Większe laboratoria sztucznej inteligencji przydzielają tworzenie kolejnych wersji modeli własnym agentom autonomicznym. W firmie Anthropic sztuczna inteligencja generuje już ponad 80% scalanego kodu, podczas gdy roczne nakłady amerykańskich hyperscalerów na infrastrukturę sięgną 775 mld USD w 2026 roku. Dla architektów IT i CTO w Polsce oraz Unii Europejskiej oznacza to konieczność odejścia od kosztownego trenowania własnych modeli na rzecz selektywnego dostosowania wersji otwartoźródłowych i rozwiązań suwerennych.
Mechanizm samodoskonalenia i nowa pętla zwrotna w sztucznej inteligencji
Tworzenie modeli sztucznej inteligencji wkracza w fazę automatyzacji, w której dotychczasowe ręczne prace inżynieryjne są przejmowane przez autonomiczne agenty. Laboratoria technologiczne wykorzystują własne modele do optymalizacji algorytmów trenujących, generowania kodu oraz automatyzacji badań. Dla zespołów IT oznacza to zmianę wąskich gardeł z dostępności programistów na precyzyjną kalibrację sygnału i ewaluację.
Autonomiczne systemy zaczynają bezpośrednio uczestniczyć w tworzeniu własnych następców: – W Anthropic model Claude generuje obecnie ponad 80% kodu scalanego w repozytorium firmy. – W Google agent AlphaEvolve zoptymalizował algorytmy tak, że przyspieszył proces treningu modeli Gemini. – W OpenAI badania prowadzi zautomatyzowany stażysta badawczy (automated research intern) wykonujący zadania pod nadzorem ludzi.
Badanie przeprowadzone na grupie 320 praktyków AI (121 zakwalifikowanych ekspertów) wykazuje, że agenty AI i systemy autonomiczne są głównym obszarem wzrostu w branży. Jednocześnie wyzwaniem przestaje być moc obliczeniowa, a staje się nim kryzys kalibracyjny – pozyskiwanie wiedzy dziedzinowej od ekspertów oraz precyzyjne przekazywanie intencji biznesowych do modeli.
Skala wydatków i przesunięcie wąskich gardeł z procesorów na energię
Wymagania kapitałowe i sprzętowe potrzebne do wytrenowania wiodących modeli sztucznej inteligencji rosną wykładniczo, przesuwając główne ograniczenie branżowe z dostępności samych procesorów na wydajność sieci energetycznych. Budowa gigawatowych centrów danych sprawia, że czas realizacji projektów infrastrukturalnych jest obecnie dyktowany przez wieloletnie kolejki przyłączeniowe do sieci elektroenergetycznej.
Koszty pojedynczego przebiegu treningowego (pretraining) dla modeli klasy GPT-5 lub Gemini sięgają obecnie od 200 mln USD do 500 mln USD, a do 2027 roku przekroczą 1 mld USD na jeden model. Zgodnie z analizami amortyzowane koszty sprzętu i energii rosły dotąd w tempie 2,4x – 2,6x rocznie.
Struktura wydatków i skali przedstawia się następująco: – Amerykańscy hyperscalerzy (Alphabet, Amazon, Meta, Microsoft, Oracle) przeznaczą na nakłady inwestycyjne 775 mld USD w 2026 roku. – Superkomputer xAI Colossus został skalowany z 100 000 do 200 000 akceleratorów H100, osiągając koszt samego sprzętu przekraczający 7 mld USD. – Infrastruktura akceleratorów klasy Hopper w Meta przekroczyła 350 000 jednostek H100. – Nvidia utrzymuje od 92% do 98% udziału w rynku procesorów graficznych dla centrów danych. – Łączna moc projektów oczekujących w kolejkach przyłączeniowych do sieci w USA osiągnęła szczytowo 2600 GW.
Kto rzeczywiście trenuje własny model AI od zera?
Budowa autonomicznego modelu sztucznej inteligencji od podstaw wymaga nakładów finansowych przekraczających możliwości większości przedsiębiorstw oraz budżetów wielu państw. Dla przeważającej liczby organizacji optymalnym wyborem biznesowym staje się wykorzystanie gotowych modeli bazowych i ich dostosowanie za pomocą kontynuowanego treningu, zaawansowanego post-trainingu lub wyspecjalizowanych warstw adaptacyjnych.
