Wraz z coraz powszechniejszym stosowaniem modeli językowych pojawia się więcej danych o tym, jak sztuczna inteligencja jest wykorzystywana w praktyce, a nie tylko w teorii. Raport State of AI przygotowany przez OpenRouter przedstawia wgląd w rzeczywiste wzorce użycia modeli językowych. W odróżnieniu od typowych analiz opartych na benchmarkach lub deklaracjach producentów, dane OpenRouter bazują na miliardach interakcji użytkowników z różnymi modelami, zarówno open-source, jak i komercyjnymi.

Dzięki takiemu podejściu raport pozwala dostrzec rzeczywiste preferencje firm i twórców aplikacji, pokazuje rosnącą rolę modeli zdolnych do rozumowania oraz wskazuje zjawiska, takie jak tzw. „Glass Slipper Effect”, czyli efekt preferowania sprawdzonych rozwiązań w praktyce. Celem naszego artykułu jest przedstawienie najważniejszych wniosków z raportu.

Warto jednak pamiętać, że raport opiera się na danych z jednej platformy z określonego przedziału czasowego (autorzy skupili się na latach 2024-2025) i pokazuje przede wszystkim to, jak z modeli AI korzystają jej użytkownicy. Choć skala danych jest bardzo duża, nie jest to pełny obraz całego globalnego rynku. Różne firmy i deweloperzy mogą wybierać inne narzędzia i modele, których w tych statystykach nie widać. Dlatego te dane najlepiej traktować jako solidną próbkę pokazującą zachowania części rynku.

Metodologia badania

Zanim przejdziemy do analizy wyników, warto przyjrzeć się, jak powstał raport State of AI i czym jest sama platforma, która go przygotowała. OpenRouter działa jako pośrednik między twórcami modeli językowych a deweloperami aplikacji – oferuje dostęp do różnych modeli AI przez jeden interfejs API. Dzięki temu gromadzi anonimowe dane użycia milionów interakcji z modelami, co pozwala tworzyć raporty oparte na rzeczywistych wzorcach zachowań użytkowników.

Raport opiera się na ponad 100 bilionach tokenów przetworzonych przez różne modele. Analiza skupia się na takich parametrach jak typ modelu, liczba zapytań, zastosowania w praktyce, a także popularność modeli zdolnych do rozumowania. Dane są zanonimizowane i agregowane, co oznacza, że nie ma wglądu w treść prywatnych promptów użytkowników, tylko w strukturę i statystyki użycia.

To podejście pozwala zobaczyć rzeczywiste wybory firm i deweloperów. Dzięki temu raport staje się cennym źródłem dla analityków, menedżerów czy twórców strategii AI, którzy chcą podejmować decyzje w oparciu o dane, a nie tylko marketingowe obietnice producentów modeli. 

Typy modeli AI: open-source i closed-source

Raport OpenRouter opisuje, z jakich typów modeli korzystają użytkownicy. Wyróżniamy dwa główne podejścia: modele open-source, które każdy może wdrożyć i modyfikować, oraz modele zamknięte (closed-source), oferowane przez dostawców komercyjnych w formie API lub licencji.

Dane z raportu pokazują, że modele open-source odpowiadają obecnie za około 30% całkowitego wykorzystania modeli na platformie OpenRouter. Oznacza to, że mniej więcej co trzecia interakcja z AI odbywa się z użyciem modelu otwartoźródłowego. Pozostałe około 70% użycia przypada na modele zamknięte, rozwijane i udostępniane komercyjnie. Warto przy tym zauważyć, że wśród modeli open-source bardzo szybko popularność zdobywają modele pochodzące z Chin. Ich udział zwiększył się z około 1,2% pod koniec 2024 roku do nawet 30% (w zależności od tygodnia) w 2025 roku.

Firmy decydują się na modele open-source nie tylko ze względu na brak opłat, ale także dla elastyczności w integracji modeli i możliwości dostosowania ich do własnych procesów i systemów. Jednocześnie modele zamknięte utrzymują popularność dzięki stabilności, wsparciu technicznemu i dostępności reasoning models.

