Now AI — briefing technologiczno-rynkowy (wydanie popołudniowe, 11 października 2026)
To wydanie popołudniowe z 11 października. Punktem odniesienia jest ostatnie wydanie poranne z 11 października, przekazane o godzinie 06:54 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: pierwszy masowy agent osobisty, który w dwa dni przyciągnął ponad dwieście osiemdziesiąt tysięcy użytkowników i przewrócił własną infrastrukturę, dane pokazujące, że pieniądze w sztucznej inteligencji przenoszą się z budowania modeli na ich uruchamianie, oraz pojedynczy błąd znaku, który obalił trzy dowody w matematycznej publikacji OpenAI.
Jeden. Hark Pro: agent osobisty staje się produktem masowym
Najgłośniejszym konkretem produktowym tygodnia jest Hark Pro, agent osobisty, który jego twórca Brett Adcock wypuścił szóstego października. Adcock założył firmę robotyczną Figure oraz spółkę Archer, a Hark zebrał w maju ponad siedemset milionów dolarów przy wycenie sześciu miliardów, z udziałem Nvidii, działu inwestycyjnego AMD, Intel Capital i Qualcomm Ventures. Agent działa w przeglądarce oraz na iOS i Androidzie, jest darmowy, a progi dwudziestu i stu dolarów miesięcznie dają dwa i dziesięciokrotny limit użycia. Za tym stoi chmurowy mechanizm Handoff, który pamięta, co mu powiedziano, prowadzi do sześciu przeglądarek naraz i wchodzi na miliony witryn; przyciski akcji opłacają rachunek albo anulują subskrypcję, a dane kart i haseł trafiają do szyfrowanego sejfu, do którego, jak zapewnia firma, nie ma wglądu nawet ona sama. Przykłady są celowo przyziemne: agent uzupełnia kończące się środki na szkolnej karcie dziecka albo wnioskuje z poczty, że lot zarezerwowano, a hotelu jeszcze nie.
Skala przyjęcia była natychmiastowa. Według omówienia w newsletterze The Signal Alexa Banksa w pierwszych dwudziestu czterech godzinach korzystało z agenta sto czterdzieści trzy tysiące użytkowników dziennie, a po czterdziestu ośmiu godzinach dwieście osiemdziesiąt jeden tysięcy, przy czym napływ chętnych przewrócił usługę ósmego października. Sprzęt Hark ma pojawić się w 2027 roku, a usługę komórkową dostarczy AT&T. Konkurencja nie śpi: agent Muse firmy Meta robi to samo i cztery tygodnie wcześniej ustawił identyczną drabinkę cenową, a agent Dots OpenAI nie jest jeszcze dostępny dla płatnego planu w Wielkiej Brytanii. Trzeba rozdzielić fakty od chwytów marketingowych: liczby użytkowników pochodzą z omówienia prasowego, a nie z audytu, a test na wykrywaczu kłamstw, na który zdobył się Adcock, jest gestem wizerunkowym. Najpoważniejszy problem jest prawny i dotyczy Europy: płatność zatwierdzona przez oprogramowanie w czyimś imieniu nie ma wyłączenia z wymogów silnego uwierzytelniania klienta, spisanych z myślą o człowieku zatwierdzającym transakcję wobec nazwanego odbiorcy i kwoty, a Hark nie powiedział, czy Hark Pro jest w Europie w ogóle dostępny. Granica masowej adopcji agentów leży więc nie w modelu, lecz w tym, czy system płatniczy dopuści maszynę do pieniędzy.
Źródło: the-signal
Dwa. Pieniądze przenoszą się z budowania modeli na ich uruchamianie
Na wykresie opublikowanym w tym tygodniu przez fundusz Social Capital i omówionym przez The Signal wynika, że około dziewięćdziesięciu procent mocy obliczeniowej czołowych laboratoriów idzie dziś na douczanie i wnioskowanie, a nie na trening od zera, przy spadku udziału treningu wstępnego z sześćdziesięciu siedmiu procent na początku 2024 roku do siedmiu procent pod koniec 2026. Zastrzeżenie jest istotne: liczby dotyczą wyłącznie OpenAI i Anthropic, żadne z tych laboratoriów nie publikuje własnego podziału, a Social Capital jest inwestorem z własnym stanowiskiem, więc to teza, nie audytowany pomiar.
