Now AI — briefing technologiczno-rynkowy (wydanie poranne, 14 października 2026)
To wydanie poranne z 14 października. Punktem odniesienia jest wydanie popołudniowe z 13 października, przekazane o godzinie 16:03 czasu polskiego. Ton tej doby wyznaczają trzy rzeczy: Gemini 4 Argon wychodzi z zamkniętych testów i obejmuje prowadzenie w indeksie ekonomicznej użyteczności modeli, Anthropic porzuca Gita i buduje własny system kontroli wersji, bo nie wyrabia z tempem zmian, a niezależne badanie na siedmiuset firmach pokazuje, że agenci kodujący produkują znacznie więcej kodu, ale nie więcej oprogramowania.
Jeden. Gemini 4 Argon wychodzi z zamkniętych testów i obejmuje prowadzenie w indeksie
Google DeepMind udostępnił w poniedziałek Gemini 4 Argon programistom na całym świecie. To, co jeszcze pod koniec września było limitowanym wdrożeniem dla zaufanych obrońców cyberbezpieczeństwa, stało się w ciągu jednej doby produktem w Gemini API, w środowisku Google Antigravity, w aplikacji Gemini dla subskrybentów planów AI Pro i AI Ultra, a także u zewnętrznych partnerów, w tym w GitHub Copilot i w edytorze Cursor, jak podał sam GitHub.
Najmocniejszym argumentem Google są wyniki. Gemini 4 Argon zajmuje pierwsze miejsce w indeksie Vals, który mierzy ekonomiczną użyteczność modeli w finansach, prawie, podatkach i kodzie, ważoną udziałem tych sektorów w amerykańskim produkcie krajowym. Wynik to sześćdziesiąt osiem i dziewięćdziesiąt setnych procenta wśród czterdziestu ośmiu ocenianych modeli, przy koszcie testu piętnaście dolarów i sześćdziesiąt osiem centów, jak podaje niezależny serwis Vals AI. Trzeba jednak oddzielić to, co mówi producent, od tego, co potwierdzają niezależni oceniający: Google podaje, że Argon ustanawia nowy stan sztuki na benchmarku DeepSWE, mierzącym długodystansowe zadania inżynierii oprogramowania, ale sam przyznaje, że na benchmarku Terminal-Bench 4.0 prowadzi Opus 5.5, a na FrontierSWE przoduje GPT-6 Astra. Nie ma już więc jednego najlepszego modelu, jest kilka modeli granicznych, które wygrywają w różnych zadaniach, a wybór staje się kwestią profilu obciążenia, nie rankingu. Osobno trzeba potraktować okno kontekstu: Google ogłasza limit wyjścia wynoszący milion tokenów, a serwis AlphaSignal zwraca uwagę, że to jedno okno dzielone między tekst wejściowy i odpowiedź.
Źródło: vals-ai, alphasignal
Ważniejszy od samych wyników jest cennik, bo dotyczy już nie tylko inżynierów. Do trzydziestego listopada obowiązuje cena wprowadzająca dwa dolary za milion tokenów wejściowych i dziesięć dolarów za milion tokenów wyjściowych, z dziewięćdziesięciopięcioprocentową zniżką na tokeny z pamięci podręcznej, a od pierwszego grudnia stawki rosną do czterech i dwudziestu dolarów. Producent kupuje więc udział w rynku niską ceną i zapowiada jej podniesienie, więc każda organizacja planująca koszty powinna liczyć się z tym, że rachunek w grudniu będzie dwukrotnie wyższy niż w listopadzie. Google dołącza do tego listę prac, które przypisuje modelowi we własnych zespołach, choć trzeba ją czytać jako deklarację producenta: według firmy Argon zoptymalizował podprogramy obliczeń kwantowych, bijąc opublikowany punkt odniesienia o czterdzieści procent.
Do tego dochodzi warstwa bezpieczeństwa. Google współpracuje z amerykańskim rządem w dobrowolnym procesie dostępu do modelu przed premierą, a Argon przeszedł szkolenie w kierunku obrony cyberbezpieczeństwa i potrafi samodzielnie wyszukiwać, weryfikować i łatać krytyczne luki. Zaufani obrońcy otrzymają model bez tak zwanych barier cybernetycznych, czyli z pełnym dostępem do zdolności ofensywnych i defensywnych. Firma Wiz korzysta już z Argonu w ramach inicjatywy Scan for Good i wykryła z jego pomocą krytyczną lukę odsłaniającą dane osobowe w oprogramowaniu medycznym używanym w szpitalach na całym świecie, której wcześniejsze modele graniczne nie zauważyły.
