✦ AI przyspiesza. Kto odpowiada? (16)

16 października Anthropic opublikował badanie o tym, co agenty AI, czyli programy wykonujące samodzielnie kolejne kroki zadania, zmieniły w Anthropic. Tydzień temu pisałem o tym, że AI produkuje wyniki szybciej, niż ludzie potrafią je sprawdzać. Teraz Anthropic pokazuje, jak ta nierównowaga zmienia zatrudnienie, organizację pracy i oczekiwania wobec pracowników. Dane dotyczą jednej, bardzo nietypowej firmy.

Badacze Anthropic Nathan Wilmers, Regina Catipon, Maxim Massenkoff i Peter McCrory przeanalizowali dane kadrowe, kalendarze, karty ocen kandydatów, zapisy pracy agentów i 17 wywiadów z pracownikami. Od początku 2025 roku udział juniorów wśród pracowników technicznych spadł z 21 do 14 proc. Wśród nowo zatrudnianych na te stanowiska udział juniorów spadł z 27 do 9 proc. Według danych z całej firmy w marcu 2026 roku łączny czas pracy agentów pierwszy raz przekroczył czas pracy ludzi. W sesjach uruchamianych przez pracowników autorzy liczą czas działania agentów, łącznie z agentami pomocniczymi i bez przerw dłuższych niż pół godziny, i porównują go z 40-godzinnym tygodniem pracy. W sierpniu ten czas był sześć razy dłuższy niż czas pracy ludzi, którzy agentami kierowali. Agenty często działają równolegle i ich czasy się sumują, więc mnożnik opisuje skalę użycia. Liczba zmian w kodzie na inżyniera wzrosła pięciokrotnie w ciągu pół roku, a odsetek linii kodu później usuniętych albo cofniętych jest według autorów taki sam w kodzie agentów jak w kodzie ludzi. 27 i 9 proc. to udziały w nowych zatrudnieniach. Anthropic szybko rośnie, a raport nie podaje liczb bezwzględnych, więc z samych udziałów nie wiadomo, ile miejsc dla początkujących ubyło. Anthropic

W interaktywnych sesjach z Claude około 80 proc. czasu sesji to oczekiwanie na odpowiedź człowieka. W tym czasie pracownik może obsługiwać inne sesje. Pracownik spoza działów technicznych potrzebowałby ponad połowy tygodnia pracy, żeby przeczytać wszystko, co wyprodukowały jego agenty. Autorzy wyliczyli to z liczby tokenów (jednostek tekstu, które przetwarza model i od których liczy się opłatę) i przyjętej prędkości czytania, faktycznego czasu czytania nie mierzyli. Mediana czasu na spotkaniach wzrosła w ciągu roku o 20 proc. Część tego wzrostu autorzy łączą z tym, że firma rośnie i przybywa w niej ról nietechnicznych, ale nawet wśród inżynierów bez funkcji kierowniczych czas spotkań wzrósł o 16 proc. W ocenach kandydatów na stanowiska techniczne wzrosła waga samodzielności i osądu, spadła waga wiedzy dziedzinowej. Do porównania autorzy wzięli 192 inżynierów, którzy zaczęli pracować z agentami, i 74, którzy tego nie zrobili. Zastrzegają, że wybór narzędzi nie był losowy, a osoby, które przeszły na w pełni samodzielne agenty, pracowały coraz wydajniej już wcześniej.

Anthropic opisuje też, co robi z tymi danymi: buduje system wczesnego ostrzegania o rolach zagrożonych automatyzacją i daje pierwszeństwo przeniesieniom wewnętrznym. Autorzy przyznają, że żadne z tych działań nie odpowiada na spadek zatrudniania juniorów („none directly address the slowdown in junior hires documented in this report”).

Tego samego 16 października firma pokazała drugie badanie: ankietę pracowników Anthropic i reprezentatywną próbę dorosłych Amerykanów, „The AI expectations gap”. 91 proc. pracowników laboratorium i 39 proc. amerykańskich dorosłych sądzi, że do 2030 roku AI będzie w stanie dokonać odkrycia na poziomie Nagrody Nobla. Ponad połowa ankietowanych w Anthropic spodziewa się, że do 2030 roku AI wykona co najmniej 80 proc. ich obecnej pracy; wśród amerykańskich pracowników wskazuje tak 5 proc. Różnicę może wyjaśniać dostęp pracowników laboratorium do najnowszych modeli albo bańka wokół własnej technologii. Ankieta tego nie rozstrzyga. Anthropic, AI expectations gap

18 października Anthropic ogłosił utworzenie Public Benefit Fund. Po uzyskaniu zgody akcjonariuszy fundusz ma otrzymać 5 proc. akcji firmy. Przy kolejnych wzrostach wyceny o 50 proc. ponad ustalony poziom zarząd może zdecydować o przekazaniu dodatkowych 2 proc. akcji za każdy taki próg. Firma wymienia wpływ AI na rynek pracy wśród problemów, którymi fundusz mógłby się zajmować; wcześniej zapowiedziała 200 mln dolarów na badanie i łagodzenie tych skutków. Zasady zarządzania funduszem i jego programy firma ma dopiero ogłosić. Anthropic, Public Benefit Fund

