AI Weekly: przegląd tygodnia (06–12.07.2026)

Ubiegły tydzień dobrze pokazał, jak szeroki stał się rynek AI. Z jednej strony mieliśmy nowe modele, aplikacje biurowe i coraz bardziej naturalne interfejsy głosowe. Z drugiej — autonomiczny ransomware, kontrolę rządu przed premierą modelu, duże finansowanie infrastruktury i przygotowania do jednego z największych debiutów giełdowych w historii technologii.

Zebraliśmy najważniejsze informacje w jednym miejscu, żeby dało się je przejrzeć przy kawie i od razu zobaczyć, co jest tylko ciekawym nagłówkiem, a co może realnie wpłynąć na firmy korzystające z AI.

Format pozostaje prosty: najpierw szybki przegląd wydarzeń, a później krótkie rozwinięcie najważniejszych tematów.

W skrócie

Ransomware sterowane przez AI przestało być tylko demonstracją

Badacze Sysdig opisali JADEPUFFER — przypadek ransomware, w którym agent oparty na dużym modelu językowym samodzielnie przeprowadził większość etapów ataku. Wykorzystał znaną lukę w Langflow, zdobył dane dostępowe, przemieszczał się pomiędzy systemami i ostatecznie zaszyfrował ponad 1300 rekordów konfiguracyjnych.

Warto tu oddzielić autonomię wykonania od autonomii decyzji. Agent nie obudził się pewnego ranka z pomysłem, żeby zaatakować przypadkową firmę. Człowiek nadal musiał go uruchomić i wskazać cel. AI przejęła jednak rekonesans, analizę błędów, dobór kolejnych kroków i wykonanie ataku, czyli dużą część pracy wymagającej dotychczas doświadczenia technicznego.

A to oznacza, że problemem nie jest wyłącznie pojawienie się „sprytniejszego ransomware”. Modele mogą obniżyć próg wejścia do cyberprzestępczości. Osoba z mniejszą wiedzą techniczną będzie w stanie zautomatyzować działania, które wcześniej wymagały zespołu albo przynajmniej doświadczonego operatora.

Dla firm praktyczny wniosek jest dość zwyczajny: znane podatności trzeba usuwać szybko, dostęp agentów do narzędzi i sieci musi być ograniczony, a nietypowe sekwencje działań powinny być wykrywane na poziomie zachowania, nie tylko pojedynczych sygnatur. AI przyspiesza ataki, ale nadal często korzysta z tych samych zaniedbań, które były problemem wcześniej.

Anthropic wyprzedza OpenAI pod względem tempa przychodów

Według opublikowanych w ubiegłym tygodniu danych Anthropic osiągnął wyższe annualizowane tempo przychodów niż OpenAI. Trzeba tylko pamiętać, że run rate nie jest tym samym co zaksięgowany roczny przychód ani zysk. Pokazuje raczej, ile firma zarabiałaby w ciągu roku, gdyby utrzymała aktualne tempo sprzedaży.

Mimo tego kierunek jest interesujący. Ważnym źródłem wzrostu Anthropic stał się Claude Code, czyli produkt skierowany do programistów i zespołów technologicznych. To sugeruje, że rynek zaczyna premiować nie tylko model, który dobrze odpowiada na pytania, ale model osadzony w konkretnym procesie pracy.

W praktyce konkurencja między Anthropic i OpenAI nie ogranicza się już do tego, który chatbot napisze lepszą odpowiedź. Chodzi o to, który dostawca stanie się domyślną warstwą AI w tworzeniu oprogramowania, dokumentach, analizie danych i wewnętrznych systemach firm.

Na wynikach Anthropic korzystają przy okazji Amazon i Google, ponieważ oba podmioty są inwestorami firmy i udostępniają jej modele w swoich chmurach. Czyli wzrost Claude’a wzmacnia nie tylko jednego producenta modeli, lecz także konkurencję AWS i Google Cloud z ekosystemem Microsoftu i OpenAI.