Dwa. Inteligencja fizyczna przechodzi na model platformy
Druga warstwa tej samej premiery dotyczy świata fizycznego i jest być może ważniejsza dla firm spoza branży cyfrowej. Równolegle z udostępnieniem modelu Google opublikował osobny materiał o zastosowaniu Argonu w robotyce: model osiąga osiemdziesiąt siedem procent na benchmarku rozumowania ucieleśnionego, sprawdzającym rozwiązywanie fizycznych i przestrzennych problemów w trójwymiarowych środowiskach, a metoda jest tu równie istotna jak wynik, bo Argon najpierw tworzy cyfrowego bliźniaka obiektu w symulatorze, żeby przećwiczyć ruch, i dopiero potem wykonuje go na fizycznym robocie.
To samo okno czasowe przyniosło równie istotną zmianę po stronie komercjalizacji robotyki. Firma Physical Intelligence ogłosiła trzynastego października betę swojego API, które udostępnia jej modele fundamentalne dla robotów, oznaczone jako pi zero i pi zero kropka pięć. Firma wgrywa własne dane, uruchamia dostrajanie modelu na infrastrukturze dostawcy, a następnie korzysta z dostrojonego modelu przez hostowaną bramę. W komunikacie opisano między innymi autonomiczną ładowarkę kołową firmy Actor, która bez operatora wewnątrz maszyny nabiera materiał w rzeczywistym wdrożeniu komercyjnym, oraz dwuramiennego robota Axol firmy Almond, który samodzielnie obrabia elementy własnego montażu po czterech dniach iteracji. Wniosek dotyczy struktury rynku: dotąd przewaga w robotyce brała się z własności sprzętu i z danych zbieranych latami we własnym zakładzie, a teraz warstwa inteligencji fizycznej zaczyna być dostępna jako usługa, co obniża próg wejścia dla firm spoza branży cyfrowej.
Trzy. Anthropic porzuca Gita: Scion i trzydzieści tysięcy scalerń dziennie
Trzeci wątek dotyczy infrastruktury, którą znamy od dwudziestu lat i która właśnie przestaje wystarczać. Anthropic opisał w poniedziałek, dlaczego zbudował własny system kontroli wersji o nazwie Scion i dlaczego odszedł od Gita. W maju dwa tysiące dwudziestego szóstego roku firma scalała średnio około dwóch i pół tysiąca zmian dziennie, a we wrześniu ponad trzydzieści tysięcy dziennie. Sam główny wątek ma historię blisko stu gigabajtów, a skompresowana kopia robocza przekracza dwadzieścia pięć gigabajtów, przy rzędzie dwudziestu pięciu milionów pobrań kodu dziennie na potrzeby ciągłej integracji. Nowy system zbudował zespół siedmiu osób, a migracja z Gita zajęła pięć miesięcy. Jak zauważył Simon Willison, Scion wygląda na reinwencję scentralizowanej kontroli wersji w duchu Subversion, w oparciu o wcześniejsze rozwiązania Google o nazwie Piper oraz Meta o nazwie Sapling.
Najbardziej dyskutowanym szczegółem jest rezygnacja z pracy w trybie offline, którą opisują również The Register i serwis aiweekly. Inżynier Anthropic, Nick G, odpowiedział na Hacker News, że skoro Claude jest najcięższym użytkownikiem systemu i z konieczności działa online, obsługa trybu offline po prostu nie była ważna. To zdanie pokazuje, jak bardzo założenia projektowe zmieniają się, gdy głównym użytkownikiem systemu staje się agent, a nie człowiek przy biurku. Firma zrezygnowała też z globalnej blokady repozytorium przy scalaniu i zainwestowała w testy po scaleniu i przed wdrożeniem, godząc się na to, że równoległe zmiany mogą wejść w konflikt, bo Claude rozwiąże go szybciej, niż człowiek go zauważy. Trzeba jednak nie brać liczb Anthropic za niezależnie potwierdzone, bo pochodzą z bloga samej firmy, a opisują przepustowość, nie jakość: trzydzieści tysięcy scalerń dziennie dowodzi tego, że system kontroli wersji zaprojektowano inaczej, a nie tego, że powstający tak szybko kod jest lepszy.
