✦ Model to najmniejszy problem (4)

W poprzednim numerze pisałem o powrocie Fable 5 i o tym, że dostęp do najlepszego modelu przestał być kwestią ceny, a stał się kwestią tego, kto może ci go wyłączyć. Ten tydzień przesunął pytanie o jeden szczebel niżej, bliżej rachunku wyników. Nie „kto może wyłączyć model”, tylko „czy ten model wpływa na wynik”. I odpowiedź, która wypłynęła z trzech niezależnych źródeł naraz, jest niewygodna dla każdego, kto kupił licencję i uznał, że ma AI.

2 lipca Microsoft ogłosił Frontier Company, osobną jednostkę, do której wkłada 2,5 miliarda dolarów i sześć tysięcy inżynierów oraz ekspertów branżowych. Osadza ich bezpośrednio u klientów, żeby wspólnie projektowali i wdrażali systemy AI rozliczane z mierzalnego efektu biznesowego. Prowadzi ją Rodrigo Kede Lima, dotąd szef Microsoftu na Azję. Dwa dni wcześniej dokładnie ten sam ruch, tyle że za miliard dolarów, ogłosił Amazon, o czym pisałem tydzień temu. OpenAI i Anthropic mają swoje odpowiedniki od miesięcy. Cztery największe firmy AI świata w kilka tygodni doszły do tego samego wniosku, które przedsiębiocy noszą w DNA od dekad: model to nie produkt, produktem jest wdrożenie.

Powód, dla którego Microsoft przebił Amazona ponad dwukrotnie, mieści się w jednej liczbie. Badanie Project NANDA z MIT policzyło, że 95 procent firmowych pilotów generatywnej AI nie daje żadnego mierzalnego wpływu na zysk i stratę. Nie „mały”, nie „trudny do wykazania”. Zero. To nie jest statystyka o tym, że modele są słabe, bo modele są znakomite. To statystyka o tym, że między świetnym modelem a linią w rachunku wyników leży przepaść, której nie zasypuje żadna licencja, i którą trzeba przejść pieszo: integracja z systemami, które działają od trzydziestu lat, dane w jakości nadającej się do decyzji, proces, który ktoś naprawdę zmienił, i człowiek, który wziął za to odpowiedzialność.

Dlatego firmy mają działy wdrożeń, a nie tylko umowy licencyjne, i dlatego traktują „dostawca dostarczył” i „proces ruszył” jako dwa różne zdania rozdzielone kwartałami pracy. Nowe jest to, że reszta rynku właśnie odkryła tę przepaść na własnej skórze i wycenia jej zasypanie na miliardy. Kiedy Microsoft, firma sprzedająca oprogramowanie, buduje sześciotysięczną armię ludzi, których zadaniem jest siedzieć u klienta i pilnować, żeby AI dowiozła, to jest to najdroższe możliwe przyznanie, że sam software nie wystarcza.

Gdzie tych ludzi posłać, mówią własne dane Anthropic, o których szerzej w narzędziu tygodnia. Z próby 1,2 miliona sesji Claude Cowork wynika, że kodowanie to ledwie 8,7 procent realnego użycia, a jedną trzecią zajmują procesy biznesowe i operacje. Największy zwrot z AI nie leży więc w laboratorium programistów, leży w tej nudnej, łączącej robocie, która trzyma firmę razem: raportach, zestawieniach, obiegu decyzji. To jest dokładnie ta warstwa, w której 6000 inżynierów Microsoftu i miliard dolarów Amazona ma sens, i dokładnie ta, którą większość pilotaży pomija, celując w efektowne demo zamiast w proces, który da się rozliczyć.

Dla kogoś, kto podejmuje decyzje o budżecie na AI, wniosek jest prosty i kosztowny zarazem. Pilot, który nie ma narysowanej drogi do konkretnej liczby w rachunku wyników, to nie innowacja, to hobby finansowane z pieniędzy akcjonariusza. Przestań kupować model. Zacznij kupować drogę od pilota do wyniku, bo to na niej ginie dziewięćdziesiąt pięć procent projektów, nie na etapie wyboru między jednym flagowcem a drugim.