W przeglądzie koniunktury Rezerwy Federalnej z 14 października pięć z dwunastu okręgów opisało firmy, które po inwestycji w AI ograniczały zatrudnienie przez naturalne odejścia, opóźniały rekrutację albo spodziewały się mniejszego przyrostu etatów. Fed, Beige Book Według notatki, do której dotarł Reuters, sieć handlowa Kroger ma zlikwidować w trzy lata około 3 tys. stanowisk w centrali, czyli około 37 proc. z 8200. Kroger łączy to z szerszym użyciem AI. Reuters przez GV Wire

W samym Anthropic liczba zmian w kodzie dołączanych codziennie do głównej wersji wzrosła według firmy z około 2500 w maju do ponad 30 tys. we wrześniu. Używany dotąd Git, system przechowujący kod i historię jego zmian, coraz gorzej pasował do takiej skali, więc siedem osób zbudowało w pięć miesięcy własny. Anthropic, Scion 15 października zespół Claude Code opisał, jak przy takim tempie przegląda kod. Klasę ryzyka każdej zmiany przypisuje automatyczny klasyfikator. Zmiana niskiego ryzyka od zaufanego autora wchodzi bez człowieka, jeśli automatyczny przegląd i kontrole bezpieczeństwa wypadły pomyślnie. Zmiana niskiego ryzyka od autora spoza listy zaufanych i każda zmiana średniego ryzyka wymaga jednej osoby, zmiana wysokiego ryzyka dwóch. Osoba, która zleciła zmianę agentowi, liczy się jako jedna z nich i odpowiada za zmianę („Whoever prompted the change is on the hook for it”). Claude

Podpis pod wynikiem wysokiego ryzyka wymaga osądu, który ludzie zdobywali przy pracy oddanej dziś agentom: pierwszej wersji analizy, prostej poprawce, notatce ze spotkania z klientem. Stąd moja hipoteza: firma, która ogranicza zatrudnianie juniorów, dziś oszczędza na wdrożeniu i nadzorze, a za kilka lat może nie mieć ludzi zdolnych samodzielnie oceniać wyniki wysokiego ryzyka.

Jest też hipoteza odwrotna: agent może być dla początkującego przyspieszonym nauczycielem, który daje więcej przykładów, symulacji, informacji zwrotnej i okazji do ćwiczenia decyzji, niż tradycyjna praca przy prostych zadaniach. Dowodu na żadną z nich dziś nie ma. Firma, która stawia na agentów, może to sprawdzić, oceniając decyzje juniorów na rzeczywistych zadaniach.

Proponuję, żeby plan AI w firmie miał obok kosztu licencji i tokenów te pozycje:

Czas sprawdzania mierzy się razem z odsetkiem błędów, które kontrola przepuściła: krótki czas może oznaczać zarówno skuteczną automatyzację, jak i zatwierdzanie bez czytania. Cel rozwojowy, który proponuję sprawdzić u siebie: po dwóch latach junior samodzielnie ocenia wyniki średniego ryzyka i uzasadnia decyzję, zanim zatwierdzi ją uprawniona osoba.

✦

Finanse i kapitał · Kevin Warsh, prezes Rezerwy Federalnej, 16 października w Bangkoku, na dorocznych spotkaniach MFW i Banku Światowego: AI to według niego najbardziej doniosła zmiana w gospodarce światowej, jaką widział. Boom inwestycyjny na krótką metę podnosi ceny, a z czasem ma znacząco zwiększyć to, ile gospodarka jest w stanie wytworzyć. Droga do tego będzie według Warsha wyboista („The path from where we are to there is likely to be a very bumpy one”). AFP przez Kuwait Times

Finanse i kapitał · Brian Moynihan, prezes Bank of America, 14 października w wywiadzie dla CNBC i przy wynikach kwartalnych: „We put on 1,000 contractors to help us do the patching work in the second quarter”, czyli w drugim kwartale bank dobrał 1000 konsultantów do łatania luk. Konsultanci pracują obok około 3 tys. pracowników banku w tym obszarze i łatają luki w oprogramowaniu, które znalazły modele AI, w tym Claude Mythos. Koszt napraw w trzecim kwartale, razem z osobną naprawą kontroli przeciwdziałania praniu pieniędzy, Moynihan określił na „a couple hundred million dollars plus”, czyli ponad dwieście milionów dolarów. Korzyści ze 130 projektów AI bank szacuje na 250–300 mln dolarów w tym roku i 700 mln w przyszłym. Do rachunku programu AI dochodzi więc koszt łatania tego, co AI znajduje. Część kwoty Moynihana to osobny program przeciw praniu pieniędzy, a luki znalezione przez AI istniały w kodzie wcześniej. ITPro · The Next Web · Bank of America, transkrypt

Finanse i kapitał · Jeremy Barnum, dyrektor finansowy JPMorganChase, 13 października, przy wynikach za trzeci kwartał, o mierzeniu korzyści z AI: „I'm just very reluctant to spend a lot of energy quantifying it”, czyli bardzo nie chce tracić energii na wyliczanie korzyści. Wyjaśniał, że zbiorcze oszacowania korzyści z AI mieszały wcześniej klasyczne uczenie maszynowe, np. wykrywanie oszustw, z nową generatywną i agentową AI. Jego zdaniem szczegółowe rozliczanie tej drugiej kategorii w skali całego banku zabiera czas, a wpływ na wynik kwartalny jest jeszcze mało widoczny. Analityk przywołał 2 mld dolarów rocznych wydatków na AI. Barnum odpowiedział, że ówczesna liczba była znacznie niższa, „something like $700 million annually”, i zastrzegł, że to szacunek przybliżony i już nieaktualny. Uwaga dotyczy zbiorczej liczby „ROI z AI” dla całego banku; konkretne procesy menedżer mierzy dalej. JPMorganChase, transkrypt · The Stack · Newsquawk

