Új lapon nyílik meg

28. lecke

AI piac és gazdaság: kik a nagy szereplők, mennyibe kerül mindez?

6 rész5 kódpélda1 ábra

2026. szeptemberi, frissített állapot — üzleti modellek, API-árazás vs. saját modell futtatása, gyakorlati költségbecslés egy kisvállalkozás számára

Miről szól ez a lecke?

Mennyibe kerül egy AI-megoldás, és kik uralják a piacot? Ez a lecke bemutatja a nagy szereplőket, az AI-cégek üzleti modelljeit, részletesen az API-árazást hivatalos források alapján, egy gyakorlati költségbecslést egy kisvállalkozás chatbotjára, és segít eldönteni, mikor éri meg API-t használni, és mikor saját modellt futtatni.

Amit ebben a leckében megtanulsz
  • Kik a nagy szereplők a piacon? (2026-os állapot)
  • Üzleti modellek: hogyan keres pénzt egy AI-cég?
  • API-árazás részletesen, hivatalos források alapján (2026. Szeptemberi,…
  • Gyakorlati költségbecslés: mennyibe kerülne egy kisvállalkozás chatbotja?
  • API használat vs. saját modell futtatása: mikor éri meg melyik?
Tudnivalók
  • Olvasási idő: kb. 10 perc (a kódok kipróbálásával több)
  • 6 rész · 5 kódpélda
  • A végén gyakorló feladatok ellenőrzik a tudásodat

Ez az utolsó lecke ebben a "komplex kiegészítő" sorozatban (20-28. lecke) — most már nem a technikai működést, hanem a gazdasági környezetet nézzük meg, amiben mindez a technológia létezik — ez közvetlenül hasznos, ha valaha AI-funkciót használnál egy saját vagy megrendelői projektben.

Frissítve: 2026. szeptember. Az árak két gyártó (Anthropic, OpenAI) saját, hivatalos árlista-oldaláról származnak — nem harmadik fél összesítőjéből.

Forrás (2026. Szeptemberi, ellenőrzött állapot):

  • Anthropic hivatalos árlista: platform.claude.com/docs/en/ about-claude/pricing
  • OpenAI hivatalos árlista: developers.OpenAI.com/api/docs/ pricing

Fontos tudnod: az AI-API árak gyakran, akár havonta változnak, új modellek jelennek meg, régiek vonulnak ki — ezért egy valós projekt tervezésekor mindig ellenőrizd a szolgáltató aktuális, hivatalos árlistáját közvetlenül (ne harmadik fél összesítőt), mielőtt valós döntést hoznál.

SzéljegyzetMiért jobb egy gyártói hivatalos oldal, mint egy 'összehasonlító' oldal?

Harmadik fél összesítő oldalain előfordul számolási hiba (volt rá példa, hogy egy példa-számítás kb. 1000-szeres tévedést tartalmazott) — ez jól mutatja: minél közelebb vagy az eredeti forráshoz (a gyártó saját oldala), annál kisebb az esélye, hogy közvetített, másodlagos hiba kerül a számításodba.

Token-alapú árazás: a bemenet olcsóbb, a kimenet drágább
Az AI-t „tokenenként" fizeted: a modell a beküldött és a generált szöveget apró darabokra bontja, és ezek száma szabja meg a költséget — a kimenet jellemzően drágább, mint a bemenet.

Rész 1 — Kik a nagy szereplők a piacon? (2026-os állapot)

Emlékeztető a 19. lecke történeti áttekintéséből: a nagy nyelvi modellek piaca 2022 (ChatGPT) óta gyorsan növekedett, és ma (2026) több, egymással versenyző nagy szereplő osztja a piacot:

- OpenAI (gpt-modellcsalád) — a ChatGPT fejlesztője, a terület egyik úttörője (17, 19. lecke).

