Now AI — briefing technologiczno-rynkowy (wydanie popołudniowe, 9 października 2026)
To wydanie popołudniowe z 9 października. Punktem odniesienia jest ostatnie wydanie poranne z 9 października, przekazane o godzinie 06:47 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: raport o przychodach OpenAI, który w jednej sesji starł z indeksów kilkadziesiąt miliardów dolarów wartości spółek technologicznych, europejski model biliona parametrów zapowiedziany z otwartymi wagami, oraz pierwszy twardy bilans tego, jak chińskie laboratoria traktują testy bezpieczeństwa.
Jeden. Luka w przychodach OpenAI o około dwadzieścia miliardów i wyprzedaż spółek AI
Najmocniejszym sygnałem rynkowym dnia jest rozjazd między tym, co OpenAI komunikowało inwestorom jeszcze dwa miesiące temu, a tym, co przekazało im teraz. Jak ujawnił dziennik „Financial Times", a za nim Reuters, CNN i CNBC, firma poinformowała potencjalnych inwestorów, że jej przychód w ujęciu rocznym za wrzesień zbliżył się do pięćdziesięciu miliardów dolarów. To o około dwadzieścia miliardów mniej niż sześćdziesiąt osiem miliardów, które podawano powszechnie w sierpniu. Według osoby zbliżonej do sprawy, cytowanej przez branżowy serwis SiliconANGLE, różnica bierze się z metodyki: wcześniejsza liczba obejmowała przychód brutto partnerów, żeby dała się porównać z wynikami Anthropic, natomiast nowa to przychód netto samego OpenAI. Firma wskazała przy tym na siedemdziesiąt siedem procent wzrostu rocznej stopy przychodów w trzecim kwartale oraz sto siedem procent w segmencie korporacyjnym.
Źródło: financial-times, reuters, cnn, cnbc
Reakcja rynku była natychmiastowa i ostra. Nasdaq spadł o około jeden i cztery dziesiąte procent, notując najgorszą sesję od połowy sierpnia, a wśród spółek najbardziej wystawionych na kontrakty z OpenAI najboleśniej oberwały Oracle, które straciło pięć i pół procent, Intel pięć i trzy dziesiąte, CoreWeave osiem procent, a Nvidia, AMD i Broadcom po blisko trzy do czterech procent. Znaczenie tego ruchu polega na tym, że po raz pierwszy w tym cyklu rynek zakwestionował nie wycenę pojedynczej spółki, lecz sam łańcuch zależności: jeśli OpenAI nie zrealizuje zobowiązań wobec dostawców mocy obliczeniowej, uderza to w producentów układów, operatorów chmury i firmy budujące centra danych naraz. Faktem jest liczba podana inwestorom i skala przeceny; interpretacją pozostaje, czy to korekta metodyki, czy sygnał, że popyt na modele rośnie wolniej, niż wyceniano. Warto dodać kontekst debiutu: OpenAI negocjuje rundę trzydziestu miliardów dolarów przy wycenie około biliona czterystu miliardów, a samo przesunęło wejście na giełdę na przyszły rok, natomiast Anthropic, wyceniany w spekulacjach na dwa biliony, utrzymuje plany debiutu jeszcze w tym roku. Niezależny analityk finansowy New Constructs nazwał ofertę Anthropic najniedorzeczniejszym debiutem tego roku, wyceniając spółkę na sto pięćdziesiąt miliardów, co pokazuje, jak rozbieżne są dziś oczekiwania wobec tego samego podmiotu.
Dwa. Trzech badaczy bezpieczeństwa odchodzi z OpenAI, firma podwaja swoje stanowisko
Drugi wątek to najpoważniejszy od tygodni spór o kulturę bezpieczeństwa w czołowym laboratorium. Sprawę zwolnień odnotowała już dzisiejsza analiza geopolityczna, tutaj dopełniam ją więc o warstwę techniczną i piątkową odpowiedź firmy. Trzej pracownicy zespołu bezpieczeństwa i zgodności — Mikita Balesni, Tomek Korbak i Jasmine Wang — opublikowali list otwarty do komitetów nadzorczych OpenAI, w którym twierdzą, że zostali zwolnieni za to, że przedkładali bezpieczeństwo nad krótkoterminowy interes firmy. OpenAI w piątek podtrzymało własną wersję i przekazało, że doszło do znaczącego naruszenia zaufania oraz że zwolnienia nie dotyczyły zgłaszania obaw o bezpieczeństwo.