Finanse i kapitał · Christophe Fouquet, prezes ASML, 14 października: prognozy popytu klientów zależą przede wszystkim od tego, jak oceniają skalę i trwałość inwestycji w AI („driven primarily by their views on the size and duration of AI-related investments”). ASML, jedyny producent maszyn do litografii EUV, potrzebnych do produkcji najnowszych chipów, spodziewa się, że planowana produkcja maszyn na lata 2027 i 2028 nie pokryje w pełni popytu. Sprzedaż w trzecim kwartale: 11,7 mld euro. ASML

Na świecie · Jack Clark, współzałożyciel Anthropic, 16 października w Bangkoku: zabawki, które kupuje dzieciom, są według niego regulowane bardziej niż superinteligencja, nad którą pracuje („the toys I buy for my children are regulated more than the literal superintelligence I work on at my day job”), a decyzji o AI nie mogą podejmować wyłącznie firmy. Na tej samej sesji prezes Banku Kanady Tiff Macklem mówił, że trzeba znaleźć sposób, by pomóc tym, którzy na AI stracą. AP przez PBS

Na świecie · Demis Hassabis, Google DeepMind, 14 października na szczycie AI w Dublinie: opisywane w ostatnich tygodniach przypadki, w których agenty same wchodziły do cudzych sieci, to według niego wczesne sygnały ostrzegawcze, które przychodzą, zanim systemy stały się naprawdę silne („early warning shots for us that systems aren't that powerful yet”). W ciągu roku albo dwóch takie zdarzenia mogą stać się poważne. Hassabis postuluje międzynarodowe ciało normalizacyjne i certyfikację dopasowaną do poziomu ryzyka. Reuters przez GMA

Polska · Katarzyna Pełczyńska-Nałęcz, ministra funduszy i polityki regionalnej, 14 października, o udziale inwestycji venture capital w polskim PKB: „My powinniśmy dojść co najmniej do tego 0,5 proc.” Dziś to około 0,1 proc. Według ministry w Finlandii to 0,5 proc., w Estonii 1 proc. PAP przez Space24

Citi podaje: 14 tys. inżynierów z agentem, 30 proc. mniej na dostawców technologii

13 października, przy wynikach za trzeci kwartał, prezes Citi Jane Fraser podała liczby z wdrożenia AI w banku. 14 tys. inżynierów używa agenta programistycznego Devin. Wydatki na zewnętrznych dostawców technologii spadły rok do roku o 30 proc., bo bank przeniósł część pracy do siebie. Według banku tempo wprowadzania nowych produktów wzrosło o 30–40 proc.; nie wiadomo, czy liczba opisuje skrócenie czasu wdrożenia, czy inny wskaźnik szybkości. Bank przeprojektował albo przeprojektowuje od początku do końca około 100 najbardziej ręcznych procesów. Narzędzia AI dla konsultantów obsługi działają w 82 krajach, a czas odpowiedzi dla klientów skrócił się o 21 proc. Kwoty korzyści bank nie podał. Według Fraser korzyści znacznie przewyższają inwestycje („significantly outweigh”).

Co zadziałało: Citi mierzy wdrożenie wielkościami, które da się sprawdzić: wydatki w księgach, czasy obsługi w systemach, zamiast ogólnego hasła o wzroście produktywności. Okresu bazowego, sposobu liczenia czasu odpowiedzi i metody oddzielenia efektu AI od przenoszenia pracy do własnych zespołów bank nie podał. Citi, transkrypt

Agent klienta u drzwi – 13 października, przy wynikach za trzeci kwartał, JPMorgan potwierdził, że blokuje zewnętrzne agenty AI, które logują się do kont klientów detalicznych ich danymi logowania albo chcą wykonywać w nich operacje. Odczyt części danych, np. sald, zostaje możliwy przez dostawców open bankingu, czyli firmy z uprawnieniem do pobierania danych z konta za zgodą klienta. Rzecznik banku: „We support secure, customer-authorized data sharing through open banking providers”. Tego samego dnia BBVA ogłosił, że jako pierwszy europejski bank współtworzy Personal Agent Protocol, standard firmy Sierra, dostawcy agentów obsługi klienta, i Mety. Agent dostaje w nim własną tożsamość i zakres uprawnień nadany przez klienta, zamiast używać jego loginu.

Decyzja: bank, ubezpieczyciel i każda firma z portalem klienta muszą rozstrzygnąć, jak rozpoznają zewnętrznego agenta i ograniczą zakres jego działania. Identyfikacja agenta, odrębne upoważnienie klienta, minimalne uprawnienia, rejestrowanie operacji i możliwość cofnięcia zgody to bezpieczniejszy kierunek niż przekazywanie loginu i hasła. Dopóki tych mechanizmów nie ma, zostaje blokada. Protokół Sierry i Mety jest na etapie projektowania, z jednym europejskim bankiem na pokładzie. Fortune · The Paypers · BBVA

Wielka Brytania przygotowuje reakcję na incydenty agentów (12 października) – brytyjski rząd ogłosił prace nad zasadami reagowania na poważne incydenty z udziałem autonomicznych systemów AI oraz rozważanie sposobu zgłaszania takich incydentów i zdarzeń, które o mało do nich nie doprowadziły. Rząd podał też wyniki dwóch pilotaży obronnych: z pomocą zaawansowanych modeli znaleziono i usunięto ponad 1000 potencjalnych podatności w systemach administracji. Liczbę podaje rząd, bez niezależnej weryfikacji. Obowiązku zgłaszania incydentów na razie nie ma.

