Mennyibe kerül egy AI-feladat 2026 őszén? Az AI-modellek ára táblázatban, 10 centtől 50 dollárig

Az alábbi táblázatban a szöveges bemenet ára millió tokenenként 0,10 és 10 dollár, a kimeneté 0,47 és 50 dollár között mozog. Azonos díjtípust összevetve ez százszoros, illetve körülbelül 106-szoros különbség; a bemeneti és kimeneti díjak egymáshoz viszonyítása nem korrekt modellár-összehasonlítás. Az AI-modellek ára ezzel végleg kikerült a fejlesztői fórumokról és beköltözött a költségvetési táblázatokba, hiszen egy havi ezer levelet kezelő ügyfélszolgálatnál a modellválasztás 400 és 39 000 Ft közötti különbséget jelenthet ugyanarra a munkára a cikk becsléseiben. Szeptember első három hetében ráadásul öt jelentős modell jelent meg vagy frissült, mindegyik egészen más árcédulával.

Az alábbiakban 2026. szeptember 22-i állapot szerint végigvesszük, mit fizetsz valójában, amikor egy AI-szolgáltató tokenenként számláz, hogyan áll egymás mellett a GPT-6 Astra, a Meta Muse Spark 1.3, az xAI Grok 4.7, a StepFun Step 5 és a Qwen3.8-Omni-Flash árlistája, illetve mennyibe kerül forintra átszámolva egyetlen ügyfélszolgálati e-mail az egyes modellekkel. Kiderül az is, miért csal a listaár és hol folyik el a legtöbb token, a végén pedig kapsz egy módszert, amellyel a saját feladataid árát is kiszámolhatod.

Röviden

• A táblázatban szereplő modellek szöveges bemeneti díja 2026. szeptember 22-i állapot szerint millió tokenenként 0,10 dollártól (GPT-6 Luna) 10 dollárig (GPT-6 Astra) terjed, a kimeneti díj pedig 0,47 és 50 dollár között mozog. Kerekített 320 Ft-os dollárárfolyammal a bemeneti sáv 32–3 200 Ft, a kimeneti sáv körülbelül 150–16 000 Ft.
• A token a nyelvi modellek elszámolási egysége, nagyjából szótöredéknyi szövegdarab, a számlán pedig külön tétel a bemenet, a kimenet és a gondolkodási tokenek, amelyeket az OpenAI és az xAI is kimenetként számláz.
• Saját becslésünk szerint egy gondolkodó módban megírt magyar ügyfélszolgálati e-mail a GPT-6 Astrával nagyjából 39 Ft, a Grok 4.7-tel 5 Ft, a StepFun Step 5 Preview-val 2,4 Ft, a Qwen3.8-Omni-Flash modellel 0,4 Ft.
• A listaár félrevezető lehet, mert a bőbeszédűbb modellek több tokent termelnek: az Artificial Analysis mérésében a Step 5 Preview kimeneti ára a GPT-6 Astráénak nagyjából tizennyolcada, a teljes tesztfuttatás költsége mégis csak a hatoda.
• A cégek a legtöbb tokent a feladathoz képest túl erős modellel, a feleslegesen magas gondolkodási szinttel, a végtelenre nyúló chat-előzményekkel és a kihasználatlan gyorsítótárral pazarolják el.
• Egy ügyfélszolgálati e-mailnél a modell díja általában kisebb tétel, mint az emberi ellenőrzés ideje, ezért ott a válaszok minősége és a javítási idő dönt, nem a legalacsonyabb tokenár.

Mit fizetsz valójában, amikor tokenre fizetsz?

Tokenre fizetni azt jelenti, hogy a szolgáltató megszámolja az összes szövegdarabot, amelyet a modell elolvas és amelyet leír, majd a kettőt külön áron számlázza. A kimenet modelltől függően 2,7-szer és hatszor közötti mértékben drágább a bemenetnél, a gondolkodó modellek rejtett gondolatmenetét pedig szintén kimenetként fizeted ki.

A token a nagy nyelvi modellek (angolul large language model, LLM) elszámolási és feldolgozási egysége, amely lehet egy rövid szó, egy szótag, egy toldalék vagy akár egyetlen írásjel. Angol szövegnél a gyakran idézett ökölszabály az, hogy egy token nagyjából négy karakter, vagyis egy átlagos angol szó valamivel több mint egy token.

A legjobb hasonlat talán a villanyszámla: a végösszeg attól függ, milyen gépeket járatsz és meddig. A tokennél ráadásul maga a mértékegység sem egységes, mert minden modellcsalád a saját szótára, szakszóval tokenizálója szerint darabol, így ugyanaz a magyar bekezdés az egyik modellnél más számú tokennek számít, mint a másiknál.

Bemenet, kimenet, gyorsítótár: három külön ár

A bemeneti tokenek (input) mindazt jelentik, amit a modell elolvas: a rendszerprompt nevű állandó utasítást, a feltöltött dokumentumot, a korábbi üzenetváltásokat és magát a kérdést. A kimeneti tokenek (output) a modell által írt válasz darabjai. A kettő azért kerül eltérő összegbe, mert a bemenetet a modell párhuzamosan, egy lendülettel dolgozza fel, a választ viszont tokenenként egymás után állítja elő, minden új token pedig egy teljes számítási kört igényel.

