Treści z AI 2026: 12 narzędzi przetestowanych na polskim tekście (wyniki, koszt, ograniczenia) 

Przetestowałem dwadzieścia modeli językowych na trzech krótkich zadaniach po polsku. Wszystkie dostały ten sam prompt, tę samą temperaturę i ten sam limit tokenów. W tym tekście znajdziesz dwanaście narzędzi, które faktycznie odpowiedziały, wraz z kosztem policzonym z odpowiedzi API, czasem odpowiedzi i liczbą słów. Przy okazji wyszły rzeczy, których nie spodziewałem się po „przetestowanych na polskim tekście" rankingach: jeden model uciął wszystkie trzy odpowiedzi w połowie zdania, a drugi w ogóle nie zwrócił ani jednego słowa.

To nie jest test „który model jest najlepszy". Nie ma takiego testu, bo wynik zależy od tego, co akurat piszesz. Jest za to coś bardziej użytecznego: lista narzędzi zmierzonych na identycznym materiale, z ceną, którą da się obronić przed księgowym, i ograniczeniami, o których dowiesz się dopiero wtedy, gdy tekst jest już na produkcji.

Jeśli zależy Ci na wyborze modelu pod kątem automatyzacji, a nie pod kątem pisania, to osobno policzyłem ten sam koszt dla tysiąca zadań w koszcie 1000 zadań w n8n. Tam wybór wygląda inaczej niż przy tekście marketingowym.

Metoda: trzy zadania, jeden limit tokenów

Pomiar wykonałem przez API, 30 września 2026. Dwadzieścia modeli, trzy zadania po polsku, każdy model raz na każde zadanie, temperatura 0. Zadania były celowo różne, bo jeden dobry tekst nie mówi nic o tym, jak model zachowa się przy drugim:

• 60 słów opisu firmy, która wdraża automatyzacje, z poleceniem użycia dwóch polskich idiomów;
• tytuł blogowy do 60 znaków i meta description do 150 znaków dla frazy „ai do pisania tekstów";
• 80 słów o RODO dla właściciela małej firmy handlowej.

Wszystkie trzy dostały ten sam system prompt, ten sam limit max_tokens ustawiony na 700 i tę samą temperaturę. Limit 700 tokenów to świadomy wybór: to mniej więcej tyle, ile dostajesz w większości darmowych planów do jednej odpowiedzi. Gdybyś dał 4000 tokenów, część problemów zniknęłaby - a w praktyce na planie abonamentowym właśnie takiego limitu nie masz.

Koszt biorę z pola usage.cost, które API zwraca przy każdym zapytaniu. Nie liczę go z cenników, bo cenniki zmieniają się częściej niż odpowiedzi. Wszystkie surowe wyniki leżą w bench.json, łącznie z liczbą tokenów wejściowych i wyjściowych dla każdego modelu.

Jedna metoda ma granicę, o której trzeba powiedzieć wprost: każdy model odpowiedział jeden raz. To próba pojedyncza, nie średnia z dziesięciu powtórzeń. Nie podaję więc żadnych odchyleń ani średnich. Jeśli powtórzysz ten test, liczby mogą się różnić, szczególnie tam, gdzie model graniczy z limitem tokenów.

Dla porządku: to jest pomiar tych samych modeli, które porównywałem wcześniej na 25 zadaniach biznesowych w ChatGPT vs Claude vs Gemini po polsku. Tam patrzyłem na poprawność, tu na koszt i na to, co model robi z limitem znaków.

Tabela: dwanaście narzędzi, koszt zmierzony

Kolumna „USD / 1000 słów" to najuczciwsze porównanie, jakie udało się zbudować, bo przelicza koszt na to, co faktycznie kupujesz. Kolumna znaków diakrytycznych to sanity check: jeśli model pisze po polsku, musi używać ą, ę, ł, ń, ó, ś, ź, ż. Nie mierzy to poprawności gramatycznej, o czym niżej.

