Trwała wartość w sztucznej inteligencji powstaje wokół wąskich gardeł – a rynek część z nich wycenia już tak, jakby nic nie mogło pójść źle.
Maciej B. Owczarek
Levi Strauss przyjechał do San Francisco w 1853 roku, aby handlować tekstyliami. Zostawił swoje nazwisko na spodniach ludzi, którzy kopali złoto, i zbudował majątek znacznie trwalszy niż większość z nich. Tę lekcję powtarzano tak często, że stwardniała w banał: w gorączce złota sprzedawaj łopaty.
W sztucznej inteligencji ten banał wymaga zaostrzenia. Nowe złoto potrafi wskazać każdy: chatboty, copiloty, agenci, syntetyczne media, automatyczni analitycy. Trudniejsze pytanie brzmi: kto kontroluje rzadkie zasoby, bez których nic z tego nie ruszy? Modna odpowiedź – Nvidia – to zaledwie pierwsza pozycja dłuższej listy, biegnącej przez krzem, energię i centra danych aż do mało efektownej maszynerii orkiestracji, ewaluacji i governance, gdzie prawdopodobnie powstaną te trwalsze fosy w zastosowaniach enterprise.
Stary pomysł w planetarnej skali
Słuchając dzisiejszego boomu wystarczająco długo, można dojść do wniosku, że inteligencję wynaleziono gdzieś między ChatGPT a prezentacją dla zarządu. Nie wynaleziono. Sieci neuronowe sięgają perceptronu z lat 50., a uczenie maszynowe od dziesięcioleci po cichu zarabia na siebie w medycynie, finansach i przemyśle.
Mam osobisty powód, by mieć tej amnezji za złe. W 2010 roku, jako student Politechniki Wrocławskiej, pisałem pracę magisterską o sieciach neuronowych wykrywających raka piersi na zdjęciach mammograficznych. Klasyfikatory działały. Brakowało im nie inteligencji, lecz skali: mocy obliczeniowej, danych i rynku gotowego zwrócić uwagę.
Moment, w którym dziedzina przekroczyła granicę, przyszedł dla mnie w marcu 2016 roku, gdy AlphaGo pokonało Lee Sedola 4:1 w Seulu. Nastawiałem budzik na 4 rano, żeby oglądać partie na żywo. Gracze Go od dawna nazywali swoją grę świętym Graalem AI – przestrzeń możliwych pozycji jest zbyt wielka dla brutalnej siły – a ruch 37 w drugiej partii, dziwny i niemal obraźliwy dla ludzkiej intuicji, zamknął tę dyskusję. Maszyna znalazła ruch, którego sami nigdy nie nauczyliśmy się dostrzegać (film dokumentalny AlphaGo z 2017 roku wciąż jest wart wieczoru; pełna wersja jest na YouTube).
Duże modele językowe to inne zwierzę, ale lekcja się przenosi. LLM to w istocie sieć uczona przewidywania kolejnego fragmentu tekstu – sztuczka, która brzmi trywialnie, a trywialna nie jest, bo przewidywanie zmusza model do wchłonięcia gramatyki, faktów, stylu i sporej części tego, jak świat jest poukładany. Architektura Transformer z 2017 roku uczyniła to praktycznym na dużą skalę.
Od tego czasu zmieniła się ekonomia. Publiczne szacunki umieszczają trening modeli klasy GPT-4 w dziesiątkach lub setkach milionów dolarów, a Epoch AI ocenia, że koszty treningu modeli frontier rosły dwu- lub trzykrotnie rocznie, z przebiegami za miliard dolarów możliwymi około 2027 roku. Samo używanie modeli tanieje tymczasem w zawrotnym tempie: według AI Index Stanforda koszt zapytania systemu na poziomie GPT-3.5 spadł z około 20 dolarów za milion tokenów pod koniec 2022 roku do 7 centów dwa lata później – ponad 280 razy. Trening frontier staje się brutalnie drogi, a wczorajsze możliwości tanie i powszednie. Z tego jednego faktu wynika spora część rynkowego napięcia.
Gdzie leżą kilofy
Spójrzmy na AI jak na rynek ułożony warstwami. Na górze aplikacje: chatboty, copiloty, oprogramowanie branżowe, przepływy agentowe.
To warstwa najgłośniejsza i najłatwiejsza do udawania. Weekendowy wrapper na cudze API może przypominać startup aż do chwili, gdy użytkownik zapyta, co zostaje, skoro ten sam model może wywołać każdy konkurent. Cursor, Perplexity i Harvey zapracowały na swoje pozycje, dokładając workflow, kontekst, zaufanie lub dystrybucję. Resztę warto sprawdzać pytaniem, czy rywal z dostępem do tego samego modelu odtworzyłby produkt do poniedziałku.