- Anthropic (Claude modellcsalád) — biztonság-központú megközelítéséről ismert cég (emlékeztető a 12b lecke rész 6-ra: a "responsible disclosure" és biztonsági rétegek hangsúlyozása).

- Google (Gemini modellcsalád) — a Google saját kutatási hátterére épít (emlékeztető a 19. leckére: a Transformer architektúrát is eredetileg Google-kutatók publikálták 2017-ben!).

- Meta (Llama modellcsalád) — más megközelítést választott: "nyílt súlyozású" (open-weight) modelleket ad ki, amiket bárki letölthet, saját gépén/szerverén futtathat (emlékeztető a 19. leckére: Llama 3.1, 2024).

- További szereplők: xAI (Grok), Mistral (európai, francia fejlesztésű modellek), és számos kisebb, specializált cég/nyílt forrású közösségi projekt.

Miért van ennyi különböző szereplő, miért nem 'egy győztes viszi mindet'? Mert (emlékeztető a 18. leckére) egy nagy nyelvi modell betanítása óriási, de nem leküzdhetetlen tőkebefektetést igényel — több nagy cégnek (és egyre több nyílt közösségnek) is megvan az erőforrása ehhez, és a különböző cégek különböző stratégiákat követnek (pl. Anthropic a biztonságra, Meta a nyíltságra helyezi a hangsúlyt) — ez a verseny a felhasználóknak (tehát neked is) előnyös, mert több választási lehetőséget, és folyamatosan csökkenő árakat eredményez.

Rész 2 — Üzleti modellek: hogyan keres pénzt egy AI-cég?

A nagy AI-cégek többféle üzleti modellt használnak egyszerre:

1. API-előfizetés/használat alapú díjazás: fejlesztők (mint te, ha építenél valamit) "tokenenként" (emlékeztető a 17. lecke tokenizálás fogalmára!) fizetnek a modell használatáért — ez a leggyakoribb módja annak, hogy harmadik fél fejlesztők (saját alkalmazásba) beépítsék a modellt.

2. Fogyasztói előfizetés: közvetlenül a végfelhasználóknak (pl. havi díjas "pro" változatok a chat-felületekhez, több használattal/képességgel).

3. Vállalati/enterprise szerződések: nagyvállalatoknak testreszabott megoldások, gyakran egyedi árazással, speciális biztonsági/megfelelési (27. lecke!) garanciákkal.

Miért 'tokenenként' fizetünk, miért nem 'kérdésenként' vagy 'havi átalányban'? Emlékeztető a 18. leckére: minden egyes token feldolgozása tényleges számítási költséggel (áram, GPU-idő) jár a szolgáltató számára — egy hosszú kérdés/válasz több számítást igényel, mint egy rövid — ezért a tokenenkénti árazás közvetlenül tükrözi a tényleges, alapul szolgáló költséget, szemben egy "minden kérdés ugyanannyiba kerül" modellel, ami igazságtalan lenne (egy 2 szavas és egy 2000 szavas kérdés nagyon különböző költséggel jár a szolgáltatónak).

Rész 3 — API-árazás részletesen, hivatalos források alapján (2026. Szeptemberi, frissített adatok)

Konkrét, gyártói hivatalos árak: az alábbi táblázat nem általános "kategóriákkal" dolgozik, hanem valós, névvel azonosított modellek hivatalos áraival.

Anthropic (Claude) — hivatalos ár, $/millió token:

ModellBemenet ($ / millió token)Kimenet ($ / millió token)
Claude Haiku 4.515
Claude Sonnet 5210
Claude Opus 5525
Claude Opus 5.5 (2026. szeptember 22.)420
Claude Fable 5.1 / Mythos 5.1 (legerősebb, „csúcs" kategória)1050

OpenAI (gpt) — hivatalos ár, $/millió token (a 2026 szeptemberében aktuális modellnevek — fontos: az OpenAI gyakran nevezi át/frissíti a modellcsaládját, ezért a konkrét nevek gyorsabban elavulnak, mint az árszintek):