Narzędzie	Słów (3 zadania)	Znaków diakrytycznych	Sekund	USD (3 zadania)	USD / 1000 słów
Llama 3.3 70B	100	42	8,4	0,000206	0,0021
DeepSeek Chat	164	63	14,5	0,000438	0,0027
GPT-OSS 120B	83	34	24,1	0,000441	0,0053
Gemini 2.5 Flash	120	49	3,3	0,000693	0,0058
Grok 4.20	177	59	5,4	0,001292	0,0073
Claude Haiku 4.5	146	44	6,9	0,002224	0,0152
GPT-4.1	140	56	4,5	0,002772	0,0198
GPT-4o	138	51	5,4	0,003405	0,0247
GPT-5.1	142	58	5,1	0,003744	0,0264
Claude Sonnet 4.5	167	59	13,2	0,007422	0,0444
Claude Opus 4.5	172	67	14,0	0,012895	0,0750
Gemini 2.5 Pro	39	9	21,9	0,021100	0,5410

Ostatni wiersz traktuj osobno. Gemini 2.5 Pro wypada drogo nie dlatego, że jest drogi, tylko dlatego, że nie skończył zadania. Wyjaśniam to niżej, bo to najbardziej mylący wiersz w całej tabeli.

Najtańsze liczby, które da się obronić

Trzy narzędzia, które możesz bezpiecznie wpiąć w automatyzację generującą dużo tekstu:

• Llama 3.3 70B - 0,0021 USD za 1000 słów. Najtańsze w zestawieniu, ale napisał tylko 100 słów z trzech zadań, więc realny koszt za 1000 słów wychodzi wyżej, niż pokazuje dzielenie.
• DeepSeek Chat - 0,0027 USD za 1000 słów, 164 słowa, 63 znaki diakrytyczne, czyli pisze po polsku gęsto i poprawnie. To najbardziej spójny wynik w całym teście: wysoka jakość polszczyzny i koszt na poziomie Llamy, która przy tym napisała o połowę mniej.
• Gemini 2.5 Flash - 0,0058 USD za 1000 słów i 3,3 sekundy na trzy zadania, czyli najszybszy wynik w zestawieniu, z wyraźnym marginesem.

Jeśli zależy Ci na czasie odpowiedzi bardziej niż na koszcie, Gemini 2.5 Flash i Grok 4.20 (5,4 s) są w zupełnie innym ujęciu niż Claude Opus 4.5 (14 s) czy GPT-OSS 120B (24,1 s). Odpowiedź użytkownika trwająca 20 sekund i odpowiedź trwająca 3 sekundy to dwa zupełnie różne produkty, mimo że tekst wychodzi podobny.

Najbardziej zaskakujący wiersz zestawienia to GPT-OSS 120B: 0,0053 USD za 1000 słów przy 24,1 sekundy. To 36 razy taniej od Gemini 2.5 Pro, a o 2,2 sekundy wolniej. Jeśli przetwarzasz tekst w tle, a użytkownik nie czeka na odpowiedź, ten model wygląda bardzo dobrze. Do wyjaśnienia jest, czemu wygenerował 2100 tokenów wyjściowych dla 83 słów.

Modele, które nie ukończyły zadania

To najważniejsza część testu i jednocześnie ta, której nie ma w większości porównań narzędzi do pisania.

GPT-5 nie zwrócił ani jednego słowa. Wszystkie trzy zadania zakończyły się po 640 tokenach wyjściowych i pustą odpowiedzią. Za te puste odpowiedzi zapłaciłeś 0,019464 USD, czyli realnie 0,0195 USD za nic. Model nie zrozumiał polecenia „wróć mi treść" - oni zużyli cały budżet na analizę, a zanim się domyślił, że musi jeszcze odpowiedzieć, limit się skończył.