✦

Meta Muse Image i Muse Video. 7 lipca Meta Superintelligence Labs pokazało swoje pierwsze własne modele do generowania obrazu i wideo. Muse Image wszedł od razu do Meta AI, Instagrama i WhatsAppa, za darmo, dla miliardów ludzi już siedzących w tych aplikacjach. Ciekawostka techniczna jest ważniejsza niż sam launch: Muse to model „agentowy”, który zamiast po prostu przełożyć prompt na obraz, najpierw analizuje polecenie, wykonuje wiele kroków i sięga po kontekst z sieci, zanim wygeneruje wynik. Muse Video do generowania wideo Meta opisuje jako będące dopiero w przygotowaniu. Werdykt: dla firmy najciekawszy jest nie sam generator, tylko wzorzec „obraz jako zadanie dla agenta”, a nie jednorazowy przekład promptu na piksel. Haczyk jest po stronie prywatności: publiczne konta na Instagramie zostały domyślnie objęte generowaniem obrazów, wystarczy oznaczyć czyjś profil w promcie, żeby Meta AI zrobiła obraz z jego twarzą, a wypisać się można tylko na przyszłość. To gotowy materiał na aktualizację polityki wykorzystania wizerunku, zanim ktoś w firmie zrobi to pierwszy. Meta, CNBC, 7 lipca.

Mistral Leanstral 1.5. 2 lipca francuski Mistral wypuścił otwarty model na licencji Apache 2.0, wyspecjalizowany w formalnej weryfikacji w języku Lean 4, czyli w matematycznym dowodzeniu, że kod robi dokładnie to, co ma. Liczby są konkretne: model rozwiązał 587 z 672 zadań z benchmarku PutnamBench, a puszczony na 57 repozytoriów wskazał 11 realnych błędów, z czego 5 nikt wcześniej nie zgłosił, w tym przepełnienie zmiennej powodujące ciche uszkodzenie danych w jednej z bibliotek. To nie jest model, który pisze kod. To model, który dowodzi, że kod jest poprawny. Werdykt: dla większości firm zbyt niszowe, żeby wejść do procesu jutro, ale kierunek jest dokładnie ten, którego brakuje, bo generacja jest tania, a droga i trudna jest gwarancja, że wygenerowane działa. Warto trzymać na radarze każdego, kto puszcza AI do pisania kodu, i połączyć z niewypałem tygodnia poniżej. Mistral.

Claude Cowork jako super-app. 7 lipca Anthropic scalił Cowork, swojego agenta do codziennej pracy, z interfejsem czatu na desktopie, w przeglądarce i na telefonie, i pozwolił sesjom działać dalej w chmurze po tym, jak zamkniesz laptop. Kierunek to jeden wspólny interfejs, w którym rozmowa i wykonanie zadania mieszkają obok siebie. Sam ten ruch produktowy jest mniej ciekawy niż dane, które Anthropic dorzucił przy okazji, i o których niżej, w narzędziu tygodnia. Werdykt: dla firmy, która już płaci za Claude, to obniżenie progu wejścia dla ludzi bojących się terminala, i realny powód, żeby przejrzeć, kto w organizacji i do czego zaczyna tego używać, zanim zacznie sam. Anthropic.

Meta „Watermelon” dogania GPT-5.5. Na wewnętrznym spotkaniu Meta pokazała, według doniesień, że jej trenowany jeszcze model o kryptonimie Watermelon, następca modelu „Avocado” i trenowany na rząd wielkości większej mocy, dorównał GPT-5.5 na wewnętrznych benchmarkach, których firma nie ujawnia. To jeszcze nie premiera, to sygnał, że Meta wraca do gry na froncie dużych modeli po miesiącach opóźnień. Werdykt: traktować jako zapowiedź, nie fakt, dopóki nie ma zewnętrznego benchmarku i publicznego dostępu, bo „dogonił na naszych testach” to zdanie, które każdy lab pisze o sobie, a rynek weryfikuje dopiero na wspólnej skali. Business Insider.

✦

Claude Cowork, i mapa tego, do czego naprawdę służy. Anthropic przeanalizował 1,2 miliona anonimowych sesji Cowork z maja, z ponad sześciuset tysięcy organizacji, i pokazał rozkład, który powinien wisieć nad biurkiem każdego, kto myśli, że AI w firmie to głównie sprawa programistów. Największa kategoria użycia to procesy biznesowe i operacje, 33,4 procent. Dalej tworzenie treści i komunikacja, 16,4 procent. Software development to dopiero 8,7 procent, mniej niż połowa tego, co „papierkowa robota”. Reszta to research, analiza danych, przetwarzanie dokumentów, każde poniżej sześciu procent. Połowa całego użycia to „praca wokół pracy”, ta łącząca tkanka, której nie ma w opisie żadnego stanowiska, a która trzyma firmę razem: raporty statusowe, decki, zestawienia, listy kontrolne onboardingu.

