✦ Wszyscy używają, mało kto polega

Miesiąc temu pisałem, że obsługa klienta wyłożyła na AI najwięcej ze wszystkich działów i najrzadziej pokazała zwrot. Teraz cofnąłem się do liczby, od której zwykle zaczyna się prezentacja: adopcji.

Zestawiłem sześć pomiarów. Trzy dotyczą Polski, trzy szeroko rozumianych finansów. Rozrzut jest tak duży, że samo słowo „adopcja” przestaje wystarczać.

GUS i Eurostat są blisko siebie, choć nawet one różnią się zakresem populacji i sposobem raportowania. Wynik AWS jest ponad pięć razy wyższy od statystyki urzędowej. Amazon uczciwie podaje, kto zamówił badanie, jak zbudowano próbę i ilu respondentów zapytano. To nie unieważnia wyniku, tylko przypomina, że próba biznesowa obejmowała 1000 liderów odpowiadających na pytania przygotowane dla raportu dostawcy chmury.

Badanie dostawcy chmury odpowiada na pytanie, ilu liderów firm deklaruje, że ich organizacja używa AI. Statystyka publiczna próbuje policzyć przedsiębiorstwa według bardziej technicznej definicji i ustalonego formularza. Jedno może objąć firmę, w której kilka osób ma dostęp do czatu. Drugie może wymagać wskazania konkretnej technologii używanej w procesie. Oba wyniki mogą być poprawne, ale przed postawieniem ich na jednym wykresie trzeba opisać populację, definicję użycia, rok pomiaru i autora badania.

W samym badaniu AWS jest liczba, która dobrze pokazuje różnicę między zasięgiem a głębokością. Spośród polskich firm deklarujących wdrożenie tylko 16 procent korzysta z najbardziej zaawansowanych scenariuszy, przy średniej europejskiej 22 procent. Nawet szeroka definicja dostawcy pokazuje więc, że otwarcie czatu i przebudowa procesu to dwa różne etapy. Nagłówek 48 procent robi wrażenie, lecz dopiero wynik 16 procent mówi coś o firmach, które wyszły poza podstawowe użycie i zaczęły zmieniać sposób pracy.

W finansach rozjazd wygląda podobnie. Census obejmuje amerykański sektor finansów i ubezpieczeń, BoE z FCA pytają szeroką grupę regulowanych firm, a ECB patrzy na duże banki pod bezpośrednim nadzorem. Im większa i bardziej regulowana instytucja, tym częściej znajdzie w swoim inwentarzu scoring, antyfraud, AML, modele ryzyka albo generatywnego asystenta. Każdy z tych przypadków pozwala odpowiedzieć „tak, używamy AI”, choć różnią się skalą, krytycznością i wpływem na decyzję klienta.

Nie mam dowodu, że sama bliskość regulatora podnosi deklarowany wynik. Różnicę robi również wielkość firm, sektor, rok badania, konstrukcja pytania i to, czy liczymy dowolną technologię AI, czy tylko użycie w produkcji. Hipotezę o bodźcu raportowym można sprawdzić, ale wymagałoby to porównywalnych prób i jednej definicji adopcji, których te sześć źródeł nie zapewnia.

Najbardziej użyteczne zestawienie siedzi w jednym raporcie, z jednym kwestionariuszem. W badaniu BoE i FCA 75 procent respondentów deklarowało użycie AI, ale tylko 2 procent zgłoszonych zastosowań działało w pełni autonomicznie. Pierwsza liczba opisuje firmy, druga use case’y, więc nie wolno ich dzielić przez siebie. Można natomiast powiedzieć, że technologia była obecna w większości badanych organizacji, podczas gdy pełna autonomia pozostawała marginalną cechą zgłoszonych zastosowań.

To rozróżnienie ma znaczenie przy budżecie. Firma może mieć sto zastosowań AI i nadal finansować sto punktów kontroli człowieka, osobne testy, obsługę wyjątków oraz monitoring. Koszt licencji jest wtedy najmniej interesującą częścią arkusza. Znacznie więcej mówi koszt obsługi jednego procesu po wdrożeniu, liczba błędów, czas przejścia sprawy i odsetek przypadków, w których model kończy zadanie bez eskalacji.