To samo zdarzyło się pojedynczo w innych modelach: GPT-5.2 zwrócił 1 z 3 odpowiedzi pustą przy 700 tokenach, DeepSeek V4 Pro również 1 z 3, a GPT-OSS 120B jeden raz pusty, przy zadaniu z tytułami. Wniosek jest prosty: przy limicie 700 tokenów nie da się odróżnić modelu, który nie umie, od modelu, który nie zdążył. Jeśli budujesz coś na API, ustawiasz max_tokens z zapasem, a wynik sprawdzasz pod kątem pustej treści. Pusta odpowiedź bez błędu to najgorszy możliwy scenariusz, bo wygląda jak sukces.

Gemini 2.5 Pro uciął wszystkie trzy odpowiedzi w połowie zdania. Każda odpowiedź: 13 słów, 696 tokenów wyjściowych. Oto dosłowny początek pierwszej z nich: „Masz za dużo na głowie? Powtarzalne zadania to syzyfowa praca, która kradnie Tw". Zadanie SEO: „Tytuł: AI do pisania tekstów: TOP 5 narzędzi dla Ciebie Meta description: Szukasz". Nie ma w tym niczego z polskim ani z jakością. To limit tokenów.

Wniosek z tego wiersza tabeli: 0,5410 USD za 1000 słów to nie informacja o cenie Gemini 2.5 Pro. To informacja o tym, że model zmarnował tokeny i uciął zdanie. Porównywanie go z DeepSeek Chat po kolumnie „USD / 1000 słów" nie ma sensu, bo nie napisał 1000 słów - nie ukończył nawet pierwszego zdania. Traktuj ten wiersz jako ostrzeżenie, nie jako pozycję w rankingu.

Polszczyzna: sześć konkretnych rzeczy, które wyskakują w tekście

Ocena jakości polskiego to moja lektura dosłownych odpowiedzi, nie benchmark językowy z normą. Nie przyznaję tu żadnej oceny punktowej, bo byłaby nieweryfikowalna. Wypisuję natomiast to, co faktycznie wyskoczyło w tekście.

Błąd gramatyczny w GPT-4o. Wprost zdanie zaczynające się od „to ekspert w automatyzacji procesów dla małych przedsiębiorstw”. Mianownik zamiast narzędnika. Poprawnie brzmiałoby „to jest ekspertem w automatyzacji procesów”. To nie jest subtelna stylistyka - to błąd, który w tekście marketingowym widać natychmiast. Przy 51 znakach diakrytycznych model wypadał bardzo dobrze, bo gęsto używał polskich znaków. Gęstość diakrytyczna i poprawność gramatyczna to dwie różne cechy.

Wymyślona nazwa firmy w Claude Haiku 4.5 i Llama 3.3 70B. Claude Haiku zaczął od nagłówka „AutoProces - Automatyzacja dla Małych Firm". Llama napisała „Firma "Automatyzacja Pro" pomaga małym firmom". Nikt nie podał nazwy firmy w prompcie. Jeśli wygenerowany tekst ma trafić na stronę, taki nagłówek to gotowy wpad do wyrzucania.

Llama nie trzymała długości. Zamówiłem 60 słów, dostałem 31. W zadaniu SEO: 25 słów. Llama 3.3 70B była jedynym modelem, któremu żadna odpowiedź nie została ucięta, więc krótkość nie wynikała z limitu - model po prostu kończył za wcześnie. Użyła też prostych cudzysłowów zamiast polskich. Jeśli budujesz na tym automat, masz gorszy stosunek: mniej tekstu, więcej ręcznej roboty z redakcją.

Perplexity Sonar wplatał numerację cytowań w tekst marketingowy. Cytuję dosłownie: „Tworzymy automatyzacje procesów dla małych firm, które oszczędzają czas, ograniczają błędy i porządkują codzienną pracę[3][11]. Wdrażamy rozwiązania dopasowane do realnych potrzeb, od obsługi leadów po faktury i przypomnienia[1][19]." W jednym akapicie były trzy takie odwołania: [3][11], [1][19], [2][13]. Do czyszczenia przed publikacją, w każdym tekście. Za samą treść zapłaciłeś 0,1136 USD za 1000 słów, czyli najdrożej w całym zestawieniu poza uciętym Gemini.