Źródło: the-signal
Warto zestawić ją z niezależną analizą ośrodka Epoch AI, który szacuje, że OpenAI na badania, trening i wnioskowanie zużywał pod koniec 2025 roku około dziesięciu do piętnastu procent światowej mocy obliczeniowej, a pięć najlepiej wyposażonych laboratoriów razem prawdopodobnie nie przekraczało połowy zasobów świata. Epoch podaje liczby pokazujące tempo: przychód Anthropic w ujęciu rocznym wzrósł w pierwszym kwartale tego roku z dziewięciu do trzydziestu miliardów dolarów, a prezydent OpenAI Greg Brockman zeznał, że spółka wyda w tym roku pięćdziesiąt miliardów dolarów na moc obliczeniową, trzy razy więcej niż rok wcześniej. Łączne nakłady na układy i centra danych zbliżają się do biliona dolarów rocznie, czyli około trzech procent produktu Stanów Zjednoczonych, a pochłaniają już większość zysku operacyjnego największych operatorów chmury. Sam Epoch zaznacza, że jego szacunki są bardziej prowizoryczne niż standardowe prace ośrodka, więc to rząd wielkości, nie precyzyjna miara.
Źródło: epoch-ai
Do tego obrazu dorzucił w piątek interpretację inwestor Gavin Baker, cytowany przez The Signal. Jego argument jest kontrintuicyjny: darmowe modele o otwartych wagach zbijają to, ile firmy mogą policzyć za dostęp, ale potrzebują mniej więcej tyle samo mocy, by odpowiedzieć, ile podobnej wielkości model płatny. Tania odpowiedź oznacza więc więcej pytań, a każde pytanie i tak trzeba uruchomić na jakimś układzie, co przypomina tanie linie lotnicze, które podcięły zyski starych przewoźników, ale namnożyły pasażerów i wyszły na tym lotniska oraz producenci samolotów. Na darmowych modelach najbardziej zarabiają operatorzy chmury, bo przy modelu płatnym część rachunku wraca do Anthropic lub OpenAI, a przy darmowym nie ma komu płacić. Trwała marża przenosi się więc z tego, kto zbudował model, na tego, kto kontroluje moc obliczeniową i warstwę wdrożenia.
Źródło: the-signal
Trzy. Anthropic porządkuje zasady i wchodzi do dokumentów Google
Ósmego października Anthropic opublikował coroczną aktualizację polityki użycia, która wejdzie w życie dwunastego listopada. Choć firma opisuje większość zmian jako doprecyzowanie istniejących reguł, kilka jest nowych: powstaje zbiorcza sekcja zakazująca zwodniczych kampanii i sztucznej aktywności w polityce i biznesie, sekcja o wyborach zawęża się do zakazu podważania procesów demokratycznych (znika przy tym wcześniejszy całkowity zakaz spersonalizowanego targetowania, uznany za karzący też uprawnioną pracę obywatelską), zakaz tworzenia broni rozciągnięto wprost na oprogramowanie i komponenty oraz uzbrajanie dronów, a sekcję o nadzorze przepisano tak, by śledzenie ludzi bez zgody było zabronione, a Claude nie mógł decydować, kogo w procesie karnym objąć śledztwem czy oskarżyć. W zastosowaniach wysokiego ryzyka nadal wymagany jest człowiek w pętli i poinformowanie osoby o użyciu sztucznej inteligencji, a nowy standard dla sprzętu wykonującego autonomiczne działania fizyczne wymaga operatora, który może urządzenie zatrzymać, i bezpiecznego stanu po odłączeniu modelu. Najbardziej dyskusyjna jest zmiana ostatnia: zakaz trwałego i zbędnego znęcania się nad własnymi modelami, zastrzeżony do skrajnych, powtarzalnych przypadków bez celu. Uczciwie trzeba powiedzieć, że to w przeważającej mierze kodyfikacja tego, co firma i tak już egzekwowała, a nie nowy rygór.
