AI Weekly: przegląd tygodnia (13–19.07.2026)

Ubiegły tydzień pokazał, że konkurencja w AI toczy się już na kilku poziomach jednocześnie. Producenci modeli walczą o jakość, ceny i miejsce w codziennej pracy. Firmy technologiczne przesuwają się w stronę sprzętu, cyberbezpieczeństwa i robotyki. Państwa budują własne układy regulacyjne, a inwestorzy kierują do sektora coraz większą część dostępnego kapitału.

Najgłośniejszym wydarzeniem był otwarty konflikt Apple z OpenAI, ale równie ważne mogą okazać się mniej widowiskowe sygnały: rozwój modeli open-weight, rekordowe wyniki producenta chipów, opóźnienia po stronie Google oraz pierwszy poważny spór pracowniczy o wdrażanie humanoidalnych robotów w fabrykach.

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

Apple i OpenAI wchodzą w otwarty konflikt

Apple pozwał OpenAI oraz osoby związane z jego działem sprzętowym, zarzucając im wykorzystywanie tajemnic handlowych wyniesionych przez byłych pracowników producenta iPhone’a. W pozwie pojawiają się między innymi zarzuty dotyczące przekazywania poufnych materiałów i przynoszenia fizycznych podzespołów Apple na rozmowy rekrutacyjne.

Samo przechodzenie specjalistów pomiędzy firmami technologicznymi nie jest niczym wyjątkowym. Różnica polega na tym, że OpenAI nie rozwija już wyłącznie modeli i aplikacji. Firma buduje własny dział sprzętowy i przygotowuje urządzenia, które mogą konkurować o tę samą uwagę użytkownika co iPhone, słuchawki czy zegarek.

Dlatego pozew jest czymś więcej niż sporem o zachowanie kilku pracowników. Może opóźnić projekty sprzętowe OpenAI, utrudnić kolejne rekrutacje z Apple i zwiększyć ryzyko prawne przed planowanym debiutem giełdowym. Nawet jeśli postępowanie potrwa latami, już teraz wpływa na sposób, w jaki partnerzy i inwestorzy oceniają wiarygodność firmy.

Jednocześnie Apple nie wycofuje się z AI. W tym samym tygodniu Apple Intelligence uzyskało zgodę na wejście do Chin, gdzie część funkcji ma korzystać z technologii Alibaby i Baidu. Firma wróciła też na pierwsze miejsce wśród największych spółek świata pod względem kapitalizacji, wyprzedzając Nvidię.

To pozorny paradoks. Apple może jednocześnie bronić własności intelektualnej przed OpenAI, korzystać z chińskich modeli na lokalnym rynku i przekonywać inwestorów, że jego przewagą nie musi być stworzenie najmocniejszego modelu. Wystarczy, że stanie się najważniejszym kanałem dystrybucji AI do miliardów urządzeń.

Dla firm praktyczna lekcja jest prosta: umowy z dostawcami AI nie zastępują zasad ochrony know-how. Przy rekrutacji specjalistów, integracji z partnerem i budowie wspólnych produktów trzeba jasno oddzielić doświadczenie pracownika od materiałów, danych i rozwiązań należących do poprzedniego pracodawcy.

GPT-5.6 porządkuje ofertę OpenAI

OpenAI zakończył wdrażanie rodziny GPT-5.6 w trzech wariantach: Sol, Terra i Luna. Sol jest modelem flagowym do najtrudniejszych zadań, Terra ma zapewniać równowagę pomiędzy możliwościami i kosztem, a Luna obsługiwać szybkie i tańsze operacje na dużą skalę.

Najważniejsza zmiana nie polega więc wyłącznie na poprawie wyników w benchmarkach. OpenAI zaczyna sprzedawać modele w sposób przypominający ofertę infrastruktury chmurowej: klient nie wybiera jednej „najlepszej AI”, tylko poziom jakości i ceny odpowiedni dla konkretnego procesu.

To istotne dla zespołów, które uruchamiają tysiące albo miliony zapytań. Nie ma ekonomicznego sensu używać najmocniejszego modelu do klasyfikacji prostych zgłoszeń, ekstrakcji pól z dokumentu czy przygotowania pierwszej wersji streszczenia. Droższy wariant można zachować do trudnego rozumowania, pracy na wrażliwych danych i operacji, w których koszt błędu jest wysoki.

Równolegle OpenAI rozwija ChatGPT Work oraz interfejs GPT-Live. Pierwsze narzędzie przesuwa model w stronę tworzenia gotowych dokumentów i wykonywania pracy biurowej. Drugie umożliwia bardziej naturalną rozmowę głosową, podczas której system może jednocześnie słuchać, mówić i reagować na przerwania.

Te funkcje pokazują wspólny kierunek: AI ma być coraz mniej widoczną warstwą wewnątrz procesu. Użytkownik nie musi otwierać osobnego chatbota, kopiować danych i ręcznie przenosić wyniku. Model zaczyna działać w rozmowie, dokumencie albo narzędziu programistycznym.