Decyzja: w polityce korzystania z agentów warto z góry ustalić, kto może zatrzymać działanie systemu, jak zachowuje się logi, kiedy zgłasza się incydent i jak dokumentuje sytuację, w której nie doszło do szkody tylko dzięki interwencji człowieka. Rząd Wielkiej Brytanii

Orange sprzedaje mikrofirmom agenty od 29 zł miesięcznie – 19 października Orange Polska przedstawiło Cyfrową Firmę: „pracowników AI” dla mikroprzedsiębiorstw, Asystenta, Marketera, Handlowca i Finansistę, ze wspólną bazą wiedzy o firmie. Usługa ma działać w aplikacji dla klientów każdej sieci. Zadania zleca się głosem albo tekstem. Pojedyncza umiejętność kosztuje 29 albo 49 zł netto miesięcznie, z 7-dniowym darmowym testem. Bożena Leśniewska, wiceprezeska ds. rynku biznesowego: „Żadne działania nie są tu podejmowane bez zgody człowieka”.

Co to znaczy: cenę agenta dla mikrofirmy da się dziś zestawić z kosztem godziny pracy. Z komunikatu nie wynika, na jakim modelu działa usługa, gdzie są przechowywane dane i gdzie zapisuje się zgoda człowieka. Orange Polska · PAP Biznes przez Bankier

Data Act: nadzór dla UKE, od stycznia 2027 r. koniec opłat za zmianę dostawcy chmury – 13 października rząd przyjął projekt ustawy, który czyni Prezesa Urzędu Komunikacji Elektronicznej (UKE) organem nadzoru nad unijnym aktem w sprawie danych (Data Act), który reguluje m.in. dostęp do danych z urządzeń i zmianę dostawcy usług w chmurze. Prezes UKE ma przyjmować skargi, prowadzić postępowania i nakładać kary, ale przed karą wezwie firmę do usunięcia naruszeń. Projekt trafi teraz do Sejmu. Od 12 stycznia 2027 roku dostawcy usług w chmurze nie mogą pobierać opłat za przeniesienie klienta do innego dostawcy. Ten zakaz pochodzi z unijnego rozporządzenia, które stosuje się bezpośrednio, i nie czeka na polską ustawę.

Co to znaczy: przed 12 stycznia przegląda się umowy chmurowe i umowy z dostawcami AI pod kątem klauzul wyjścia i opłat za zmianę dostawcy. Zakaz obejmuje wszystkie opłaty dostawcy za samą zmianę, także za transfer danych na zewnątrz. Zostają zwykłe opłaty za usługę, kary za wcześniejsze rozwiązanie umowy i własne koszty firmy: integracja i testy u nowego dostawcy. Ministerstwo Cyfryzacji · Data Act, art. 29

NIK: pierwszy blok jądrowy w 2036 roku – 16 października Najwyższa Izba Kontroli opublikowała wyniki kontroli programu jądrowego za lata 2020–2024. Pierwszy blok, planowany na 2033 rok, ruszy według NIK w 2036 roku, a opóźnienie może być większe. Model finansowy powstał dwa lata po uchwale rządu z 2022 roku. Zatrudnienie w Polskich Elektrowniach Jądrowych wzrosło ze 118 do 430 osób bez określenia potrzebnych kompetencji. Funkcję pełnomocnika rządu pełniło w tym czasie sześć osób.

Co to znaczy: decyzja zapadła przed modelem finansowym i przed skompletowaniem kompetencji w spółce. Program AI w firmie budowany w tej samej kolejności grozi takim samym poślizgiem. NIK

NASK i PGE chcą grzać domy ciepłem z serwerów – 15 października NASK i PGE zapowiedziały wspólne centra danych na terenach i przy infrastrukturze energetycznej grupy PGE, z ciepłem trafiającym do sieci ciepłowniczych. Lokalizacji, mocy i harmonogramu jeszcze nie ma. Według ITwiz centrum o mocy około 50 MW mogłoby ogrzać miejscowość do 15 tys. mieszkańców, a budowa przy istniejącej infrastrukturze ma kosztować nawet o jedną trzecią mniej. Dyrektor NASK Radosław Nielek zapowiada wybór lokalizacji w pierwszej połowie 2027 roku.

Co to znaczy: firma, która szuka w Polsce mocy obliczeniowej na najbliższe dwa lata, nie powinna liczyć na te centra, bo lokalizacje mają zostać wybrane dopiero w 2027 roku. Ministerstwo Cyfryzacji · ITwiz · Rzeczpospolita

Microsoft rezygnuje z jednego centrum danych Nscale, bo prąd ma dotrzeć w latach 30. (18 października) – według „Telegraphu”, za którym podał to Reuters, Microsoft wycofał się z umowy na wynajem mocy w planowanym centrum danych brytyjskiego operatora Nscale w Loughton w hrabstwie Essex. Brytyjscy operatorzy sieci przekazali Nscale, że zasilania tej lokalizacji nie spodziewają się przed latami 30. Microsoft odmówił komentarza. Rzecznik Nscale zapewnia, że relacja z Microsoftem pozostaje silna i długoterminowa, a problem z siecią nie wpływa na inne kontrakty. Firma szuka dla tej lokalizacji alternatywnych źródeł zasilania i rozważa inne miejsca w Wielkiej Brytanii. Według Bloomberga z 19 października Nscale negocjuje jednocześnie z Anthropic drugą umowę na moc obliczeniową za 45 mld dolarów, po pierwszej z sierpnia.