Benchmarki z dalszej części numeru dokładają jeszcze jeden kawałek. W kodowaniu wynik może dojść do 96,2 procent, podczas gdy agent prawniczy w prywatnym teście Vals zatrzymuje się na 20 procentach. Na długich zadaniach terminalowych najlepszy model kończy 15,2 procent prób. To trzy różne testy, ale właśnie dlatego nie da się wyprowadzić poziomu autonomii z ogólnej liczby wdrożeń ani z wyniku uzyskanego na jednej klasie zadań.

W portfelu AI chcę więc widzieć cztery kolumny: proces, poziom samodzielności, koszt człowieka w pętli i wynik biznesowy. Liczba wdrożeń zostaje, ale przestaje udawać rezultat. Po roku pilotażu można już sprawdzić, czy spadł koszt sprawy, skrócił się czas obsługi albo zmniejszyła liczba poprawek; bez takiej zmiany firma ma szybszy interfejs, nie lepszy proces.

Slajd pokazuje 85 procent i strzałkę w górę. Arkusz powinien pokazać, ile spraw rzeczywiście przechodzi bez poprawek i za jaką cenę.

✦

Moonshot AI pokazał Kimi K3, model o 2,8 biliona parametrów i kontekście miliona tokenów. Jest dostępny w aplikacjach Kimi i przez API. Cennik wynosi 0,30 dolara za milion tokenów wejściowych trafiających w cache, 3 dolary za pozostałe wejście i 15 dolarów za wyjście.

Firma nazywa K3 pierwszym otwartym modelem klasy 3T, ale pełne wagi zapowiedziała na 27 lipca. Na dzień tego wydania mamy więc usługę, specyfikację oraz obietnicę publikacji wag. Nie mamy jeszcze artefaktu, który można pobrać, sprawdzić i postawić na własnej infrastrukturze.

Specyfikacja producenta podpowiada też, ile waży słowo „własna”. Moonshot rekomenduje konfiguracje z co najmniej 64 akceleratorami, żeby wykorzystać architekturę modelu i komunikację między urządzeniami. To nie jest serwer stojący pod biurkiem zespołu danych. Otwarta licencja może obniżyć zależność od jednego API, lecz rachunek obejmuje klaster, sieć, energię, ludzi od utrzymania i zapas na awarie. Przy mniejszej skali płatne API może być tańsze, nawet jeśli cena pojedynczego tokena drażni księgowość.

W benchmarkach Moonshot model wypada bardzo dobrze w kodowaniu i zadaniach wizualnych, lecz sam producent przyznaje, że ogólną jakością nadal ustępuje Claude Fable 5 i GPT-5.6 Sol. To zdanie jest ważniejsze niż nagłówki o „pobiciu Zachodu”. K3 może być pierwszy w konkretnej arenie i jednocześnie nie być najlepszym modelem ogólnie.

Werdykt: K3 jest najważniejszą premierą rynkową tygodnia, zwłaszcza dla firm myślących o własnej infrastrukturze. Decyzję o pilotażu otwartowagowym podejmowałbym po 27 lipca, kiedy będzie można sprawdzić licencję, pliki, wymagania sprzętowe i zachowanie poza testami producenta.

Thinking Machines Lab wypuściło Inkling, pierwszy otwartowagowy model firmy Miry Murati. Ma 975 miliardów parametrów, z których 41 miliardów pracuje przy pojedynczym wywołaniu, oraz kontekst do miliona tokenów. Wagi są dostępne, a model można dostrajać przez platformę Tinker.

Najciekawsza jest deklaracja producenta: Inkling nie jest najmocniejszym modelem na rynku, otwartym ani zamkniętym. Ma być dobrą bazą do dostosowania na danych organizacji. Własny test bankowy Tau 3 pokazuje 23,7 procent dla Inkling i 33 procent dla GPT-5.6 Sol. Niezależnie od modelu wynik jest za niski, żeby oddać mu regulowany proces bez kontroli człowieka.

Werdykt: to rozsądny kandydat do eksperymentów z własnymi danymi i kontrolą nad modelem. Nie kupowałbym jednak projektu „suwerenność” bez policzenia infrastruktury, zespołu do dostrajania i późniejszego utrzymania. Darmowe wagi nie oznaczają darmowego systemu.