GPT-5.2 wygenerował frazę, której używa się jako zarzec. W tytule blogowym pojawiło się „AI do pisania tekstów - rewolucja w copywritingu". Słowo „rewolucja" w nagłówku to sygnał, że model sięga po kliszę, bo nie ma nic konkretnego do powiedzenia. Z drugiej strony dwa pozostałe zadania tego modelu obsłużył dobrze: 32 słowa przy zadaniu SEO i pełne 80 słów o RODO.

Polskie idiomy wychodzą poprawnie, ale nie zawsze. Claude Sonnet 4.5 napisał „Zamiast harować jak wół przy powtarzalnych zadaniach" oraz „Nie odkrywamy Ameryki". Grok napisał „wyrzucić z głowy chaos" i „odwalają robotę". DeepSeek użył „odciążyć się z głowy" i „strzałem w dziesiątkę". Wszystkie są z wyboru poprawne, z wyjątkiem jednego: Grok użył potoczenia „odwalają robotę" w tekście, który miał być opisem firmy. To nie błąd językowy, to błąd rejestru. W opisie firmy klient ma rację, że brzmi jak reklama taniej wyprzedazy butów.

Markdown, który wyskakuje do tekstu

Osobna kategoria problemu, bo dotyczy większości modeli i jest prosta do obejścia. Modele zwracają formatowanie, którego nie prosiłeś: pogrubienia, nagłówki, myślniki.

• Claude Opus 4.5 zaczął od nagłówka „## Opis firmy".
• Claude Sonnet 4.5 pogrubił „oszczędzać czas i pieniądze" i „harować jak wół".
• Grok 4.20 wypisał „**Opis firmy:**" i pogrubił cztery fragmenty w jednym akapicie.
• Gemini 2.5 Flash: „które stawiają je na nogi", „to strzał w dziesiątkę".
• GPT-5.2: „**Tytuł (do 60 znaków):**".

Na stronie albo w eksporcie do systemu CMS to nie jest zawsze szkodliwe, bo renderer Markdowna zamieni to na HTML. W polu tekstowym w panelu albo w eksporcie do PDF wygląda to jak surowy kod i wymaga czyszczenia. Najprostsze rozwiązanie: jeden prompt dodatkowy, żeby model zwracał czysty tekst bez formatowania, plus walidacja odpowiedzi przed zapisem. W moim teście DeepSeek Chat wypadł tu najlepiej: użył polskich cudzysłowów „ ” i niczego więcej nie dodał.

Ten sam problem dotyczy innych warstw, nie tylko formatowania. Jeśli planujesz pisać po polsku w wolumenie, warto przeczytać, dlaczego sam prompt przestaje wystarczać w 2026 roku - jakość odpowiedzi często zależy od tego, co dzieje się wokół promptu, a nie od samego promptu.

Abonament to nie to samo co koszt za tysiąc słów

Najczęstszy błąd w porównaniach narzędzi do pisania: mieszanie w jednej tabeli opłaty za dostęp do modelu i opłaty za wolumen tekstu. To są dwie różne usługi i nie da się ich porównać, bo kupujesz zupełnie co innego.

Opłata za dostęp, w cenach oficjalnych: Claude Pro kosztuje $17 miesięcznie przy płatności rocznej z góry ($200 pobierane od razu) albo $20 przy płatności miesięcznej. Claude Max kosztuje od $100 miesięcznie i daje 5- albo 20-krotnie większy limit użycia niż Pro. Rocznie wychodzi odpowiednio $204 przy płatności rocznej ($17 × 12) albo $240 przy miesięcznej ($20 × 12).

Opłata za wolumen, w moim teście: od 0,0021 USD za 1000 słów (Llama 3.3 70B) do 0,0750 USD (Claude Opus 4.5) przy tekstach, które faktycznie się ukończyły.