Łatwiejszy do obrony teren leży warstwę niżej, w czymś, co można nazwać control plane: retrieval, uprawnienia, pamięć, ewaluacja, monitoring, kontrola kosztów i opóźnień, ślady audytowe, guardrails.
Nic z tego nie trafia na nagłówki, ale pieniądze już się ruszyły. Datadog wbudował obserwowalność LLM w swój podstawowy produkt. CoreWeave zapłacił w zeszłym roku raportowane 1,7 mld dolarów za Weights & Biases, firmę, której biznesem jest śledzenie i ewaluacja modeli – właściciel mocy obliczeniowej kupił sobie aparaturę pomiarową. Regulacja działa jak akcelerator.
Bruksela właśnie odroczyła większość obowiązków AI Act dla systemów wysokiego ryzyka z sierpnia 2026 na koniec 2027 roku, po części dlatego, że standardy i narzędzia potrzebne do zgodności nie istnieją jeszcze na odpowiednią skalę. To odroczenie to osiemnastomiesięczny prezent dla tych, którzy je zbudują. Banki traktują modele jako ryzyko podlegające governance od wytycznych SR 11-7 Rezerwy Federalnej z 2011 roku, a AI tę dyscyplinę mnoży, zamiast ją zastępować.
Każdy, kto budował systemy jakości danych i kontroli w dużym banku, rozpozna ten wzorzec: demo modelu zajmuje tydzień; spory o to, kto jest właścicielem kontroli, gdzie mieszka ślad audytowy i który komitet się pod tym podpisze – rok. Ten rok to właśnie fosa. W regulowanej instytucji nikt nie pyta, czy model potrafi napisać akapit. Pytają, kto go zatwierdził, jakie dane widział, jak jest monitorowany i kto odpowiada, gdy się myli – a każde z tych pytań to w praktyce zamówienie do opłacenia.
A ponieważ teza, która nie może upaść, jest tylko nastrojem, oto falsyfikowalna wersja mojej:
Do końca 2028 roku wydatki na ewaluację, monitoring i governance systemów AI w regulowanych branżach będą rosły szybciej niż wydatki na same modele.
Jeśli ta warstwa zostanie zamiast tego wchłonięta w darmowe funkcje platform hiperskalerów, centralne twierdzenie tego tekstu okaże się błędne – i będzie to widać w wynikach Datadoga i jemu podobnych.
Poniżej control plane znajdują się modele fundamentalne: OpenAI, Anthropic, Google, Meta oraz ekosystem openweight. Fosa – talent, badania, compute, marka – jest prawdziwa, i prawdziwa jest też erozja. Destylacja, kwantyzacja i modele otwarte wciąż przepakowują wczorajszy frontier za ułamek ceny; laboratorium może wydać fortunę na jeden trening i w pół roku patrzeć, jak mniejszy model robi większość tej samej roboty.
Dalej platformy chmurowe, a na samym dole infrastruktura fizyczna: Nvidia, TSMC, ASML, pamięci HBM, centra danych, energia. Te wąskie gardła kopiuje się najtrudniej. Przychody Nvidii w roku fiskalnym zakończonym w styczniu 2026 sięgnęły 215,9 mld dolarów, a w kolejnym kwartale sam segment data center przyniósł 75,2 mld – więcej niż Goldman Sachs zarabia przez cały rok. Tak wygląda sprzedaż kilofów, kiedy cały świat zaczyna kopać naraz.
Problem Cisco
Niewygodnym precedensem jest Cisco, które sprzedawało sprzęt naprawdę potrzebny internetowi – a którego akcje i tak potrzebowały dwóch dekad, żeby odzyskać szczyt z 2000 roku, gdy inwestorzy ekstrapolowali popyt o kilka lat za daleko. Prawdziwe wąskie gardło też może być za drogie.
Na danych z połowy czerwca Salesforce jest wyceniany na nieco ponad trzykrotność rocznych przychodów, Microsoft na około dziewięciokrotność, a Nvidia na dwudziestokrotność. Prywatna wycena Anthropic – 965 mld dolarów – implikuje mniej więcej ten sam mnożnik wobec 47 mld annualizowanych przychodów, które spółka ujawniła przy okazji rundy.
Porównanie nie schlebia niczyjej precyzji – prywatna wycena dzielona przez run-rate to nie audytowany wskaźnik spółki publicznej, dlatego słupek jest kreskowany – ale kierunek jest wystarczająco czytelny: duża część dzisiejszej ceny to zapłata za jutro. To racjonalne, jeśli jutro przyjdzie zgodnie z planem. To drogie, jeśli wzrost zwolni, marże się skurczą, energia stanie się wiążącym ograniczeniem albo otwarte modele dalej będą spychać ceny w dół.
Hasło inwestycyjne wymaga więc poprawki. Nie „kup sprzedawcę łopat”, lecz:
Znajdź wąskie gardło i zapytaj, czy cena nie zakłada już perfekcji.