A harmadik tétel a gyorsítótárazott bemenet (cached input), amely a számla legkevésbé ismert, de sokszor legnagyobb spórolási lehetősége. Ha a modell újra meg újra ugyanazzal a hosszú szövegrésszel kezdődő kérést kap, például ugyanazzal a rendszerprompttal vagy termékkatalógussal, a szolgáltató ezt a részt olcsóbban számolja el. A kedvezmény mértéke szolgáltatónként nagyon eltér: az OpenAI árlistája szerint a GPT-6 Astránál a gyorsítótárazott bemenet 1 dollár a 10 dolláros teljes ár helyett (90% kedvezmény), a StepFun Step 5 Preview modelljénél 0,05 dollár az 1 dolláros ár helyett (95%), a Grok 4.7-nél pedig 0,50 dollár a 2 dolláros helyett, ami 75%-os engedmény.

A gyakorlatban ebből egy egyszerű szabály következik: a kérés állandó részét (utasítások, szabályzatok, mintaválaszok) mindig az elejére tedd, a változó részt, például az aktuális ügyfél levelét pedig a végére, mert a gyorsítótár a szöveg elejétől kezdve egyező szakaszokra működik.

A láthatatlan tétel: a gondolkodási tokenek

A 2026-os modellek többsége gondolkodó (reasoning) modell, amely a válasz előtt belső gondolatmenetet ír. Ezt a gondolatmenetet az OpenAI árlistája szerint kimeneti tokenként számlázzák, akkor is, ha a végfelhasználó soha nem látja. Az xAI Grok 4.7 modelljénél a Kingy AI összefoglalója alapján a gondolkodás ki sem kapcsolható: az alapértelmezett szint a magas (high), választható még az alacsony, a közepes és a legmagasabb (xhigh) szint, a gondolkodási tokenek pedig mind a kimeneti díjba számítanak. A StepFun Step 5 Preview 2,70 dolláros kimeneti ára a MarkTechPost szerint szintén tartalmazza a gondolkodást.

Ebből a tételből könnyen a számla legnagyobb része lesz. Saját becslésünk szerint egy 400 tokenes, látható e-mail-válasz mögött gondolkodó módban 1 000 és 2 000 közötti rejtett token is lehet, így a valós kimeneti költség a látható szöveg alapján számoltnak akár a három-hatszorosa. A gondolkodási szint beállítása ezért ugyanúgy árazási döntés, mint maga a modellválasztás.

Miért kerül többe ugyanaz a szöveg magyarul?

A tokenizálók döntően angol nyelvű szövegeken tanulják meg, milyen darabokra érdemes bontani a szöveget, ezért a ragozó, hosszú szavakat és ékezetes betűket használó magyar nyelv rosszabbul jár, vagyis ugyanannyi tartalom több tokenbe kerül. Harang Péter 2024-es mérése magyar nyelvi feladatokon hasonlította össze a nagy szolgáltatók modelljeit. Azt találta, hogy a karakter per token sűrűség szolgáltatónként jelentősen eltér: a legjobban a Google modelljei, a leggyengébben az Amazon modelljei teljesítettek. Az egyik példája szerint ha valaki a Gemini 1.5 Pro modellről az Amazon Titan Express modellre váltana, ugyanaz a magyar szöveg 41%-kal több tokent használna el.

Ennek két gyakorlati következménye van egy magyar cég számára. Az egyik, hogy az angol nyelvű árkalkulátorok becslései magyar szövegre jellemzően alulbecsülnek, a másik, hogy két modell tokenárát csak akkor lehet tisztességesen összevetni, ha ugyanazt a magyar szöveget ténylegesen lefuttatod mindkettőn, majd megnézed, hány tokent számláztak. A mérés régebbi modelleken készült, a 2026-os tokenizálók magyar adatai nem nyilvánosak, a nagyságrendi tanulság viszont ma is érvényes.

Kép, hang és videó: minden tokenre fordul

A multimodális modellek a képet, a hangot és a videót is tokenekre bontják, majd ugyanúgy elszámolják, mint a szöveget. A Digital Applied elemzése szerint a szeptember 18-án megjelent Qwen3.8-Omni-Flash a hangnál egyszerű képlettel dolgozik: a tokenek száma a hang másodpercben mért hosszának hétszerese. Egy óra hangfelvétel így 25 200 token, ami a 0,15 dolláros bemeneti áron nagyjából 0,0038 dollár, azaz kerekített 320 Ft-os árfolyammal 1,2 Ft. A modell fájlonként legfeljebb két óra hangot vagy videót fogad.

A kontextusablak (context window) az a szövegmennyiség, amelyet a modell egyetlen kérésben egyszerre át tud tekinteni. A Qwen3.8-Omni-Flash, a Step 5 Preview és a Muse Spark 1.3 egymillió tokenes ablakkal dolgozik, a Grok 4.7 500 000 tokenessel, csakhogy minden belezsúfolt token pénzbe kerül.

Ártáblázat: az AI-modellek ára az Astrától a Qwen 3.8 Omniig

Az alábbi táblázat a szeptemberben megjelent vagy frissült öt modell API-árát mutatja, kiegészítve az OpenAI két referenciamodelljével, a GPT-5.6 Sollal és a GPT-5.6 Lunával, valamint ezek szeptember 22-én megjelent utódaival. Az árak millió tokenre vonatkoznak és dollárban szerepelnek, ahogy a szolgáltatók közlik, a forintoszlop pedig a 2026. szeptember 21-i, körülbelül 317 Ft-os árfolyam kerekített, 320 Ft-os értékével számol. Minden összeg nettó, áfa nélkül értendő.