ModellszintBemenet ($ / millió token)Kimenet ($ / millió token)
Költséghatékony (belépő)0,100,60
Közepes teljesítményű1,006,00
Zászlóshajó (promóciós áron)2,0010,00
Legfejlettebb („flagship")5,0025,00

Miért van, hogy az anthropic táblázatban konkrét modellneveket látsz, az OpenAI-nál pedig csak 'szinteket'? Ez a lecke szándékosan így kezeli a két gyártót: az anthropic modellnevei (Haiku, Sonnet, Opus, Fable/Mythos) viszonylag stabilak, hosszabb távon használatban maradnak — az OpenAI gyakrabban vezet be új modellverziókat új nevekkel (ezért egy konkrét név megadása itt gyorsan elavulna a leckében) — a "szint szerinti" megközelítés (belépő/közepes/zászlóshajó) stabilabb, hosszabb távon is használható tájékozódási pont. Ezért: ha valós projektet tervezel, mindig nézd meg a gyártó aktuális modelllistáját — a konkrét név és ár változhatott, mire ezt olvasod.

Miért ilyen nagy a különbség a bemenet és a kimenet ára között (a kimenet mindig drágább, kb. 5-Szörös szorzóval)? Emlékeztető a 17. lecke lépés 4-re (előtanítás/next-token prediction): a modellnek a bemenetet "csak" fel kell dolgoznia (egyszeri átfutás a Transformer rétegeken — 17. lecke lépés 3), de a kimenet generálása során minden egyes új tokenhez újra le kell futtatnia a teljes számítást (mert minden új token függ az összes korábbi tokentől, beleértve a már generált választ is) — ez számításilag lényegesen költségesebb, ezért drágább. Figyeld meg: ez az 5-szörös arány (pl. Claude Sonnet 5-nél $2 vs. $10) mindkét gyártónál nagyjából hasonló nagyságrendű — ez nem véletlen, hanem azt tükrözi, hogy a mögöttes számítási költségarány hasonló mindkét cégnél, mert ugyanaz a Transformer-alapú architektúra (17. lecke) áll a háttérben.

Cache-elés: hogyan lehet olcsóbbá tenni az API-használatot? Az Anthropic (és más gyártók is) kínálnak "prompt caching" (kontextus-gyorsítótárazás) lehetőséget: ha ugyanazt a hosszú bevezető szöveget (pl. egy részletes rendszerutasítást — 26. lecke) többször használod rövid időn belül, a modellnek nem kell újra "végigolvasnia" azt minden egyes alkalommal — ez jelentősen (akár 90%-kal) csökkentheti a költséget ismétlődő, hosszú kontextusú használat esetén (pl. egy chatbot, ami mindig ugyanazt a hosszú termékleírást használja kontextusként — ez tipikus használati minta egy webáruház vagy egy szolgáltató chatbotjánál).

SzéljegyzetBatch API: hogyan lehet még olcsóbb?

Ha a válaszokat nem kell azonnal (valós időben) megkapnod — pl. egy éjszakai, tömeges adatfeldolgozási feladatnál — a "batch" (kötegelt) API használata 50%-os kedvezményt ad mindkét gyártónál az árakból — ez egy fontos gyakorlati tanulság: nem minden AI-használatnak kell "azonnalinak" lennie — ha a feladat engedi a késleltetést, jelentős megtakarítás érhető el.

Mit jelent konkrétan egy 'millió token' — sok ez vagy kevés? Emlékeztető a 17. lecke tokenizálás részére: egy token körülbelül egy rövid szórészletnek felel meg — magyar szövegnél (ami hosszabb szavakkal/toldalékokkal dolgozik) nagyjából 1 millió token kb. 600.000-750.000 Magyar szónak felel meg (ez egy közelítő érték — a pontos arány modellenként eltér) — tehát egy millió token egy elég nagy mennyiségű szöveget jelent, több száz oldalnyi olvasmányt.

