zmienia obraz. Według Abitbola dotyczy to okoliczności Revolut, a każda firma musi przeliczyć to wobec własnych obowiązków. Polska firma powinna więc zacząć od pytania do działu prawnego i inspektora ochrony danych, a nie od zamawiania GPU.

Kiedy własny sprzęt się opłaca, a kiedy lepszy jest abonament?

Sprowadza się to do kosztu zmiennego kontra stałego. Test stacji roboczej z dwiema GPU AMD, opisany przez Tom's Hardware Italia, pokazuje, że stały koszt opłaca się względem najdroższego planu chmurowego OpenAI dopiero powyżej 20 mln tokenów miesięcznie. Przy 5 mln tokenów (w porównaniu z Gemini 3.1 Pro, poprzednikiem obecnego Gemini 4 Argon) ta sama maszyna kosztowałaby 5542 USD więcej, niż oszczędza.

Sprzęt do lokalnego AI też nie tanieje. W USA NVIDIA DGX Spark 128 GB kosztował przy premierze 3999 USD, a dziś cena katalogowa wersji Founders Edition to 6950 USD. W tym samym teście otwarty model o 27 mld parametrów uzyskał 37 punktów w niezależnym indeksie rozumowania, a Gemini 3.1 Pro 46. Taka różnica tłumaczy, czemu Revolut zostawia topowe modele na trudne sprawy.

Do rachunku dochodzą pozycje, których nie ma na fakturze: ludzie, którzy stroją system, prąd i amortyzacja GPU, jeśli je kupujesz. Przy sporadycznym użyciu rachunek zostaje na minusie. Dla mniejszych zespołów najprościej jest wziąć abonament. Przykład: Claude Pro kosztuje 20 USD miesięcznie przy płatności miesięcznej (stan na 29.10.2026, bez podatku) i obejmuje Claude Code. Sprawdź też tańsze modele u dużych dostawców, na przykład Claude Haiku 5.5 z ceną 0,10 USD za milion tokenów wejścia, albo GPT-6.1 Terra od OpenAI. Jak uruchamia się takie modele u siebie, pokazuje choćby otwarty kod DeepInfer od DeepSeek, a jak różne modele radzą sobie z konkretną pracą, sprawdza test na czterech zadaniach biurowych.

Werdykt: lekcja z Revolut to nie „wywal Claude Code”, tylko dopasuj model do zadania. Największy model do każdego drobiazgu to najdroższy sposób na zwykłą robotę. Dziś, w 10-15 minut, otwórz ekran zużycia albo fakturę za narzędzie AI w swojej firmie. Wypisz 10 ostatnich zadań i przy każdym zaznacz, czy naprawdę wymagało najmocniejszego modelu, czy było rutyną (ticket, dokument, drobna poprawka). Ta proporcja powie Ci więcej o opłacalności niż cały cennik.