Friss fejlemény (2026. szeptember 22.): az OpenAI a cikk lezárásának napján kiadta a GPT-6 Sol és a GPT-6 Luna modellt. A hivatalos árlista szerint a GPT-6 Sol millió tokenenként 2 dollár bemenet, 0,20 dollár gyorsítótárazott bemenet és 10 dollár kimenet, a GPT-6 Luna pedig 0,10, 0,01 és 0,50 dollár, vagyis nagyjából fele annyiba kerülnek, mint a GPT-5.6-os elődjeik. A GPT-5.6 Solra és Lunára vonatkozó számok így mostantól az előző generációt mutatják, az olcsó sávban pedig a GPT-6 Luna lett az OpenAI legkedvezőbb ajánlata.

A táblázat két végpontja között a bemenetnél százszoros (10 dollár a GPT-6 Luna 0,10 dollárjával szemben), a kimenetnél 106-szoros a különbség (50 dollár a Qwen 0,47 dollárjával szemben). Ekkora szórás mellett a modellválasztás ugyanolyan költségvetési döntés, mint egy szoftverlicenc megvásárlása.

Prémium sáv: GPT-6 Astra

Az OpenAI szeptember 3-án bemutatott GPT-6 Astra modellje a lista legdrágább tagja, forintban millió bemeneti tokenenként 3 200, millió kimeneti tokenenként 16 000 Ft. Az árlista szerint a gyorsítótárazott bemenet 1 dollár, a Batch API minden díjat megfelez (cserébe a kérések nem azonnal, hanem ütemezve futnak le), a Fast mód pedig kétszeres sebességért kétszeres árat kér, vagyis 20 dollárt bemenetre és 100 dollárt kimenetre. A cég az Astrát elsősorban számítógép-használatra, vagyis weboldalak és asztali programok önálló kezelésére, valamint összetett szakmai és fejlesztői munkára ajánlja. Ennek az árnak ott van értelme, ahol más modell nem boldogul, egyszerű szövegmunkára viszont a prémium sáv ritkán indokolt.

Középsáv: Grok 4.7 és Muse Spark 1.3

Az xAI (SpaceX AI) Grok 4.7 modellje a Kingy AI szerint szeptember 21-én jelent meg, millió tokenenként 2 dolláros bemeneti és 6 dolláros kimeneti áron, a gyorsítótárazott bemenet 0,50 dollár. Van azonban egy apró betűs rész: a 200 000 tokennél hosszabb kéréseknél minden ár megduplázódik (4 dollár bemenet, 1 dollár gyorsítótár, 12 dollár kimenet), miközben a kontextusablak 500 000 token. A DeepSWE v1.1 programozási teszten 71,0%-ot ért el.

A Meta szeptember 3-án kiadott Muse Spark 1.3 modellje hosszú feladatokra tervezett ügynöki kódolási modell, 1,25 dolláros bemeneti és 4,25 dolláros kimeneti áron. A MarkTechPost beszámolója szerint a Meta mérései alapján az elődjénél körülbelül 20%-kal kevesebb eszközhívással és 25%-kal kevesebb tokennel dolgozik, ami ugyanannál a feladatnál közvetlenül kisebb számlát jelent. A DeepSWE v1.1 teszten 75,4-es eredményt ért el, vagyis programozásban még a GPT-6 Astra 74,1-es eredményét is megelőzte, miközben a bemeneti ára az Astráénak nyolcada, a kimeneti ára nagyjából tizenkettede.

Olcsó sáv: Step 5 Preview, GPT-5.6 Luna és Qwen3.8-Omni-Flash

A kínai StepFun szeptember 20-án nyitotta meg a Step 5 Preview API-ját. A MarkTechPost szerint ez egy 600 milliárd paraméteres MoE-modell, amelyből tokenenként 27 milliárd paraméter aktív, a kontextusablaka egymillió token, az ára pedig 1 dollár bemenet, 0,05 dollár gyorsítótár-találat és 2,70 dollár kimenet. A MoE (mixture of experts, magyarul szakértők keveréke) olyan modellfelépítés, amelyben minden tokent a modellnek csak egy kis része dolgoz fel, ezért a hatalmas paraméterszám ellenére is olcsón futtatható. A nyílt súlyokat a StepFun október 15-re ígérte, a saját gépen futtatáshoz azonban a MarkTechPost szerint BF16 formátumban nagyjából 1,2 TB tárhely kell, ami egy kisvállalatnak nem reális házi projekt.

Az Alibaba szeptember 18-án kiadott Qwen3.8-Omni-Flash modellje a táblázat egyik legolcsóbb tagja: millió tokenenként 0,15 dollár bemenet, 0,016 dollár gyorsítótár-találat és 0,47 dollár kimenet. Natívan omnimodális, vagyis szöveget, képet, hangot és videót is ugyanabban a modellben dolgoz fel, letölthető súlyok nélkül, kizárólag API-n keresztül. A Digital Applied szerint a hangfeldolgozás óradíja 98%-kal alacsonyabb, mint az elődjénél, a Qwen3.5-Omni-Plus modellnél, ez azonban a gyártó saját korábbi modelljével vett összevetés, nem más szolgáltatókkal.