Chińskie modele zwiększają presję na ceny API

Model GLM-5.2 firmy Z.ai został wyceniony znacznie niżej niż porównywalne modele amerykańskich dostawców, przy wynikach zbliżonych do czołówki w części testów agentowych. Według danych z platformy Vercel zainteresowanie modelem wzrosło bardzo szybko już w pierwszym tygodniu dostępności.

Nie oznacza to, że każda europejska albo amerykańska firma nagle przeniesie swoje procesy do chińskiego dostawcy. W sektorach regulowanych pozostają pytania o lokalizację danych, poufność, zgodność z przepisami, kontrolę dostawcy i ograniczenia eksportowe. Dla banku, administracji czy podmiotu medycznego sama niska cena modelu nie wystarczy.

Inaczej wygląda sytuacja w startupach, narzędziach wewnętrznych i mniej wrażliwych zastosowaniach. Tam różnica pomiędzy ceną 1–2 dolarów a kilkunastu dolarów za milion tokenów może mieć duże znaczenie, zwłaszcza przy milionach zapytań miesięcznie.

Rynek może więc podzielić się na dwa segmenty. W jednym najważniejsza będzie zgodność, bezpieczeństwo i relacja z zaufanym dostawcą. W drugim wygra model, który zapewnia wystarczająco dobrą jakość przy najniższym koszcie.

A to oznacza presję na cały cennik modeli. Firmy nie będą już wybierać jednego dostawcy do wszystkiego. Coraz częściej bardziej opłacalny będzie routing zadań: droższy model do trudnych i wrażliwych operacji, tańszy do klasyfikacji, streszczeń albo masowego przetwarzania danych.

AI zaczyna jednocześnie mówić, słuchać i wykonywać zadania

OpenAI zaprezentował modele głosowe GPT-Live-1 i GPT-Live-1 mini, które mogą jednocześnie słuchać użytkownika i generować odpowiedź. Rozmowa nie musi już składać się ze sztywnych tur, podczas których jedna strona mówi, a druga czeka. Model może reagować na przerwania, zmianę tonu i dodatkowe informacje przekazywane w trakcie odpowiedzi.

To brzmi jak drobna poprawa interfejsu, ale w praktyce ma znaczenie dla telefonicznej obsługi klienta, sprzedaży, umawiania wizyt i wewnętrznych systemów wsparcia. Dotychczasowi asystenci głosowi często zdradzali swoją sztuczność opóźnieniami i nienaturalnym rytmem rozmowy. Full duplex może część tego problemu usunąć.

Dzień później Anthropic uruchomił Claude Cowork na urządzeniach mobilnych i w przeglądarce. Narzędzie pozwala delegować zadania związane z dokumentami, arkuszami i prezentacjami, czyli przesuwa Claude’a z roli rozmówcy w stronę wykonawcy pracy biurowej.

Te dwa wydarzenia pokazują podobny kierunek. AI przestaje być osobną stroną, na którą wchodzimy, żeby zadać pytanie. Zaczyna działać wewnątrz rozmów, dokumentów i procesów. To wygodne, ale wymaga ustalenia, jakie operacje agent może wykonywać sam, a które nadal muszą zostać zatwierdzone przez człowieka.

Najbezpieczniej zaczynać od zadań powtarzalnych, łatwych do sprawdzenia i odwracalnych. Przygotowanie szkicu raportu albo uporządkowanie danych to dobry początek. Samodzielna wysyłka dokumentów, zmiana danych klienta czy podejmowanie decyzji finansowych wymaga już znacznie mocniejszych zabezpieczeń.

GPT-5.6 i początek kontroli modeli przed premierą

OpenAI udostępnił rodzinę GPT-5.6 w trzech wariantach: Luna, Terra i Sol. Poszczególne wersje różnią się ceną i możliwościami, czyli firma wyraźniej dopasowuje ofertę do różnych zastosowań — od masowego, tańszego przetwarzania po zadania wymagające najmocniejszego dostępnego modelu.