Źródło: hacker-news
Cztery. Więcej kodu, ale nie więcej oprogramowania: badanie na siedmiuset firmach
Ten sam problem, który Anthropic próbuje rozwiązać infrastrukturą, dwóch niezależnych badaczy zmierzyło ilościowo i wyszła z tego najbardziej trzeźwa liczba tej doby. Fiona Chen i James Stratton z Uniwersytetu Harvarda przeanalizowali zagregowane dane analityczne firmy Jellyfish, obejmujące trzysta milionów zdarzeń roboczych oraz dane z systemów zarządzania zadaniami z ponad siedmiuset firm, w okresie od dwa tysiące dwudziestego pierwszego roku do marca dwa tysiące dwudziestego szóstego roku. Wyniki, opisane przez Ars Technica, są jednoznaczne w jednym punkcie i zaskakujące w drugim: wprowadzenie agentów kodujących podnosi łączną liczbę generowanych linii kodu średnio o trzydzieści procent, liczbę commitów o dwadzieścia procent, a liczbę żądań scalenia o dwadzieścia trzy procent, ale ten przyrost nie przekłada się na więcej gotowego oprogramowania, bo odsetek rozwiązywanych zgłoszeń śledzonych chociażby w narzędziach takich jak Jira nie zmienił się w sposób istotny statystycznie.
Wyjaśnienie leży w przeglądzie kodu, który po wprowadzeniu agentów wyraźnie się wydłuża. Średni czas od złożenia żądania scalenia do scalenia rośnie o czterdzieści dziewięć procent, odsetek żądań scalenia, w których poproszono o poprawki, niemal się podwaja, a liczba komentarzy na żądanie rośnie o trzydzieści pięć procent, przy czym firmy zwiększają udział pracowników zajmujących się recenzowaniem kodu o czternaście procent. Autorzy piszą wprost, że nie mogą przypisać żadnych istotnych zmian w zatrudnieniu wprowadzeniu sztucznej inteligencji. Wniosek jest taki, że oszczędności czasu na etapie pisania kodu pochłania wąskie gardło weryfikacji, bo kod, który wygląda plausybilnie i przechodzi natychmiastowe testy, może wciąż wymagać dużo pracy, żeby ustalić, czy pasuje do dojrzałego systemu. Badanie ma charakter korelacyjny, więc nie dowodzi związku przyczynowego, ale jego zgodność z doświadczeniem Anthropic i projektu QGIS czyni ten wynik najważniejszym sygnałem dnia dla tych, którzy liczą zwrot z inwestycji w agentów kodujących.
Pięć. QGIS zamyka drzwi: moratorium na wkład wspomagany przez sztuczną inteligencję
Tam, gdzie Anthropic buduje infrastrukturę, żeby unieść napływ zmian, projekt otwartoźródłowy wybrał rozwiązanie odwrotne i po prostu zamknął drzwi. System informacji geograficznej QGIS przyjął wniosek QEP428 o treści zakazującej wszelkiego wkładu kodu wspomaganego przez modele językowe, sztuczną inteligencję lub agentów. Wniosek zgłoszono dwudziestego czwartego września, a scalono siódmego października dwa tysiące dwudziestego szóstego roku; jego autorem jest Nyall Dawson. Sformułowanie jest kategoryczne i nie dopuszcza wyjątku w postaci ujawnienia: obecność człowieka w procesie nie czyni już takiej zmiany dopuszczalną. Jak cytuje analiza wniosku, członek projektu o pseudonimie haubourg uzasadniał to ogromną i nie do zniesienia presją, jaką wkład zewnętrznych autorów wywiera na opiekunów projektu, bo napływ zmian przekracza to, co recenzenci są w stanie rzetelnie zbadać, a Tim Sutton dodaje, że kto zostanie złapany na użyciu modelu, ryzykuje wycofanie kodu i ograniczenie praw współtwórcy.
