Artykuł · Dojrzałość narzędzi

Zamknięcie w jednym dostawcy AI: jak projektować zamienność modeli

Zamienność modelu AI buduje się warstwami: własny zestaw testów, stan po swojej stronie, otwarte formaty narzędzi. Sam adapter API tego nie załatwia, a czasem cały wysiłek się nie opłaca.

Dla: Architekci, CTO, zespoły platformowe, osoby negocjujące umowy z dostawcami AI · Stan na 02.11.2026 · Autor: Karol Krawczyk

Kiedy dostawcy wycofują modele AI?

Model AI, na którym firma buduje dziś, ma datę końca, a dostawcy określają ją różnie (stan na 2 listopada 2026). Anthropic daje co najmniej 60 dni uprzedzenia przed wycofaniem modelu udostępnionego publicznie. OpenAI obiecuje co najmniej 6 miesięcy dla modeli ogólnie dostępnych, 3 miesiące dla wariantów specjalistycznych, a modele preview może wycofać znacznie szybciej, na przykład w 2 tygodnie. W Microsoft Foundry standardowy cykl modelu ogólnie dostępnego to 18 miesięcy, dla modeli Anthropic, DeepSeek, Fireworks i Mistral 12, a dat wycofania nie da się przedłużyć.

Przykład z tej jesieni: Anthropic ogłosił 30 września, że Claude Sonnet 4.5 zniknie z API 30 listopada 2026. OpenAI 14 października zapowiedział wyłączenie GPT-4o i GPT-4.1 w swoim API na 14 stycznia 2027. Migracja modelu jest więc pracą cykliczną, i to niezależnie od tego, czy firma kiedykolwiek zechce zmienić dostawcę. Zamienność projektuje się najpierw po to, by przejść na następny model tego samego dostawcy bez miesiąca niepewności. Zmiana dostawcy to korzyść uboczna.

Warstwy uzależnienia od dostawcy AI

Uzależnienie od dostawcy AI ma kilka warstw, a API jest najłatwiejsza do wymiany. Trudniejsze są te poniżej, ułożone od najtańszej do najdroższej zmiany.

Format wywołania: nazwy pól i parametry. Do wymiany w adapterze, choć nie zawsze bezboleśnie.
Funkcje modelu: cache promptów, tryby rozumowania, wymuszony schemat odpowiedzi. Kod na nich oparty traci je po zmianie dostawcy.
Prompty: dostrojone do konkretnego modelu, wymagają przeróbki i ponownych testów.
Konfiguracja agenta: reguły, narzędzia, skille, polityki administracyjne.
Stan po stronie dostawcy: wątki, pliki, wektory, pamięć. Tu migracja oznacza przeniesienie danych.
Embeddingi: zmiana modelu wymaga ponownego zindeksowania treści.

Warstwy zgodności, gateway i wiele chmur

Warstwy zgodności API kuszą przy zmianie modelu AI, bo zmiana adresu i klucza wygląda na migrację. Anthropic udostępnia zgodność z SDK OpenAI i sam zaznacza, że służy ona głównie do testów i porównań, a dla większości zastosowań nie jest rozwiązaniem produkcyjnym ani długoterminowym. Parametr strict jest tam ignorowany, cache promptów nie działa, a większość nieobsługiwanych pól znika bez błędu. Taki cichy spadek jakości w produkcji trudno zauważyć bez testów.

Amazon Bedrock oferuje Converse API, które działa tak samo dla modeli obsługujących wiadomości, a parametry specyficzne dla modelu przekazuje osobno. To sensowny kompromis, jeśli firma zostaje w AWS: zmienia model bez zmiany kodu, ale przywiązuje się do chmury. Własny gateway daje jedno miejsce na klucze, budżety i logi, tyle że wchodzi na utrzymanie firmy. Dokumentacja Claude Code ostrzega, że gateway niepodążający za nowymi funkcjami psuje je, i dodaje, że kierowanie Claude Code na modele spoza Claude nie jest wspierane. Claude Code jest więc związany z rodziną modeli mocniej niż aplikacja pisana na własnym adapterze.

Nawet API tego samego dostawcy się zmienia. Wersja API Anthropic 2026-10-21 usunęła parametry temperature, top_p i top_k: żądanie z nimi dostaje błąd 400. Własny adapter daje jedno miejsce na obsługę takiej zmiany, ale jej nie uprzedzi.

Dostęp do tego samego modelu w kilku chmurach zmniejsza ryzyko handlowe, ale nie równa funkcji. Claude Code na Bedrock, Foundry i Google Cloud nie ma ustawień serwerowych z konsoli claude.ai ani dashboardu analitycznego, a Amazon Bedrock i modele Claude na Google Cloud zarządzane przez Google ustalają własne terminy wycofywania, więc daty mogą się różnić od tych z dokumentacji Anthropic.

Stan i dane trzymaj poza dostawcą AI

OpenAI uprzedził w sierpniu 2025, że usunie Assistants API 26 sierpnia 2026, i wskazał Responses API oraz Conversations API jako zamiennik. Rok to uczciwy termin, ale pokazuje koszt: kto trzymał wątki po stronie dostawcy, musiał je przenieść mimo pozostania u tego samego dostawcy. Stąd zasada, by źródłem prawdy o rozmowach, dokumentach i pamięci agenta była baza firmy, a usługi zarządzane po stronie dostawcy służyły co najwyżej jako cache. To ma też konsekwencje dla danych: u OpenAI /v1/vector_stores, /v1/files i /v1/conversations nie kwalifikują się do ZDR.