Rész 4 — Gyakorlati költségbecslés: mennyibe kerülne egy kisvállalkozás chatbotja?

Nézzünk egy konkrét, számolt példát — ez pontosan az a fajta számítás, amit egy valós projekt előtt érdemes elvégezni.

Feltételezett használat: egy kis weboldal ügyfélszolgálati chatbotja, havi 500 beszélgetéssel, átlagosan 300 token bemenet (a látogató kérdése + a rendszer kontextusa) és 200 token kimenet (a válasz) beszélgetésenként.

PYTHON● ● ●
havi_beszelgetesek = 500
atlagos_bemenet_tokenenkent = 300
atlagos_kimenet_tokenenkent = 200
PYTHON● ● ●
teljes_havi_bemenet = havi_beszelgetesek * atlagos_bemenet_tokenenkent
teljes_havi_kimenet = havi_beszelgetesek * atlagos_kimenet_tokenenkent
PYTHON● ● ●
print(f"Havi bemeneti tokenek összesen: {teljes_havi_bemenet:,}")
print(f"Havi kimeneti tokenek összesen: {teljes_havi_kimenet:,}\n")

Konkrét, névvel azonosított modellek hivatalos árával számolva (rész 3 táblázata alapján, dollárban, $/millió token):

PYTHON● ● ●
modellek = {
    "Claude Haiku 4.5 (Anthropic, olcsó)":       {"bemenet_ar": 1.00,  "kimenet_ar": 5.00},
    "Claude Sonnet 5 (Anthropic, kiegyensúlyozott)": {"bemenet_ar": 2.00,  "kimenet_ar": 10.00},
    "Claude Opus 5 (Anthropic, erős)":            {"bemenet_ar": 5.00,  "kimenet_ar": 25.00},
    "OpenAI belépő szintű modell":                 {"bemenet_ar": 0.10,  "kimenet_ar": 0.60},
    "OpenAI zászlóshajó (promóciós áron)":         {"bemenet_ar": 2.00,  "kimenet_ar": 10.00},
}
PYTHON● ● ●
print("HAVI BECSÜLT KÖLTSÉG, KONKRÉT MODELLENKÉNT:")
print("=" * 65)
for nev, arak in modellek.items():
    bemenet_koltseg = (teljes_havi_bemenet / 1_000_000) * arak["bemenet_ar"]
    kimenet_koltseg = (teljes_havi_kimenet / 1_000_000) * arak["kimenet_ar"]
    teljes_koltseg = bemenet_koltseg + kimenet_koltseg
    print(f"{nev:48} ~${teljes_koltseg:.3f} / hónap")
Széljegyzet

A példában szereplő használat — havi 500 beszélgetés egy kis üzleti chatbotnál — még erős modell használata mellett is viszonylag alacsony havi költséget eredményezhet. Nagy használati volumen mellett viszont a költség már jelentőssé válhat; ilyenkor érdemes megvizsgálni a prompt caching és a batch API lehetőségeit.

Rész 5 — API használat vs. saját modell futtatása: mikor éri meg melyik?

Emlékeztető a 23. leckére (Transfer Learning): létezik nyílt súlyozású (open-weight) modell is (pl. Llama — rész 1), amit elméletben le lehet tölteni és saját szerveren futtatni, API- költség nélkül. Mikor éri ezt meg választani, az API-használat helyett?