Ten przypadek jest istotny nie dlatego, że dotyczy jednego projektu, lecz dlatego, że pokazuje, jak wygląda odpowiedź na ten sam problem tam, gdzie nie ma budżetu Anthropic na zbudowanie własnego systemu kontroli wersji i własnego zespołu recenzentów. QGIS nie obniża jakości swojego wkładu, tylko odmawia przyjęcia pracy, której nie potrafi zweryfikować. Trzeba przy tym zachować krytycyzm: decyzja opiera się na ocenie pojemności opiekunów, a nie na kontrolowanym pomiarze, ile dłużej trwa przegląd zmian wspomaganych przez sztuczną inteligencję, a narzędzia egzekwowania nie ma, bo nie istnieje niezawodny detektor kodu generowanego maszynowo. Wątek na Hacker News zebrał blisko czterysta punktów i pokazał, że to nie spór o technologię, lecz o to, kto ponosi odpowiedzialność za kod, którego nikt do końca nie rozumie.
Źródło: hacker-news
Sześć. Otwarte wagi, które mieszczą się na biurku: Fish Audio Drama 3
Szósty wątek to przypomnienie, że otwarte wagi nie zniknęły z rynku, tylko przeniosły się w nowe obszary. Firma Fish Audio udostępniła Drama 3, otwarty model zamiany tekstu na mowę o trzydziestu pięciu miliardach parametrów w architekturze mieszanki ekspertów, opublikowany na platformie Hugging Face. Pozwala wpisywać wskazówki reżyserskie wprost w tekst, obsługuje sceny z wieloma mówcami i potrafi przegenerować pojedyncze słowo bez psucia barwy i rytmu otoczenia, a wsparcie dla niego pojawiło się w środowisku SGLang w dniu premiery. W tym samym oknie społeczność udostępniła skwantyzowaną wersję chińskiego modelu Qwen3.8 o dwudziestu siedmiu miliardach parametrów, która mieści się na komputerze Mac z dwudziestoma czterema gigabajtami pamięci. Presja na koszt wypycha użyteczne modele coraz niżej, na sprzęt, który już stoi na biurkach, choć otwarte wagi oznaczają dostęp do pliku z wagami, a nie pełną swobodę.
Siedem. Aresztowanie w OpenAI: inżynier i podsłuch w sali zarządu
Na koniec wątek, który nie dotyczy modeli, ale pokazuje, jak wygląda dziś bezpieczeństwo wewnętrzne firmy z czołówki tej branży. Jak podały dziennik San Francisco Standard oraz San Francisco Chronicle, trzydziestopięcioletni Abdulrahman Alfozan, obywatel Arabii Saudyjskiej zatrudniony w OpenAI jako inżynier od lipca dwa tysiące dwudziestego piątego roku, został aresztowany i oskarżony o użycie lub usiłowanie użycia urządzenia do przechwytywania rozmów ustnych. W sali konferencyjnej kadry zarządzającej w siedzibie firmy znaleziono ukryte urządzenie nagrywające, a prokuratorzy twierdzą, że konto czatbota powiązane z małżonką oskarżonego zadawało we wrześniu pytania o budowę i ukrycie takiego urządzenia. Postawienie zarzutów i znalezienie urządzenia są potwierdzone w relacjach prasowych, natomiast wina oskarżonego nie została stwierdzona. Ciekawe jest coś innego: użyte urządzenie było tanią płytką z mikrokontrolerem ESP32, dostępną w handlu za kilkadziesiąt dolarów, a pytania zadane czatbotowi zostały zapisane i stały się dowodem w sprawie. Historia rozmów z modelem jest dziś trwałym śladem, tak jak niegdyś historia wyszukiwań w internecie.
NAJWAŻNIEJSZE
Po pierwsze, Gemini 4 Argon wyszedł z zamkniętych testów i stał się dostępny globalnie, obejmując od razu pierwsze miejsce w indeksie Vals z wynikiem sześćdziesiąt osiem i dziewięć dziesiątych procenta, przy cenie wprowadzającej dwa i dziesięć dolarów za milion tokenów, która od pierwszego grudnia wzrośnie dwukrotnie. Google dołącza do tego mocny wynik w kodzie i długim rozumowaniu, zdolność do samodzielnego łatania luk bezpieczeństwa udostępnioną zaufanym obrońcom bez barier oraz zastosowania w robotyce, ale na części benchmarków wciąż prowadzą modele konkurencji, co potwierdza, że rynek ma dziś kilka modeli granicznych, a nie jednego lidera (Google DeepMind, blog Google, Vals AI, GitHub, 13.10).