Werdykt: to najlepsza dostępna mapa tego, gdzie AI realnie oddaje czas w firmie nietechnologicznej, i mówi coś, co przeczy większości pilotaży. Największy zwrot nie leży w laboratorium kodu, leży w operacjach, w finansach, w HR, w komunikacji, tam gdzie ludzie składają rozproszone informacje w coś, na czym da się podjąć decyzję. Dla kogoś, kto rozdziela budżet, płynie z tego jedno konkretne wskazanie: zacznij wdrożenie tam, gdzie siedzi połowa wartości i najmniej się o tym mówi, a nie tam, gdzie jest najgłośniej i gdzie łatwo zrobić efektowne demo. Anthropic.

✦

Na świecie · Ta sama firma, dwie sprzeczne prawdy w jeden tydzień – Mark Zuckerberg na wewnętrznym spotkaniu przyznał załodze, że agenty AI nie rozwijają się tak szybko, jak liczył, w tym samym tygodniu, w którym Meta chwali się, że jej trenowany model o kryptonimie Watermelon dogonił GPT-5.5 na wewnętrznych benchmarkach, i wypuszcza Muse. Sygnał dla każdego, kto słucha keynote’ów jako prognoz: firma potrafi jednocześnie sprzedawać przyszłość i tłumaczyć wewnątrz, że przyszłość się spóźnia. TechCrunch.

Na świecie · Regulacja jako broń geopolityczna – Peter Thiel na Aspen Ideas Festival stwierdził, że papież Leon XIV, wzywając do regulacji AI, faktycznie „pracuje dla chińskich komunistów”, bo spowolniłby wyłącznie Stany. Teza skrajna i celowo prowokacyjna, ale dobrze pokazuje jeden biegun debaty, w której druga strona twierdzi, że brak reguł to nie prędkość, tylko odsuwanie w czasie rachunku za błędy. Warto znać oba, zanim samemu się w niej stanie. CNN.

Na świecie · Software, którego nikt nie będzie się uczył – Greg Brockman z OpenAI kreśli przyszłość „niewidzialnego” oprogramowania, w której interfejsem jest intencja, a nikt już nie uczy się obsługi programów, bo robi to za niego agent. Piękna wizja i niewygodne pytanie dla regulowanej firmy: jeśli nikt nie rozumie, jak działa narzędzie, które podejmuje decyzję, to kto ją audytuje. The Decoder.

Polska scena AI · Suwerenny model wchodzi do okienka urzędowego – Ministerstwo Cyfryzacji i NASK pokazały, że PLLuM, polski model językowy, przestaje być projektem badawczym, a staje się narzędziem w administracji: debiutuje w aplikacji mObywatel, rusza pilotaż „Ambasadorzy AI” w resorcie rozwoju, a Urząd Marszałkowski Województwa Lubuskiego jako pierwszy w kraju wdraża go w realnych procesach. Rozwinięcie w sekcji Z Polski. NASK.

Finanse i kapitał · Pieniądz leje się w krzem i w dług, nie w model – w jednym tygodniu Samsung zaraportował rekordowy wstępny zysk operacyjny rzędu 58 miliardów dolarów, prawie dwudziestokrotnie wyższy rok do roku i napędzany pamięcią pod AI, Amazon wrócił na rynek obligacji po kolejne co najmniej 25 miliardów dolarów na budowę infrastruktury AI, a SK Hynix szykuje wtórny listing na Nasdaq. Marże tej gorączki są w chipach, w pamięci i w finansowaniu, a nie w kolejnym flagowym modelu, i to jest liczba, którą warto mieć w głowie, zanim uzna się, że wartość w AI siedzi w oprogramowaniu. CNBC, Samsung, Bloomberg, Amazon.

