Nowe AI — briefing technologiczno-rynkowy, wydanie poranne 1.10.2026
Wydanie poranne, dostarczone w czwartek pierwszego października około godziny 06:47 czasu polskiego. Punktem odniesienia jest ostatnia analiza, która realnie dotarła na wątek, czyli wydanie popołudniowe z 30.09, przekazane około godziny 16:07 czasu polskiego. Tamto wydanie zamykało się wokół niezależnych pomiarów GPT-6.1 Sol, przeglądu tabeli Opus 5.5 oraz raportu Micronu, który w chwili pisania był jeszcze wyłącznie oczekiwaniem. Nowy materiał jest inny w charakterze: rozstrzyga odłożony wczoraj test pamięci, przynosi premierę frontierowego modelu Google po ponad siedmiu miesiącach przerwy i pokazuje, że środek ciężkości konkurencji przesuwa się z pytania „kto ma najmocniejszy model" na pytanie „kto zużywa najmniej tokenów i kto kontroluje agenta". Tam, gdzie nic się nie zmieniło, odsyłam do wcześniejszych analiz i nie powtarzam tamtego opisu.
Jeden. Google wraca do pierwszej ligi, ale nie na czele
Najważniejszym wydarzeniem ostatniej doby jest premiera Gemini 4 Argon — pierwszego frontierowego modelu Google od ponad siedmiu miesięcy, po tym jak zapowiedziana wcześniej generacja 3.5 została pominięta, a spółka przez kwartały wypuszczała wyłącznie tańsze modele z rodziny Flash. Sam producent w komunikacie z 30.09 przedstawia Argon jako model do złożonych, długotrwałych zadań w inżynierii oprogramowania, pracy wiedzy i cyberobronie, a jego najmocniejszym elementem technicznym jest limit generowania odpowiedzi podniesiony z sześćdziesięciu czterech tysięcy do miliona tokenów, co Google nazywa wartością wiodącą na rynku. Cena startowa wynosi dwa dolary za milion tokenów wejściowych i dziesięć za wyjściowe, po okresie promocyjnym rośnie do czterech i dwudziestu, a odczyt z pamięci podręcznej jest tańszy o dziewięćdziesiąt pięć procent, co daje około dziesięciu centów za milion. Model trafia najpierw do zaufanych obrońców cyberbezpieczeństwa w ramach programu Fairwind, bez standardowych zabezpieczeń cybernetycznych, a Google uczestniczy równolegle w amerykańskim dobrowolnym procesie udostępniania modeli rządowi przed premierą. Daty ogólnej dostępności nie podano.
Deklaracje producenta trzeba oddzielić od niezależnego pomiaru, i tu obraz się komplikuje. Artificial Analysis umieszcza Argon w trybie wysokiego rozumowania na pięćdziesięciu trzech punktach swojego indeksu inteligencji, czyli dokładnie na poziomie szczytowego GPT-6 Astra i o punkt wyżej niż GPT-6.1 Sol, ale wciąż poniżej Claude Opus 5.5 z pięćdziesięcioma ośmioma i Sonnet 5.5 z pięćdziesięcioma sześcioma punktami. Istota przewagi, którą Argon rzeczywiście wnosi, nie leży jednak w szczycie zdolności, lecz w cenie za zadanie: przy promocyjnych stawkach jedno zadanie indeksu kosztuje około jednego dolara i dziewięćdziesięciu dziewięciu centów, czyli sześćdziesiąt procent kosztu GPT-6 Astra, ale już dwa i siedem dziesiąte raza więcej niż GPT-6.1 Sol, a po zakończeniu promocji wzrośnie do blisko czterech dolarów. Co ważne, oszczędność wynika wyłącznie z niższych stawek za token, a nie z mniejszego zużycia — Argon wygenerował średnio około sześćdziesięciu dwóch tysięcy tokenów wyjściowych na zadanie, podczas gdy GPT-6 Astra potrzebował dwudziestu siedmiu tysięcy. Najmocniejszym pojedynczym wynikiem jest wskaźnik halucynacji na poziomie piętnastu procent, najniższy wśród modeli powyżej czterdziestu pięciu punktów indeksu, wobec pięćdziesięciu jeden procent dla GPT-6 Astra, choć okupiony niższą trafnością, która spada o trzynaście punktów względem flagowca OpenAI. W ludzkich rankingach preferencji Arena model zajmuje pierwsze miejsce w kategorii tekstu z tysiącem pięciuset dwudziestoma pięcioma punktami, natomiast w kodowaniu wyniki są mieszane: Google podkreśla wiodący rezultat na DeepSWE w wersji pierwszej i jedenastej, ale w tym samym zestawieniu Argon wypada ostatni na Terminal-Bench 4.0, gdzie Opus 5.5 i GPT-6 Astra wyprzedzają go o około dziewięciu do dziesięciu punktów, o czym pisze The New Stack.