Ocena opłacalności poszczególnych warstw stosu technologicznego kształtuje się następująco:
| Poziom wdrożenia | Szacowany koszt | Wymagana infrastruktura | Zastosowanie biznesowe |
|---|---|---|---|
| Poziom 1: Trening od zera | 200 mln – 500+ mln USD | Klastry 100k+ GPU, moc gigawatowa | Hyperscalerzy (OpenAI, Google DeepMind, Anthropic, Meta) |
| Poziom 2: Trening kontynuowany | 1 mln – 20 mln USD | Średnie klastry obliczeniowe | Iniekcja wiedzy dziedzinowej (prawo, medycyna, finanse) |
| Poziom 3: Post-training (SFT, RLVR) | 100 tys. – 2 mln USD | Dedykowane klastry ewaluacyjne | Dopasowanie zachowania modelu i wnioskowania |
| Poziom 4: Fine-tuning i adaptery (LoRA) | 500 – 50 tys. USD | Pojedyncze serwery z GPU | Wąskie zadania klasyfikacji i ekstrakcji |
| Poziom 5: Zarządzane interfejsy API | Opłata za tokeny | Brak (infrastruktura dostawcy) | Szybkie wdrażanie aplikacji produkcyjnych |
Przykładem efektywności algorytmicznej jest model DeepSeek V3, którego końcowy przebieg treningowy kosztował 5,6 mln USD (2,788 mln godzin GPU H800). Całkowite zasoby publicznego tekstu wygenerowanego przez ludzi wynoszą około 3 x 10^14 tokenów i ulegną wyczerpaniu w latach 2026-2032, co zmusza branżę do przechodzenia na dane syntetyczne oraz płatne corpora.
Porównanie podejść: architektura suwerenna, otwarta i zamknięta
Wybór architektury sztucznej inteligencji w przedsiębiorstwie wymaga zrównoważenia kosztów operacyjnych, wydajności oraz wymogów prawnych dotyczących suwerenności danych. Komercyjne interfejsy API oferują szybki dostęp do najnowszych możliwości, jednak wdrożenie modeli o otwartych wagach lub chmur suwerennych chroni firmy przed uzależnieniem od jednego dostawcy i zapewnia zgodność z europejskimi regulacjami.
Rynek modeli sztucznej inteligencji dzieli się na trzy główne segmenty: – Zamknięte modele komercyjne (OpenAI, Google DeepMind, Anthropic): OpenAI wraz z udziałem Microsoft kontroluje 69% rynku przychodowego GenAI, podczas gdy Google posiada 7%. Ceny wnioskowania (inference) dla stałego poziomu możliwości spadają w tempie 10x rocznie, obniżając koszt z 20 USD (koniec 2022 roku) do 0,07 USD za 1 mln tokenów (koniec 2024 roku). – Modele o otwartych wagach (Meta Llama, Mistral AI, DeepSeek): Pozwalają na lokalne uruchamianie modeli i eliminację opłat za tokeny. Udział nowych modeli wydawanych na otwartych licencjach spadł jednak z 82% w 2014 roku do 37%-40% w latach 2024-2025. – Rozwiązania suwerenne (Accenture, Nebius, Oracle, Microsoft Bleu/Delos): 70% wiodących modeli pochodzi z USA, a 25% z Chin. 61% kadry zarządzającej w 28 krajach deklaruje wyższe prawdopodobieństwo wyboru rozwiązań suwerennych z powodu napięć geopolitycznych. W Europie powstaje inicjatywa AI Gigafactories, w którą zaangażowało się 16 państw członkowskich w 60 lokalizacjach.
Wnioski practicalzne i rekomendacje
Wdrożenie sztucznej inteligencji w infrastrukturze IT wymaga od architektów i kadry zarządzającej przejścia od eksperymentów z modelami ogólnego przeznaczenia do ustrukturyzowanej strategii opartej na kontroli kosztów, suwerenności danych oraz ewaluacji jakości. Poniższe działania mają ograniczyć ryzyko technologiczne i zoptymalizować budżet.
- Skonfiguruj lokalny stos technologiczny na bazie otwartoźródłowych modeli o otwartych wagach (np. klasę Meta Llama lub DeepSeek) dla procesów przetwarzających wrażliwe dane klientów i własność intelektualną firmy.
- Zmierz całkowite koszty zapytania (TCO per inference) w podziale na zamknięte interfejsy API oraz własne serwery wnioskowania, uwzględniając spadek cen wnioskowania w chmurze komercyjnej o 10x rocznie.
- Zweryfikuj umowy z dostawcami chmurowymi pod kątem lokalizacji danych (data residency) oraz wymagań rozporządzenia AI Act i GDPR, oceniając ryzyko uzależnienia od jednego dostawcy (vendor lock-in).
- Wdróż architekturę hybrydową, w której zapytania o niskiej złożoności są obsługiwane przez mniejsze modele lokalne lub adaptery LoRA, a zadania wymagające najwyższych zdolności wnioskowania są kierowane do zewnętrznych modeli flagowych przez warstwę abstrakcji API.
Źródła
- AI in 2030 | Epoch AI
- Concentrating Intelligence: Scaling and Market Structure in Artificial Intelligence – Institute for New Economic Thinking
- Concentration: Opportunities and Constraints in the AI Value Chain – Open Knowledge Repository
- Open-Source AI vs Proprietary Models: Business Models and Developer Trade-offs
- OpenAI vs Google DeepMind vs Anthropic: The 2026 AI Model Arms Race Explained
- Radar – O’Reilly
- Sovereign AI: Own your AI future – Accenture
- The tension between exploding AI investment costs and slow productivity growth – EconStor

Dodaj komentarz