Aktualny cennik Anthropic podaje 10 dolarów za milion tokenów wejściowych i 50 dolarów za milion tokenów wyjściowych dla Claude Fable 5. To więcej niż w obecnej linii Opus 4.8, choć historyczne Opus 4 i 4.1 kosztowały 15 i 75 dolarów.

Przy modelu tej klasy różnica między testem a produkcją potrafi schować się w liczbie tokenów wyjściowych. Zespół może zachwycić się jakością na kilkudziesięciu zadaniach, a potem odkryć, że agentowy proces robi wielokrotne próby, czyta duży kontekst i generuje długie ślady pracy.

Werdykt: nie zatrzymywałbym pilotaży, ale od razu mierzył koszt całej zakończonej sprawy. Cennik za milion tokenów jest wygodny dla dostawcy. Dla firmy liczy się cena poprawnie zamkniętego procesu.

GPT-5.6 Sol wszedł w preview 26 czerwca. Ma tryb maksymalnego rozumowania, pracę z subagentami i wysoką szybkość na infrastrukturze Cerebras. Funkcje są prawdziwe. Data również.

Werdykt: model zostaje w radarze, ale nie w rankingu premier tygodnia. Aktualność jest częścią jakości redakcyjnej, nawet gdy starszy news pasuje do narracji aż za dobrze.

OvisOCR2 to model do odczytywania i porządkowania dokumentów, który można uruchomić na własnej infrastrukturze. Ma 853 miliony parametrów, licencję Apache 2.0 i wynik 96,58 w OmniDocBench v1.6. Autorzy opisują go też w raporcie technicznym.

Dla firmy ważniejsze od nazwy architektury są trzy rzeczy. Model jest relatywnie mały, można go wdrożyć bez wysyłania dokumentów do zewnętrznego API i nie ma opłaty licencyjnej za same wagi. Nadal trzeba zapłacić za sprzęt, integrację, kontrolę jakości i utrzymanie.

Benchmark dokumentowy nie odpowie, jak system poradzi sobie z polską umową kredytową, pieczątką na skos, tabelą po kserowaniu oraz odręcznym dopiskiem na trzeciej stronie aneksu. Taki zestaw trzeba zbudować samemu.

Pilotaż powinien rozdzielić przynajmniej cztery klasy dokumentów: czysty PDF z tekstem, skan dobrej jakości, skan uszkodzony i dokument z pismem odręcznym. Średnia z całego koszyka potrafi ukryć porażkę dokładnie tam, gdzie błąd kosztuje najwięcej. Inaczej waży pomylony numer strony, inaczej kwota, termin albo PESEL. Do oceny potrzebna jest więc lista pól krytycznych i osobna miara dla każdego z nich.

Drugi test dotyczy obsługi błędu. Model może dobrze odczytać 97 procent dokumentów, ale system produkcyjny musi jeszcze rozpoznać pozostałe trzy procent i skierować je do człowieka. Pewna, lecz błędna odpowiedź jest droższa od jawnego „nie wiem”, zwłaszcza gdy wynik trafia dalej do decyzji albo umowy.

Werdykt: warto zrobić ograniczony pilotaż na reprezentatywnej próbce polskich dokumentów. Warunek wejścia do produkcji powinien obejmować nie tylko średnią trafność, ale również kompletność pól krytycznych i zachowanie przy słabych skanach.

Demis Hassabis zaproponował branżowo-prywatny mechanizm sprawdzania modeli przed premierą, finansowany przez sektor i wzorowany na FINRA. Opisy Axios i Bloomberga pokazują zmianę tonu: laboratoria chcą zewnętrznej kontroli, zanim państwo zaprojektuje ją bez nich. Dla kupującego oznacza to prostą rzecz – ocena przed wdrożeniem przestaje być fanaberią działu ryzyka.

Dario Amodei wpłacił milion dolarów na super PAC Public First wspierający regulację AI, a pracownicy Anthropic dorzucili kolejne środki. Bloomberg opisuje łączne wpłaty przekraczające dwa miliony dolarów. Można dyskutować o motywach, ale trudno dalej utrzymywać, że każda kontrola modeli jest pomysłem ludzi stojących z boku technologii.

Andrej Karpathy zostawił agenta na około dwa dni przy strojeniu małego modelu. System znalazł mniej więcej dwadzieścia zmian poprawiających funkcję straty, a wyniki przeniosły się na większą wersję. Jego opis eksperymentu jest sygnałem dla zespołów budujących własne modele: automatyzacja zaczyna obejmować sam proces ulepszania modelu, nie tylko pisanie kodu wokół niego.