Oznacza to, że rynek AI nie jest jednolity. Wiele firm stosuje hybrydowe podejście, łącząc zalety obu typów modeli w zależności od rodzaju projektu i strategii. Dane pokazują, że choć open-source rośnie, zamknięte modele nadal dominują w liczbie interakcji, co podkreśla wagę wyboru odpowiedniego modelu nie tylko pod kątem kosztów, ale też ryzyka i potrzeb integracyjnych.

Wzrost znaczenia “agentic inference”

Jednym z ciekawszych wątków raportu „State of AI” jest rozdział „The Rise of Agentic Inference”. W dużym uproszczeniu chodzi o zmianę sposobu, w jaki użytkownicy korzystają z modeli. Jeszcze niedawno większość zastosowań polegała na zadaniu pytania i otrzymaniu odpowiedzi, np. model generował tekst, kod czy podsumowanie. Obecnie coraz częściej oczekujemy od niego czegoś więcej: wykonania złożonego zadania, przeanalizowania kilku kroków po kolei, skorzystania z narzędzi, a czasem nawet podjęcia decyzji w określonych ramach.

Agentic inference oznacza przejście od rozmowy z modelem do współpracy z systemem, który działa. Modele mogą planować kolejne etapy pracy, analizować dane, pisać kod i korzystać z różnych narzędzi. Przykładem takich mechanizmów jest function calling, czyli możliwość wywołania konkretnej funkcji w systemie, na przykład pobrania danych, wykonania obliczeń lub wysłania zapytania do API. Ale to nie wszystko. Modele uczą się korzystać z dostępnych narzędzi w ramach całego procesu, a nie tylko w pojedynczym kroku, potrafią przetwarzać dłuższe konteksty, takie jak całe dokumenty czy bazy kodu, i wykorzystują zdolności planowania oraz wieloetapowego rozumowania, dzięki którym działają jako agenci wykonujący zadania krok po kroku.

Raport pokazuje, że modele zoptymalizowane pod kątem rozumowania i pracy wieloetapowej odpowiadają już za ponad połowę całkowitego użycia na platformie OpenRouter. Jeszcze niedawno ich udział był marginalny, co dobrze obrazuje tempo zmiany. W ciągu zaledwie kilku miesięcy z prostych interakcji typu pytanie–odpowiedź dominujące stały się scenariusze, w których modele planują i wykonują kolejne kroki samodzielnie. Jednocześnie średnia długość zapytań i generowanych odpowiedzi wzrosła wielokrotnie, co oznacza, że użytkownicy coraz częściej korzystają z modeli w kontekście większych, wieloetapowych zadań, a nie krótkich pojedynczych pytań.

Właśnie w ten sposób działają agenci AI. Nie tylko odpowiadają na pytania, ale wykonują zadania zamiast użytkownika, integrując różne narzędzia i podejmując decyzje w kolejnych krokach. Z perspektywy użytkownika wygląda to jak jedna odpowiedź AI, ale w tle system realizuje cały proces złożonych operacji. Oznacza to, że coraz więcej aplikacji budowanych wokół AI wykorzystuje agentów, którzy automatyzują procesy.

Ta zmiana ma swoje konsekwencje. Jeśli model ma wykonywać działania, a nie tylko generować tekst, rośnie znaczenie jego stabilności, przewidywalności i kosztu. Każdy dodatkowy krok rozumowania zwiększa zużycie zasobów i ryzyko błędu. Z tego powodu coraz ważniejsza staje się architektura całego systemu i kontrola wyników.

Użycie modeli w zależności od regionu

Raport pokazuje, że choć AI jest stosowana globalnie, to wciąż istnieją różnice w tym, jak intensywnie i gdzie są używane modele językowe. Analiza danych z platformy OpenRouter dzieli aktywność użytkowników według kontynentów i krajów, co daje obraz, skąd pochodzi największa część ruchu.

Największy udział ma Ameryka Północna, która odpowiada za około 47% globalnego użycia modeli. Choć jest to nadal niemal połowa całego ruchu, jej względny udział zmniejszył się w czasie badania, co wskazuje na to, że globalny rynek staje się mniej skoncentrowany tylko wokół tego regionu.

