Kiedy ekstrakcja LLM przestaje się opłacać

Kiedy ekstrakcja LLM przestaje się opłacać

Firecrawl pobiera 1 kredyt za pobranie strony i 5 kredytów za ekstrakcję ustrukturyzowanych pól z tej samej strony (Firecrawl pricing, 2026). To pięciokrotna marża za ten sam kod HTML przepuszczony przez model.

Obietnica brzmi dobrze: opisujesz to czego chcesz, w zamian otrzymujesz JSON, bez konieczności utrzymywania selektorów. W przypadku niestabilnych układów i jednorazowych celów taka marża ma sens. Jednak w przypadku produkcyjnego potoku, który pobiera 500 tys. stron produktów dziennie z tych samych pięciu sklepów, już nie.

Widzieliśmy zespoły, które wdrożyły domyślną ekstrakcję LLM, a pod koniec miesiąca po otrzymaniu faktury zaczynały szukać wyjścia. Rozwiązaniem zazwyczaj nie jest porzucenie modeli LLM. Chodzi o umieszczenie ich we właściwym miejscu w potoku.

Matematyka szybko staje się bezlitosna

Weźmy najtańszą wersję Firecrawl. Pobieranie plus ekstrakcja AI to 6 kredytów za stronę bez indeksowania, 7 kredytów z indeksowaniem (ScrapeGraphAI breakdown, 2026). 100 tys. stron dziennie w ich planie growth kosztuje około 21 tys. dolarów miesięcznie przed ponowieniami, zanim jeszcze zapłacisz za pojedyncze proxy.

Jeśli uruchomisz własny potok LLM, matematyka się zmieni, ale koszty wcale nie będą małe. Koszt GPT-4o to 2,50 USD za milion tokenów wejściowych i 10 USD za milion wyjściowych (PricePerToken, 2026). Strona produktu po konwersji do formatu Markdown zajmuje 4-8 tys. tokenów wejściowych. Załóżmy 6 tys. wejścia i 200 wyjścia dla bloku JSON. Przy 100 tys. stron dziennie daje to 360 USD dziennie i 11 tys. USD miesięcznie za pracę, którą selektory CSS wykonują za darmo po jednorazowej konfiguracji.

A to tylko tani model. Przejdź na Claude Sonnet 4.6 (3 USD wejście, 15 USD wyjście), a rachunek się podwoi (PE Collective, 2026). Jeśli przejdziesz na model rozumujący, dolicz karę rzędu 3-10x w zależności od tego, jak długo model będzie analizował przed udzieleniem odpowiedzi.

Nic z tego nie uwzględnia błędów. Wskaźnik halucynacji na poziomie 3-5% brzmi niegroźnie, dopóki nie policzysz tego w skali. Przy 100 tys. stron dziennie to od 3 do 5 tysięcy błędnych rekordów trafiających do hurtowni, wyglądających dokładnie tak jak te poprawne, ponieważ model zwrócił je z całkowitą pewnością. Jak ujęto to na blogu DataHen: "Nie chodzi o to, że AI czasami się myli. Chodzi o to, że myli się z całkowitą pewnością." (DataHen, 2026).

Co tak naprawdę robią doświadczone zespoły

Przeczytaj dokumentację dostawców, którzy faktycznie uruchamiają skrapery na produkcji, a wzorzec będzie spójny: rozwiązanie hybrydowe. Użyj LLM, aby raz przeanalizować stronę, a następnie uruchom tani deterministyczny kod dla wszystkiego, co następuje później.

Zyte wyjaśnia to we własnej dokumentacji: "Zamiast używać LLM na każdej stronie, użyj swojego LLM do wygenerowania selektorów CSS dla żądanych pól na podstawie surowego HTML pierwszej strony, a następnie użyj tych selektorów do analizy wszystkich pozostałych stron." (Zyte LLM guide, 2026). Apify poleca ten sam przepływ w swoim przewodniku na rok 2026: wypróbuj najpierw selektory CSS, a gdy zawiodą, użyj LLM (Apify 2026 guide). Artykuł na platformie DEV opisujący wdrożenie produkcyjne dokładnie uchwycił tę architekturę: zapisana w pamięci podręcznej ścieżka selektora nic nie kosztuje, a LLM uruchamia się tylko wtedy, gdy walidacja zakończy się niepowodzeniem (DEV.to, 2026).