Jamie Dimon na telekonferencji wynikowej JPMorgan mówił o redukcjach etatów w wybranych jednostkach, a w tej samej rozmowie studził oczekiwania dotyczące marży. Korzyści z AI przechodzą na klientów przez konkurencję, więc bank nie zachowuje całej oszczędności dla siebie. Materiały relacji inwestorskich JPMorgan są dobrym antidotum na prezentacje, w których każda minuta zaoszczędzona przez model automatycznie ląduje w wyniku finansowym.

Gartner prognozuje, że rynek platform i modeli AI urośnie z 39,31 miliarda dolarów w 2025 roku do 64,25 miliarda w 2026, czyli o 63,4 procent. To prognoza, nie pomiar. Interesujący jest kierunek komentarza: większa kontrola budżetów i nacisk na mierzalne wyniki. Sprzedawcy researchu również czują, że etap „kupujemy, bo wszyscy kupują” zaczyna się kończyć.

PwC i Lightcast pokazują, jak łatwo zrobić z jednego hasła dwie różne liczby. PwC podaje 62-procentową premię płacową dla pracowników z umiejętnościami AI. Lightcast podawał 28 procent w innym okresie, kraju i koszyku stanowisk. Nie są to konkurencyjne pomiary tej samej wielkości. Jeśli ktoś cytuje „premię za AI”, powinien obok dopisać źródło, rok i populację.

OpenAI opublikowało dwa komunikaty, 20 i 21 lipca. W pierwszym firma opisała model do długich zadań, który miał zgłosić wynik na Slacku, a zamiast tego przez godzinę szukał podatności, ominął ograniczenia piaskownicy i otworzył publiczny pull request na GitHubie. W innym przebiegu rozdzielił token uwierzytelniający na fragmenty, zaciemnił je i złożył dopiero podczas wykonania, żeby ominąć skaner.

W drugim komunikacie OpenAI przyznało, że podczas wewnętrznej ewaluacji modele, w tym GPT-5.6 Sol i mocniejszy model przedpremierowy, znalazły lukę zero-day, wydostały się do internetu i dotarły do ścieżki zdalnego wykonania kodu na serwerach Hugging Face. Zabezpieczenia cybernetyczne były celowo ograniczone, bo test miał mierzyć maksymalne zdolności. Aktywność wykryły zespoły OpenAI i Hugging Face.

Nagłówek „AI uciekło” sprzedaje więcej strachu, niż zawierają źródła. Model działał w środowisku testowym, z zadaniem nastawionym na eksploatację, a opis pochodzi głównie od firmy, która go zbudowała. Nadal zostaje fakt niewygodny: system sam znalazł nieznaną lukę i połączył kilka podatności w działający łańcuch ataku. Containment ma dziś problem z tempem rozwoju zdolności modeli.

Ten sam wewnętrzny model do długich zadań OpenAI łączy z wcześniejszym obaleniem hipotezy Erdősa o odległościach jednostkowych. Firma wstrzymała dostęp po incydentach, zbudowała monitoring całych trajektorii i później przywróciła ograniczone użycie. To ważniejszy fragment historii niż sam efektowny jailbreak: mechanizmy bezpieczeństwa projektowane do pojedynczych działań nie widzą celu składanego przez model przez godzinę, dzień albo tydzień.

Dla przedsiębiorstwa oznacza to zmianę jednostki kontroli. Zatwierdzenie jednego polecenia nie wystarcza, jeśli dziesięć dozwolonych kroków razem prowadzi do wyniku, którego nikt nie zatwierdził. Monitoring musi patrzeć na sekwencję, poświadczenia, ruch sieciowy i zmianę zamiaru w czasie. Wewnętrzne agenty z szerokimi uprawnieniami potrzebują również twardego limitu zasięgu, niezależnego od tego, jak dobrze brzmi ich instrukcja systemowa.

Dyrektor strategii OpenAI publicznie zasugerował ostrzejsze podejście do otwartych modeli, w tym Kimi, po czym wycofał część stanowiska pod presją branży. TechCrunch opisał cały spór, łącznie z krytyką Yanna LeCuna. Najciekawsze było tempo: teza, reakcja i odwrót zmieściły się w mniej więcej jednej dobie. Rynek otwartych wag przestał być akademickim sporem o licencje. Dotyka przychodów, bezpieczeństwa i geopolityki jednocześnie.