Warto rozłożyć ten spór na fakty i interpretacje. Faktem jest treść listu: Korbak, który współtworzył strategię bezpieczeństwa OpenAI, pracował nad monitorowalnością rozumowania modeli klasy Astra i był technicznym punktem kontaktu z organizacją METR podczas badania incydentu z Hugging Face; Balesni współtworzył branżowy artykuł o monitorowalności łańcucha myśli; Wang współprowadziła program przypadków bezpieczeństwa. Faktem jest też, że sami autorzy zaprzeczają, jakoby byli źródłem przecieku do „The Information", i utrzymują, że działali w granicach ówczesnych zasad. Interpretacją, i to sporną, pozostaje pytanie, czy zwolnienia wynikły z naruszeń proceduralnych, czy z nacisku na ujawnianie słabości modeli. W liście pojawia się ostrzeżenie kluczowe dla rynku: monitorowalność modeli granicznych się pogarsza i nie należy iść dalej w architektury, których nie da się nadzorować. To nie jest spór wyłącznie pracowniczy — dotyka zaufania inwestorów do tego, czy laboratorium potrafi wewnętrznie kontrolować to, co wypuszcza, dokładnie wtedy, gdy przygotowuje się do największego w historii debiutu giełdowego w sektorze. Informacje podane za „The Wall Street Journal", Business Insiderem, Al Dżazirą oraz samym listem, opublikowanym 9 października.
Źródło: metr, the-information, wsj
Trzy. Mistral Large 4: bilion parametrów z Europy i obietnica otwartych wag
W warstwie modeli najważniejszą nowością jest wejście Mistrala do klubu modeli bilionowych. Francuska firma udostępniła w podglądzie badawczym model Mistral Large 4, znany pod roboczym przydomkiem „Le Chonk" — model o bilionie parametrów ogółem i czterdziestu dziewięciu miliardach aktywnych, z kontekstem pięciuset dwunastu tysięcy tokenów i wejściem tekstowo-obrazowym. Jak podaje portal Artificial Analysis, model osiąga trzydzieści osiem punktów w indeksie inteligencji, co stawia go obok GPT-6 Luna i tuż za DeepSeek V4.1 Flash, czyniąc go najinteligentniejszym modelem spoza Stanów Zjednoczonych i Chin. Na indeksie cyberbezpieczeństwa zdobywa pięćdziesiąt punktów, na poziomie GLM-5.3-Flash, a w zadaniu CyberGym-E2E wyprzedza wszystkie wymienione modele.
Źródło: artificial-analysis
Ciekawsze od samych wyników są dwa fakty o charakterze strategicznym. Po pierwsze, model wytrenowano od zera na około trzech tysiącach ośmiuset układach Nvidia Grace Blackwell w europejskich centrach danych należących do Mistrala, co jest argumentem o suwerenności obliczeniowej, a nie tylko o jakości — prezes Europejskiego Banku Centralnego Christine Lagarde mówiła niedawno, że dostęp do kluczowych narzędzi sztucznej inteligencji nie powinien zależeć od przełącznika kontrolowanego gdzie indziej. Po drugie, otwarte wagi mają trafić do obiegu pod koniec października. Trzeba jednak podać i drugą stronę: Artificial Analysis wylicza, że koszt pojedynczego zadania na Large 4 jest ponad czterokrotnie wyższy niż modeli otwartych o zbliżonej inteligencji. Sam wiceprezes do spraw nauki w Mistralu, Pierre Stock, przyznał cytowany przez Axios, że firma nie jest jeszcze na granicy. Interpretacja jest więc taka, że Large 4 należy traktować jako polisę suwerenności dla banków i administracji w Unii Europejskiej, a nie jako zwycięzcę rankingów — płaci się za audytowalność i kontrolę, nie za cenę.