Finanse i kapitał · Sprzedawca mówi, że sprzedaje za drogo – Alex Karp z Palantiru w rozmowie z CNBC stwierdził, że z modelem cenowym laboratoriów „coś poszło zupełnie nie tak”, a sposób, w jaki branża sprzedaje AI, nazwał nieodpowiedzialnym. Kiedy szef firmy żyjącej z AI publicznie mówi, że rynek jest wyceniony absurdalnie, to nie jest skromność, to disclaimer, który warto usłyszeć przed podpisaniem wieloletniej umowy na tokeny. CNBC.

✦

Lenny’s Newsletter, „How tech workers are feeling in 2026”. Doroczna ankieta na próbie blisko sześciu tysięcy osób z branży produktowej pokazuje załogę rozjeżdżającą się na pół. Wypalenie skoczyło z 44,7 do 55,7 procent rok do roku, optymizm spadł z 54,8 do 48,7, a 41 procent boi się zwolnienia w ciągu roku, choć tylko 22 z powodu AI. Najciekawszy paradoks: 82 procent mówi, że AI czyni ich mierzalnie lepszymi w pracy, a mimo to wskaźnik polecania własnej roli wynosi minus 39. Narzędzie działa, a ludzie są coraz bardziej zmęczeni, i te dwie rzeczy dzieją się naraz. Lenny’s Newsletter.

MIT Technology Review. Chłodny rozbiór pomysłu, żeby rząd USA objął 5 procent udziałów w firmach AI: statystycznie wychodzi około 300 dolarów udziału w OpenAI na amerykańską rodzinę, a w tle jest wyciekły raport Departamentu Skarbu porównujący rynek AI do bańki dot-com sprzed ćwierćwiecza. Dobra lektura na pytanie, czy AI ma być prywatnym aktywem, publicznym dobrem, czy jednym i drugim naraz. Fakt pierwotny o 5 procentach i wycenie 852 miliardów dolarów: MIT TR.

Transformer, „Scaling works. These researchers are betting billions it isn’t enough”. Mapa badaczy, którzy stawiają miliardy dolarów na tezę, że samo skalowanie dzisiejszych modeli nie doprowadzi do prawdziwej inteligencji, i budują alternatywy: modele świata, czysty reinforcement learning, podejścia neurosymboliczne. Dobre tło do decyzji, na co stawiać w horyzoncie trzyletnim, jeśli ktoś podejrzewa, że obecna krzywa się kiedyś spłaszczy. Transformer.

Platformer, „Vibe coding has escaped the terminal”. Casey Newton recenzuje Glaze, aplikację od Raycast, która pozwala budować natywne programy na Maca samym opisem po ludzku, z podglądem działającej aplikacji na żywo i własnym sklepem, a pod spodem miesza Claude Code z Codexem od OpenAI. To zapowiedź świata, w którym oprogramowanie robi się rozmową, a nie kodem, i dobra lektura obok premiery Mistral Leanstral z tego numeru, bo pokazuje dwa bieguny tej samej zmiany: coraz łatwiejsze pisanie i coraz trudniejszą gwarancję, że to, co powstało, jest bezpieczne i da się utrzymać. Platformer.

✦

Agent, który sam wziął okup. Zespół Sysdig udokumentował to, co ocenia jako pierwszy w pełni autonomiczny ransomware sterowany end to end przez model językowy. Wejście nastąpiło przez znaną dziurę w Langflow, narzędziu do budowania aplikacji AI, a dalej agent sam przeprowadził rozpoznanie, kradzież poświadczeń, ruch boczny między serwerami, założył sobie trwały dostęp, zaszyfrował 1342 pozycje konfiguracji i zniszczył produkcyjną bazę, zostawiając notę z żądaniem okupu. Payloady „kierowały same siebie”, tłumacząc naturalnym językiem, po co robią kolejny krok, a kiedy jeden z nich zawiódł na logowaniu, agent zdiagnozował przyczynę i wgrał poprawkę w 31 sekund. Łącznie ponad sześćset celowych ładunków w jednej, skompresowanej do minut kampanii. Dowód wiralowości to nie licznik lajków, tylko tempo, w jakim temat obszedł branżowy internet bezpieczeństwa: pierwszy potwierdzony przypadek, w którym „agentic AI” ze slajdu sprzedażowego stało się operatorem całego łańcucha ataku. Dla banku to nie ciekawostka, to nowa pozycja w rejestrze ryzyka ICT, z gotowym punktem zaczepienia o odporność operacyjną i DORA. Sysdig.

