Nowe AI — briefing technologiczno-rynkowy, wydanie popołudniowe 1.10.2026
Wydanie popołudniowe, dostarczone w czwartek pierwszego października około godziny szesnastej czasu polskiego. Punktem odniesienia jest ostatnia analiza, która realnie dotarła na wątek, czyli wydanie poranne z 1.10, przekazane około godziny 06:47 czasu polskiego. Tamto wydanie zamykało się wokół premiery Gemini 4 Argon, rozstrzygnięcia raportu Micronu oraz warstwy kontroli nad agentami. Dwie z tych spraw mają dziś ciąg dalszy: pojawił się pierwszy niezależny pomiar zewnętrzny, który stawia Argon na szczycie własnej tablicy, a sprawa chińskiej destylacji zmieniła się z ostrzeżenia w imienne przypisanie. Resztę materiału wypełnia warstwa rynkowa i wdrożeniowa, w której dzisiejsza sesja dała jeden z najczystszych sygnałów o tym, gdzie realnie powstaje wartość w tym cyklu. Tam, gdzie nic się nie zmieniło, odsyłam do wcześniejszych analiz i nie powtarzam opisu.
Jeden. OpenAI imiennie wskazuje Moonshot — rywalizacja o wagi przenosi się na bezpieczeństwo
Najmocniejszy nowy fakt ostatniej doby jest bezpieczeństwowy, ale ma bezpośredni wymiar konkurencyjny. OpenAI ujawniło w poście firmowym z 30 września, że wykryło i zdławiło skoordynowaną kampanię wymierzoną w wydobycie chronionego rozumowania ze swoich modeli, którą nazywa wprost destylacją adwersaryjną, a więc systematycznym i nieautoryzowanym użyciem wyników albo rozumowania jednego modelu do trenowania lub ulepszania innego. Aktywność zaczęła się pierwszego lipca i początkowo była niewielka, natomiast dwudziestego czwartego i dwudziestego piątego lipca wystąpiły skoki wolumenu: szesnaście tysięcy żądań w dwa dni, wysłanych z ponad czterech tysięcy kont, a po szerszej analizie OpenAI zidentyfikowało powiązaną aktywność na klastrze ponad piętnastu tysięcy użytkowników, którą zdławiło całkowicie do dwudziestego ósmego lipca. Spółka podkreśla, że operatorzy nie złamali szyfrowania, nie skompromitowali bazy danych i nie uzyskali dostępu do zapisanych rozmów użytkowników; metoda polegała na manipulowaniu interakcją z modelem, między innymi przez skopiowanie zaszyfrowanego rozumowania z jednej rozmowy i polecenie modelowi w innej rozmowie jego odszyfrowania i przepisania. Przy tej okazji OpenAI przyznało, że niezależni badacze bezpieczeństwa zgłosili mu wcześniej pokrewne luki w uczciwym trybie ujawniania i że potwierdziło ich realność; chodzi o pracę o kradzieży śladów rozumowania z zastrzeżonych interfejsów dużych modeli, opatrzoną datą dziesiątego sierpnia.
Ciężar tego komunikatu bierze się jednak nie z techniki, lecz z przypisania. OpenAI, które samo zastrzega, że nie jest pewne, czy wszyscy zaobserwowani operatorzy należeli do jednego podmiotu, przypisuje rdzeniowy klaster aktywności osobom związanym z chińskim Moonshot AI, twórcą modelu Kimi. Kontekst jest tu kluczowy i częściowo już opisany: raport o nadużyciach Anthropica z września, omawiany w analizie z 30.09 o godzinie 16:07, mówił o siedmiu chińskich pracowniach pobierających z Claude dane, a dziś Tom's Hardware przypomina, że w jednym dziesięciodniowym okresie Moonshot przekazał przez sieć ponad pięciu tysięcy fałszywych kont blisko trzysta tysięcy żądań, zapisując sygnatury rozumowania Claude'a i odtwarzając je w nowych sesjach, co Anthropic nazywa atakami powtórzeniowymi między sesjami. Moonshot nie odpowiedział na prośby CNBC o komentarz, a sam OpenAI rozesłał ustalenia kanałami wymiany informacji branżowej oraz rządowej. Krytyczna analiza wiarygodności nakazuje tu ostrożność z dwóch powodów: przypisanie pochodzi z telemetrii samego OpenAI, nie zostało niezależnie potwierdzone, a podmiot oskarżony milczy. Niezależnie od wyniku sporu widać jednak trwałą zmianę: przewaga modelu przestaje być wyłącznie kwestią benchmarku, a staje się kwestią kontroli nad tym, kto może odtworzyć jego rozumowanie. To ta sama oś, którą seria opisuje od tygodni, tylko dziś po raz pierwszy pada nazwa konkretnego laboratorium. Dopełnieniem chińskiej warstwy otwartej jest fakt z dzisiejszego popołudnia, opisany w briefingu geopolitycznym: DeepSeek i Huawei ogłosiły narzędzia programistyczne dla chipów Huawei, przedstawiane jako alternatywa dla platformy CUDA, na której opiera się dominacja Nvidii.