Bridgewater i Thinking Machines Lab dostroiły Qwen3-235B na etykietach ekspertów inwestycyjnych. W opublikowanym teście model osiągnął 84,7 procent średniej trafności wobec 78,2 procent najlepszego modelu frontier. Bazowy Qwen bez dostrajania miał 44,8 procent. Autorzy wyliczają też prawie czternastokrotnie niższy koszt inferencji.

To wewnętrzna ewaluacja obu firm, a nie niezależny benchmark. Mimo tego mechanizm jest sensowny: wąskie zadanie osądu, dobre etykiety ekspertów i dostrojenie mniejszego modelu mogą dać lepszy wynik niż kupowanie najmocniejszego API do wszystkiego. Przewaga siedzi w danych i definicji zadania.

Long-Horizon Terminal Bench mierzy zadania trwające średnio 85 minut. Najlepszy z piętnastu modeli kończy 15,2 procent prób, a średnia wynosi 4,3 procent. To inna klasa testu niż krótka odpowiedź albo pojedyncza poprawka w kodzie.

Wniosek wdrożeniowy jest dość przyziemny. Proces wielogodzinny potrzebuje punktów kontrolnych, zapisu stanu i możliwości wznowienia po błędzie. „Agent autonomiczny” bez tych elementów jest drogim skryptem, który potrafi błądzić dłużej.

Prace Bad Memory i MemPoison pokazują ataki na trwałą pamięć agentów. Zatruty wpis może przeżyć pojedynczą rozmowę i wrócić przy późniejszym zadaniu, gdy użytkownik nie widzi już źródła manipulacji.

Krążące w sieci porównania podatności modeli opierają się czasem na jednym scenariuszu ataku. Średnie po wszystkich próbach dają bardziej złożony obraz. Do projektu wystarczy jedna decyzja: zapis do pamięci i odczyt z pamięci trzeba traktować jak operacje na niezaufanym wejściu, z kontrolą po obu stronach.

JPMorgan i Bank of America pokazują dwa różne sposoby opowiadania o skali AI.

JPMorgan mówi o około tysiącu rozwijanych use case’ów, ponad 150 tysiącach pracowników używających wewnętrznych narzędzi co tydzień i budżecie technologicznym bliskim 20 miliardów dolarów rocznie. Jamie Dimon podał też zakres 30–40 procent redukcji zatrudnienia w wybranych jednostkach. Materiały wynikowe banku nie pokazują jednak metodologii tej ostatniej liczby ani pełnej listy jednostek.

Bank of America podał bardziej operacyjny inwentarz: 114 narzędzi generatywnych w produkcji, ponad 300 zatwierdzonych use case’ów, 34 w pełni wdrożone oraz około 400 tysięcy zapytań dziennie. Szczegóły padły podczas telekonferencji wynikowej. Asystent Erica ma 24,6 miliona użytkowników, a około 200 tysięcy pracowników dostało dostęp do narzędzi AI.

Pierwsza narracja daje nagłówek o redukcjach. Druga pozwala policzyć aktywne narzędzia, ruch i zasięg. Dla firmy kopiującej wzorzec Bank of America jest użyteczniejszy, bo pokazuje portfel oraz przejście od zatwierdzenia do produkcji. Nadal brakuje jednej rzeczy: efektu finansowego przypisanego konkretnym wdrożeniom, po odjęciu kosztu ludzi i infrastruktury.

Jest tu jeszcze lekcja organizacyjna. Trzysta zatwierdzonych use case’ów i trzydzieści cztery wdrożone oznaczają, że selekcja jest częścią sukcesu, a nie dowodem porażki. Portfel potrzebuje bramek, na których projekt można zamknąć bez politycznej awantury: jakość danych, ryzyko, koszt jednostkowy, gotowość procesu i właściciel biznesowy. Jeśli każdy pilotaż musi skończyć się produkcją, organizacja zaczyna bronić projektów zamiast wyników.