Równolegle Claude pojawił się w panelu bocznym Dokumentów, Arkuszy i Prezentacji Google, gdzie czyta otwarty plik i edytuje go w miejscu, domyślnie pytając o zgodę przed każdą zmianą, w otwartej becie na płatnych planach. Jak zauważa The Signal, otwarcie własnych aplikacji biurowych na panel konkurencyjnego laboratorium to dla Google gra w tej samej logice, co zapłacenie Apple'owi około dwudziestu miliardów dolarów za domyślną wyszukiwarkę na iPhonie: skoro klienci i tak opłacają swoje miejsca pracy, lepiej mieć Claude'a w środku niż poza ekosystemem.
Źródło: the-signal
Cztery. Matematyka OpenAI: błąd znaku obala trzy dowody
Czwarty wątek rozwija sprawę z analizy z 10 października, dodając fakt najważniejszy. OpenAI wypuściło szóstego października siedemset dwadzieścia dwa manuskrypty opisujące trzysta siedemdziesiąt dwa wyniki, wygenerowane przez nieudostępniony publicznie model wewnętrzny. Około czterdziestu dwóch procent wyników głównych ma dowody, które potrafi zweryfikować program Lean, resztę muszą sprawdzić ręcznie ludzie. Najistotniejsze jest jednak to, co firma zrobiła dzień później: jej własny audyt wykrył pojedynczy błąd znaku, odwrócony plus na minus, który obalił trzy prace powiązane z hipotezą Hodge'a, jednym z siedmiu problemów milenijnych, i te manuskrypty wycofano. Tego samego dnia organizacja Association for Human Mathematics wezwała matematyków do zaprzestania pracy z OpenAI. Skoro o wartości setek dowodów rozstrzyga pojedynczy znak, na pierwszy plan wysuwa się nie generowanie, lecz sprawdzanie: wybór problemu, formalizacja, wykrywanie błędu i wyciąganie sensu. To matematyczny odpowiednik przeglądu kodu, czyli ta rola, która pozostaje rzadka, gdy sama produkcja artefaktu staje się tania i masowa.
Pięć. Przełomy badawcze: modele świata, które przeskakują kroki
W warstwie badań uwagę przyciągają dwie prace o wspólnym mianowniku. Pierwsza to Memento 3, opracowany przez badaczy z University College London i działu Noah's Ark Lab firmy Huawei. Na dwudziestu pięciu publicznych grach zestawu ARC-AGI-3 agent osiągnął górny limit wskaźnika względnej efektywności działań równy stu, pozostawiając model językowy zamrożony. Zużył przy tym siedem tysięcy pięćset osiemnaście akcji wobec siedemnastu tysięcy stu trzydziestu pięciu w ludzkim punkcie odniesienia, czyli około czterdziestu czterech procent. Metoda, którą autorzy nazywają kodem jako modelem, polega na tym, że agent zapisuje rozumienie gry w pliku tekstowym, kompiluje reguły do Pythona i sprawdza program wobec zaobserwowanych przejść między stanami, aktualizując podręcznik, gdy przewidywanie zawiedzie. Sterownik do Ponga wyprowadzony z takiego podręcznika wygrał dwadzieścia jeden do zera w trzech epizodach, nie wykonując przy wnioskowaniu ani jednego wywołania modelu. Wskaźnik ma jednak sufit stu punktów, więc nie odróżnia zrównania z człowiekiem od przekroczenia, a wyniki pochodzą od samych autorów; praca jest na arXiv.
Druga praca, AtomWorld-Mirror, dotyczy symulacji materiałów. To model świata działający dużymi krokami, który nie odtwarza każdego drobnego ruchu atomów, lecz przeskakuje między istotnymi stanami i przewiduje, ile czasu fizycznego upłynęło między nimi. Autorzy raportują przyspieszenie od tysiąca do dziesięciu tysięcy razy wobec klasycznych symulatorów dynamiki molekularnej i metody Monte Carlo, na pięciu układach, w tym na starzeniu radiacyjnym stali reaktorowej i elektrolicie stałym na bazie azotku litu. To preprint bez publicznego kodu. Wspólny sens obu prac jest jasny: zamiast wciskać wiedzę w wagi modelu, obie przenoszą ewoluujący model na zewnątrz, do artefaktów, które można obejrzeć i wersjonować.