Taki podział ma również znaczenie konkurencyjne. Najtańszy wariant jest bezpośrednią odpowiedzią na presję ze strony tańszych modeli, w tym dostawców chińskich. Zamiast utrzymywać jeden wysoki poziom cen, OpenAI może obsługiwać zarówno klientów szukających jakości, jak i tych, dla których głównym ograniczeniem jest koszt.

Ciekawszy od samej tabeli benchmarków jest jednak proces poprzedzający premierę. Udostępnienie modelu zostało opóźnione z powodu przeglądu bezpieczeństwa prowadzonego przy udziale amerykańskiej administracji.

Nie była to formalna certyfikacja wynikająca z powszechnie obowiązującego prawa. Powstał jednak precedens: duży dostawca przed komercyjną premierą przekazał model do zewnętrznej oceny państwowej. Kolejne podobne przeglądy mogą już nie być traktowane jako wyjątkowa, dobrowolna współpraca, tylko jako oczekiwany element procesu.

Dla największych firm AI może to być zarówno koszt, jak i przewaga. Przejście rozbudowanego przeglądu wymaga ludzi, dokumentacji, testów i kontaktu z administracją. Mniejsi dostawcy nie zawsze będą mieli takie zasoby, czyli regulacja bezpieczeństwa może z czasem wzmocnić pozycję podmiotów, które już dziś potrafią obsłużyć ten proces.

Infrastruktura AI przyciąga coraz większy kapitał

SK Hynix zadebiutował na Nasdaq poprzez program ADR, dając amerykańskim inwestorom łatwiejszy dostęp do jednego z największych producentów pamięci HBM. To komponent niezbędny w systemach wykorzystywanych do trenowania i uruchamiania dużych modeli.

Taka inwestycja różni się od zakładu na konkretnego producenta AI. Niezależnie od tego, czy większy udział w rynku zdobędzie OpenAI, Anthropic, Google czy kolejny dostawca, wszystkie firmy potrzebują pamięci, mocy obliczeniowej i centrów danych.

Podobny kierunek widać w finansowaniu SambaNova, która pozyskała miliard dolarów przy wycenie 11 miliardów. Firma rozwija własną architekturę układów RDU, przeznaczoną między innymi do uruchamiania modeli w środowiskach prywatnych i lokalnych.

W praktyce rośnie popyt na infrastrukturę dla organizacji, które nie chcą przesyłać wszystkich danych do publicznego API. Dotyczy to administracji, przemysłu, finansów i dużych przedsiębiorstw posiadających własne centra danych. Dla takich klientów liczy się nie tylko wydajność, ale też kontrola nad danymi, przewidywalność kosztów i możliwość działania bez pełnego uzależnienia od jednego dostawcy chmurowego.

Rynek AI rozwija się więc jednocześnie na dwóch poziomach. Na powierzchni konkurują modele i aplikacje. Pod spodem trwa równie istotna walka o pamięć, chipy, energię i infrastrukturę do wnioskowania.

Roboty humanoidalne zbliżają się do giełdy i fabryk

W jednym tygodniu pojawiły się informacje o planowanym wejściu Agility Robotics na giełdę przez SPAC, przygotowaniach Unitree do debiutu na chińskim STAR Market oraz przebudowie części fabryki Tesli pod produkcję Optimusa trzeciej generacji.

Skala planów robi wrażenie, ale dane finansowe pozostają mniej jednoznaczne. Unitree zwiększa przychody, a jednocześnie odnotował duży spadek zysku netto. Agility dysponuje zamówieniami przedprodukcyjnymi, lecz SPAC zwykle oznacza inną ścieżkę weryfikacji biznesu niż klasyczne IPO. Tesla mówi o bardzo dużej skali produkcji, ale w 2026 roku roboty mają trafiać przede wszystkim do jej własnych zakładów.

Czyli rynek humanoidów jest nadal bardziej rynkiem inwestycji i testów przemysłowych niż masowej sprzedaży gotowych produktów. Fabryki są naturalnym miejscem do pierwszych wdrożeń, ponieważ środowisko jest kontrolowane, zadania powtarzalne, a efekty można mierzyć kosztami i czasem pracy.