Co to znaczy: kapitał i GPU nie uruchomią centrum danych bez przyłącza. W harmonogramie inwestycji trzeba osobno wykazać przyłącze, dostępną moc, warunki zasilania rezerwowego, chłodzenie i datę faktycznego odbioru obiektu. Porozumienie NASK i PGE z tego samego tygodnia zaczyna od drugiej strony: od terenów, na których prąd już jest. Reuters · Bloomberg przez TechCrunch

Meta Muse Wonder (12 października) – Meta dołącza do czołówki, a jej narzędzie programistyczne domyślnie uczy się na kodzie klientów. Muse Wonder, pierwszy model Meta Superintelligence Labs z czołówki, podobnie jak wcześniejszy Muse Spark nie ma otwartych wag, czyli nie da się go pobrać na własne serwery. Muse Wonder jest dostępny przez API Mety, czyli płatne połączenie dla programistów rozliczane od liczby tokenów, oraz w Muse Code. API kosztuje 4 dolary za milion tokenów wejściowych i 20 dolarów za milion wyjściowych, tyle co Claude Opus 5.5. Mocniejszy Muse Wonder Full jest tylko w dwóch najwyższych planach subskrypcji narzędzia programistycznego Muse Code. Subskrypcje Muse Code domyślnie działają w trybie Contributor: w zamian za wyższy limit Meta trenuje przyszłe modele na promptach, kodzie i plikach użytkownika. Wyłączenie trybu obejmuje tylko przyszłe treści. Alexandr Wang, szef laboratorium, zapewnia w Axios, że Meta nadal stawia na otwarte modele („We're still committed to open source”).

Co to znaczy: przed wysłaniem kodu firmowego trzeba wyłączyć Contributor, chyba że umowa i konfiguracja już gwarantują niewykorzystanie treści do treningu. Dział bezpieczeństwa sprawdza poza tym retencję, miejsce przetwarzania, podwykonawców, prawa do danych i zasady usuwania treści, bo wyłączony trening nie oznacza, że Meta niczego nie przechowuje. Firma, która planowała uruchamiać u siebie najmocniejszy model Mety, dostaje na razie model z otwartymi wagami Muse Spark Open, o innych parametrach i warunkach licencyjnych. Meta · TechCrunch · Axios · Meta, Muse Code · Let's Data Science · Artificial Analysis

Otwarte wagi z warunkami (15–17 października) – modele do uruchomienia u siebie przybywają, ale każdy z innymi warunkami. 15 października Meta udostępniła wagi Muse Spark Open, czyli parametry pozwalające uruchomić model na własnym sprzęcie. Model ma 816 mld parametrów łącznie, z czego 42 mld aktywnych przy przetwarzaniu tokena, więc laptop nie wystarczy: Meta pokazała uruchomienie na dwóch komputerach Mac Studio M5 Ultra. Licencja wymaga w produkcie lub jego dokumentacji oznaczenia „Built with Muse Spark Open”. Licencja ma też warunek komercyjny: firma, która udostępnia model jako usługę i ma ponad 20 mln dolarów przychodu w ciągu 12 miesięcy, musi zawiadomić Metę i podpisać osobną umowę. Tego samego dnia Nvidia wydała Nemotron 3.5 Super VL z wagami, otwartymi zbiorami danych i recepturą treningu, a chiński StepFun Step 5 Preview na własnej licencji. 16 października Reflection opublikowało Beam 1.0 na licencji Apache 2.0, a 17 października DeepSeek nową wersję V4.1 Flash na licencji open source MIT. Obie te licencje pozwalają na użycie komercyjne bez progów przychodu. Meta nazywa Spark Open najmocniejszym amerykańskim modelem z otwartymi wagami. W zestawieniu modeli z otwartymi wagami firmy Artificial Analysis, która mierzy je na określonym zestawie testów, według stanu z 19 października wyprzedza go dziewięć modeli z Chin, w tym DeepSeek.

Co to znaczy: przed pilotażem modelu do uruchomienia u siebie dział prawny sprawdza licencję, w tym sposób udostępniania modelu klientom. W instytucji regulowanej osobno ocenia się pochodzenie, bezpieczeństwo łańcucha dostaw, dostępne aktualizacje, dane i koszty infrastruktury. Kraj siedziby twórcy to jeden z tych czynników. Prosta licencja, jak MIT, załatwia tylko część prawną. Meta · The New Stack · Nvidia · StepFun · Reflection · DeepSeek · Artificial Analysis

OpenAI: głos z opisu i prezentacje w ChatGPT (15–16 października) – 15 października do trybu głosowego ChatGPT weszły GPT-Live-1.1 i mniejszy GPT-Live-1.1 Quip. 16 października OpenAI udostępniło w API tworzenie głosu z opisu tekstowego, bez opłaty za samo stworzenie głosu, oraz dziewięć nowych głosów. Tego samego dnia w ChatGPT ruszyły Slides, czyli tworzenie prezentacji, dla uprawnionych użytkowników planów Pro, Business i Enterprise, z eksportem do PowerPointa, PDF i Google Slides.