Azja odgrywa coraz większą rolę. W początkowych tygodniach analizowanego okresu region ten generował około 13% całego użycia, ale w miarę upływu czasu jego udział ponad dwukrotnie wzrósł, do około 31%. To jedna z najbardziej dynamicznych zmian w geograficznym rozkładzie użycia, co odzwierciedla rosnącą skalę zastosowania AI w przedsiębiorstwach i aplikacjach w Azji.

Europa utrzymuje stabilny udział w globalnym użyciu modeli, zwykle oscylując między około 15% a 22%. Jest to mniej niż w Ameryce Północnej, ale wyraźnie więcej niż w regionach takich jak Ameryka Południowa czy Afryka, które łącznie stanowią tylko kilka procent całego ruchu.

Patrząc na dane według konkretnych krajów, największe udziały mają Stany Zjednoczone (około 47% globalnego użycia), a kolejne miejsca zajmują m.in. Singapur (9%), Niemcy (7,5%) i Chiny (6%). Wśród kolejnych państw w rankingu znajdują się Korea Południowa, Holandia, Wielka Brytania, Kanada, Japonia i Indie, co pokazuje, że aktywność związana z modelami AI jest rozproszona geograficznie.

Jeśli chodzi o najczęściej używane języki, to język angielski dominuje, stanowiąc ponad 82% wszystkich zapytań i generowanych odpowiedzi. Kolejne języki to przede wszystkim chiński uproszczony (5%), a dalej rosyjski, hiszpański i tajski, co pokazuje, że chociaż dominują języki zachodnie, to inne społeczności także aktywnie korzystają z modeli.

Te liczby pokazują, że choć AI wciąż jest najpowszechniej używana w krajach anglojęzycznych i technologicznie rozwiniętych jak USA i Europa, to Azja szybko nadrabia dystans i staje się jednym z kluczowych rynków.

Którzy użytkownicy zostają przy modelach na dłużej?

Jednym z ciekawszych fragmentów raportu jest analiza retencji, czyli tego, jak długo użytkownicy pozostają aktywni po pierwszym użyciu modelu. Mówiąc prościej, ilu z nich wraca i korzysta z modeli dalej, a ilu rezygnuje po krótkim czasie. To ważne, bo pokazuje nie tylko popularność modelu, ale jego rzeczywistą użyteczność w codziennej pracy.

Dane z platformy OpenRouter pokazują, że większość modeli doświadcza typowego schematu: wiele osób testuje je w pierwszych dniach po premierze, ale znaczna część rezygnuje stosunkowo szybko, jeśli model nie spełnia określonych oczekiwań. Największy spadek aktywności następuje zwykle w pierwszych tygodniach.

Niektóre modele zachowują się inaczej. W przypadku Claude 4 Sonnet czy Gemini 2.5 Pro odsetek użytkowników, którzy pozostali aktywni kilka miesięcy po pierwszym użyciu, był wyraźnie wyższy niż przeciętnie. W niektórych przypadkach około 40% użytkowników nadal korzystało z modelu po pięciu miesiącach. To wysoki wynik jak na rynek, w którym zmiana modelu jest technicznie prosta.

Autorzy raportu opisują to zjawisko jako „Glass Slipper Effect”. Nazwa nawiązuje do baśni o Kopciuszku – tylko nieliczne modele idealnie „pasują” do potrzeb konkretnej grupy użytkowników. Gdy takie dopasowanie się pojawia, użytkownicy nie traktują modelu jako narzędzia do jednorazowych eksperymentów. Zaczynają budować wokół niego produkty i codzienne procesy, a to znacząco zwiększa szansę, że zostaną z nim na dłużej.

Wniosek jest taki, że długoterminowy sukces modelu nie zależy wyłącznie od jego parametrów technicznych czy chwilowej popularności. Kluczowe jest dopasowanie do realnych potrzeb. Jeśli model rozwiązuje konkretny problem lepiej niż alternatywy, użytkownicy są skłonni z niego korzystać przez miesiące, nawet w środowisku silnej konkurencji, gdzie często są publikowane coraz to nowsze wersje modeli. Trwała przewaga nie wynika wyłącznie z „bycia najnowszym” lub „największym”, lecz z osiągnięcia punktu, w którym technologia staje się naturalną częścią pracy użytkownika. A to jest znacznie trudniejsze do osiągnięcia niż chwilowy wzrost liczby zapytań.