SzempontAPI használata (3–4. rész)Saját modell futtatása
Kezdeti befektetésGyakorlatilag nulla (csak regisztráció)Jelentős (saját GPU-szerver vétele/bérlése — 18. lecke!)
Folyamatos költségHasználattal arányos (4. rész)Fix (a szerver üzemben tartása, a használattól függetlenül)
KarbantartásA szolgáltató felelősségeSaját felelősség (a 25. lecke MLOps-elvei szerint)
Adatvédelem / kontrollAz adat elhagyja a saját rendszert (27. lecke: GDPR!)Teljes kontroll, az adat nem hagyja el a saját infrastruktúrát
Modell minősége / frissességeMindig a legújabb, legjobb modellhez férsz hozzáA letöltött verzióhoz kötött, kézi frissítést igényel

Mikor választaná egy kisvállalkozás a saját modell futtatását, ha az API ilyen olcsó (rész 4)? A leggyakoribb ok nem a költség, hanem az adatvédelem/kontroll: ha a megrendelő (pl. egy egészségügyi vagy pénzügyi cég) szigorú szabályozás (27. lecke!) alatt áll, és nem engedheti meg, hogy érzékeny adatok egy külső, harmadik fél szerverére kerüljenek, a saját, helyben futó modell (bár drágább és bonyolultabb üzemeltetni) lehet az egyetlen megfelelő választás — a legtöbb kisebb, általános projektnél (pl. egy kisvállalkozás chatbotjánál) viszont az API-használat sokkal egyszerűbb és gazdaságosabb.

Összefoglaló táblázat — a teljes 20-28. lecke-sorozat íve

LeckeTémaGyakorlati haszon
20.Túltanulás/alultanulás elleni védekezésMegbízható modell építése
21.Osztályozás a gyakorlatbanÚj feladattípus (nem csak számjóslás)
22.Adat-előkészítés mélyebbenGyorsabb, stabilabb tanítás
23.Transfer learningKevés adattal is jó eredmény
24.Modellértékelés komolyanTudod, tényleg jó-e a modelled
25.MLOps — éles használatba állításA modell tényleg használható legyen
26.Prompt engineering tudományosanHatékony AI-használat, nem csak -építés
27.Etika, jog, felelősségJogilag/etikailag megalapozott munka
28.Piac és gazdaságReális költségbecslés

Mit tudsz most, a sorozat végén? A teljes sorozat záró gondolata: ezzel a 9 leckével (20-28) már nem csak érted, hogyan működik az AI (1-19. lecke), hanem tudod, hogyan építs megbízható modellt (20, 22, 24), hogyan használj már meglévő tudást (23, 26), hogyan vidd élesbe (25), és milyen jogi/gazdasági keretek között mozogsz (27, 28) — ez a teljes ív, ami egy kezdőből valódi AI-tudatos szakembert csinál.

Gyakorlás

1. Módosítsd a rész 4 kódját: számold ki, mennyibe kerülne havonta, ha a példabeli chatbot nem 500, hanem 5000 beszélgetést kezelne havonta — melyik ponton válik a költség "érdemlegessé" (pl. több száz dollár/hónap)?

2. Gondolkodj el: ha egy vállalkozásnak ajánlanád egy AI-chatbot beépítését, milyen szempontok alapján választanál a rész 3 konkrét modelljei közül (Haiku vs. sonnet vs. opus)? Mikor érdemes többet fizetni a jobb modellért?

3. Új gyakorlat: nézz utána (webes keresés) a jelenlegi, hivatalos árlistáknak (platform.claude.com/docs/en/about- claude/pricing és developers.OpenAI.com/api/docs/pricing) — hasonlítsd össze a talált értékeket a rész 3 táblázatával — változtak-e az árak azóta, hogy ez a lecke íródott (2026 szeptembere)? Ez a gyakorlat maga a legfontosabb tanulság: egy gazdasági témánál (akárcsak a 27. lecke jogi témájánál) soha ne tekints egy számot "véglegesnek" — mindig ellenőrizd az aktuális állapotot közvetlenül a gyártó oldalán, mielőtt valós döntést hoznál.

Frissítési megjegyzés

A tananyag ezen része 2026 szeptemberében frissült; az itt szereplő árak forrásaként a tananyag az Anthropic és az OpenAI hivatalos árlista-oldalait jelöli meg.