Zatem podział w środowisku produkcyjnym wygląda następująco:

• LLM inicjuje selektor (jedno wywołanie na cel, ułamki centa)
• Selektor jest uruchamiany dla każdej strony (za darmo)
• Walidator (zazwyczaj regex lub sprawdzenie obecności) wychwytuje odchylenia struktury
• Odchylenia wyzwalają ponowną inicjację, tygodnie lub miesiące później

Koszt na stronę spada z około 0,005 USD do grubo poniżej 0,0001 USD. Jakość wzrasta, ponieważ deterministyczne parsowanie nie ma halucynacji. Wydajesz tokeny na pracę, w której modele LLM są naprawdę dobre: odczytywanie nowych układów, a nie kopiowanie struktury, którą już zmapowałeś.

Gdzie LLM i tak na siebie zarabia

To nie jest tekst przeciwko LLM. Istnieje mnóstwo zadań ekstrakcji, w których model jest właściwym narzędziem, a matematyka kredytowa się zgadza:

• Niestabilne układy, które zmieniają się co tydzień. Selektory psujące się w każdy wtorek kosztują więcej czasu inżynierów niż ekstrakcja LLM kosztuje w tokenach. Uruchom model.
• Cele z długiego ogona, których nigdy więcej nie odwiedzisz. Pisanie selektora się nie opłaca. Uruchom model.
• Nieustrukturyzowana treść, gdzie wynik jest podsumowaniem. Opisy stanowisk na umiejętności, artykuły na argumenty, recenzje na sentyment. Selektory tu nie pomogą. Uruchom model.
• Strony z opcjonalnymi polami rozproszonymi w różnych wariantach układu. Pojedynczy szablon z dwudziestoma warunkowymi renderowaniami to dokładnie to miejsce, w którym LLM pokonuje łańcuchy regex.

Spójrz na swój potok. Posortuj cele według wolumenu. 20% najważniejszych celów pod względem liczby żądań niemal zawsze ma stabilną strukturę (dlatego stanowią czołówkę, celowo je zintegrowałeś). To kandydaci na selektory. Długi ogon to miejsce dla modelu.

Co to oznacza dla Twojego stosu technologicznego

Narracja dostawców w 2026 roku chce, abyś domyślnie korzystał z ekstrakcji LLM. Ceny kredytów sprawiają, że wygląda to rozsądnie w przypadku małych projektów. Przestaje to być sensowne, gdy zwiększasz skalę, dokładnie w ten sam sposób, w jaki proxy pool size stopped predicting real success po uszkodzeniu sygnału bazowego.

Trzy wnioski dla zespołów budujących produkcyjne potoki:

1. Oddziel pobieranie od parsowania. Jeśli Twój dostawca scrapingu zwraca tylko JSON wyodrębniony przez LLM, nie będziesz mógł powrócić do selektorów, gdy pojawi się rachunek. Wybierz infrastrukturę, która dostarcza HTML i pozwala samodzielnie wybrać ścieżkę ekstrakcji.
2. Agresywnie używaj pamięci podręcznej dla selektorów. Wygenerowane selektory można ponownie wykorzystać na tysiącach stron. Kosztowne jest ich wygenerowanie, a nie użycie.
3. Mierz koszt za rekord, a nie za stronę. Potok kosztujący 0,001 USD za stronę, który dostarcza 5% złych rekordów, ostatecznie kosztuje więcej niż ten, który kosztuje 0,005 USD za stronę i zwraca czyste dane. Przechowywanie danych, dalsze zapytania i konieczność ich czyszczenia pociągają za sobą realne koszty.

Wybierz nudną połowę

Domyślna ekstrakcja LLM to doskonałe rozwiązanie do prezentacji demonstracyjnych i niewłaściwe dla środowiska produkcyjnego. Zespoły, które dobrze to wdrażają, traktują modele LLM jako narzędzie do zrozumienia strony, a nie narzędzie do jej odczytania. Nudny deterministyczny kod nadal wygrywa wolumenem w 2026 roku, z kolei model sprawdza się w przypadku nowości. Obie technologie powinny znaleźć się w stosie.

W FourA usługi Single i Browser zwracają surową odpowiedź (HTML, wyrenderowany DOM, headers, body) i na tym kończą. Zależnie od potrzeb możesz użyć selektorów do parsowania, wysłać dane do modelu lub zrobić jedno i drugie. Nie dodajemy mnożnika kredytowego za ekstrakcję, której nie wykonaliśmy.