Te liczby dzieli dziesięć razów, a w niektórych przypadkach sto. Przy jednym blogu w miesiącu, to znaczy przy kilkunastu tysiącach znaków, opłata abonamentowa jest jednoznacznie tańsza i nie warto jej liczyć. Przy generowaniu treści w wolumenie albo przy obsłudze setek klientów, abonament przestaje się spinać z kosztem i zostaje opłata za wolumen. Dlatego nie mówię, który model jest „tańszy" - mówię, który model jest tańszy przy Twoim wolumenie. Własny model na swoim serwerze ma sens wtedy, kiedy ten wolumen się ustabilizował; kalkulacja na 12 miesięcy w trzech scenariuszach pokazuje, gdzie przebiega ta granica.

Cen ChatGPT Plus i Google AI Pro nie podaję. Strona z cennikiem ChatGPT zwróciła mi HTTP 403 i wyświetliła ekran Cloudflare, a strona subskrypcji Gemini zwróciła 200, ale kwoty są w tabeli generowanej przez JavaScript i nie ma ich w pobranym kodzie strony. Nie będę wpisywał tych liczb z pamięci, bo za miesiąc mogą być nieaktualne. Sprawdź je bezpośrednio u dostawcy, jeśli akurat podejmujesz tę decyzję.

DeepSeek pokazuje, że pora dnia ma swoją cenę

Jedna z najbardziej konkretnych rzeczy w tym teście nie dotyczy pisania, tylko rozliczeń. Cennik DeepSeek ma dwie strefy: off-peak i peak, i różnica jest dokładnie dwukrotna dla każdej pozycji oraz dla obu modeli. Za milion tokenów wejściowych, bez cache, deepseek-flash kosztuje 0,15 USD off-peak i 0,3 USD w szczycie. Wyjście: 0,6 USD off-peak, 1,2 USD w szczycie. Wariant pro: wejście 0,66 USD off-peak i 1,32 USD w szczycie, wyjście 1,98 USD off-peak i 3,96 USD w szczycie. Przy cache hit ceny spadają jeszcze bardziej: od 0,003 USD do 0,022 USD za milion tokenów w zależności od wariantu.

Przeliczmy to na realny przypadek. Tysiąc słów polskiego tekstu to mniej więcej 1500 tokenów. Przy deepseek-flash w off-peak to koszt rzędu 0,0009 USD za tysiąc słów, czyli mniej niż trzy dziesiąte grosza. W szczycie dwa razy więcej. Do własnych tekstów, na fakturach, w korespondencji, w wolumenie, którego nie trzeba mieć od razu, przesuwanie na okno poza szczytem jest darmową optymalizacją. Sama dokumentacja podaje też limity: 1 mln tokenów kontekstu, maksymalnie 384 tys. tokenów wyjścia, wariant flash z limitem współbieżności 2500 i pro z limitem 500. Wariant pro nie przyjmuje obrazów, a tryb myślenia można włączać i wyłączać.

Uwaga o jednej zmianie w cenniku, o której łatwo się nie doczytać: nazwy deepseek-v4-flash i deepseek-flash-vision-exp są przyjmowane, ale dokumentacja mówi wprost, że te modele zostały wycofane, zapytania są obsługiwane przez DeepSeek-V4.1-Flash i rozliczane po cenie wariantu Flash. Jeśli masz w kodzie starą nazwę, działa, ale nie śledzisz właściwej ceny. Przy wersjach DeepSeek, cenach i pytaniu o dane firmowe pisałem osobno co z DeepSeekiem da się zrobić po polsku.

Modele z otwartymi wagami mają drugą stronę tej samej decyzji: płacisz za sprzęt i czas, nie za tokeny. Jeśli masz serwer i stabilny wolumen, modele open weights na własnym serwerze wychodzą najtaniej przy dużej skali i najbardziej krucho przy małej.