Embeddingów nie da się wyeksportować do innego modelu. OpenAI domyślnie zwraca 1536 lub 3072 wymiary, a modele Voyage zwykle 1024. Anthropic nie ma własnego modelu embeddingów i odsyła do innych dostawców, co oznacza, że aplikacja RAG na Claude już teraz ma dwóch dostawców. Wektory różnych modeli nie są porównywalne, więc zmiana oznacza ponowne przeliczenie korpusu. Dlatego przechowuj tekst źródłowy, podział na fragmenty i nazwę modelu przy każdym wektorze, a koszt przeindeksowania policz, zanim będzie potrzebny.

Testy i otwarte formaty przy zmianie modelu AI

Bez własnych testów nie wiadomo, czy nowy model AI jest zamiennikiem. Anthropic pisze, że zespoły bez evals tygodniami sprawdzają nowy model ręcznie, a zespoły z evals robią to w kilka dni. Microsoft radzi porównywać jakość, opóźnienie i koszt na własnych promptach i danych, a nie na publicznych benchmarkach. Zestaw 20 do 50 zadań z prawdziwych błędów nie należy do żadnego dostawcy, więc przenosi się bez strat, inaczej niż prompty. Oceny opieraj na tym, co agent wytworzył. Przykład ilustracyjny: czy faktura została poprawnie zaksięgowana.

W warstwie narzędzi i instrukcji pojawiły się otwarte formaty. Serwer MCP napisany raz podłączysz do Claude Code, Codex i Copilot Studio, przy czym Copilot Studio obsługuje tylko narzędzia i zasoby oraz wymaga generative orchestration. Protokół prowadzi LF Projects. AGENTS.md, opiekowany przez Agentic AI Foundation, czytają Codex, Cursor, Gemini CLI i Claude Code, ten ostatni domyślnie tylko wtedy, gdy repozytorium nie ma CLAUDE.md. Agent Skills to otwarty format opracowany przez Anthropic i przejęty przez inne produkty; Copilot Cowork potrafi skonwertować pakiet pluginu Claude. Instrukcje i narzędzia zapisane w tych formatach przeżyją zmianę klienta. Polityki administracyjne nie mają wspólnego formatu: requirements.toml w Codex i managed settings w Claude Code to osobne mechanizmy, więc przy zmianie klienta trzeba je napisać od nowa.

Przy Microsoft 365 Copilot większości tej pracy nie da się wykonać. Domyślnie model wybiera router, a modele aktualizuje Microsoft. Firma może włączać dostawców i widzi ich w logach audytu. Uzależnienie leży tu w danych Microsoft Graph i licencjach, a planem wyjścia jest raczej decyzja, które procesy trzymać poza Copilotem.

Kiedy zamienność modeli AI się nie opłaca?

Zamienność modeli AI nie opłaca się, gdy pisanie pod wspólny mianownik oznacza kosztowną rezygnację z cache promptów, wymuszonych schematów i innych funkcji, które obniżają koszt albo poprawiają wynik. Dla wewnętrznego skryptu, który łatwo przepisać, własna warstwa pośrednia jest przesadą. Podobnie gdy cała firma stoi na jednej chmurze i wyjście z niej nie jest realnym scenariuszem. To wniosek tego tekstu, nie wynik badania.

Propozycja tego tekstu: rozsądny poziom zależy od kosztu przestoju. Dla większości systemów wystarczy osobny moduł wywołań modelu, stan u siebie i testy uruchamiane na drugim modelu raz na kwartał. Aktywne przełączanie między dostawcami ma sens przy systemach krytycznych, i to tam, gdzie zespół potrafi utrzymać dwa zestawy promptów. LangChain podaje w ankiecie z listopada i grudnia 2025, że ponad trzy czwarte badanych używa wielu modeli w produkcji lub przy rozwoju, ale to ankieta producenta narzędzi wśród 1340 osób i nie mówi, jak łatwo ci ludzie mogliby je wymienić.

Co zrobić w firmie

Wypisz dla każdego systemu AI, w której warstwie jest związany z dostawcą i ile kosztowałaby zmiana
Wpisz terminy wycofania używanych modeli do kalendarza i sprawdzaj pola shutdown_date oraz deprecation przez API
Przenieś rozmowy, dokumenty i pamięć agenta do własnej bazy, zapisuj model przy każdym wektorze
Zbierz zestaw testów z prawdziwych błędów i raz na kwartał uruchamiaj go na drugim modelu
Przenieś instrukcje i narzędzia do AGENTS.md, Agent Skills i MCP tam, gdzie klient je obsługuje
Spisz plan wyjścia: czas migracji, koszt przeindeksowania, eksport danych, zapisy umowne

Powiązane materiały

Źródła

Chcesz przełożyć to na swój zespół?

Szkolimy zespoły z pracy z Copilotem, Claude Code i Codexem na ich własnych zadaniach.

Umów rozmowę Oferta dla firm

Więcej: Dojrzałość narzędzi

← Wszystkie artykuły