Az OpenAI olcsó modellje, a szeptember 22-én megjelent GPT-6 Luna 0,10 és 0,50 dolláros árával ugyanebbe a sávba esik (az elődje, a GPT-5.6 Luna még 0,20 és 1,20 dollárba került), így aki az OpenAI ökoszisztémájában maradna, annak is van fillérekbe kerülő alternatívája.

Miért nem elég a listaárat nézni?

Azért nem elég, mert a listaár csak egy token árát mutatja, azt viszont nem, hogy a modell hány tokent használ el ugyanarra a feladatra. A bőbeszédűbb, többet gondolkodó modell papíron olcsó lehet, a számlán mégis közelebb kerül a drágább versenytársakhoz, ezért a feladatonkénti költséget kell összevetni, nem a tokenárat.

Egy taxis hasonlattal élve a kilométerdíj csak az egyik tényező, a másik az, hogy a sofőr a körúton visz, vagy háromszor megkerüli veled a Városligetet. Az AI-modelleknél ezt a kerülőt a bőbeszédűség (verbosity) jelenti, vagyis hogy egy modell mennyi szöveget és gondolkodási tokent termel ugyanannak a feladatnak a megoldásához.

Az Artificial Analysis független elemzőcég minden modellt ugyanazon a saját tesztsorán, az Intelligence Indexen futtat le, majd közli, hány tokent generált közben a modell és mennyibe került a teljes futtatás.

A kevert ár (blended price) az Artificial Analysis mutatója, amely 7:2:1 arányban súlyozza a gyorsítótárazott bemenetet, a friss bemenetet és a kimenetet. A Step 5 Preview kevert ára a GPT-6 Astráénak nagyjából tizenötöd része (0,51 dollár a 7,70 dollárral szemben), a teljes tesztfuttatás viszont csak 5,8-szor került többe az Astrával, mint a Step 5-tel. A magyarázat a bőbeszédűség: a Step 5 Preview 160 millió tokent generált, közel háromszor annyit, mint az Astra a maga 60 millió tokenjével.

Hasonló a helyzet a Muse Spark 1.3 esetében is, amelynek a kevert ára az Astráénak körülbelül tizede, a tesztfuttatás költsége viszont csak nagyjából 2,7-szer alacsonyabb, mert a modell 170 millió tokent termelt. A Grok 4.7 a legmagasabb (xhigh) gondolkodási szinten 240 millió tokent generált, négyszer annyit, mint az Astra. Az Artificial Analysis erre a futtatásra nem közölt költséget, a 6 dolláros listaárral számolva azonban már a kimeneti tokenek is nagyjából 1 440 dollárba kerülnének (saját számítás, a bemeneti tokenek nélkül). Ez még mindig jóval kevesebb az Astra 5 324 dolláránál, de közel sem annyival, mint amit a 6 és 50 dollár közötti listaár-különbség sugallna.

Az adatokhoz két fenntartás tartozik, amelyeket nem szabad figyelmen kívül hagyni. Az Intelligence Index az elemzőcég saját, általános tesztsora, nem a te ügyfélleveleid vagy árajánlataid, így a tokenfogyasztás egy egyszerű irodai feladatnál egészen más lehet. A mérés ráadásul a modellek legerősebb gondolkodási módjában készült, a Muse Spark 1.3 max módja pedig a MarkTechPost szerint a biztonsági validálásig a fejlesztők számára még nem is hívható.

Mit jelent ez a saját számládra?

A gyakorlati képlet egyszerű: két modell valós költségének arányát a tokenárak arányának és a tokenfogyasztás arányának szorzata adja. Ha az A modell tokenára ötöde a B modellének, de ugyanarra a feladatra kétszer annyi tokent használ, akkor a tényleges költsége nem ötöde, hanem kétötöde lesz. Ha pedig a gyengébb válaszok miatt minden harmadik feladatot újra kell futtatni, az arány tovább romlik. Megbízható számot ezért csak a saját, 20 és 50 közötti valódi mintán végzett mérés ad.

Mennyibe kerül egy ügyfélszolgálati e-mail modellenként, forintban?

Saját becslésünk szerint egy gondolkodó módban megírt, magyar nyelvű ügyfélszolgálati válasz a GPT-6 Astrával nagyjából 39 Ft, a GPT-5.6 Sollal 16 Ft, a Grok 4.7-tel 5 Ft, a Muse Spark 1.3-mal 3,6 Ft, a Step 5 Preview-val 2,4 Ft, a Qwen3.8-Omni-Flash modellel pedig 0,4 Ft. Havi ezer levélnél ez 400 és 39 000 Ft közötti sáv.

Hogy a számítás követhető legyen, vegyünk egy képzeletbeli, 12 fős szegedi kerékpár-webshopot, amely havonta nagyjából 1 000 vevői levelet kap szállítási határidőről, cseréről, garanciáról és méretválasztásról. Az AI minden levélre választervezetet ír, amelyet egy kolléga átnéz, szükség esetén javít, majd elküld. A tokenmennyiségek saját becslések, magyar nyelvű szöveggel számolva:

• a rendszerprompt (hangnem, szállítási, csere- és garanciális szabályok) 1 500 token;
• a vevő levele az előzményekkel együtt 500 token;
• a rendelés adatai a webshop rendszeréből 200 token;
• a látható válasz 400 token;
• gondolkodó módban ehhez jön még 1 600 token rejtett gondolatmenet.

