Nowe AI — briefing technologiczno-rynkowy (wydanie poranne, 8 października 2026)
To wydanie poranne z 8 października. Punktem odniesienia jest ostatnia analiza „Nowe AI", która realnie dotarła na wątek, czyli wydanie popołudniowe z 7 października, przekazane o godzinie 16:07 czasu polskiego, a więc nowy materiał obejmuje okno od tamtego popołudnia do dziś. Tam, gdzie wątek został już opisany — premiera Claude Haiku 5.5, wycofanie Anthropic z Pentagonu, cięcia wewnętrznych wydatków na modele Claude w Meta i Microsofcie czy rekordy indeksów z Nvidią o krok od sześciu bilionów — nie powtarzam go i odsyłam do tamtych wydań. Ton tej doby wyznaczają trzy rzeczy: GPT-6 dociera do ponad miliarda użytkowników razem z interfejsem generowanym na życzenie, dwaj najwięksi producenci modeli ustawiają tego samego dnia identyczną podłogę cenową, a trzy niezwiązane ze sobą firmy szukają w jednym tygodniu około dziewięćdziesięciu miliardów dolarów na zakup układów.
Jeden. GPT-6 i Intelligent UI: odpowiedź, która zachowuje się jak program
Najważniejszym faktem konsumenckim dnia jest pełne udostępnienie GPT-6 w ChatGPT. OpenAI poinformowało, że modele z tej rodziny trafiają do wszystkich warstw usługi: płatne Plus, Pro, Business i Enterprise obsługuje od 7 października GPT-6 Sol, a od dziś, 8 października, do warstw Free i Go na całym świecie wchodzi tańszy GPT-6 Luna. Skala jest tu kluczowa, bo jak podaje sama firma, z ChatGPT korzysta co tydzień ponad miliard dwieście milionów osób, więc jest to najszersze wdrożenie modelu frontier w historii rynku.
Istotą zmiany nie jest jednak sam model, lecz nowa zdolność o nazwie Intelligent UI. Jak opisuje OpenAI, a za nią branżowy AlphaSignal, model potrafi teraz złożyć odpowiedź z tekstu, grafiki i elementów interaktywnych, sam decydując, jak je połączyć w zależności od pytania. W praktyce odpowiedź może zawierać wykresy, klikalne przyciski, formularze, tabele i małe narzędzia, którymi można posługiwać się bezpośrednio w rozmowie — na przykład kalkulator do policzenia oszczędności albo symulację problemu prawdopodobieństwa, którą użytkownik sam manipuluje. Pod spodem pracuje biblioteka natywnych komponentów wraz z kompilatorem, który przetwarza interfejs w trakcie generowania, dzięki czemu układ pojawia się progresywnie, zanim odpowiedź zostanie ukończona.
Źródło: alphasignal
Trzeba tu wyraźnie oddzielić deklarację od pomiaru. Fakt, że GPT-6 trafił do wymienionych warstw od 7 i 8 października oraz że wprowadzono Intelligent UI, jest potwierdzony komunikatem producenta i niezależnym omówieniem. Wszystkie liczby o przewadze pochodzą jednak z wewnętrznych ewaluacji OpenAI i wymagają niezależnego potwierdzenia: firma twierdzi między innymi, że przy pytaniach wymagających wyszukiwania w sieci GPT-6 Instant startuje średnio o czterdzieści cztery procent szybciej. Słabo nagłośnionym ograniczeniem jest zasięg nowości: działa wyłącznie w zakładce Chat, modele zasilające Work i Codex pozostają bez zmian, a API nie zostało rozszerzone, więc deweloperzy nie mogą na razie zamawiać tych komponentów ani rejestrować własnych. OpenAI nie udokumentowało też uprawnień ani przepływu danych generowanych kontrolek, co przy interfejsie mogącym sugerować dostęp do danych i możliwości, których model nie ma, jest realnym pytaniem o bezpieczeństwo. Sens strategiczny jest jednak czytelny: po raz pierwszy interfejs przestaje być zaprojektowany z góry dla wszystkich zadań, a staje się częścią wyniku modelu.
Dwa. Podłoga cenowa ustawiona dwa razy w jednym dniu
Drugi wątek dotyczy ceny, a nie zdolności, i jest bezpośrednim następstwem premiery Claude Haiku 5.5 z 7 października. Nowy fakt jest taki, że GPT-6 Luna został wyceniony dokładnie na tych samych dwóch liczbach co Haiku 5.5: dziesięć centów za milion tokenów wejściowych i pięćdziesiąt centów za milion wyjściowych. Gdy dwie niezależne firmy lądują na identycznej cenie co do centa, to nie zbieg okoliczności, lecz sygnał, że w warstwie tanich modeli powstał trwały poziom odniesienia, poniżej którego nikt nie schodzi, dopóki nie zmieni się ekonomia pod spodem.