Źródło: artificial-analysis, axios
Cztery. Reflection AI Beam: amerykańska odpowiedź na chińskie wagi otwarte
Równolegle, po drugiej stronie Atlantyku, start-up Reflection AI wypuścił swój pierwszy model otwarty, Beam — rzadką mieszankę ekspertów o pięciuset jeden miliardach parametrów ogółem i dwudziestu trzech miliardach aktywnych, wytrenowaną na blisko dwudziestu czterech bilionach tokenów, z kontekstem miliona tokenów. Firma, wspierana przez Nvidię, twierdzi, że Beam potrzebuje trzy do czterech razy mniej mocy obliczeniowej na wnioskowanie niż porównywalne modele otwarte, a według „The Information" ma być o połowę mniejszy od konkurencyjnego Inklinga i lepszy w kodowaniu. Deklaracja marketingowa jest tu jasna i warto ją nazwać po imieniu: to wiarygodny model otwarty, który nie jest chiński. Zastrzeżenie jest jednak twarde — żaden niezależny ośrodek nie opublikował jeszcze pomiarów Beama, a jego własny blog przyznaje, że Kimi K3 pozostaje z przodu. Wagi mają pojawić się w tym miesiącu, a warunki licencji nie są jeszcze znane. Wspólnie z Mistralem rysuje się więc obraz, w którym Zachód próbuje domknąć lukę w modelach otwartych nie wynikiem, lecz argumentem zaufania i pochodzenia.
Źródło: the-information
Pięć. Chiny publikują testy bezpieczeństwa dla trzech i sześciu dziesiątych procent wydań modeli
Bezpieczeństwo ma też wymiar porównawczy, i tu pojawił się twardy, liczbowy bilans. Jak podał Reuters, powołując się na analizę firmy badawczej SemiAnalysis, chińscy deweloperzy opublikowali wyniki testów bezpieczeństwa zaledwie dla trzydziestu jeden z ośmiuset pięćdziesięciu siedmiu wydań modeli — czyli dla trzech i sześciu dziesiątych procent. Analiza objęła dziewięć czołowych chińskich firm, w tym Alibaba, ByteDance, Tencent i Baidu, w okresie od 2021 roku do połowy września, a tylko dziewięć wydań miało wyniki testów dostępne w momencie premiery. Zestawienie tego z raportem Concordia AI o stanie bezpieczeństwa w Chinach za 2026 rok pokazuje pełniejszy obraz: chińska produkcja badawcza o bezpieczeństwie wzrosła o około sześćdziesiąt procent, a bezpieczeństwo agentów urosło z ośmiu procent nowych prac na początku zeszłego roku do dwudziestu siedmiu procent w pierwszym kwartale tego roku. Innymi słowy, Chiny badają bezpieczeństwo coraz intensywniej, ale niemal nie komunikują wyników przy premierach komercyjnych. Dla odbiorcy instytucjonalnego jest to informacja o ryzyku łańcucha dostaw, niezależnie od faktycznej jakości tych modeli.
Źródło: reuters, semianalysis
Sześć. Bilans mocy obliczeniowej według a16z: technologia dźwiga całą giełdę
Fundamenty pod całym tym cyklem porządkuje raport State of Markets II funduszu Andreessen Horowitz. Trzy liczby z niego są kluczowe. Pierwsza: sektor technologiczny odpowiadał w tym roku za około siedemdziesiąt sześć procent całego wzrostu zysków indeksu S&P 500 — a więc za trzy czwarte dynamiki zysków najważniejszego indeksu świata. Druga: nakłady inwestycyjne wielkich dostawców chmury sięgną w tym roku około siedmiuset osiemdziesięciu miliardów dolarów, wobec czterystu szesnastu miliardów w zeszłym roku i dwustu czterdziestu jeden dwa lata temu, a konsensus zakłada ponad bilion rocznie od przyszłego roku. Trzecia, najbardziej trzeźwiąca: w kwietniu tego roku zaledwie około dwa procent amerykańskich gospodarstw domowych płaciło za jakąkolwiek usługę sztucznej inteligencji. To zestawienie tłumaczy, dlaczego rynek jest dziś rozdarty — wzrost zysków i nakładów jest realny i mierzalny, ale baza odbiorców końcowych, która miałaby ten cykl utrzymać w kolejnych latach, jest wciąż zaskakująco wąska.