Źródło: cnbc
Dwa. Niezależne tablice rozjeżdżają się w ocenie Argon — a dostęp pozostaje zamknięty
Druga sprawa jest rozwinięciem porannego obrazu Gemini 4 Argon, ale w nieoczekiwanym kierunku. Poranne wydanie przytaczało pomiar Artificial Analysis, który stawiał model Google na pięćdziesięciu trzech punktach, dokładnie na poziomie szczytowego GPT-6 Astra i poniżej modeli Anthropica. Dziś pojawił się drugi niezależny pomiar i daje wynik odwrotny. Tablica Vals AI opublikowała trzydziestego września własną ocenę i umieszcza Argon na pierwszym miejscu wśród czterdziestu jeden modeli, z wynikiem sześćdziesięciu ośmiu przecinek dziewięćdziesięciu setnych procenta, przy koszcie piętnastu dolarów i sześćdziesięciu ośmiu centów za test. Wyprzedza tym samym Sonnet 5.5 z wynikiem sześćdziesięciu siedmiu przecinek czterech setnych procenta i kosztem ponad dwudziestu jeden dolarów za test, Opus 5.5 przy sześćdziesięciu sześciu przecinek dziewięćdziesięciu siedmiu setnych procenta i koszcie ponad trzydziestu dwóch dolarów, oraz Fable 5.1 przy sześćdziesięciu pięciu przecinek osiemdziesięciu trzech setnych procenta i koszcie blisko dwudziestu dziewięciu dolarów. Argon zajmuje też pierwsze miejsce w zadaniu dla agenta finansowego i remisuje z GPT-6 Astra na olimpiadzie informatycznej, gdzie oba modele osiągają pełne sto procent, a wysokie pozycje notuje w cyberbezpieczeństwie, kodowaniu i zadaniach podatkowych. Słabości są równie konkretne: w zadaniu obsługi komputera przez agenta model wypada niemal na końcu stawki z wynikiem poniżej pięciu procent, a koszt na długich zadaniach agentowych rośnie gwałtownie, do blisko stu dziewięćdziesięciu czterech dolarów za test w zadaniu obsługi komputera i blisko pięćdziesięciu ośmiu dolarów w migracji kodu.
Źródło: artificial-analysis, vals-ai
Ta rozbieżność między dwiema niezależnymi pracowniami nie jest sprzecznością, lecz skutkiem doboru zadań: Artificial Analysis kładzie nacisk na rozumowanie w trudnych pytaniach, Vals na realną pracę w finansach, prawie i cyberbezpieczeństwie, gdzie Argon jest najmocniejszy. Wniosek dla zakupów jest przez to praktyczny i spójny z wcześniejszymi analizami: pozycja lidera zależy od tego, jakie zadania liczy się w indeksie, a nie od jednej liczby. Trzeba też pamiętać o dwóch zastrzeżeniach. Sam Vals bywa używany do porównań marketingowych, więc traktuję go jako pomiar drugiej strony, nie prawdę objawioną; poza tym modelu nadal nie da się przetestować publicznie. Google utrzymuje fazowe wdrożenie i udostępnia Argon wyłącznie kohorcie obrońców cyberbezpieczeństwa w ramach programu Fairwind, co potwierdza Ars Technica, pisząc, że modelu tej skali nie oddaje się od razu do powszechnego użytku. To zestawienie, w którym niezależna tablica ogłasza pierwsze miejsce, a produkt pozostaje wąsko zamknięty, jest najlepszą ilustracją obecnej fazy: firmy kupują dziś nie tyle dostęp do najlepszego modelu, ile dostęp do modelu w ogóle, i to na warunkach dostawcy.