Ez levelenként 2 200 bemeneti tokent jelent, a kimenet pedig gondolkodás nélkül 400, gondolkodással 2 000 token. Az árfolyam kerekített 320 Ft/dollár, az árak a szolgáltatók szeptember 22-i listaárai, gyorsítótár nélkül.

Vegyük végig két sort, hogy látszódjon a számítás menete. A GPT-6 Astránál gondolkodó módban 2 200 bemeneti token × 10 dollár / 1 000 000 = 0,022 dollár, a 2 000 kimeneti token × 50 dollár / 1 000 000 = 0,1 dollár, a kettő együtt 0,122 dollár, ami 320 Ft-tal szorozva 39,04 Ft. A Qwen3.8-Omni-Flash modellnél ugyanez 2 200 × 0,15 / 1 000 000 = 0,00033 dollár és 2 000 × 0,47 / 1 000 000 = 0,00094 dollár, összesen 0,00127 dollár, azaz 0,41 Ft. A két szélső érték között tehát közel százszoros a különbség, havi ezer levélnél 39 040 Ft áll szemben 406 Ft-tal.

A Grok 4.7-nél a gondolkodás nem kapcsolható ki, ezért az egyszerű válasz oszlopa nála csak elméleti alsó határ, a valós költség a legalacsonyabb gondolkodási szinten is valahol a két oszlop között lesz. Azt is látni kell, hogy a Muse Spark 1.3 kódolásra épített modell, a Step 5 Preview a MarkTechPost szerint szoftverfejlesztésre, szakmai tudásmunkára és pénzügyekre készült, a Qwen3.8-Omni-Flash erőssége pedig a hang és a videó. Az ügyféllevél-írás egyiknek sem a fő profilja, ezért a táblázat az árszintet mutatja, a minőségről a saját tesztjeid döntenek.

Mit hoz a gyorsítótár egy e-mailnél?

Ha az 1 500 tokenes rendszerprompt minden levélnél változatlanul a kérés elején áll, a szolgáltató gyorsítótárból szolgálja ki. A GPT-6 Astránál ekkor 1 500 token × 1 dollár / 1 000 000 = 0,0015 dollár, a maradék 700 friss bemeneti token 0,007 dollár, a kimenet továbbra is 0,1 dollár, így a levelenkénti ár 0,1085 dollár, vagyis 34,7 Ft. A megtakarítás mindössze 11%, mert gondolkodó módban a költség nagy részét a kimenet adja. Egy e-mailnél tehát a gondolkodási szint és a válasz hossza sokkal többet számít a gyorsítótárnál, egy hosszú kontextussal dolgozó ügynöknél viszont fordított a helyzet.

A gép vagy az ember a drágább?

A modell díja a teljes költségnek csak az egyik része. Feltételezésként számoljunk azzal, hogy egy ügyfélszolgálatos munkatárs teljes óraköltsége a munkáltatónak 4 000 Ft (ezt cseréld le a saját bérköltségedre), vagyis egy perce nagyjából 67 Ft. Ha egy levél megírása a semmiből 6 percig tart, az 400 Ft, havi ezer levélnél 400 000 Ft. Ha az AI-tervezet átnézése és javítása levelenként másfél perc, az 100 Ft, havonta 100 000 Ft, amihez hozzájön a modell díja 406 Ft és 39 040 Ft között.

Ebből a számításból két tanulság következik. Először is az emberi ellenőrzés ideje még a legolcsóbb modellnél is nagyságrendekkel több pénz, mint maga a modell. Másodszor fél perc emberi munkaidő nagyjából 33 Ft, vagyis ha egy drágább modell tervezete levelenként legalább fél perccel kevesebb javítást igényel, mint egy olcsóbbé, akkor a GPT-6 Astra 39 Ft-os levelenkénti ára is nagyjából megtérül. A döntést ezért nem a tokenár hozza meg, hanem egy egyszerű teszt: futtass le 50 valódi levelet két-három modellen, majd mérd le, mennyi idő alatt lehet a tervezeteket elküldhető állapotba hozni.

Kiszámolt példák: négy másik KKV-feladat ára forintban

Az e-mail kis tétel, a számla ott kezd igazán hízni, ahol a modell sokat olvas vagy sokat lépked. Az alábbi táblázat négy másik jellemző feladatot számol végig négy modellel, ugyanazzal a 320 Ft-os árfolyammal, a tokenmennyiségek itt is saját becslések.

Az ügynöki sorban abból indultunk ki, hogy a modell 40 lépésben dolgozik, lépésenként átlagosan 20 000 bemeneti tokent kapva, mivel minden alkalommal újra megkapja a feladatot, az eszközök leírását és az addigi lépések eredményét. Ez összesen 800 000 bemeneti token, ami az Astránál 8 dollár, a 20 000 kimeneti token további 1 dollár, együtt 9 dollár, azaz 2 880 Ft. Ha a bemenet 80%-a gyorsítótárból jön, az Astránál 640 000 token × 1 dollár / 1 000 000 = 0,64 dollár, 160 000 token × 10 dollár / 1 000 000 = 1,60 dollár, ehhez jön az 1 dolláros kimenet, összesen 3,24 dollár, azaz 1 037 Ft. Itt a gyorsítótár 64%-ot spórol, szemben az e-mailnél mért 11%-kal, mert ennél a feladatnál a bemenet adja a költség döntő részét.