Warto dodać dwa zastrzeżenia, które łatwo zgubić w nagłówkach. Po pierwsze, stawka Haiku działa tylko w oknie do stu tysięcy tokenów, powyżej którego cena rosła pięciokrotnie; sama Anthropic szacuje realne oszczędności na około siedemdziesiąt pięć procent, a nie na dziewięćdziesiąt z nagłówka. Po drugie, tania warstwa nie jest warstwą zdolną: na benchmarku Terminal-Bench dla pracy agentowej Sonnet 5.5 osiąga siedemdziesiąt przecinek sześć procent przy maksymalnym wysiłku, podczas gdy Haiku 5.5 zatrzymuje się na trzydziestu dziewięciu przecinku dwóch. Tanie modele są więc dziś wystarczające do klasyfikacji, wyciągania danych i routingu, ale długa praca agentowa nadal wymaga modelu droższego — a do tego doszła druga, cichsza obniżka, bo odczyt z pamięci podręcznej w Sonnecie 5.5 spadł o połowę, do dziesięciu centów. Rynek zaczyna segmentować się na warstwę tanią, kupowaną na miliardy wywołań, i warstwę zdolną, kupowaną na zadania, w których liczy się skuteczność, a nie koszt pojedynczego tokenu.
Trzy. Dziewięćdziesiąt miliardów dolarów długu na chipy w jednym tygodniu
Najmocniejszym wątkiem finansowym jest struktura, przez którą kupuje się dziś moc obliczeniową. W ciągu jednego tygodnia trzy niezwiązane ze sobą firmy poszły po łącznie około dziewięćdziesięciu miliardów dolarów, i to niemal wyłącznie na zakup układów. Jak podał „Wall Street Journal", a za nim agencje finansowe, Broadcom aranżuje ponad pięćdziesiąt miliardów dolarów prywatnego finansowania na zamówiony z OpenAI układ; program nosi nazwę Nexus, a finansowanie celuje w zamknięcie przed końcem roku, choć rozmowy są wczesne, a kwota może się zmienić. Równolegle Oracle negocjuje z Apollo i Goldman Sachs mechanizm kupna sprzętu dla centrum danych o mocy gigawata, w którym prywatni inwestorzy finansują wydzielony podmiot kupujący układy i oddający je Oracle w leasing. SpaceX z kolei szuka około czterdziestu miliardów dolarów na procesory Nvidii, z czego dziesięć miliardów w kredytach bankowych, a trzydzieści w obligacjach, przy spodziewanym zamknięciu w 2027 roku i zastrzeżeniu, że transakcja może w ogóle nie dojść do skutku.
Źródło: wsj
Trzeba oddzielić fakt od interpretacji. Faktem jest skala i kształt transakcji oraz to, że Apollo Global Management pojawia się we wszystkich trzech pakietach, co oznacza jednego pożyczkodawcę rozłożonego na trzy z największych finansowań w branży. Faktem są też liczby ramujące całość: finansowanie dźwigniowe powiązane ze sztuczną inteligencją wzrosło z około dwudziestu miliardów dolarów na początku 2025 roku do osiemdziesięciu ośmiu miliardów w roku 2026 — ponadczterokrotnie w niespełna dwa lata. Interpretacją pozostaje pytanie, czy to zapowiedź bańki. Uczciwa odpowiedź brzmi: to przesunięcie od obligacji publicznych i zwykłych leasingów chmurowych w stronę szytych na miarę struktur prywatnych, wybieranych wtedy, gdy kwota, tempo lub konstrukcja przerastają to, co publiczny rynek wchłania bez dyskomfortu. Warto zauważyć, co dokładnie jest finansowane: nie fabryka i nie centrum danych, lecz seria produkcyjna procesora dla jednego klienta, w której dostawca zbiera pieniądze, które następnie wyda jego odbiorca — to głębokie wzajemne zobowiązanie czyni taki układ trudnym do zniknięcia, ale i bardzo trudnym do wycenienia. W tym samym tygodniu doszedł rzadszy rodzaj transakcji: biuro ds. kapitału strategicznego Departamentu Obrony zaproponowało bankrutującemu producentowi węglika krzemu, firmie Wolfspeed, warunkowy kredyt do półtora miliarda dolarów w zamian za warranty na część udziałów.