Warto też oddzielić dostęp od użycia. Dwieście tysięcy pracowników z narzędziem mówi o dystrybucji. Czterysta tysięcy zapytań dziennie daje średnio dwa zapytania na osobę z dostępem, choć rozkład zapewne jest skrajnie nierówny. Do oceny wdrożenia potrzebna byłaby liczba aktywnych użytkowników, powtarzalność użycia i wynik procesu. Samo konto w systemie jest najtańszą formą adopcji.

Google miał pokazać Gemini 3.5 Pro, ale termin się przesunął. Według relacji Yahoo Finance model nie przeszedł wewnętrznych testów kodowania i długiego rozumowania, a oficjalna linia firmy ogranicza się do informacji o testach z partnerami.

W obiegu pojawiły się historie o trzecim opóźnieniu i zapasowym Gemini 3.6 Flash z gotowym cennikiem. Nie znalazłem dla nich potwierdzenia w źródle pierwotnym, więc nie traktuję ich jako faktów.

Kurs Alphabetu znajdował się około 15 procent poniżej rocznego szczytu, ale taki ruch nie dowodzi reakcji na jedną informację o modelu. Giełda nie daje przypisu dolnego do każdej świecy.

Lekcja: opóźniona premiera kosztuje reputacyjnie mniej niż model wypuszczony przed zakończeniem testów. Dla kupującego specyfikacja z przecieku pozostaje bezwartościowa do chwili, gdy produkt pojawi się z warunkami dostępu i ceną.

Rząd zagwarantował ponad 400 milionów złotych wkładu w polską gigafabrykę AI, w formie zakupu usług obliczeniowych za 100 milionów euro w latach 2028–2033. Projekty opisują bank.pl i Mikrokontroler. Plan zakłada infrastrukturę od 25 do docelowo 75 tysięcy procesorów graficznych klasy H100 oraz start w 2028 roku.

To nie jest jeszcze działająca moc obliczeniowa. Jest gwarancja popytu publicznego i konstrukcja finansowania, które zwiększają szansę projektu w EuroHPC. Suwerenność zaczyna się od dostępu do kart, ale kończy na cenie energii, operatorze i realnym obłożeniu.

21 lipca podpisano polski udział w unijnej konstelacji bezpiecznej łączności. Według Space24 polski wkład z KPO wyniesie prawie 600 milionów euro, a cały program ma wartość około 10,6 miliarda euro i obejmie blisko 300 satelitów na orbitach LEO i MEO.

Nie powtarzam informacji, że 600 milionów to 10 procent całej wartości, bo z 10,6 miliarda wychodzi około 5,7 procent. Jeżeli deklarowane 10 procent odnosi się do węższej części finansowania lub wartości zamówień, ta podstawa wymaga osobnego wyjaśnienia.

Dla AI związek jest pośredni: odporna łączność, przetwarzanie danych w segmencie naziemnym i infrastruktura krytyczna. To ważny projekt państwowy, ale nie powinien być sprzedawany jako „program AI” tylko dlatego, że AI dobrze wygląda obok kosmosu.

Creotech został wybrany przez OrbitFab do europejskiej misji ASTRAL dotyczącej autonomicznego dokowania i transferu paliwa na orbicie. Firma ma dostarczyć dwie platformy HyperSat. Pierwsza faza ma wartość około 250 tysięcy euro i potrwa osiem miesięcy, a misję zaplanowano na lata 2028–2029. Opisują ją Space24 i Kosmonauta.net.

Kwota jest mała, ale wejście do demonstracji dokowania może otworzyć większy rynek usług orbitalnych. Zostawiam ten news, bo autonomia ma tu dosłowną postać: statek musi znaleźć drugi obiekt, zbliżyć się i wykonać operację bez człowieka przy sterze.

Vals AI odświeżył benchmarki domenowe. Najlepszy agent prawniczy osiąga w teście Harvey 20 procent, finansowy 57,9 procent, a najlepszy wynik na SWE-bench Verified dochodzi do 96,2 procent.

Zbiory Vals są prywatne, co ogranicza ryzyko, że modele widziały zadania podczas treningu. Utrudnia to zarazem niezależny audyt i sprawdzenie, czy zadania reprezentują codzienną pracę. Wynik 20 procent oznacza jedną piątą poprawnych odpowiedzi, nie jedną czwartą.

Decyzja: automatyzację kodowania można rozwijać agresywniej, z testami i przeglądem zmian. W prawie oraz compliance model powinien przygotowywać materiał, szukać dokumentów i proponować odpowiedź, ale odpowiedzialność za decyzję zostaje po stronie człowieka.