A táblázat azt feltételezi, hogy mind a négy modell ugyanannyi lépésből oldja meg az ügynöki feladatot, a valóságban azonban egy gyengébb modell több lépésből, több hibával és több újrapróbálkozással jut el ugyanoda, ha egyáltalán eljut.

Külön érdemes megnézni a hangot, mert ott a legnagyobb az árzuhanás. Egy egyórás értekezlet felvétele a Qwen3.8-Omni-Flash fent leírt képletével 25 200 token, ami a kimenet nélkül nagyjából 0,0038 dollár. Ha ehhez hozzáveszünk egy 1 000 tokenes összefoglalót (0,00047 dollár), egy óra megbeszélés jegyzőkönyve kerekítve 1,4 Ft. Ennél olcsóbb gyorsírót nem fogsz találni, az összefoglaló pontosságát és a személyes adatok kezelését viszont ugyanúgy ellenőrizni kell, mint bármely más AI-kimenetnél.

A táblázat arra is rávilágít, hol vannak a valódi költségek: egy értékelésre adott válasz vagy egy blogvázlat még a legdrágább modellel is legfeljebb néhány tíz forint. Az ügynöki és számítógép-használó feladatoknál viszont egyetlen futtatás ezer forint fölé mehet: ha egy cég napi 20 ilyen futtatást indít 22 munkanapon át, az Astrával gyorsítótárazva is 20 × 22 × 1 037 = 456 280 Ft a havi számla.

Hol pazarolják a cégek a legtöbb tokent?

Tapasztalatunk szerint a legtöbb token négy helyen folyik el: túl erős modell fut egyszerű feladatra, feleslegesen magas a gondolkodási szint, minden kérdésnél újraküldik a teljes chat-előzményt és kihasználatlan marad a gyorsítótár. Ezekhez jön még a beömlesztett dokumentum, a bőbeszédű kimenet, a fölösleges webkeresés és az elakadó, önismétlő ügynök.

Túl erős modell egyszerű feladatra

A leggyakoribb és legdrágább hiba az, amikor minden kérés ugyanahhoz a prémium modellhez fut be, mert egyszer azt állították be alapértelmezettnek és azóta senki nem nyúlt hozzá. Az e-mail-táblázat alapján ha a szegedi webshop minden levelét a GPT-6 Astra írja, havonta 39 040 Ft-ot fizet, ha a GPT-5.6 Luna, akkor 909 Ft-ot. A szakma erre az útválasztást (routing) használja: egy egyszerű szabály vagy egy olcsó osztályozó modell eldönti, melyik kérés melyik modellhez kerüljön, így csak a valóban nehéz esetek jutnak el a drága modellig.

Feleslegesen magas gondolkodási szint

Sok felület és API alapból magas gondolkodási szinttel indul, a Grok 4.7-nél például a high az alapértelmezés. Egy szállítási határidőre vonatkozó kérdéshez nem kell mély gondolatmenet, a gondolkodó és az egyszerű válasz közötti különbség viszont az e-mail-példánkban a GPT-6 Astránál levelenként 25,6 Ft, ami a költség közel háromszorosát jelenti. Állítsd a gondolkodási szintet a feladathoz: rutinfeladatra alacsonyat, elemzésre és tervezésre közepeset vagy magasat, a legmagasabbat pedig csak ott, ahol egy hiba ára tényleg nagy.

A végtelenre nyúló chat-előzmény

A chatfelületek és a legtöbb egyszerű integráció minden új kérdésnél újraküldi a teljes addigi beszélgetést, mert a modell magától semmire nem emlékszik. Tegyük fel, hogy egy kolléga egész nap egyetlen hosszú beszélgetésben dolgozik, ahol minden üzenetváltás 500 tokennel növeli az előzményt. A harmincadik kérdésnél a modell már 15 000 tokent olvas be, a nap során összesen pedig 500 × (1 + 2 + … + 30) = 232 500 bemeneti tokent, miközben maguk a kérdések és válaszok csak 15 000 tokent tesznek ki. Ez 15,5-szörös túlfogyasztás, a GPT-6 Astra árán gyorsítótár nélkül számolva 744 Ft a 48 Ft helyett, egyetlen munkatárs egyetlen napján.

A megoldás egyszerű: új témához nyiss új beszélgetést, hosszú munkánál pedig kérj a modelltől rövid összefoglalót, majd azzal indíts új szálat. Az ügynököknél ugyanezt a problémát kontextustömörítéssel és dinamikus eszközbetöltéssel kezelik, erről külön cikkben írunk részletesen.

A kihasználatlan gyorsítótár

A gyorsítótár csak akkor működik, ha a kérések eleje betűre azonos. Ha a rendszerprompt elejére minden kérésnél bekerül a pontos időpont, az ügyfél neve vagy egy véletlenszerű azonosító, a gyorsítótár sosem talál, így minden alkalommal teljes árat fizetsz. Az ügynöki példánkban ez a különbség az Astránál futtatásonként 1 843 Ft (2 880 Ft az 1 037 Ft helyett), napi 20 futtatásnál és 22 munkanappal számolva tehát havi több mint 800 000 Ft.