Źródło: vals-ai
Po drugie, Anthropic porzucił Gita i zbudował własny system kontroli wersji o nazwie Scion, bo liczba zmian scalanych dziennie wzrosła z około dwóch i pół tysiąca w maju do ponad trzydziestu tysięcy we wrześniu. To pierwszy tak wyraźny dowód, że infrastruktura projektowana dla ludzi przestaje wystarczać, gdy głównym użytkownikiem staje się agent, i że oszczędność czasu na pisaniu kodu przenosi obciążenie na systemy weryfikacji (Anthropic, Simon Willison, The Register, 13.10).
Po trzecie, niezależne badanie na ponad siedmiuset firmach pokazało, że agenci kodujący zwiększają liczbę linii kodu o trzydzieści procent, ale nie zwiększają liczby rozwiązanych zadań, bo czas przeglądu kodu rośnie o czterdzieści dziewięć procent, a projekt QGIS odpowiedział na to samo zjawisko zakazem przyjmowania jakiegokolwiek wkładu wspomaganego przez sztuczną inteligencję. Wąskim gardłem przestaje być generowanie kodu, a staje się jego weryfikacja (Chen i Stratton, Harvard, dane Jellyfish, Ars Technica, QGIS QEP428, 7 i 13.10).
Rekomendowana interpretacja biznesowo-inwestycyjna
W horyzoncie od trzydziestu do dziewięćdziesięciu dni najwięcej zmienia jedna obserwacja, która spina wszystkie dzisiejsze wątki: wąskie gardło przeniosło się z wytwarzania kodu na jego weryfikację, a rynek zaczyna wyceniać nie to, kto generuje najwięcej, lecz to, kto ponosi koszt sprawdzenia i utrzymania tego, co zostało wygenerowane. Widać to jednocześnie w trzech miejscach. Największy beneficjent agentów kodujących, jakim jest Anthropic, buduje własny system kontroli wersji i własny system przeglądu, bo standardowe narzędzia nie wyrabiają. Badanie na siedmiuset firmach pokazuje, że przyrost kodu nie przekłada się na gotowe oprogramowanie, dopóki nie znajdą się ludzie i procesy zdolne ten kod zweryfikować. A projekt otwartoźródłowy, który nie ma budżetu na takie inwestycje, wybiera zakaz. Plan wdrożenia agentów kodujących powinien więc dziś zawierać budżet na przegląd i testy po scaleniu, a nie tylko na generowanie.
Drugą rzeczą, którą warto obserwować, jest zmiana modelu konkurencji, którą pokazuje premiera Gemini 4 Argon. Google nie wygrywa już pojedynczym najlepszym modelem, tylko pakietem: pozycją w indeksie ekonomicznej użyteczności, agresywną ceną wprowadzającą, której podniesienie zaplanowano na grudzień, oraz dostępem w narzędziach konkurentów, takich jak GitHub Copilot i Cursor. Po stronie kosztu oznacza to, że każda prognoza oparta na listopadowej cenie dwu dolarów za milion tokenów wejściowych powinna uwzględniać grudniowy wzrost do czterech dolarów. Po stronie wyboru: skoro kilka modeli granicznych wygrywa w różnych zadaniach, decyzja o tym, którego używać, staje się kwestią profilu obciążenia, a nie rankingu, i warto budować elastyczność, żeby zmieniać dostawcę bez przepisywania produktu. Trzecią rzeczą, częściowo już widoczną, jest wejście inteligencji fizycznej na model platformy: udostępnienie API z modelami fundamentalnymi dla robotów przez Physical Intelligence oraz materiały Google o zastosowaniu Argonu w robotyce oznaczają, że warstwa rozumowania fizycznego staje się usługą. Najbliższym twardym testem dla warstwy sprzętowej, na której to wszystko stoi, będzie zaś raport kwartalny TSMC za trzeci kwartał, zapowiedziany na piętnastego października, gdzie kluczowe będą nie przychody, które są już rekordowe, lecz marże i prognoza na czwarty kwartał.