Sześć. Warstwa decyzyjna domyka się: kalibracja staje się produktem
Wątek modeli decyzyjnych, opisany w wydaniu porannym, doczekał się rozwinięcia, które zmienia akcent z ceny na zaufanie. Laboratorium AutoTrust AI udostępniło model GEV-26B-Decide, zbudowany na otwartym Gemma-4-26B-A4B, który zwraca skalibrowane prawdopodobieństwa dla z góry zadanych opcji. Szybka ścieżka odpowiada w jednym przejściu do przodu w około czterdzieści pięć milisekund i nie generuje ani jednego tokenu, a ścieżka rozumowania włącza się tylko wtedy, gdy najwyższe prawdopodobieństwo spadnie poniżej progu ośmiu dziesiątych. Producent podaje mocne przyrosty: na GPQA Diamond z czterdziestu dwóch i dziewięciu punktu do siedemdziesięciu ośmiu i sześciu, na BBH z siedemdziesięciu pięciu do dziewięćdziesięciu dwóch, a na MMLU-Pro z sześćdziesięciu pięciu do osiemdziesięciu czterech i sześciu, a demonstracyjny agent przeglądarkowy ma kończyć dziewięćdziesiąt pięć procent wieloetapowych zadań. Całość działa jako dodatek na licencji Apache 2.0. Zestawienie z tym, co pokazało wydanie poranne, jest wymowne: skoro najtańszy model decyzyjny można odtworzyć domowym sposobem, a jego prawdopodobieństwa są skrajnie nadmiernie pewne, to przewagą przestaje być architektura, a staje się skalibrowana pewność sprzedawana jako osobny produkt. Liczby pochodzą jednak od samego laboratorium i nie zostały niezależnie odtworzone.
Do tej samej warstwy dopisuje się fakt domykający sprawę z rana. Narzędzie ARTEX, którego autor ogłosił zamknięcie po nadużyciu do włamań, wygrało konkurs Agent+ firmy Baidu na ofensywę i obronę agentów i wróciło jako publiczny projekt wzorcowy. Jego wkład nie polega na modelu, lecz na koordynacji: dwa powiązane grafy, jeden ze wspólnym inwentarzem zasobów, drugi z eksploracją prowadzoną osobno dla każdego zadania, pozwalają wielu agentom prowadzić długie łańcuchy ataku bez powtarzania pracy i bez wyścigów. W autonomicznej ofensywie trudna nie jest zdolność modelu, lecz warstwa koordynacji, a zamknięcie kodu nie usuwa już pobranych kopii.
Siedem. Rynek pracy: HSBC tnie doradców, dane o wakatach mieszane
Na koniec praktyczna konsekwencja wiążąca te technologie z ludźmi. Jak podał dziennik Financial Times, a za nim agencja Reuters, siódmego października HSBC zapowiedział daleko idące cięcia w brytyjskim biznesie zarządzania majątkiem w ramach wdrażania sztucznej inteligencji: około połowy stanowisk menedżerskich i specjalistycznych oraz do około siedemdziesięciu procent doradców finansowych, przy czym dotknięci pracownicy mają odejść do końca miesiąca. Bank nie potwierdził konkretnych liczb, więc skalę trzeba traktować jako doniesienie. Warto zestawić to z danymi płynącymi w drugą stronę: blog analityczny Banku Anglii z sierpnia wskazał, że liczba ogłoszeń o pracę w zawodach najbardziej narażonych na automatyzację spadła od 2023 roku o piętnaście procent, wobec sześciu procent w zawodach najmniej narażonych, a sondaż banku Lloyds pokazał, że pięćdziesiąt cztery procent badanych uważa, iż sztuczna inteligencja tworzy miejsca pracy. Znaczenie wątku polega na tym, że sztuczna inteligencja staje się jawnie wymienianą i policzalną przyczyną zwolnień, co uderza zarówno w politykę rynku pracy, jak i w wiarygodność przeciwstawnej tezy, że technologia miejsca pracy głównie tworzy.