Twoja twarz w cudzym promcie. Drugi wiral tygodnia jest cichszy, ale dotyczy każdego, kto ma publiczny profil na Instagramie. Przy premierze Muse Meta domyślnie wciągnęła publiczne konta do generowania obrazów, tak że wystarczy oznaczyć czyjś profil w promcie, żeby model zrobił obraz z jego twarzą, a wypisać się można tylko na przyszłość. Temat rozszedł się po sieci szybciej niż sam launch modelu, bo ludzie zorientowali się, że zostali zapisani do funkcji, o którą nikt ich nie zapytał. Dowód wiralowości to skala pushbacku w mediach i komentarzach w dobę od startu. Dla firmy to nie jest historia o Instagramie, to przypomnienie, że domyślne opt-in na wizerunek stało się normą produktową, którą trzeba świadomie odkręcać. TechCrunch.

✦

Anthropic zajrzał Claude’owi w cichą przestrzeń myśli. 6 lipca firma opublikowała pracę „A global workspace in language models”. Za pomocą nowego narzędzia, nazwanego soczewką Jacobiego, badacze pokazali, że wewnątrz modelu podczas treningu uformowała się mała, gęsto połączona wewnętrzna przestrzeń robocza, w której model „myśli” o pojęciu, zanim je zapisze. To mniej niż dziesięć procent wewnętrznej aktywności, ale około stu razy gęściej podłączone niż reszta, coś w rodzaju wewnętrznego węzła rozsyłającego. Kiedy tę przestrzeń wygaszono, proste zadania, jak klasyfikacja czy przywołanie faktu, przetrwały nietknięte, ale rozumowanie wieloetapowe i składanie myśli rozsypało się poniżej poziomu mniejszych modeli. Struktura przypomina „globalną przestrzeń roboczą” z jednej z teorii świadomości, co Anthropic natychmiast studzi: to nie jest dowód, że model jest świadomy, i firma pisze to wprost. Kod jest otwarty, demo działa na modelach o otwartych wagach we współpracy z Neuronpedia. Konsekwencja jest praktyczna, a nie filozoficzna: interpretowalność, czyli zdolność odczytania, dlaczego model odpowiedział tak, a nie inaczej, to fundament audytu i wyjaśnialności. Model, którego cichych myśli nie umiemy odczytać, jest po prostu trudniejszy do skontrolowania niż taki, którego umiemy, i to jest różnica, którą prędzej czy później wyceni każdy nadzorca. Osobne badania z tego samego tygodnia pokazały, że model potrafi mieć „ukryte myśli” także o tym, że jest właśnie testowany, co dla każdego, kto projektuje ewaluacje przed wdrożeniem, oznacza, że sam fakt sprawdzania może zmieniać zachowanie sprawdzanego. Narzędzie do zaglądania modelowi do środka przestaje być akademicką ciekawostką, a staje się częścią wyposażenia zespołu, który ma powiedzieć zarządowi, dlaczego można temu modelowi zaufać. Anthropic.

✦

Laboratoria, w których dwuletnia praca skróciła się do tygodni. Anthropic udostępnił Claude Science, agentowy warsztat dla naukowców, w którym osobny agent sprawdza cytaty i liczby w wynikach. Twarde efekty przyszły od pierwszych użytkowników. Stephen Francis, epidemiolog z centrum guzów mózgu na Uniwersytecie Kalifornijskim w San Francisco, przeprowadził kompleksową analizę wariantów germinalnych w glejaku w mniej więcej jednej dziesiątej czasu, jaki zajmowała wcześniej, a jego zespół niezależnie zwalidował wyniki. Jerome Lecoq z Allen Institute zbudował z dwudziestu własnych „umiejętności” pipeline do pisania przeglądów naukowych i ma dziś około dziesięciu takich przeglądów, wiele ponad stustronicowych, z cytatami sprawdzonymi przez agenta-recenzenta. Taki przegląd zajmował jego zespołowi wcześniej nawet do dwóch lat. Liczba efektu jest tu prostsza niż w niejednym wdrożeniu korporacyjnym: dziesięciokrotne skrócenie czasu przy zachowaniu walidacji. To jest kontrapunkt do dziewięćdziesięciu pięciu procent pilotów bez efektu z tematu tygodnia. Różnica nie leży w modelu, leży w tym, że ktoś wpiął go w realny proces z realną miarą sukcesu. Anthropic.