Na szczęście nie trzeba od razu rozstrzygać, który producent zbuduje najlepszego humanoida. Wraz z rozwojem sektora rośnie zapotrzebowanie na siłowniki, przekładnie, czujniki, systemy wizyjne, baterie i oprogramowanie symulacyjne. To właśnie dostawcy komponentów mogą mieć bardziej przewidywalny biznes niż firmy składające kompletnego robota i obiecujące milionowe wolumeny.

Apple pozywa OpenAI tuż przed planowanym IPO

Apple złożył federalny pozew przeciwko OpenAI, zarzucając firmie zorganizowane pozyskiwanie pracowników oraz wykorzystywanie poufnego know-how. Według informacji zawartych w przeglądzie do OpenAI miało przejść ponad 400 byłych pracowników Apple związanych między innymi z AI działającą na urządzeniach, projektowaniem układów i sprzętem.

Samo przechodzenie specjalistów pomiędzy firmami technologicznymi jest normalne. Znacznie poważniejszy jest zarzut wynoszenia tajemnic handlowych, ponieważ może prowadzić do długiego procesu, wysokich odszkodowań i ograniczeń w wykorzystaniu konkretnych rozwiązań.

Moment złożenia pozwu jest dla OpenAI szczególnie niewygodny. Firma miała jednocześnie poufnie rozpocząć przygotowania do IPO przy prywatnej wycenie wynoszącej około 730 miliardów dolarów. Aktywny spór o własność intelektualną będzie musiał zostać opisany jako ryzyko dla inwestorów.

Do tego dochodzi konkurencja ze strony Anthropic i presja na obniżanie cen modeli. OpenAI nadal ma bardzo silną markę, ogromną bazę użytkowników i ważną pozycję w całym ekosystemie. Publiczny rynek będzie jednak oceniał nie tylko wzrost, ale też koszty infrastruktury, marże, ryzyka prawne i to, czy wycena ma uzasadnienie w przychodach.

IPO może więc być nie tylko wielkim wydarzeniem dla rynku technologicznego, ale również testem tego, ile inwestorzy są gotowi zapłacić za pozycję lidera AI w sytuacji, gdy konkurencja staje się coraz bardziej realna.

---

Co z tego wynika

Z wydarzeń ubiegłego tygodnia wyłania się kilka równoległych zmian.

Po pierwsze, AI coraz częściej wykonuje zadania, a nie tylko generuje treść. Dotyczy to zarówno legalnych zastosowań — rozmów głosowych, dokumentów i pracy biurowej — jak i ataków na systemy. Dlatego zarządzanie uprawnieniami agentów, kontrola dostępu i możliwość zatrzymania operacji stają się równie ważne jak jakość odpowiedzi modelu.

Po drugie, rynek modeli podlega coraz większej presji cenowej. Firmy dostają więcej wariantów, a tańsze modele z Chin pokazują, że wysoka jakość nie musi zawsze oznaczać najwyższej ceny. W praktyce warto przygotowywać architekturę, w której model można zmienić albo dobierać zależnie od rodzaju zadania.

Po trzecie, coraz większa część wartości przesuwa się do infrastruktury. Pamięć HBM, chipy do wnioskowania, energia i prywatne środowiska obliczeniowe są potrzebne niezależnie od tego, kto akurat prowadzi w benchmarkach.

I wreszcie: państwa zaczynają uczestniczyć w ocenie modeli jeszcze przed ich premierą. Na razie dzieje się to bez jednolitego, obowiązkowego procesu, ale trudno zakładać, że przy coraz mocniejszych modelach pozostanie tak na długo.

Dla firm nie oznacza to konieczności reagowania na każdy nowy produkt. Trzeba tylko zadbać o kilka podstaw: wiedzieć, gdzie AI jest używana, kontrolować dostęp agentów do danych i narzędzi, unikać uzależnienia od jednego modelu oraz liczyć pełne koszty wdrożenia — nie tylko cenę tokenów.