Jak to przełożyć na Twój projekt

Jeśli masz dziś jedno narzędzie do pisania i myślisz o zmianie, nie zaczynaj od tabeli cen. Zacznij od dwóch pytań, na które w moim teście było najwięcej różnicy między modelami:

Pytanie pierwsze: co się stanie, gdy model nie zdąży? Każdy model, który zjadł cały max_tokens, dał Ci pustą odpowiedź bez błędu. To oznacza, że w kodzie musi być walidacja długości odpowiedzi i jedna próba ponowienia z większym limitem, zanim tekst w ogóle trafi dalej. Bez tego jeden taki przypadek to pusta strona albo pusty wpis w bazie, a Ty dowiesz się o tym z raportu, nie z testu.

Pytanie drugie: co zostawiasz do ręcznej pracy po napisaniu tekstu? Z moich pomiarów: usunięcie Markdownu, poprawka jednego błędu gramatycznego, wyczyszczenie numeracji cytowań, wycięcie wymyślonej nazwy firmy. To cztery czynności, nie zero. Z drugiej strony jest część, która nie wymaga poprawek: polskie idiomy, gęstość znaków diakrytycznych, format tytułu i meta description, trzymanie się limitu znaków. Modele z grupy „tanie i szybkie" (DeepSeek Chat, Gemini 2.5 Flash, Grok 4.20) radziły sobie z tymi elementami bez poprawek. Jeśli Twój proces to dużo krótkich, powtarzalnych tekstów, to są te właściwe narzędzia.

Trzecia rzecz, o której trzeba pomyśleć od razu: to, że tekst po polsku z brakiem polskich znaków i błędem w mianowniku wchodzi do publikacji, to nie jest problem modelu, tylko brak kontroli. Jeden prosty krok po wygenerowaniu - sprawdzenie, czy w tekście są znaki „ą ę ł ń ó ś ź ż", czy nie ma na końcu zdania urwanego w połowie, czy nie ma numeracji typu [3][11] - wyłapie większość tego, co tu opisałem. Serp features rosną, więc treść wychodzi z innych stron, ale to nie znaczy, że automat może zostawić błąd w jednym własnym zdaniu, które ma największy wpływ na Twoją domenę.

Przy wdrożeniu automatyzacji treści warto też zobaczyć, co się dzieje, kiedy Twoja strona wchodzi do odpowiedzi AI w Google. To zmienia pytanie „które narzędzie pisze najlepiej" w inne pytanie: „co w ogóle warto generować automatycznie, a co musi zostać napisane przez człowieka".

Czego nie sprawdzałem

Żeby ten test nie był czytany jako recenzja wszystkiego, co ma „AI" w nazwie:

• Osobnych usług do copywritingu - Jasper, Copy.ai, Writesonic, Rytr i podobne. Nie mam do nich dostępu przez API, więc nie podaję ani ich cen, ani wyników. Ich modele często są dokładnie tymi, które tu zmierzyłem, a ich abonament to dopłata za interfejs, szablony i wersjonowanie.
• Powtórzeń. Każdy model odpowiedział raz. Nie ma średnich ani odchyleń.
• Długich tekstów. Trzy krótkie zadania nie mówią nic o tym, jak model zachowa się na 2000 słów, gdzie zaczyna się spójność i powtarzanie zdań.
• Danych firmowych i retencji. Nie sprawdzałem polityk przechowywania treści u dostawców, a to jest pytanie, które musisz zadać sam, zanim wyślesz przez API cokolwiek, co jest poufne.
• Polskiego slownictwa branżowego. Moje zadania dotyczyły opisu firmy, tytułu i RODO. Nie sprawdzałem, jak modele radzą sobie z terminami typu „wylewka betonowa", „pozwolenie na budowę" czy „obowiązek informacyjny". Tam potrzebny jest test na Twojej własnej terminologii.

Jeśli chcesz powtórzyć ten test na swojej domenie, metodę masz w bench.json: trzy zadania, jeden limit tokenów, koszt z usage.cost. Podmień zadania na swoje realne briefy i zobaczysz, jak wygląda ranking dla treści, które faktycznie produkujesz.