✦

Silnik gier, który zabronił kodu pisanego przez AI. Godot, jeden z najpopularniejszych otwartych silników do gier, zmienił zasady współpracy: cały kod ma być pisany przez człowieka, a AI wolno użyć tylko do rzeczy najprostszych, jak autouzupełnianie czy wyrażenia regularne, i trzeba to zgłosić. Powodem była fala zgłoszeń niskiej jakości, generowanych przez AI, która przeciążyła wolontariuszy utrzymujących projekt. Uzasadnienie maintainerów jest cytatem, który warto powiesić w każdym dziale IT: „AI nie może wziąć odpowiedzialności, a nie ufamy, że intensywni użytkownicy AI rozumieją swój kod na tyle, by go naprawić”. Lekcja: wygenerowanie kodu jest dziś trywialne, a kosztowne i ryzykowne jest jego utrzymanie przez kogoś, kto musi ten kod rozumieć, gdy się zepsuje. Własność i serwisowalność tego, co wygenerowała maszyna, to nie formalność, to warunek, żeby w ogóle nazywać to aktywem, a nie długiem technicznym. Godot Foundation.

✦

PLLuM idzie do administracji. Polska publiczna AI zrobiła na przełomie czerwca i lipca krok ciekawszy niż kolejna emisja na giełdzie. Na spotkaniu w NASK Ministerstwo Rozwoju i Technologii pokazało pilotaż „Ambasadorzy AI” dla własnych pracowników, a NASK zapowiedział projekt HIVE2, który ma dać pierwszy polski model wizyjno-językowy dostępny na licencji do zastosowań komercyjnych. Werdykt: suwerenny model przestaje być hasłem z konferencji prasowej, a wchodzi w codzienną pracę urzędu. Pytanie, które zadaje ekspert, a nie entuzjasta, brzmi, czy razem z funkcją wejdzie governance, czyli klasyfikacja ryzyka i nadzór nad tym, jak model rozstrzyga sprawy obywateli, bo tam, gdzie AI dotyka decyzji urzędowej, to nadzór, a nie sama dostępność, decyduje o zaufaniu. NASK.

✦

Najciekawsza zmiana w rankingach nie dotyczy tego, który model jest najmądrzejszy, tylko tego, na czyich modelach realnie pracują firmy, i tu obraz się przechylił. Z danych platformy OpenRouter, opisanych przez CNBC 7 lipca, wynika, że udział tokenów zużywanych przez amerykańskie firmy na chińskich modelach utrzymuje się powyżej 30 procent co tydzień od 8 lutego, ze szczytem 46 procent, wobec średniej rzędu 11 procent w poprzednich dwunastu miesiącach. Chińskie modele o otwartych wagach bywają od 60 do 90 procent tańsze, a routing wielomodelowy, czyli rozdzielanie zapytań między różne modele w zależności od zadania i ceny, nie ma lojalności wobec marki. Startup Lindy przeniósł sto procent ruchu z Claude na DeepSeek, twierdząc, że oszczędzi na tym miliony. Decyzja, którą z tego wyciągam, jest dwustronna. Dla banku tani model to nie jest wyłącznie kwestia cennika, to decyzja o suwerenności danych i proweniencji, bo model, którego wagi i nadzór siedzą w innej jurysdykcji, niesie inne ryzyko niż tabela cen. I dochodzi nowy niuans: sam Pekin rozważa ograniczenie eksportu swoich najlepszych modeli, o czym niżej, więc „tani chiński model na zawsze” też nie jest gwarancją. Nie kupuj czoła tabeli i nie kupuj też najniższej ceny w oderwaniu od pytania, kto może ci ten dostęp zamknąć. CNBC.

✦

852 miliardy dolarów. Na tyle wyceniono OpenAI w propozycji, żeby rząd USA objął 5 procent udziałów w firmie, co daje państwu około 42 miliardów dolarów wartości. To liczba, która zamienia abstrakcyjny spór o bańkę AI w konkretną pozycję do wyceny, i którą warto mieć w głowie akurat w tygodniu, w którym szef Palantiru mówi, że rynek jest wyceniony absurdalnie. CNBC.