Cztery. Atom dla centrów danych: Google i Constellation, 3,59 gigawata
Czwarty wątek dotyczy wąskiego gardła, jakim staje się energia. Jak podała agencja Reuters, Google zakontraktował 3 590 megawatów mocy od Constellation Energy w największej amerykańskiej sieci PJM, przy czym nowa energia jądrowa ma stanowić około jednej czwartej tej puli. Umowa obejmuje dwudziestoletni kontrakt na 890 megawatów z modernizowanych reaktorów jądrowych oraz piętnastoletnią umowę na dodatkowe 2 700 megawatów z innych źródeł. Constellation zainwestuje w ramach porozumienia ponad cztery i trzy dziesiąte miliarda dolarów w modernizację floty, a prąd z pierwszej zmodernizowanej elektrowni ma popłynąć w 2028 roku. Jedenaście bloków jądrowych objętych modernizacją leży w Illinois, Pensylwanii i New Jersey, w zasięgu sieci PJM, a akcje Constellation wzrosły w reakcji o ponad trzynaście procent, do około trzystu czterech dolarów.
Źródło: reuters
Kontekst jest tu ważniejszy niż same liczby. Rosnące zapotrzebowanie na prąd, napędzane głównie rozbudową centrów danych, doprowadziło od 2024 roku do ponad jedenastokrotnego wzrostu cen mocy w PJM i pozostawiło sieć z deficytem. Zarząd PJM zaproponował w odpowiedzi, by klienci będący centrami danych albo sami zapewniali sobie energię, albo liczyli się z odłączeniem od sieci w szczytach — i to porozumienie jest bezpośrednią odpowiedzią na tę propozycję. Trzeba więc czytać je nie jako jedną umowę, lecz jako wzorzec, który obie firmy wprost nazywają modelem do powielenia w innych częściach kraju. Wniosek dla biznesu jest twardy: dostęp do energii staje się warunkiem skalowania modeli równie realnym jak dostęp do układów.
Pięć. Etched i wycena czterdziestu miliardów: challenger Nvidii
Piąty fakt dotyczy łańcucha chipów od strony prywatnego kapitału. Jak podał TechCrunch, powołując się na osoby znające sprawę, startup Etched rozważa oferty finansowania wyceniające spółkę na ponad czterdzieści miliardów dolarów — od czterdziestu miliardów od inwestorów z najwyższej półki do pięćdziesięciu od mniej znanych nabywców. To niemal dwukrotność wyceny dwudziestu jeden miliardów z rundy wrześniowej, a firma podnosiła kapitał w tym roku wyjątkowo szybko: trzysta milionów przy wycenie dziesięciu i trzech dziesiątych miliarda w lipcu, siedemset milionów przy dwudziestu jeden miliardach we wrześniu. Etched buduje procesory wyspecjalizowane wyłącznie pod transformery, czyli architekturę stojącą za niemal wszystkimi dzisiejszymi modelami, i twierdzi, że przetwarza więcej tokenów szybciej i taniej niż Nvidia. Jak dodaje TechCrunch, rundę wrześniową poprowadził fundusz kwantowy Jane Street, który jest jednocześnie klientem i odebrał wczesny system, a około piętnaście procent z czterystuosobowego zespołu pracowało wcześniej w Nvidii.
Źródło: techcrunch
Warto zachować dystans wobec narracji o „zabójcy Nvidii". Faktem są kwoty i tempo rund oraz to, że spółka zmontowała własny testowy chip w fabryce TSMC i zadeklarowała miliard dolarów zamówień. Interpretacją, i to wycenianą dziś bardzo hojnie, jest teza, że wyspecjalizowany układ istotnie przełamie dominację Nvidii — a zbudowanie całego systemu sprzętowego wokół własnego chipu jest przedsięwzięciem droższym i dłuższym niż sama konstrukcja. Wniosek dla rynku jest jednak czytelny: kapitał prywatny wycenia dziś alternatywę dla Nvidii na dziesiątki miliardów, zanim produkt zdążył dowieść skali.
Sześć. Personal Agent Protocol: kto ustali zasady agentów zakupowych
Szósty wątek dotyczy warstwy, w której modele wchodzą w handel. Meta i założony przez Bretta Taylora startup Sierra ogłosiły wspólnie Personal Agent Protocol — otwarty standard opisujący, jak osobiste agenty sztucznej inteligencji kontaktują się z firmami. Jak podaje blog Sierra, w prace zaangażowani są partnerzy z Genesys, Instinct, Rocket, Shopify, Stripe i Walmart, a sam protokół ma obsługiwać uwierzytelnianie, dawać konsumentowi kontrolę, a firmom wgląd w to, co agent robi na ich stronach i przez interfejsy programistyczne. Rozwiązanie opiera się na sprawdzonym mechanizmie OAuth, wspiera standardy MCP i OpenAPI, a specyfikacja w wersji 0.1 ma zostać opublikowana jeszcze w tym miesiącu wraz z implementacją referencyjną.