Dekoracja to nie biznes
Jedno ostrzeżenie zasługuje na większą dosadność. Wiele aplikacji AI nie jest słabych dlatego, że używają cudzego modelu. Są słabe, bo nie dodają osądu, workflow ani odpowiedzialności. Jeśli cztery produkty robią to samo – wklejają CV do LLM-a i proszą o lepszą wersję – to model jest produktem, a aplikacja dekoracją. A na dekoracji zwykle zarabia się przesadą w obietnicach, nieprzejrzystym cennikiem i ciemnymi wzorcami interfejsu.
Pierwsza akcja amerykańskiej FTC wymierzona w marketing AI, Operation AI Comply dostarczyła emblematyczny przykład: DoNotPay, sprzedające się jako „pierwszy na świecie robot-prawnik”, zawarło w 2025 roku ugodę z regulatorem w sprawie twierdzeń, że produkt może zastąpić prawnika – nigdy nie sprawdziwszy, czy potrafi, ani nie zatrudniwszy prawnika do kontroli. Zarzut nie brzmiał, że firma używa AI. Brzmiał, że dekoracja składała obietnice, których produkt nie dotrzymywał.
Spółki aplikacyjne warte posiadania będą wyglądały inaczej – dystrybucja, własne dane, regulowany workflow, nawyk, którego użytkownik nie zechce łamać. Nie będą po prostu pytać modelu o odpowiedź; sprawią, że odpowiedź zadziała wewnątrz prawdziwego procesu.
Project Management & PMO
Skorzystaj z naszego wsparcia w zarządzaniu projektami end-to-end: od outsourcingu doświadczonych Project Managerów i ekspertów PMO, przez doradztwo i audyty projektowe, po PMO as a Service
Oferta PMOLekcja ciemnych włókien
Porównanie z bańką internetową jest użyteczne tylko w całości. Bańki są prawdziwe: sprzedawcy infrastruktury bywają przewartościowani, popyt można ściągnąć z przyszłości, a inwestorzy potrafią zapłacić za przyszłość, która przyjdzie później, mniejsza albo zupełnie gdzie indziej.
Ale prawdziwa była też rewolucja pod bańką. Internet po 2000 roku nie zniknął; stał się nudną infrastrukturą, a potem zmienił wszystko. Nawet przeinwestowanie się przydało – ciemne włókna po pęknięciu bańki telekomunikacyjnej wyglądały jak czyste marnotrawstwo, dopóki tania nadmiarowa przepustowość nie umożliwiła streamingu i chmury.
Historia AI zapewne ułoży się w podobny wzór, a jeśli mam wskazać gdzie – spodziewam się, że pierwsza poważna korekta uderzy w warstwę modeli, gdzie o utrzymanie cen najtrudniej, a nie w warstwę fizyczną, gdzie rzadkość jest realna. Centra danych mogą zmienić właścicieli z dyskontem; fabryki chipów nie.
Najbardziej prawdopodobne szczęśliwe zakończenie pozostaje tymczasem najmniej filmowe: LLM-y spowszednieją, wtopione w arkusze kalkulacyjne, skrzynki pocztowe i narzędzia programistyczne, używane bez komentarza – jak elektryczność. Pozostaną dźwigniami, nie autopilotami, wzmacniając osąd albo bylejakość tego, kto je trzyma.
Najlepszym biznesem w gorączce złota rzadko jest ten, kto trzyma najbardziej błyszczący kilof. Jest nim ten, kto sprzedaje coś, czego potrzebuje każdy poważny poszukiwacz – po cenie, którą kolejny cykl wciąż będzie w stanie udźwignąć.
Źródła i materiały dodatkowe
- Stanford HAI, AI Index Report 2025 – spadek kosztu inferencji i dane o rynku AI
- Epoch AI, How much does it cost to train frontier AI models?
- Nvidia Investor Relations – wyniki za rok fiskalny do stycznia 2026 i Q1 FY2027
- Goldman Sachs, 2025 Full Year Earnings Results – przychody netto 58,3 mld USD
- GuruFocus – dane P/S dla Nvidii i Microsoftu
- CompaniesMarketCap – dane P/S dla Salesforce
- Anthropic, Series H funding announcement – prywatna wycena i raportowany run-rate przychodów
- CoreWeave, CoreWeave Completes Acquisition of Weights & Biases (maj 2025)
- Rada UE, Artificial Intelligence: Council and Parliament agree to simplify and streamline rules (maj 2026)
- Amerykańska FTC, FTC Finalizes Order with DoNotPay (luty 2025)
- Rezerwa Federalna, SR 11-7: Guidance on Model Risk Management
- Vaswani et al., Attention Is All You Need
- Film dokumentalny AlphaGo (2017), reż. Greg Kohs
Zostaw komentarz