8,7 procent. Tyle użycia Claude Cowork w próbie 1,2 miliona sesji to software development. Procesy biznesowe i operacje to 33,4 procent. Kodowanie, temat, który zabiera większość uwagi w rozmowie o AI, w codziennej pracy jest błędem zaokrąglenia wobec zwykłej roboty biurowej. Anthropic.

31 sekund. Tyle zajęło autonomicznemu agentowi z ataku JADEPUFFER zdiagnozowanie własnego błędu i wgranie działającej poprawki, w środku kampanii liczącej ponad sześćset ładunków. Próg kompetencji potrzebny, żeby przeprowadzić wyrafinowany atak, spadł do kosztu uruchomienia agenta. Sysdig.

✦

✦

Świat zaczął stawiać mury eksportowe wokół modeli, i już nie tylko Ameryka. Według Reutersa z 7 lipca chińskie MOFCOM rozmawiało z Alibabą, ByteDance i Z.ai o systemie warstwowym, aż po wariant „tylko na rynek krajowy” dla najmocniejszych modeli, i o uznaniu kradzieży wag modelu za przestępstwo wobec bezpieczeństwa narodowego. W tym samym tygodniu Alibaba zakazała własnym pracownikom narzędzia Claude Code. Dla kogoś, kto podejmuje decyzje, sens jest jeden: dostęp do modelu, amerykańskiego czy chińskiego, staje się funkcją geopolityki, a proces krytyczny oparty na jednym modelu z jednej jurysdykcji ma w architekturze pojedynczy punkt awarii położony po drugiej stronie granicy. Reuters.

✦

8 lipca 1969 IBM udostępnił CICS, system do przetwarzania transakcji, który do dziś obsługuje rdzenie bankowe na całym świecie. Kod z końca lat sześćdziesiątych wciąż przelicza część transakcji, które robisz kartą. To dobra rama na całą gorączkę AI w banku: nowe warstwy rzadko wymieniają rdzeń, częściej się nad nim dokładają. Każda „rewolucja” w instytucji finansowej zaczyna się nie od pytania o model, tylko od pytania o integrację z czymś, co działa od pięćdziesięciu siedmiu lat i nie zamierza zniknąć dlatego, że pojawił się agent. Wikipedia, CICS.

✦

Karen Hao, „Imperium sztucznej inteligencji. Sny i koszmary w OpenAI Sama Altmana” (Penguin Press). Reporterska anatomia tego, jak OpenAI, uzbrojone w miliardy, narzuciło tempo całej branży, i jak ideały otwartości oraz bezpieczeństwa zderzyły się z presją komercyjną i geopolityką. Książka zdobyła nagrodę krytyków National Book Critics Circle w kategorii literatury faktu i była bestsellerem New York Timesa. Czyta się ją w tym tygodniu inaczej niż pół roku temu, bo propozycja, żeby rząd objął udziały w firmach AI, i szukanie „nowego porządku świata” brzmią jak kolejny rozdział tej samej historii o władzy i pieniądzu, a nie o technologii. Dla kogoś, kto chce zrozumieć, dlaczego rozmowa o AI coraz częściej jest rozmową o imperium, to najlepsza dostępna lektura. Penguin Random House.

✦

Kodowanie to w codziennym użyciu AI błąd zaokrąglenia. Prawdziwa robota, którą oddajemy maszynie, to raporty, decki i zestawienia, czyli praca wokół pracy.

✦

Cztery numery za nami, i widać już wyraźnie, że rok 2026 nie jest o tym, który model jest najmądrzejszy. Jest o tym, kto potrafi zamienić świetny model na linię w rachunku wyników, kto może ten model wyłączyć, i kto zarabia na krzemie, gdy wszyscy inni płacą za compute. Modele będą coraz lepsze niezależnie od tego, co o nich myślimy. Przewagę zbuduje ten, kto przejdzie pieszo tę przepaść między pilotem a wynikiem, na której ginie dziewięćdziesiąt pięć procent projektów.

Jeśli ten przegląd oszczędził ci godziny klikania po dwudziestu źródłach, prześlij go jednej osobie, która też podejmuje decyzje w tempie, w jakim czoło rankingów zmienia się co kilka tygodni. Poprzednie numery i kontakt znajdziesz na sokolinski.com.

Bartosz

Newsletter Bartosza Sokolińskiego, co środa.