Najważniejsze jest tu zestawienie uczestników i tego, kogo wśród nich nie ma. Jak zauważyły niezależne omówienia, w gronie zabrakło Amazona, Google i OpenAI — czyli trzech graczy najsilniej zaangażowanych we własne agentowe platformy zakupowe. To znaczy, że walka nie toczy się już o to, czy agent będzie robił zakupy, lecz o to, kto ustali protokół, po którym będzie rozmawiał ze sklepami. Otwarty standard z takim ciężarem handlowym, z Walmartem i Shopify u podstawy, ma zwyczaj stawać się standardem domyślnym — a nieobecność największych konkurentów jest sygnałem, że powstaje równolegle kilka ekosystemów i że firmy sprzedające online będą musiały wkrótce zdecydować, który z nich obsłużą.
Siedem. Nadzór i zaufanie: uprzedzenia cenowe, SynthID i granica wieku
Siódmy obszar zbiera trzy fakty z warstwy zaufania, które razem pokazują, że nadzór nad modelami staje się twardym problemem operacyjnym. Po pierwsze, badanie Cisco Foundation AI i Carnegie Mellon, opisane na arXiv i omówione przez Quartz oraz Yahoo, wykazało, że osiem z trzynastu testowanych modeli — w tym ChatGPT, Claude i Gemini — rekomendowało droższe opcje profilom sugerującym wyższą zamożność, i to nawet wtedy, gdy użytkownik wprost prosił o najtańszą ofertę. Łącznie przeprowadzono trzysta dwadzieścia pięć tysięcy eksperymentów na danych opisujących fikcyjnych użytkowników o różnych dochodach, a wniosek autorów jest jednoznaczny: rekomendacje dla zamożniejszych były systematycznie droższe przy identycznym pytaniu. To nie ciekawostka badawcza, lecz problem zamówień publicznych i regulacji, bo sugeruje, że modele wbudowują w rekomendacje logikę wyższego dochodu, której użytkownik nie widzi.
Po drugie, Google udostępniło publicznie narzędzie SynthID Detector, które pozwala każdemu sprawdzić, czy dany obraz, film lub plik audio został wytworzony przez sztuczną inteligencję. Jak podał TechCrunch, znak wodny SynthID stosują modele Google, w tym Nano Banana, Veo i Lyria, oraz narzędzia generatywne takie jak Gemini; poza Google wspierają go OpenAI, Nvidia i Kakao, a Apple ma dołączyć wkrótce. Trzeba jednak powiedzieć uczciwie, że narzędzia te nie są niezawodne i często nie rozpoznają treści wytworzonych przez własne modele, a brak wykrycia znaku wodnego nie dowodzi autentyczności materiału — to ograniczenie, które sam producent przyznaje. Po trzecie, jak podało Common Sense Media, organizacja oceniła tryb ChatGPT dla nastolatków jako „niedopuszczalne ryzyko", testując ponad cztery tysiące promptów na kontach młodzieży i odnotowując spadek odsetka skierowań do infolinii kryzysowych z trzydziestu trzech do dwudziestu trzech procent. OpenAI kwestionuje metodologię badania, a jego własny raport wskazuje średnie użycie poniżej piętnastu minut dziennie — do momentu publikacji zbioru testowego obie liczby należy traktować jako sporne. Wspólny wniosek jest taki, że zaufanie do modeli przestaje być deklaracją, a staje się mierzalnym parametrem wdrożenia.
Źródło: techcrunch
Osiem. Otwarte wagi i tempo Chin: szesnaście modeli i cykl czterdziestu czterech dni
Ostatni wątek domyka obraz od strony tempa i otwartości. Jak podał dziennik „Nikkei", w samym wrześniu chińscy rozwijacze wypuścili szesnaście modeli językowych, a w całym okresie od kwietnia do września średni cykl wydawniczy w śledzonych laboratoriach amerykańskich i chińskich skrócił się do czterdziestu czterech dni ze stu dwudziestu pięciu — czyli do około jednej trzeciej poprzedniego. To liczba, która mówi więcej o dynamice rynku niż jakikolwiek pojedynczy benchmark: częstotliwość premiery stała się sama w sobie przewagą konkurencyjną, bo krótszy cykl oznacza szybsze domykanie luki i szybsze docieranie do deweloperów.