Źródło: financial-times, reuters
NAJWAŻNIEJSZE
Po pierwsze, Hark Pro, agent osobisty Bretta Adcocka, przyciągnął w ciągu czterdziestu ośmiu godzin dwieście osiemdziesiąt jeden tysięcy użytkowników dziennie i przewrócił własną usługę pod naporem ruchu, oferując darmowy dostęp oraz progi dwudziestu i stu dolarów, chmurowy mechanizm przeglądarek Handoff i przyciski płacące rachunki, podczas gdy agent Muse firmy Meta dostarcza to samo w tej samej drabince cenowej, a europejskie zasady płatności pozostają nierozstrzygnięte (Bloomberg, The Next Web, The Signal).
Źródło: bloomberg, the-signal
Po drugie, około dziewięćdziesięciu procent mocy obliczeniowej czołowych laboratoriów idzie dziś na douczanie i wnioskowanie, a nie na trening od zera, przy spadku udziału treningu wstępnego z sześćdziesięciu siedmiu do siedmiu procent od początku 2024 roku, podczas gdy Epoch AI szacuje, że pięć najlepiej wyposażonych laboratoriów ma poniżej połowy światowych zasobów obliczeniowych. Marża przenosi się z budowania modeli na ich uruchamianie, a modele otwarte raczej poszerzają popyt, niż go kurczą (The Signal za Social Capital, Epoch AI).
Źródło: epoch-ai, the-signal
Po trzecie, OpenAI wycofało trzy prace matematyczne dzień po ich publikacji, gdy własny audyt wykrył odwrócony znak, który obalił dowody powiązane z hipotezą Hodge'a, a jedynie około czterdziestu dwóch procent wyników głównych dało się zweryfikować programem Lean. To konkretny przypadek tezy, że rzadką rolą staje się dziś weryfikacja, a nie samo wyprowadzanie wyniku (OpenAI, The Signal, Association for Human Mathematics).
Źródło: the-signal
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmieniają dwie rzeczy, które spotykają się w jednym punkcie. Pierwsza to przesunięcie wartości z budowania modelu na jego uruchamianie. Jeśli trening nowego modelu zszedł do kilku procent zużywanej mocy, a douczanie i serwowanie zajmują resztę, to trwała marża przenosi się do tego, kto kontroluje moc obliczeniową i warstwę wdrożenia, a nie do tego, kto ma największy model w rankingu. Druga to fakt, że model otwarty nie zabija popytu, lecz go poszerza: darmowy model zjada marżę sprzedawcy, ale każda tania odpowiedź to kolejne pytanie uruchamiane na czyimś układzie, a najwięcej zyskują na tym operatorzy chmury, którzy przy modelu darmowym zatrzymują cały rachunek. Z tego wynikają dwa wnioski praktyczne. Po pierwsze, warto patrzeć na podział kosztów treningu i wnioskowania w sprawozdaniach oraz na to, kto kontroluje jednocześnie moc i wdrożenie, bo tam osiada zysk. Po drugie, kalibrację i weryfikację trzeba traktować jako produkt, a nie dodatek: skoro warstwę decyzyjną można odtworzyć domowym sposobem, a publikację matematyczną obala pojedynczy znak, przewagę ma ten, kto potrafi udowodnić, że jego liczby i jego dowody mówią prawdę. Ryzykiem pozostaje koncentracja. Rosnące uzależnienie rynku od kilku dostawców mocy obliczeniowej i szybko topniejący zapas wolnych mocy mogą uczynić dalszy wzrost droższym, niż zapowiada dzisiejsza narracja, a wtedy zarówno wysokie wyceny, jak i tempo wdrażania agentów staną się bardziej kruche, niż sugerują liczby użytkowników.