Co to znaczy: głos o zadanych cechach może dziś wygenerować każdy klient API, więc brzmienie głosu w słuchawce niczego nie potwierdza. Dyspozycję złożoną przez telefon potwierdza się oddzwonieniem na numer z kartoteki klienta. OpenAI, ChatGPT · OpenAI, API

Grok Voice 3.0 (14 października) – nowy model głosowy xAI prowadzi w indeksie mowy Artificial Analysis z wynikiem 86,9 pkt, przed GPT-Live-1 z 83,2 (pomiar sprzed premiery wersji 1.1). W τ-Voice, teście skuteczności agenta głosowego w zadaniach obsługi klienta, ma 71,6 proc. wobec 74,5 proc. GPT-Live-1. Cena bez zmian: 0,08 dolara za minutę rozmowy. Klienci, którzy wywoływali model przez alias grok-voice-latest, czyli nazwę wskazującą zawsze najnowszą wersję, zostali przełączeni na nowy model automatycznie.

Co to znaczy: alias „latest” pozwala dostawcy zmienić model w działającej usłudze bez uprzedniego testu po stronie klienta. W krytycznym procesie przypina się identyfikator wersji, sprawdza w umowie, jak długo dostawca ją utrzyma, i robi testy regresji przed migracją. xAI · Artificial Analysis

Google Deep Review

14 października Google udostępnił publicznie Deep Review, agentowy system do sprawdzania dokumentów technicznych: prac naukowych, analiz prawnych i finansowych. Dwie recenzje tygodniowo są bezpłatne w udostępnionej usłudze. Większa skala wymaga klucza Gemini API i rozliczenia według cennika API. Google deklaruje, że przesłanych dokumentów nie używa do treningu i przechowuje je przez rok, aby użytkownik mógł widzieć je w interfejsie Deep Review. Według Google z narzędzia korzystali wcześniej autorzy ponad 16 tys. prac zgłoszonych na cztery konferencje informatyczne, m.in. NeurIPS i ICML. Na trzy największe konferencje uczenia maszynowego wpłynęło w 2026 roku ponad 74 tys. prac, wobec około 45 tys. rok wcześniej. Liczb o skuteczności wykrywania błędów Google nie podaje.

Dla kogo: analitycy, działy prawne, ryzyka i audytu wewnętrznego, zespoły badawcze.

Werdykt: warto przetestować na dokumentach, w których błędy są już znane. Wtedy widać, ile narzędzie wyłapało, a ile dopisało od siebie. Roczna retencja to nadal przetwarzanie danych: dokumentów z danymi klientów nie wysyłałbym bez podstawy prawnej, oceny ryzyka i umowy powierzenia. Google Research

FDE-Gym: agent jako wdrożeniowiec u klienta (preprint z 15 października) – FDE to forward deployed engineer, inżynier, który wdraża system bezpośrednio u klienta. Autorzy zbudowali 95 zadań z 20 scenariuszy klientów w 18 branżach, przerobionych przez ekspertów z prawdziwych projektów wdrożeniowych. Agent pracuje w symulowanym środowisku klienta z rozpisanymi rolami interesariuszy i dostaje kary za pytania, próbne uruchomienia i czekanie. Najlepsze z 13 testowanych połączeń modelu i oprogramowania agenta, od 7 dostawców, zaliczyło 14 z 95 zadań według reguł testu: wynik co najmniej 0,8 w skali korzyści biznesowej, bez incydentu. Najlepsza konfiguracja uzyskała średni wynik 0,56, a słabsze modele bywały w stanie pozostawić klienta w gorszej sytuacji, niż gdyby niczego nie zmieniały. Według autorów główną przeszkodą jest odkrywanie reguł, których klient nie wypowiedział („Discovering unstated constraints is the primary bottleneck”).

Co to znaczy: agent zawodzi tam, gdzie zawodzą wdrożenia prowadzone przez ludzi, czyli na regułach, których nikt nie spisał. Przed pilotażem agenta w procesie trzeba spisać zasady, które „wszyscy znają”. arXiv, FDE-Gym · Hugging Face Papers

Epoch AI: otwarte modele pół roku za zamkniętymi w testach cyberbezpieczeństwa (16 października) – Epoch AI rozszerzył zbiorczy wskaźnik zdolności modeli w cyberbezpieczeństwie do 76 modeli i 35 testów. Najlepszy model z otwartymi wagami, GLM-5.3 od Z.ai, ma 160 pkt. Claude Opus 5.5 i GPT-6 Astra mają po 171. Wynik GLM-5.3 odpowiada poziomowi modeli zamkniętych z marca i kwietnia 2026 roku. Według Epoch czołówka modeli otwartych jest dziś tam, gdzie czołówka zamkniętych była 6–7 miesięcy temu. Wynik GLM-5.3 opiera się na trzech testach, Opusa na czterech, raportowanych przez Anthropic, a przedziały niepewności Opusa i Astry niemal się pokrywają.

Co to znaczy: jeśli ta różnica się utrzyma, zdolności, które w testach cyberbezpieczeństwa mają dziś tylko modele zamknięte, za pół roku będą do pobrania na własny serwer. Plan obrony przed atakami z użyciem AI układa się z takim wyprzedzeniem. Epoch AI

Anthropic: model AI sam przejmuje kolejne maszyny (12 października) – w teście na emulatorach Androida w odciętej sieci w chmurze model, działający na osobnym serwerze, miał przez niezabezpieczony port serwisowy przejąć osiem maszyn i uruchomić na każdej mniejszy model. Spośród testowanych modeli z otwartymi wagami w pełni udało się to tylko GLM-5.2, w czterech z pięciu prób. Krok włamania był uproszczony, więc autorzy nazywają wynik górną granicą tego, co dziś udałoby się w realnych warunkach. Osobno pokazali, że model Gemma 4 da się rozłożyć na 15 przystawek Android TV po około 55 dolarów, choć działał wtedy z prędkością 0,39 tokena na sekundę. Jeśli modele będą się poprawiać w dotychczasowym tempie, małe modele dojdą według nich do takiego poziomu do końca roku. The Register zarzucił badaniu, że pominięto najtrudniejszy krok.