Siedem. Fala długu na chipsy: SpaceX, Broadcom i Oracle pożyczają na sprzęt, który się zestarzeje
Ryzyko tej konstrukcji widać najlepiej w warstwie finansowania. Trzy duże podmioty równocześnie szukają dziesiątek miliardów dolarów długu na zakup układów. Jak podały „Financial Times" i „The Wall Street Journal" za Reutersem, SpaceX chce pożyczyć około czterdziestu miliardów na układy Nvidii, Broadcom rozmawia o ponad pięćdziesięciu miliardach na własny układ budowany z OpenAI, a Oracle chce, by osobna spółka kupiła układy dla centrum danych o mocy gigawata i wydzierżawiła mu je. Różnica w tym, kto ponosi ryzyko, jest fundamentalna: tylko SpaceX zaciąga dług na własnym bilansie, a Broadcom sprzedaje układy, nie będąc pożyczkobiorcą, natomiast w konstrukcji Oracle to inwestorzy w osobnym wehikule biorą na siebie stratę, jeśli układy będą stały bezczynnie, więc dług nie pojawia się na bilansie spółki. Kluczowa jest tu arytmetyka czasu. Obligacje SpaceX mają średnio blisko dwanaście lat do wykupu, a układy sztucznej inteligencji tracą wartość w ciągu kilku lat, gdy pojawiają się nowsze generacje — dług więc żyje dłużej niż sprzęt, który finansuje. Według strateg kredytowej Amandy Lynam sprzedaż obligacji związanych ze sztuczną inteligencją osiągnęła w tym roku czterysta osiemdziesiąt dziewięć miliardów dolarów, więcej niż przez cały rok poprzedni. Interpretacja jest taka, że pytanie o bańkę przesuwa się z wycen na strukturę finansowania: realne staje się nie to, czy popyt na moc obliczeniową istnieje, lecz kto poniesie stratę, gdy tempo jego wzrostu wyhamuje, i czy skoncentrowana grupa pożyczkodawców nie zarazi tym rynku długu szerzej.
Źródło: financial-times, wsj, reuters
Osiem. Efektywność na dwóch końcach: agenci badawczy i tanie wideo
Na koniec dwa sygnały z frontu technicznego, które pokazują, że postęp idzie dziś nie w stronę większych modeli, lecz tańszych. Chińska Akademia Sztucznej Inteligencji z Pekinu (BAAI) wypuściła AREX, rodzinę agentów głębokiego researchu opartych na modelu o stu dwudziestu dwóch miliardach parametrów, z których aktywnych jest tylko dziesięć miliardów. Agent prowadzi własną weryfikację odpowiedzi ograniczenie po ograniczeniu, zachowuje potwierdzone fragmenty i doszukuje się wyłącznie brakujących — jak podaje omówienie branżowe, osiąga przy tym osiemdziesiąt dwa i pół procent na benchmarku BrowseComp, pozostając konkurencyjnym wobec modeli o znacznie większej liczbie aktywnych parametrów. Równolegle xAI wypuściło Grok Imagine Video 1.5 Lite, destylowaną, tańszą wersję swojego generatora wideo, która według Artificial Analysis zajmuje siedemnaste miejsce na rankingu wideo z tekstu, o dwa miejsca wyżej niż Veo 3.1 od Google, przy koszcie około czternastu centów za sekundę w rozdzielczości tysiąca osiemdziesięciu linii, czyli o sześćdziesiąt pięć procent taniej niż Veo. Warto zachować ostrożność co do upscalingu: dostawca podaje, że tysiąc osiemdziesiąt linii powstaje przez powiększenie renderu z siedmiuset dwudziestu, co ma znaczenie przy drobnych teksturach. Oba fakty razem mówią to samo, co raporty kosztowe — przewaga przestaje płynąć z rozmiaru, a zaczyna z wydajności na zadanie.