Koszt i rzeczywiste użycie

Rozdział raportu „Cost vs. Usage Dynamics” pokazuje, że w świecie modeli językowych cena nie jest jedynym, ani nawet głównym, czynnikiem decydującym o popularności. Intuicyjnie można by założyć, że tańsze modele będą dominować pod względem użycia. Dane z platformy OpenRouter pokazują jednak bardziej złożony obraz.

W analizie porównano koszt modeli (liczony jako cena za przetworzenie określonej liczby tokenów, czyli jednostek tekstu) z ich rzeczywistym udziałem w całkowitym ruchu. Okazało się, że zależność między ceną a użyciem nie jest liniowa. Najtańsze modele nie zawsze generują największą ilość zapytań, a droższe potrafią utrzymywać wysoki udział w rynku, jeśli oferują lepszą jakość lub funkcjonalność.

Raport pokazuje również, że wraz ze spadkiem cen w czasie rośnie ogólna ilość przypadków użycia. Innymi słowy, tańsze przetwarzanie tekstu zachęca do częstszego korzystania z modeli. Jednak wzrost użycia nie rozkłada się równomiernie między wszystkich dostawców. Użytkownicy nie wybierają modeli wyłącznie na podstawie ceny. Liczy się także stabilność, jakość odpowiedzi, szybkość działania czy dopasowanie do konkretnego zadania.

Oznacza to, że konkurencja między modelami odbywa się na dwóch poziomach jednocześnie: efektywności kosztowej oraz wartości dodanej. Firmy budujące produkty oparte na AI muszą równoważyć koszt z jakością i dopasowaniem do konkretnego zastosowania. Najtańsze rozwiązanie nie zawsze jest najbardziej opłacalne, jeśli generuje gorsze wyniki lub wymaga dodatkowych poprawek.

Co ciekawe, analiza rzeczywistych zastosowań pokazuje, że modele językowe są wykorzystywane nie tylko do typowo „produkcyjnych” zadań, takich jak pisanie kodu czy przetwarzanie danych. Dane z platformy OpenRouter pokazują, że jedną z najpowszechniejszych kategorii użycia jest role-play, czyli odgrywanie ról i prowadzenie symulowanych dialogów, które odpowiada za ok. 33% całego ruchu, a w przypadku modeli open-source nawet za ok. 52%. Jednocześnie bardzo szybko rośnie wykorzystanie modeli do programowania: udział zapytań związanych z kodem wzrósł z ok. 11% na początku 2025 r. do ponad 50% w późniejszym okresie. Poza tym modele są używane także m.in. do tworzenia treści, tłumaczeń, zadań edukacyjnych czy wyszukiwania i analizy informacji.

Podsumowanie

Raport firmy OpenRouter „State of AI” daje ciekawy wgląd w to, jak używane są modele językowe. Pokazuje, jak różni się ich użycie w zależności od regionu, kosztu i sposobu integracji w codzienne procesy użytkowników. Widać, że AI nie służy już tylko eksperymentom. Coraz częściej modele stają się częścią procesów w firmach, a ich wartość mierzy się także po tym, jak długo użytkownicy z nich korzystają.

Szczególnie interesujące są wnioski dotyczące agentic inference, czyli modeli wykonujących złożone zadania w kilku krokach, oraz Glass Slipper Effect, pokazujący, że niektóre modele idealnie pasują do potrzeb użytkowników i utrzymują ich na dłużej. Zaskakujące jest też, że znaczna część użycia obejmuje kreatywne scenariusze, takie jak odgrywanie ról. Dla osób obserwujących rozwój AI i planujących jego wykorzystanie w biznesie raport dostarcza praktycznego punktu odniesienia, pokazując zarówno globalną dynamikę rynku, jak i rzeczywiste potrzeby użytkowników.