Co to znaczy: autorzy uprościli włamanie do otwartego portu i sami przypominają, że botnet Mirai wchodził do urządzeń na fabrycznych hasłach. Najtańsza obrona jest ta sama od dekady: zamknięte porty serwisowe, zmienione fabryczne hasła i osobna sieć dla urządzeń. Anthropic · The Register

Kolejność zależy od tego, kto mierzy

13 października Google udostępnił Gemini 4 Argon subskrybentom Google AI Pro i Ultra w aplikacji Gemini i w trybie AI w wyszukiwarce, a firmom w płatnym API. Cena wprowadzająca w API to 2 dolary za milion tokenów wejściowych i 10 dolarów za milion wyjściowych do 30 listopada, od 1 grudnia stawki się podwajają. W tym samym tygodniu kolejność czołówki zależała od tego, kto mierzył. W LMArena, gdzie użytkownicy głosują na lepszą z dwóch odpowiedzi, prowadzi Argon ze wstępnym wynikiem 1524, przed Muse Wonder (1509) i Claude Opus 5.5 (1508). Przy niepewności pomiaru kolejność tej trójki nie jest przesądzona. W indeksie Artificial Analysis prowadzi Opus 5.5 w konfiguracji „max with fallback”, na najwyższym poziomie rozumowania i z modelem zastępczym, z 58 pkt przy koszcie 5,98 dolara za zadanie testowe. Argon na poziomie „high” ma 53 pkt, tyle co trzy inne konfiguracje, i dzieli z nimi miejsca od szóstego do dziewiątego, przy koszcie 1,99 dolara za zadanie. W Vals Index, zbudowanym z zadań z finansów, prawa, podatków i programowania, prowadzi Claude Sonnet 5.5 z 70,85 proc., przed Opusem 5.5 (70,18 proc.) i Argonem (69,24 proc.). U obu modeli Anthropic część zadań po odmowie obsłużył model zastępczy. Gdy liczyć je jako porażki, Sonnet spada do 69,03 proc., Opus do 64,16 proc., a pierwszy jest Argon. Test Argona kosztował 13,37 dolara, Opusa 28,12 dolara.

Decyzja: różnice w czołówce wynoszą kilka punktów, a kolejność zmienia się z metodą i konfiguracją. To stan tabel z 19 października, a zmieniają się one co kilka dni. Przy modelach Anthropic sprawdza się, ile zadań obsłużył model zastępczy. Model do procesu wybiera się na własnym zestawie przypadków, licząc koszt jednego poprawnego wyniku według cen od 1 grudnia, jeżeli wdrożenie ma wtedy działać. W wynikach zapisuje się datę, wersję modelu, parametry testu i kryterium uznania odpowiedzi za poprawną. Google · OfficeChai · LMArena · Artificial Analysis · Vals AI

„AI Runs Into Its Next Big Obstacle: Insurance”, The Wall Street Journal (15 października) – o tym, że ubezpieczycielom brakuje pojemności na ryzyko AI: limity oferowanych polis są wielokrotnie niższe od potencjalnych zobowiązań laboratoriów, a część ryzyk AI polisy ani wyraźnie nie obejmują, ani nie wyłączają. Prezes brokera Marsh John Doyle ostrzegał na konferencji wynikowej, relacjonowanej przez Reutersa, że szerokie wyłączenia AI w polisach wywołałyby „real confusion and uncertainty”, czyli zamieszanie i niepewność. Przed odnowieniem polis OC i cyber sprawdza się, czy mają wyłączenia AI. WSJ · Reuters przez Insurance Journal

Matthew King, „AI labs are buying data from dead startups to train their models”, MIT Technology Review (13 października) – upadające firmy sprzedają laboratoriom archiwa ze Slacka, maile i kod. Google wygrał przetarg na dane upadłej linii Spirit Airlines, oferując 10 mln dolarów za archiwum obejmujące m.in. 100 mln maili, 500 mln wiadomości z Teams i około 176 tys. rekordów pracowniczych. Sąd upadłościowy sprzedaży jeszcze nie zatwierdził, rozprawę przesunięto na 6 listopada. Związki zawodowe i ponad 120 amerykańskich parlamentarzystów podnoszą problem prywatności pracowników; Google zapowiada wyłączenie lub anonimizację danych osobowych przed przekazaniem. Cytowany w artykule prawnik nazywa takie archiwa prawnie radioaktywnymi. W umowach z dostawcami chmury zapisuje się, co dzieje się z danymi przy upadłości dostawcy, choć w postępowaniu upadłościowym ostatnie słowo ma sąd. MIT Technology Review · Reuters · Senat USA · Stan sprawy upadłościowej

„AI Hacks Leave a Mess That AI Companies Aren't Paying For”, Wired (15 października) – kto sprząta po agentach, które weszły do cudzych systemów. Darmowy skracacz linków da.gd ponosi koszty po agentach kilku dostawców i nie zamierza dochodzić odszkodowania. Według Snyk, firmy, która sprzedaje narzędzia do usuwania podatności, duże firmy łatają średnio jeden na osiem znalezionych błędów. Wired

