Architektura systemów
Vendor lock-in (uzależnienie od dostawcy AI)
Stan, w którym migracja z jednego dostawcy modelu AI do drugiego staje się ekonomicznie nieracjonalna. W kontekście AI wynika z trzech źródeł: niekompatybilnego API, niekompatybilnej semantyki promptów (model A i model B inaczej interpretują te same instrukcje), oraz fine-tuned customizacji niemożliwej do przeniesienia. Koszt migracji typowo równa się koszowi pierwotnego wdrożenia.
Źródło pierwotne: MIT Sloan Management Review 2025, Gartner Cloud AI Services Magic Quadrant 2026
W klasycznym software lock-in (SAP, Oracle) głównym mechanizmem było custom development warstwy aplikacyjnej. W AI lock-in mechanizm jest bardziej subtelny: każdy LLM rozumie język inaczej, prompt który działa na GPT-4o nie działa na Claude 3.7 Sonnet bez przepisania, a fine-tuned modele są niemigracyjne z definicji.
Trzy poziomy lock-inu
Poziom API. Najpłytszy. OpenAI, Anthropic, Google używają różnych schematów wywołań i różnych formatów odpowiedzi. Wrapper biblioteki (LangChain, LiteLLM) rozwiązuje ten problem za parę godzin pracy.
Poziom promptów. Średni. Prompt zoptymalizowany pod GPT-4o, dający 92 procent dokładności, na Claude może dawać 71 procent bez modyfikacji. Prompt engineering to inwestycja kapitałowa zależna od konkretnego modelu. Migracja oznacza re-engineering promptów dla całej aplikacji.
Poziom fine-tuningu i RAG indexes. Najgłębszy. Modele fine-tunowane (OpenAI Custom Models, Anthropic Constitutional AI) są niemigracyjne. RAG indexes osadzone w embeddings konkretnego dostawcy wymagają re-embeddingu całej bazy wiedzy.
Skala kosztu migracji
MIT Sloan Management Review w analizie 47 enterprise z 2025 roku raportuje średni koszt migracji między dostawcami LLM na poziomie 60 do 110 procent pierwotnego kosztu wdrożenia. Median 87 procent. Dla wdrożenia o budżecie 2 miliony złotych, migracja kosztuje 1,7 miliona złotych plus 4-8 miesięcy downtime.
Strategie mitygujące
Trzy podejścia przyjmowane przez doświadczonych CTO. Pierwsze, abstraction layer w architekturze: warstwa, w której konkretny dostawca LLM jest zmienną konfigurową, nie hardcoded. Drugie, model routing: różne zapytania kierowane do różnych modeli (cost-sensitive do tańszego, accuracy-sensitive do droższego). Trzecie, local LLM jako fallback: Llama, Mistral lub inny open-weights model jako safety net na wypadek zmiany cennika lub polityki dostawcy.
Gartner Cloud AI Services Magic Quadrant 2026 wskazuje że 67 procent dojrzałych wdrożeń enterprise używa minimum dwóch dostawców LLM równolegle, właśnie z tego powodu.
Polski kontekst
Polska scena enterprise w 2026 jest w 85 procentach single-vendor (najczęściej Azure OpenAI Service). Migracja na multi-vendor byłaby kapitałochłonna, ale single-vendor staje się ryzykiem strategicznym, szczególnie wobec dynamicznych zmian cennika Microsoftu w Q1 2026.
Decyzję, czy multi-vendor ma sens dla Twojej firmy, podejmujemy w ramach AI Readiness Audit.