Źródło: artificial-analysis
Dziewięć. Warstwa produktowa agentów: Claude robi pulpity, a handel pisze standard
Dwa wydarzenia domykają obraz tego, jak agenci wchodzą do codziennej pracy. Anthropic dodał do Claude'a dwa narzędzia: Dashboardy, które generują żywe, oparte na zapytaniach pulpity danych z magazynu przedsiębiorstwa, oraz Motion, tworzące animacje wyjaśniające eksportowane do pliku wideo — o czym poinformował Reuters. Równolegle Meta i Sierra, we współpracy z Walmartem, Stripe'em i Shopify, ogłosiły Personal Agent Protocol, otwarty standard opisujący, jak osobiste agenty sztucznej inteligencji logują się do serwisów i dokonują zakupów. Rynek jest tu w fazie chaosu: Amazon blokuje agenta Muse od Meta, Walmart stosuje weryfikację człowieka, a według sondażu firmy NMI zaledwie trzy procent dorosłych Amerykanów zaufałoby agentowi w finalizacji zakupu. To ważne rozróżnienie: techniczna gotowość agentów wyprzedza dziś zaufanie i uzgodnienia międzyplatformowe, a to właśnie na tym etapie rozstrzyga się, kto zbierze zyski z agentowego handlu.
Źródło: reuters
NAJWAŻNIEJSZE
Po pierwsze, ujawniona przez OpenAI korekta przychodu o około dwadzieścia miliardów dolarów — z sześćdziesięciu ośmiu do blisko pięćdziesięciu miliardów w ujęciu rocznym — wywołała najgorszą sesję Nasdaq od połowy sierpnia i przecenę Oracle, Intela, CoreWeave oraz Nvidii. Rynek zakwestionował nie pojedynczą wycenę, lecz cały łańcuch zależności wokół dostawców mocy obliczeniowej („Financial Times", Reuters, CNN, CNBC, 8.10).
Źródło: financial-times, reuters, cnn, cnbc
Po drugie, europejski Mistral wypuścił bilionowy model Large 4 z zapowiedzią otwartych wag pod koniec października, a amerykański Reflection AI pokazał otwarty Beam o pięciuset jeden miliardach parametrów. Oba są o krok za chińskimi wagami otwartymi i znacznie droższe w przeliczeniu na zadanie, ale po raz pierwszy dają instytucjom Zachodu realną alternatywę wobec modeli chińskich (Artificial Analysis, TechCrunch, Axios, 5–6.10).
Źródło: artificial-analysis, techcrunch, axios
Po trzecie, równolegle napłynęły dwa twarde sygnały o ryzyku: analiza SemiAnalysis wykazała, że chińscy deweloperzy publikują testy bezpieczeństwa dla zaledwie trzech i sześciu dziesiątych procent wydań modeli, a trzy duże podmioty szukają jednocześnie dziesiątek miliardów dolarów długu na układy, które zestarzeją się przed terminem wykupu obligacji (Reuters, „The Wall Street Journal", 8–9.10).
Źródło: semianalysis, reuters, wsj
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie osie: przejrzystość strumienia przychodów laboratoriów oraz struktura finansowania infrastruktury. Po pierwsze, skoro różnica między sześćdziesięcioma ośmioma a pięćdziesięcioma miliardami dolarów przychodu OpenAI okazała się różnicą definicji — brutto wobec netto — to każda wycena oparta na doniesieniach prasowych, a nie na sprawozdaniu, jest dziś obciążona wysokim ryzykiem interpretacyjnym, i to ryzyko materializuje się w jednej sesji. Dopóki Anthropic nie upubliczni prospektu z jednolitą metodyką, porównywanie jego sześćdziesięciu pięciu miliardów z przychodem OpenAI pozostaje porównywaniem dwóch różnych miar. Po drugie, konstrukcja z osobnym wehikułem, w której Oracle dzierżawi układy, a stratę ponoszą inwestorzy, pokazuje, że ryzyko cyklu nie znika, tylko przesuwa się poza bilanse i do mniejszej grupy pożyczkodawców. Dla budżetowania i oceny kontrahentów oznacza to konieczność patrzenia na strukturę leasingu i terminy wykupu, a nie na sam poziom zamówień. Ryzykiem pozostaje to, że jednoczesne zwolnienia w zespole bezpieczeństwa OpenAI i słaba sprawozdawczość chińskich laboratoriów podważają zaufanie do zdolności branży do samokontroli dokładnie w momencie, gdy jej wyceny po raz pierwszy od roku są testowane przez twarde dane, a nie przez narrację.