A beömlesztett tudásbázis

Gyakori megoldás, hogy a teljes árlistát, termékkatalógust vagy ÁSZF-et minden kérés elé bemásolják, hátha kell. Becslésünk szerint egy 50 oldalas magyar dokumentum könnyen 60 000 és 80 000 token közötti bemenet, ami a GPT-6 Astrával kérésenként 192 és 256 Ft, több ilyen dokumentumnál pedig a Grok 4.7-nél könnyen átléped a 200 000 tokenes határt, ahol minden ár duplázódik. Olcsóbb és pontosabb, ha a rendszer csak a kérdéshez illő bekezdéseket keresi ki és adja át a modellnek. Ezt a módszert RAG-nek (retrieval-augmented generation, keresésre épülő szöveggenerálás) hívják, a tudásbázis-alapú chatbotok is erre épülnek.

A bőbeszédű kimenet

A GPT-6 Astránál egy kimeneti token ötször annyiba kerül, mint egy bemeneti, így minden felesleges udvariassági formula, ismételt összefoglaló és hosszú bevezető egyenesen a számládon landol. Kérj rövid, célra törő választ, adj meg maximális kimeneti hosszt, gépi feldolgozásnál pedig kérj strukturált (JSON) kimenetet a szabad szöveg helyett. Ha egy 400 tokenes válasz 250 tokenből is kijön, azzal a kimeneti költség 37,5%-a megspórolható.

Felesleges webkeresés és elakadó ügynökök

Az eszközhívásoknak, például a webkeresésnek külön ára is lehet: az OpenAI árlistája szerint a beépített webkeresés 1 000 hívásonként 10 dollár, plusz a talált tartalom tokenjei. Ha egy versenytársakat figyelő ügynök óránként tízszer keres, az egy hét alatt 1 680 hívás, vagyis 16,80 dollár, kerekítve 5 376 Ft csak a keresésekért, tokenek nélkül.

Az ügynökök másik drága szokása az elakadás: ha egy eszköz hibát ad, a rosszul beállított ügynök ugyanazt a hívást próbálja újra és újra, minden körben a teljes kontextussal. Ezért értékes, hogy a Muse Spark 1.3 a Meta szerint jelzi, ha elakadt, továbbá tisztázó kérdést tesz fel ahelyett, hogy vakon próbálkozna. Egy jól beállított ügynöknél mindig legyen felső korlát a lépésszámra és a futtatásonkénti költségre is.

Hogyan számold ki egy AI-feladat árát lépésről lépésre?

Egy AI-feladat árát úgy számolod ki, hogy valódi mintákon megméred a bemeneti, a gyorsítótárazott, a kimeneti és a gondolkodási tokeneket, megszorzod őket az aktuális árlistával, hozzáadod az eszközdíjakat és egy tartalékot, majd forintra váltod. A legtöbb szolgáltató API-ja minden válaszban visszaadja a felhasznált tokenek számát, így a méréshez nem kell különleges eszköz.

• Határozd meg a feladategységet. Egy megválaszolt e-mail, egy termékleírás, egy lezárt ügyfélszolgálati jegy vagy egy teljes ügynöki futtatás: olyan egységet válassz, amelynek az üzleti értékét is ismered.
• Gyűjts 20 és 50 közötti valódi mintát. Ne a legszebb példákat válogasd ki, hanem egy átlagos hét anyagát, a hosszú és a zavaros esetekkel együtt.
• Futtasd le a mintákat két-három jelölt modellen. Az API válaszában lévő használati adatok (usage) megmutatják a bemeneti, a gyorsítótárazott és a kimeneti tokenek számát, gondolkodó modelleknél jellemzően külön a gondolkodási tokenekét is.
• Szorozd meg az aktuális árlistával. Mindig a szolgáltató hivatalos árlapjáról dolgozz és írd mellé a dátumot, mert az árak, a promóciók és a sávhatárok (például a Grok 4.7 200 000 tokenes határa) változnak.
• Add hozzá az eszközdíjakat és a tartalékot. A webkeresés, a fájlkeresés és a kódfuttatás külön tétel lehet, az újrapróbálkozásokra pedig saját ökölszabályunk szerint 15% tartalékot érdemes hagyni, amíg nincs saját mérésed.
• Válts forintra óvatosan. A kerekített 320 Ft-os dollárárfolyammal számolni biztonságosabb, mint a napi 317 Ft-tal, az áfa kezelését pedig egyeztesd a könyvelőddel.
• Tedd mellé az emberi időt. Az ellenőrzés, a javítás és a hibák kezelése forintban kifejezve gyakran nagyobb tétel, mint maga a modell, ahogy az e-mail-példában is láttad.
• Állíts be keretet és riasztást. A szolgáltatók felületén megadható havi költségkerettel és értesítéssel elkerülheted az első hónap meglepetéseit, a tényleges számlát pedig havonta vesd össze a becsléssel.

Egy képzeletbeli, 8 fős budapesti könyvelőiroda példáján így néz ki a módszer a gyakorlatban. Az iroda az ügyfelektől érkező, bizonylatokat kísérő leveleket szeretné összefoglaltatni és címkéztetni, havonta nagyjából 2 000 darabot. Tegyük fel, hogy 30 minta lefuttatása után levelenként átlagosan 3 000 bemeneti és 600 kimeneti tokent mérnek. A Grok 4.7-tel ez 3 000 × 2 / 1 000 000 + 600 × 6 / 1 000 000 = 0,0096 dollár, azaz 3,07 Ft, a 15%-os tartalékkal 3,53 Ft, havonta nagyjából 7 070 Ft. Ugyanez a GPT-6 Astrával levelenként 0,06 dollár, tartalékkal 22,08 Ft, havonta 44 160 Ft, a Step 5 Preview-val pedig havonta nagyjából 3 400 Ft. A döntő kérdés ezután az, melyik modell összefoglalóit kell a legkevesebbet javítani.