Równolegle warstwa otwarta dostaje narzędzia, które dotąd były domeną zamkniętych dostawców. Na czele Hacker News pojawił się Docker Agent, otwarty konstruktor i środowisko uruchomieniowe agentów, które pozwala budować zespoły współpracujących agentów bez pisania kodu i osadzać je w repozytoriach oraz w przepływach GitHub Actions. Do tego doszła warstwa treningowa: jak opisał AlphaSignal, Unsloth dodało możliwość douczania małych modeli do zwracania skalibrowanych decyzji zamiast tekstu, i na czterech gigabajtach pamięci karty graficznej model o ośmiuset milionach parametrów osiągnął siedemdziesiąt osiem procent trafności, przy treningu liczonym w dziesiątkach minut — to rozwinięcie tej samej logiki, którą popołudniowe wydanie opisało przy otwartym modelu decyzyjnym AWS Strands Decider 2B, tyle że teraz taki model można dostroić samodzielnie, lokalnie i tanio.
Źródło: hacker-news, alphasignal
NAJWAŻNIEJSZE
Po pierwsze, GPT-6 dociera do ponad miliarda dwustu milionów użytkowników razem z Intelligent UI, czyli odpowiedzią, która sama komponuje wykresy, formularze i interaktywne narzędzia. To najszersze wdrożenie modelu frontier w historii i pierwszy przypadek, w którym interfejs przestaje być zaprojektowany z góry, a staje się częścią wyniku modelu — przy zastrzeżeniu, że nowość działa tylko w zakładce Chat, nie obejmuje API, a wszystkie liczby o przewadze pochodzą z wewnętrznych ewaluacji OpenAI (OpenAI, AlphaSignal, 7–8.10).
Źródło: alphasignal
Po drugie, cena taniej warstwy modeli ustabilizowała się na dwóch identycznych liczbach. Claude Haiku 5.5 i GPT-6 Luna zostały wycenione dokładnie na dziesięć centów za milion tokenów wejściowych i pięćdziesiąt za wyjściowe, co przy zastrzeżeniu, że stawka Haiku obowiązuje tylko do stu tysięcy tokenów i daje realnie około siedemdziesięciu pięciu procent oszczędności, oznacza trwały poziom odniesienia dla masowych zastosowań (Anthropic, OpenAI, 7–8.10).
Po trzecie, kupno mocy obliczeniowej przeniosło się na kredyt w skali, która wymagała nowych struktur. Broadcom aranżuje ponad pięćdziesiąt miliardów dolarów na zamówiony układ OpenAI, Oracle buduje wydzielony podmiot leasingujący sprzęt dla centrum danych o mocy gigawata, a SpaceX szuka około czterdziestu miliardów na procesory Nvidii — wszystko w jednym tygodniu i przy udziale jednego pożyczkodawcy, Apollo, w każdym z pakietów, gdy finansowanie dźwigniowe powiązane z AI wzrosło z około dwudziestu do osiemdziesięciu ośmiu miliardów dolarów w niespełna dwa lata („Wall Street Journal", Reuters, TechCrunch, 5–6.10).
Źródło: wsj, reuters, techcrunch
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie równoległe linie: konsolidacja podłogi cenowej w warstwie taniej oraz finansowanie mocy obliczeniowej długiem. Po pierwsze, skoro Haiku 5.5 i GPT-6 Luna spotkały się co do centa, a jednocześnie praca agentowa nadal rozróżnia modele tanie od zdolnych, uzasadniona jest architektura dwuwarstwowa: tanią warstwę kieruje się do klasyfikacji, ekstrakcji i routingu na miliardy wywołań, a warstwę zdolną rezerwuje się na zadania, w których liczy się skuteczność — sam wynik Terminal-Bench pokazuje, że oszczędność na tanim modelu w długiej pętli agentowej może kosztować utratę połowy skuteczności. Po drugie, skala, na jaką kupuje się dziś układy prywatnym kredytem, zmienia profil ryzyka całego ekosystemu: tanie wnioskowanie dziś nie dowodzi, że wnioskowanie jest tanie, jeśli sprzęt pod nim finansowany jest wieloletnim długiem, a koncentracja jednego pożyczkodawcy w trzech największych transakcjach oznacza, że warunki wszystkich zależą od tego samego domu. Najbliższe punkty weryfikacji są konkretne: czy transakcja Broadcomu dla układu Nexus zamknie się przed końcem roku, czy Google dostarczy pierwszą zmodernizowaną energię jądrową zgodnie z planem na 2028, czy Etched domknie rundę przy wycenie czterdziestu miliardów, oraz czy brak Amazona, Google i OpenAI w Personal Agent Protocol okaże się trwałym podziałem ekosystemów agentowego handlu.