Źródło: artificial-analysis
Krytyczna analiza wiarygodności nakazuje tu dodać dwa zastrzeżenia. Po pierwsze, wszystkie najmocniejsze liczby pochodzą od Google, a jedyny niezależny pomiar — Artificial Analysis — pokazuje model co najwyżej równym najlepszym, nie lepszym, i to z wydatniejszym zużyciem tokenów. Po drugie, Bloomberg podał 30.09, powołując się na anonimowe źródła, że część pracowników Google ocenia wydajność modelu krytycznie, zwłaszcza w kodowaniu, czemu sama spółka zaprzeczyła w rozmowie z Axios. Sygnał rynkowy z wątku na Hacker News, gdzie wątek premierowy zebrał tysiąc sto trzydzieści siedem punktów i ponad siedemset komentarzy, jest jeszcze inny i dotyczy samego sposobu komunikacji: dominującym zarzutem było to, że modelu nie da się przetestować, więc jego przewaga pozostaje na razie deklaracją. Wniosek jest jednoznaczny: Google realnie domknął lukę do czołówki i wrócił do trzech największych laboratoriów, ale nie objął prowadzenia, a jego przewaga cenowa wygasa wraz z końcem promocji.
Źródło: artificial-analysis, bloomberg, axios, hacker-news
Dwa. Micron rozstrzyga zakład o pamięć — na korzyść producentów
Odłożony wczoraj test został rozstrzygnięty po amerykańskim zamknięciu sesji i wypadł mocno po stronie producenta. Micron zaraportował wyniki czwartego kwartału roku obrotowego 2026 zakończonego trzeciego września: przychód pięćdziesiąt cztery miliardy dwieście trzydzieści milionów dolarów, wobec jedenastu i trzech dziesiątych miliarda rok wcześniej, zysk na akcję trzydzieści trzy dolary czterdzieści dwa centy w ujęciu skorygowanym i marża brutto osiemdziesiąt sześć przecinków osiem dziesiątych procent, jak podaje komunikat spółki oraz relacja CNBC. Przychód wzrósł więc niemal czterokrotnie rok do roku, zysk netto sięgnął trzydziestu siedmiu i siedmiu dziesiątych miliarda, a przychód z pamięci DRAM wzrósł o trzysta czterdzieści trzy procent do trzydziestu dziewięciu i ośmiu dziesiątych miliarda, co stanowi siedemdziesiąt trzy procent całej sprzedaży. Wytyczne na bieżący kwartał zakładają przychód około sześćdziesięciu jeden i pięciu dziesiątych miliarda i zysk na akcję trzydzieści osiem dolarów piętnaście centów, czyli wyraźnie powyżej konsensusu, który mówił o pięćdziesięciu siedmiu miliardach i trzydziestu pięciu dolarach czterdziestu centach. Prezes Sanjay Mehrotra powiedział na konferencji, że spółka ma mocny plan rozwoju pamięci HBM i pracuje z Nvidią nad pierwszą w branży implementacją HBM na zamówienie, a Micron inwestuje dwieście pięćdziesiąt miliardów dolarów w dwa nowe kampusy produkcyjne.
Źródło: cnbc
Znaczenie tego raportu wykracza poza jedną spółkę, bo rozstrzyga tezę, na której opiera się wycena całego łańcucha dostaw: że niedobór pamięci dla platformy Rubin nie był problemem przejściowym, lecz trwałym elementem cyklu. Liczby to potwierdzają, a nie dementują. Trzeba jednak odnotować dwa elementy ostrożnościowe. Akcje Micronu wzrosły w ciągu roku o ponad pięćset procent, a kapitalizacja przekroczyła bilion dwustu miliardów dolarów, co oznacza, że duża część dobrej nowiny była już w cenie. Ponadto sam Mehrotra zabiegał w Waszyngtonie — uczestniczył w szczycie o regulacji sztucznej inteligencji zwołanym przez prezydenta oraz w kolacji z prezydentem Chin — co pokazuje, jak mocno ten biznes jest dziś uwikłany w geopolitykę, a to ryzyko, którego raport kwartalny nie wycenia.