Melyik árkategória mire éri meg 2026 őszén?

Rutinszerű, rövid szövegmunkára az olcsó sáv (Qwen3.8-Omni-Flash, GPT-5.6 Luna, Step 5 Preview) általában elég, programozásra és elemzésre a középsáv (Grok 4.7, Muse Spark 1.3) adja a legjobb ár-érték arányt, a prémium GPT-6 Astra pedig ott éri meg, ahol számítógép-használat vagy nagyon összetett, hibára érzékeny munka a feladat.

A táblázatot két szempont is felülírhatja, amelyek adott esetben a tokenárnál is fontosabbak. Az első az adatvédelem: a StepFun és az Alibaba kínai szolgáltató, így mielőtt személyes adatot tartalmazó ügyféllevelet küldesz a modelljeikhez, tisztázni kell, hol dolgozzák fel az adatokat és mit enged a GDPR, a részleteket a kínai modellekről szóló külön cikkünk tárgyalja. A második a minőség, hiszen a legolcsóbb modell csak addig olcsó, amíg a javítása nem visz el több emberi időt, mint amennyit a tokenen spórolsz.

Nem kell egyetlen modell mellett dönteni. Egy modellátjárón (gateway), például az OpenRouteren vagy a Vercel AI Gateway-en keresztül több modellt ugyanazzal az integrációval érsz el, így a feladat szerinti útválasztás és a későbbi modellcsere sem igényel újrafejlesztést. Ha egyetlen szabályt kellene adnunk: kezdd az olcsó sávval, mérd a javítási időt, feljebb pedig csak ott lépj, ahol a mérés indokolja.

Árfolyam, áfa és árkilátások: amire a számlánál is figyelj

A nagy AI-szolgáltatók jellemzően dollárban áraznak, így a forintos költséged az árfolyammal együtt mozog. A szeptember 21-i, körülbelül 317 Ft-os árfolyamhoz képest egy 10 forintos gyengülés nagyjából 3%-os drágulást jelent, ami egy havi 100 dolláros számlánál 1 000 Ft körüli különbség. A külföldi szolgáltatótól vásárolt API-hozzáférés cégként jellemzően fordított adózás alá esik, a pontos kezelést azonban mindig egyeztesd a könyvelőddel.

Az előfizetés és az API másképp számol. A ChatGPT fizetős csomagjaiban az OpenAI szerint a GPT-6 Astra használata az előfizetési keretbe számít, pluszkredit is vásárolható, a vállalati fiókokban viszont alapból ki van kapcsolva, azt az adminisztrátornak kell engedélyeznie. Kis, változó használatnál az előfizetés kiszámíthatóbb, automatizált, nagy tömegű munkánál az API a jobb választás.

A szeptemberi árlisták alapján az AI-piac egyre inkább két sávra válik szét. A csúcson drágulnak a legerősebb modellek, hiszen a GPT-6 Astra kimeneti ára két és félszerese a GPT-5.6 Solénak, az alsó sávban viszont zuhannak az árak. Az OpenAI szeptember 29-én tartja a DevDay 2026 konferenciát, a StepFun október 15-re ígérte a Step 5 nyílt súlyait, a Reuters szeptember 19-i értesülése szerint pedig az Anthropic új modell kiadását fontolgatja. Hogy ezek közül melyik hoz árváltozást, azt ma senki nem tudja biztosan, ezért ne betonozd be egyetlen modell árát az üzleti tervedbe: építsd cserélhetőre az integrációt, a saját mintáidat pedig negyedévente futtasd újra az akkor aktuális árlistákkal.

Miben segít a Convergo?

A Convergónál abban segítünk, hogy az AI-költség ne meglepetésként érkezzen a hónap végén, hanem előre kiszámolt, mérhető tétel legyen. Az AI-felmérés, stratégia és oktatás keretében a saját mintáidon mérjük meg, melyik feladathoz melyik modell adja a legjobb ár-érték arányt. A workflow automatizáció során n8n-alapú folyamatokat építünk, amelyek feladattípus szerint osztják el a kéréseket az olcsó és a prémium modellek között, gyorsítótárazással és költségkorláttal. Ha a saját rendszeredbe kell bekötni a modelleket, egyedi AI-integrációval tesszük őket cserélhetővé. Az első lépés egy ingyenes egyeztetés, ahol közösen kiszámoljuk egy valódi folyamatod havi AI-költségét.

Gyártói források az API-díjakhoz

A felsorolt forrásokat 2026. szeptember 29-én ellenőriztük. A díjak változhatnak; a cikk forintos példái a megadott árfolyammal készült becslések, nem Convergo-szolgáltatásárak. A végösszeget a tényleges tokenhasználat és az esetleges eszköz-, gyorsítótár-írási vagy régiós díjak is befolyásolhatják.

• OpenAI: teljes API-árlista
• SpaceXAI: Grok 4.7 modelladatok és díjak