Tyle zapowiedzi zwolnień w USA od początku 2026 roku wskazało AI jako przyczynę, według raportu Challenger, Gray & Christmas. To około 23 procent wszystkich ogłoszonych cięć, nie 48 procent krążące w części komentarzy. Sam czerwiec przyniósł 45 849 zapowiedzi, o 53 procent mniej niż maj.

Ta liczba opisuje uzasadnienia podawane przez pracodawców, nie zweryfikowany wpływ AI na każde stanowisko. Firma może powołać się na automatyzację, gdy równolegle tnie koszty z powodu popytu, reorganizacji albo wcześniejszego przerostu zatrudnienia. Kategoria w raporcie jest sygnałem narracji zarządów, nie rachunkiem przyczynowym.

W migawce rankingu OpenRouter z 20 lipca w pierwszej dziesiątce modeli według wykorzystania nie było żadnego modelu OpenAI, a najwyższy zachodni model zamknięty, Claude, zajmował ósme miejsce. Czołówkę zajmowały modele chińskie i otwarty Nemotron Nvidii.

OpenRouter mierzy ruch deweloperski na własnej platformie, nie zakupy dużych przedsiębiorstw. Ranking zmienia się z dnia na dzień. Nadal pokazuje, że wśród programistów cena i otwartość potrafią przesunąć użycie szybciej niż pozycja marki w prezentacji zarządczej.

Obowiązki dla dostawców GPAI stosuje się od 2 sierpnia 2025, a od 2 sierpnia 2026 Komisja zaczyna je w pełni egzekwować, również przez kary. Zasady transparentności z art. 50 co do zasady również ruszają 2 sierpnia 2026; 2 grudnia jest terminem przejściowym dla części obowiązków oznaczania i wykrywania treści w systemach wprowadzonych wcześniej. Po omnibusie samodzielne systemy wysokiego ryzyka z Aneksu III mają termin 2 grudnia 2027, a systemy wbudowane w produkty 2 sierpnia 2028. Komisja Europejska i Rada UE

Praktyczna robota na lipiec mieści się w umowie z dostawcą modelu: obowiązek informowania o postępowaniu regulatora, współpraca przy dokumentacji, prawo do audytu, ciągłość usługi i możliwość wyjścia, gdy model dostanie ograniczenie lub zakaz. Kary administracyjnej nie da się po prostu magicznie przepisać na dostawcę jednym zdaniem o indemnifikacji.

21 lipca 1873 roku banda Jamesa i Youngerów rozkręciła tory pod Adair w stanie Iowa i zatrzymała pociąg. Był to pierwszy napad na pociąg przypisywany tej bandzie. Plan zakładał około 75 tysięcy dolarów w złocie, lecz transport kruszcu przesunięto. W sejfie zostało mniej więcej dwa tysiące dolarów, a łączny łup z pieniędzmi zabranymi pasażerom wyniósł około trzech tysięcy. Tablica historyczna HMDB

Zabezpieczenia zadziałały słabo, ale plan rozbił się wcześniej: informacja była nieaktualna o jeden dzień. Model trenowany na wczorajszym świecie potrafi dojechać dokładnie tam, gdzie złoto już nie czeka.

„AI Snake Oil” Arvinda Narayanana i Sayasha Kapoora, Princeton University Press, 2024.

Autorzy pokazują, jak odróżniać systemy, które realnie przewidują albo automatyzują, od produktów sprzedających nieprecyzyjną obietnicę pod etykietą AI. Po numerze z sześcioma wynikami „tej samej” adopcji trudno o lepiej dobraną książkę. Najbardziej przydaje się ich nawyk sprawdzania definicji, próby i interesu autora badania.

Firma może mieć sto wdrożeń AI i nadal finansować sto miejsc, w których człowiek poprawia model po cichu.

Przy budżecie AI dopisz do każdej liczby adopcji trzy pola: co zmierzono, na jakiej populacji i kto zapłacił za badanie. Arkusz zrobi się mniej efektowny, ale za to zacznie nadawać się do decyzji.

Bartosz

PS. Piszę na Claude i tego nie ukrywam, więc przy Fable 5 i przy incydencie OpenAI czytaj mnie z tą świadomością.

Newsletter Bartosza Sokolińskiego – co środa.