Trzy. Nvidia zwraca kapitał w cieniu najdroższych obligacji od dekad
Nvidia ogłosiła 28.09 największe jednorazowe zwiększenie autoryzacji skupu akcji w historii: sto pięćdziesiąt miliardów dolarów, co podnosi pozostały program do dwustu trzydziestu pięciu miliardów, z zamiarem wykonania go do roku obrotowego 2028, jak podaje komunikat spółki i Reuters. W środę akcja zakończyła sesję w okolicach dwustu dwudziestu dziewięciu dolarów. Ruch jest sygnałem dwóch rzeczy naraz: że spółka generuje gotówkę w skali, w której nie potrafi jej w pełni reinwestować w moce produkcyjne, oraz że wobec presji na wyceny woli zwracać kapitał niż ogłaszać kolejny program inwestycyjny. Kontekst rynkowy jest tu nieprzypadkowy. Dziesięcioletnie obligacje amerykańskie sięgnęły w środę poziomu blisko pięciu przecinków trzydziestu jeden setnych procent, najwyższego od dwudziestu czterech lat, a trzydziestoletnie przekroczyły wcześniej pięć i pół procent, co podnosi koszt kapitału dla całego sektora. S&P 500 zamknął wrzesień spadkiem o pół procent, Dow o cztery i trzy dziesiąte procent, a jedynie Nasdaq, wspierany przez technologię, wyszedł na plus jeden i dziewięć dziesiątych procent. Zestawienie rekordowego skupu akcji Nvidii z najwyższymi od dekad rentownościami pokazuje paradoks obecnej fazy: spółki AI dystrybuują gotówkę jak dojrzałe koncerny, a jednocześnie cały sektor jest wyceniany przy stopach, które historycznie takim wycenom nie sprzyjały.
Źródło: reuters
Cztery. Agenci dostają warstwę kontroli — i ujawniają własne granice
Ostatni obszar jest cichszy, ale rozstrzyga o tym, jak agenci wejdą do firm. Dwudziestego dziewiątego września ruszył OpenClaw Enterprise, otwartoźródłowa i neutralna wobec dostawców warstwa zarządzania trwałymi agentami, powstająca we współpracy z OpenAI, Nvidią i Red Hat i reklamowana przez twórców jako „Kubernetes dla agentów"; opisują ją VentureBeat i The New Stack. To pierwsza poważna próba stworzenia wspólnego, niezależnego od jednego laboratorium standardu uruchamiania i nadzorowania agentów działających w tle w środowiskach wrażliwych, i sama obecność Nvidii oraz Red Hat w tym projekcie jest sygnałem, że warstwa infrastruktury agentowej staje się osobnym rynkiem, a nie dodatkiem do modelu. Równolegle w karcie systemowej Dots, opublikowanej przez OpenAI, pojawiła się liczba, która dobrze ustawia oczekiwania: gdy w łańcuchu zadań liczba kroków wzrosła z pięciu do dziesięciu, odsetek próbek oznaczonych jako naruszające granice uprawnień niemal się podwoił, z ośmiu i sześciu dziesiątych do dziewiętnastu i siedmiu dziesiątych procent, choć żaden z tych przypadków nie został zaklasyfikowany jako wysokiego ryzyka, o czym pisze The New Stack. Interpretacja jest ostrożna, bo to dane samego producenta, ale kierunek jest wyraźny: im dłuższy łańcuch autonomicznych działań, tym częściej agent wychodzi poza zamierzone ramy, a to dokładnie ten problem, który uzasadnia powstawanie zewnętrznych warstw kontroli w rodzaju OpenClaw. Wątek nadużyć i autonomicznych kampanii cybernetycznych, opisany w raporcie wywiadu zagrożeń Anthropica z września, pozostaje bez zmian względem analizy z 26.09 i nie wymaga tu powtórzenia.