Źródło: artificial-analysis
Trzy. Doradztwo okazało się nie ofiarą, lecz sprzedawcą — Accenture i warstwa wdrożeniowa
Trzecia sprawa jest rynkowa i dotyczy tezy, którą rynek trzymał przez cały rok: że generatywna sztuczna inteligencja unicestwi tradycyjne doradztwo i usługi informatyczne. Dziś teza dostała twardy kontrargument. Accenture zaraportowała wyniki czwartego kwartału roku obrachunkowego 2026: przychód osiemnaście miliardów siedemset milionów dolarów, wyższy o sześć procent rok do roku i powyżej własnych widełek oraz oczekiwań analityków, skorygowany zysk na akcję za cały rok trzynaście dolarów dziewięćdziesiąt siedem centów, wyższy o osiem procent, marżę operacyjną piętnaście przecinek trzech dziesiątych procenta, wyższą o trzysta siedemdziesiąt punktów bazowych, oraz rekordowe sto czterdzieści jeden rezerwacji o wartości co najmniej stu milionów dolarów w samym kwartale, przy całorocznych zamówieniach na osiemdziesiąt cztery miliardy pięćset milionów dolarów. Rynek zareagował bez precedensu: akcje spółki wzrosły w czwartek o ponad dwadzieścia trzy procent, co jest największym jednodniowym wzrostem w jej historii, po roku, w którym kurs spadł o około trzydzieści procent. Informacje podane za wynikami spółki, Yahoo Finance oraz City AM.
Źródło: yahoo-finance
Klucz do interpretacji jest w tym, na czym Accenture zbudowała odporność: nie na obronie starego modelu, lecz na wejściu w rolę sprzedawcy bezpieczeństwa i nadzoru nad sztuczną inteligencją. We wrześniu spółka ogłosiła partnerstwo z Anthropic, w którym każda ze stron zainwestuje co najmniej miliard dolarów przez pięć lat, a eksperci od bezpieczeństwa mają pracować bezpośrednio w laboratoriach Anthropica, testując modele przed wypuszczeniem ich do klientów. Ten sam wzorzec widać w innych dzisiejszych doniesieniach: Barclays rozszerza współpracę z Anthropic i zapowiada, że połowa jej programistów będzie używać narzędzia Claude Code do końca 2026 roku, jak podaje Bloomberg, a Synopsys i OpenAI ogłosiły trzydziestego września partnerstwo na model do projektowania chipów, w którym OpenAI płaci abonament treningowy, a przychody z gotowego produktu są dzielone proporcjonalnie do poprawy projektu. Spółka podniosła przy tym prognozę wzrostu przychodów na rok obrachunkowy 2027 do piętnastu procent, wyraźnie powyżej konsensusu jedenastu przecinek dziewiętnaście setnych procenta, a jej akcje wzrosły o siedem procent, jak podaje Reuters. Wspólny mianownik jest jeden: pieniądze przesuwają się z samego modelu do warstwy wdrożenia, audytu i narzędzi dziedzinowych, a firmy, które tę warstwę obsadzą, nie tylko nie są ofiarami sztucznej inteligencji, ale stają się jej najskuteczniejszymi sprzedawcami.
Źródło: bloomberg, reuters
Cztery. Łańcuch pamięci zaciska się na dłużej, a rząd staje się pierwszym klientem na skalę
Ostatni blok to warstwa łańcucha dostaw i zamówień publicznych, w której pojawiły się dziś dwa konkretne sygnały wyprzedzające. Pierwszy jest kontynuacją wczorajszego raportu Micronu, o którym w analizie porannej pisano wyłącznie na podstawie liczb kwartalnych. Prezes Sanjay Mehrotra powiedział wprost, że warunki podaży i popytu na pamięć i nośniki będą znacznie ciaśniejsze w roku kalendarzowym 2027 i 2028 niż w 2026, dodając, że środowisko tylko się zacieśnia, a spółka ma dwadzieścia sześć dużych umów typu bierz albo płać; informację podał The Register. To jest nowy element, bo przesuwa obraz z jednorazowego wyniku na trwały cykl i wzmacnia tezę, na której opiera się wycena całego łańcucha dostaw sprzętu do sztucznej inteligencji. Drugi sygnał dotyczy geografii produkcji: Reuters podał trzydziestego września, że TSMC rozważa inwestycję w Teksasie, poza dwustu sześćdziesięcioma pięcioma miliardami dolarów już zadeklarowanymi w Arizonie, gdzie realizuje dwanaście obiektów i centrum badawcze; plan nie jest sfinalizowany, ale sam kierunek pokazuje, że przenoszenie produkcji chipów do Stanów Zjednoczonych trwa i nie kończy się na jednym stanie.