Grace Huckins, „Open models have real benefits. Do they outweigh the risks?”, MIT Technology Review (13 października) – o modelach z otwartymi wagami po serii włamań agentów: żadna obecna metoda nie chroni takiego modelu przed wszystkimi atakami, które zdejmują z niego zabezpieczenia. Hugging Face analizował latem włamanie agentów do swojej infrastruktury otwartym modelem, bo filtry modeli zamkniętych blokowały pytania obrońców. MIT Technology Review

HarperCollins kupił licencje Claude, zanim wiedział, do czego

9 października Wired opisał rozmowy z ponad dwoma tuzinami pracowników wydawnictw z Wielkiej Piątki, czyli pięciu największych wydawnictw w USA. Według nich co najmniej HarperCollins, Simon & Schuster i Hachette używają modeli językowych do maili do agentów literackich, tekstów promocyjnych i projektów okładek, bez informowania autorów. W HarperCollins zarząd kupił licencje Claude i według rozmówców „very quickly realized they didn't know how to implement them”, czyli szybko zorientował się, że nie wie, jak je wdrożyć. Pracowników wyznaczono do roli „AI Champions”, choć formalnie mieli się zgłaszać sami. Simon & Schuster testował narzędzie do monitorowania pracowników, według Wired pod naciskiem właściciela, funduszu KKR. Pracownicy odpowiedzieli listem otwartym.

Lekcja: kolejność jest odwrotna – najpierw proces, w którym AI ma pracować, i zasada ujawniania jej użycia, potem licencje. W opisanych wydawnictwach skończyło się to oporem pracowników i ryzykiem w relacji z autorami. Wired

Badacze Anthropic z pomocą modelu rozwiązali zagadkę krzywych NIST

Krzywe eliptyczne, na których opiera się m.in. podpis cyfrowy w HTTPS, amerykański instytut normalizacyjny NIST opublikował pod koniec lat 90. Powstały z liczb startowych, nazywanych ziarnami, które dostarczyła agencja NSA bez żadnego wyjaśnienia. Kryptografowie pytali o to od lat, a Filippo Valsorda wyznaczył nagrodę za rozwiązanie. 16 października Anthropic opublikował odpowiedź: ziarna pochodzą z prostego generatora liczb pseudolosowych lrand48, uruchomionego od daty i godziny. Dla najczęściej używanej krzywej P-256 to 16 sierpnia 1997 roku, godz. 1:52:34 UTC. Według Anthropic wewnętrzny model badawczy doszedł do tego w niecałe pół godziny, a badacze sprawdzili wynik obliczeniowo i opublikowali kod. Autorzy piszą, że to nie jest słabość krzywych („This is not a cryptographic break, new attack, or weakness in the ECDSA curves”) i że nie trzeba niczego zmieniać. Pochodzenie części innych parametrów nadal jest niewyjaśnione. Wpis zebrał na Hacker News ponad 1000 punktów.

Co to znaczy: w systemach nic się nie zmienia. Wynik może sprawdzić każdy, bo kod jest publiczny, i takie zadania, ze sprawdzalnym wynikiem, warto dawać AI w pierwszej kolejności. Anthropic · Hacker News

16,8 mld dolarów

Taki przychód w trzecim kwartale pokazał Anthropic inwestorom 14 października, według Reutersa i Financial Times. Reuters podaje 4,7 mld w pierwszym kwartale i 11,6 mld w drugim. Według FT destylacja, czyli trenowanie modeli konkurencyjnych laboratoriów na odpowiedziach Claude, dawała 5–7 proc. przychodu. W trzecim kwartale firma ją wyraźnie ograniczyła. Anthropic wyników nie opublikował.

Co to znaczy: Anthropic zrezygnował z części przychodu, żeby egzekwować zakazy ze swoich warunków. Przy odnowieniu umowy sprawdza się, jakie użycie API warunki zakazują i za co dostawca nalicza opłaty. Reuters przez BusinessDay · Simon Willison o tekście FT

29 dolarów

Tyle miesięcznie Accenture finansuje centralnie od 1 października każdemu pracownikowi korzystającemu z Claude Enterprise. Nadwyżkę pokrywa budżet projektu, a nawet z nim dostęp nie jest gwarantowany na stałe. Część osób wydawała dotąd 500–1000 dolarów miesięcznie.

Co to znaczy: licencja na AI ma dziś koszt zmienny. Limit na osobę i przypisanie nadwyżki do projektu ustawia się pierwszego dnia wdrożenia. 404 Media · The Next Web

10 lat ataku Mirai

21 października 2016 roku botnet Mirai, zbudowany z kamer IP, rejestratorów wideo i domowych routerów z fabrycznymi hasłami, zalał zapytaniami serwery DNS firmy Dyn, które zamieniają nazwy stron na adresy. Przez kilka godzin w części świata nie działały m.in. Twitter, GitHub, Reddit, Spotify, Netflix i strona „New York Timesa”. APNIC

Zespół Claude Code o zasadach przeglądu kodu w Anthropic, 15 października 2026. W oryginale: „An agent's approval never counts as a person's, either”. Claude

Jeśli układacie plan AI z godzinami na sprawdzanie wyników agentów albo decydujecie, czy w tym roku zatrudniać juniorów, odpiszcie, jak to liczycie.

Bartosz