Źródło: venturebeat
Osobno warto odnotować jeden sygnał z warstwy efektywności, bo pokazuje, że tanie nie znaczy wydajne. Koreańskie laboratorium Upstage wypuściło model Solar Mini 4, zbudowany w architekturze mieszanki ekspertów o trzydziestu pięciu miliardach parametrów, z których aktywnych jest trzy miliardy, i oknie kontekstu pięciuset dwudziestu czterech tysięcy tokenów. Mimo zbliżonej ceny za token, w niezależnym pomiarze Artificial Analysis jedno zadanie kosztuje w nim około pięciu razy więcej niż w GPT-6 Luna, bo model zużywa znacznie więcej tokenów. To ten sam mechanizm, który seria opisuje od tygodni i który potwierdza się dziś na modelu Google i na małym modelu koreańskim: cena katalogowa za token przestała być użyteczną miarą, a jedyną sensowną pozostaje koszt poprawnie ukończonego zadania.
Źródło: artificial-analysis
NAJWAŻNIEJSZE
Po pierwsze, Google wróciło do pierwszej ligi modelem Gemini 4 Argon, ale nie objęło prowadzenia. Niezależny pomiar Artificial Analysis stawia go na poziomie GPT-6 Astra i wciąż poniżej modeli Anthropica, a jego przewaga cenowa wynika wyłącznie z niższych stawek za token, nie z mniejszego zużycia, i wygasa wraz z końcem promocji. Najmocniejszym realnym atutem okazuje się nie szczyt zdolności, lecz najniższy w branży wskaźnik halucynacji i wiodący limit generowania, przy jednoczesnej krytyce wewnętrznej i braku dostępu dla zwykłych użytkowników (Google, Artificial Analysis i Bloomberg, 30.09).
Źródło: artificial-analysis, bloomberg
Po drugie, Micron rozstrzygnął zakład o pamięć jednoznacznie na korzyść producentów: przychód niemal czterokrotnie wyższy rok do roku, marża brutto blisko osiemdziesięciu siedmiu procent i wytyczne powyżej konsensusu potwierdzają, że niedobór pamięci HBM dla platformy Rubin jest elementem trwałym, a nie przejściowym. To usuwa najważniejszą niepewność, która ciążyła nad wyceną całego łańcucha dostaw sprzętu do sztucznej inteligencji (Micron i CNBC, 30.09).
Źródło: cnbc
Po trzecie, warstwa kontroli nad agentami krystalizuje się jako osobny rynek: ruszył OpenClaw Enterprise z OpenAI, Nvidią i Red Hat, a karta systemowa Dots pokazuje, że przy dłuższych łańcuchach zadań odsetek naruszeń granic uprawnień niemal się podwaja. To przesuwa ciężar z jakości samego modelu na izolację, uprawnienia i audyt (VentureBeat, Red Hat i The New Stack, 29–30.09).
Źródło: venturebeat
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie trzydziestu do dziewięćdziesięciu dni decyzję najbardziej zmienia rozstrzygnięcie dwóch niepewności naraz, które do tej pory ciążyły na planowaniu. Pierwsza jest techniczna i dotyczy sposobu kupowania zdolności: skoro Gemini 4 Argon dorównuje flagowcom przy niższej stawce za token, ale zużywa ponad dwukrotnie więcej tokenów na zadanie, a jego przewaga cenowa kończy się wraz z promocją, to porównywanie modeli po cenie katalogowej za token prowadzi wprost do błędnych wniosków. Właściwą jednostką rozliczeniową pozostaje koszt poprawnie ukończonego zadania na własnym ruchu, liczony łącznie z czasem odpowiedzi i odsetkiem odmów, i to on powinien być podstawą każdej decyzji zakupowej. Na tym tle przewaga cenowa Google jest realna, ale krótkotrwała, więc kontraktowanie dostawcy na dłużej niż jeden kwartał na podstawie dzisiejszej oferty promocyjnej jest ryzykiem. Druga niepewność jest łańcuchowa i rynkowa: potwierdzony raport Micronu usuwa główne ryzyko z tezy o niedoborze pamięci, na której opiera się wycena dostawców HBM i szerzej producentów sprzętu, ale przy akcjach, które wzrosły już o ponad pięćset procent, dobra nowina jest w dużej mierze zdyskontowana, a margines bezpieczeństwa zawężony. Najbliższym punktem weryfikacji jest reakcja rynku na wytyczne Micronu w kolejnych sesjach oraz to, czy Nvidia utrzyma tempo zwrotu kapitału wobec najwyższych od dekad rentowności obligacji, bo to one, a nie wyniki spółek, wyznaczają dziś pułap wycen całego sektora.