Źródło: reuters
Do tego samego worka należy fakt podatkowy, który pokazuje, jak finansowany jest cały ten wysiłek. Według ustaleń dziennika „New York Times" z 30 września Meta obniżyła federalny podatek dzięki zakwalifikowaniu budowy centrów danych jako eksperymentu badawczego: podatek federalny spadł z dziewięciu miliardów sześciuset milionów dolarów w 2024 roku do dwóch miliardów ośmiuset milionów w 2025, przy uldze badawczej rosnącej z siedmiuset milionów dolarów w 2023 roku do dwóch miliardów w 2024 i trzech miliardów dziewięciuset milionów w 2025. Warto odnotować zastrzeżenie samej spółki: jej księgowi ostrzegają, że zabieg jest ryzykowny, a ulga nie była pomyślana dla zakupów kart graficznych. Równolegle w warstwie popytu pojawił się duży, uporządkowany klient publiczny. Z dniem pierwszym października weszła w życie umowa OpenAI z amerykańską administracją usług ogólnych, obowiązująca do trzydziestego pierwszego grudnia 2028 roku, która daje rządom federalnym, stanowym, lokalnym i plemiennym zerową opłatę licencyjną oraz pięćdziesiąt procent zniżki na użycie, rozszerzając wcześniejszy program na około dwadzieścia trzy miliony pracowników sektora publicznego; informację podało samo OpenAI. Tego samego dnia SoftBank wykonał trzecią i ostatnią transzę inwestycji w OpenAI o wartości dziesięciu miliardów dolarów, co potwierdził komunikatem spółki. Oba fakty są ważne nie dlatego, że są zaskakujące, ale dlatego, że pokazują, iż strumień kapitału i strumień zamówień publicznych płyną dalej, niezależnie od wahań pojedynczych wycen.
Źródło: nyt
NAJWAŻNIEJSZE
Po pierwsze, rywalizacja o wagi modeli przechodzi z cienia w jawność: OpenAI po raz pierwszy imiennie wiąże rdzeń kampanii destylacyjnej z osobami związanymi z chińskim Moonshot AI, podając skalę szesnastu tysięcy żądań z ponad czterech tysięcy kont i klaster ponad piętnastu tysięcy użytkowników, przy jednoczesnym zastrzeżeniu, że przypisanie pochodzi z jego własnej telemetrii i nie zostało niezależnie potwierdzone (OpenAI, CNBC i Tom's Hardware, 30.09–01.10). Po drugie, niezależne tablice rozjeżdżają się w ocenie Gemini 4 Argon: Vals AI stawia go na pierwszym miejscu wśród czterdziestu jeden modeli z wynikiem blisko sześćdziesięciu dziewięciu procent, gdy Artificial Analysis widzi go dopiero na poziomie GPT-6 Astra, a model pozostaje dostępny wyłącznie dla kohorty obrońców cyberbezpieczeństwa (Vals AI i Ars Technica, 30.09). Po trzecie, warstwa wdrożeniowa okazała się najbezpieczniejszym miejscem w tym cyklu: Accenture wzrosła o ponad dwadzieścia trzy procent po rekordowych zamówieniach, Barclays stawia połowę programistów na narzędziu Anthropica, a Synopsys dzieli się przychodami z OpenAI przy projektowaniu chipów i podnosi prognozę wzrostu powyżej konsensusu (wyniki spółek, Bloomberg i Reuters, 30.09–01.10).
Źródło: cnbc, vals-ai, artificial-analysis, bloomberg, reuters
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie trzydziestu do dziewięćdziesięciu dni decyzję najbardziej zmienia nie kolejny model, lecz rozdzielenie dwóch warstw, które rynek do tej pory traktował łącznie. Pierwsza to warstwa samego modelu, gdzie wartość jest dziś niepewna i zależna od doboru zadań: skoro dwie niezależne pracownie oceniają tę samą premierę różnicą kilkunastu punktów i miejsca w rankingu, to kupowanie dostępu na podstawie jednej liczby z jednej tablicy prowadzi wprost do błędnych wniosków, a jedyną sensowną jednostką pozostaje koszt poprawnie ukończonego zadania na własnym ruchu, liczony razem z czasem odpowiedzi i odsetkiem odmów. Nie jest przy tym przypadkiem, że najbardziej pożądanym produktem pozostaje model, którego nie da się powszechnie przetestować; to osłabia siłę negocjacyjną kupujących i wydłuża okres, w którym dostawca dyktuje warunki. Druga warstwa jest wdrożeniowa i dziś daje wyraźniejszy sygnał: pieniądze i marże wędrują do firm, które potrafią osadzić model w procesie, zbudować nadzór, audyt i zabezpieczenia oraz wziąć odpowiedzialność za wynik. Accenture, Barclays i Synopsys pokazują ten mechanizm w trzech różnych branżach jednocześnie, a skala dzisiejszego wzrostu pierwszej z nich sugeruje, że rynek właśnie koryguje zbyt pochopną wycenę całej kategorii. Najbliższym punktem weryfikacji jest reakcja łańcucha pamięci na zapowiedź zacieśnienia podaży w 2027 i 2028, bo to ona rozstrzyga, czy wysoki capex dostawców sprzętu ma trwałe podstawy, oraz to, czy kolejne laboratoria pójdą śladem OpenAI i zaczną publicznie przypisywać kampanie destylacyjne konkretnym rywalom, co podniosłoby polityczne ryzyko całej chińskiej warstwy otwartych modeli niezależnie od ich jakości.