Wraz z wygodą rośnie jednak znaczenie kontroli operacji. Głośne przypadki niepożądanego działania agentów na plikach przypominają, że dostęp do systemu operacyjnego, poczty czy repozytorium powinien być stopniowany. Najpierw podgląd i przygotowanie propozycji, później zatwierdzane zmiany, a dopiero na końcu ograniczona autonomia w procesach, które da się łatwo odwrócić.

Bezpieczeństwo AI staje się polityką

W połowie lipca wrócił temat rozmów OpenAI z administracją USA o możliwości przekazania państwu około 5% udziałów w firmie. Nie oznacza to, że umowa została zawarta. Sam pomysł jest jednak bezprecedensowy, ponieważ połączyłby interes finansowy rządu z sukcesem jednego z największych dostawców AI.

Dla OpenAI taki układ mógłby ułatwić przekształcenie struktury właścicielskiej, rozmowy z regulatorami i rozwój zagraniczny. Dla państwa byłby sposobem na bezpośredni udział w wartości tworzonej przez firmę uznawaną za strategiczną. Problem polega na tym, że regulator będący jednocześnie udziałowcem może mieć trudność z zachowaniem pełnego dystansu.

Presja społeczna działa w przeciwną stronę. Tuż przed omawianym tygodniem około 200 osób przemaszerowało w San Francisco pomiędzy biurami OpenAI, Anthropic i Google DeepMind, domagając się czasowego wstrzymania treningu kolejnych modeli frontier oraz większych inwestycji w bezpieczeństwo. Skala protestu nie była masowa, ale pokazała, że krytyka wyścigu AI zaczyna wychodzić poza konferencje i raporty eksperckie.

Dzień później Future of Life Institute opublikował kolejną edycję AI Safety Index. Anthropic uzyskał najwyższą ocenę C+, OpenAI i Google DeepMind dostały C, Meta D+, a xAI, DeepSeek i Mistral oceny niedostateczne. To nie jest bezpośredni ranking bezpieczeństwa samych modeli. Indeks ocenia przede wszystkim zarządzanie ryzykiem, transparentność, ramy bezpieczeństwa i zgodność praktyki z publicznymi zobowiązaniami firm.

Najbardziej wymowny jest fakt, że C+ pozostaje najlepszym wynikiem w całej branży. Lider może używać takiej pozycji w sprzedaży enterprise i rozmowach z administracją, ale trudno uznać ją za dowód dojrzałości sektora. Raport wskazuje raczej, że nawet najbardziej rozwinięte firmy nie zbudowały jeszcze mechanizmów odpowiadających skali deklarowanych możliwości modeli.

Dla organizacji kupujących AI oznacza to, że marka dostawcy nie może zastąpić własnej oceny ryzyka. W umowach warto pytać o audyty, raportowanie incydentów, zasady wykorzystywania danych, możliwość wyłączenia funkcji oraz procedurę reakcji, gdy model lub agent zachowa się w nieprzewidziany sposób.

Open-weight wraca do gry

Thinking Machines Lab, firma założona przez byłą CTO OpenAI Mirę Murati, zaprezentowała Inkling — swój pierwszy model z otwartymi wagami. Model można pobrać, uruchomić we własnym środowisku i dostosować do potrzeb organizacji, zamiast korzystać wyłącznie z zamkniętego API dostawcy.

Inkling nie musi od razu pokonać najmocniejszych modeli OpenAI, Anthropic czy Google we wszystkich testach. Jego przewaga może polegać na czymś innym: firmy zyskują większą kontrolę nad wdrożeniem, danymi, dostrajaniem i kosztami. To szczególnie ważne w sektorach, w których proces nie może opierać się na przesyłaniu poufnych informacji do zewnętrznej usługi.

Dzień później Moonshot AI pokazał Kimi K3 — model typu mixture-of-experts o 2,8 biliona parametrów i kontekście do miliona tokenów. Pełne wagi mają zostać opublikowane 27 lipca. Już sama zapowiedź wywołała duże zainteresowanie, ponieważ model ma konkurować z zamkniętymi rozwiązaniami w zadaniach agentowych, programowaniu i pracy z długim kontekstem.

Warto pamiętać, że liczba parametrów nie jest prostą miarą jakości. W architekturze sparse MoE podczas pojedynczego zadania aktywowana jest tylko część modelu. Nadal jednak skala Kimi K3 pokazuje, że otwarte wagi przestają być domeną małych modeli i eksperymentów społecznościowych.

To również element geopolityki. Amerykańskie firmy najczęściej eksportują AI przez kontrolowane API, limity dostępu i własne chmury. Chińscy dostawcy coraz częściej budują wpływ przez modele, które można pobrać i uruchomić lokalnie. Dla państw i przedsiębiorstw chcących ograniczyć zależność od amerykańskich platform jest to atrakcyjna alternatywa.

Firmy powinny więc przygotować się na środowisko wielomodelowe. Zamknięte API może nadal zapewniać najlepszą jakość i najłatwiejsze wdrożenie, ale modele open-weight będą coraz częściej opłacalne tam, gdzie ważniejsza jest kontrola, możliwość dostosowania albo przewidywalny koszt dużej skali.

Chiny budują własny porządek AI

W Szanghaju 29 państw podpisało porozumienie powołujące World Artificial Intelligence Cooperation Organization, czyli WAICO. Organizacja ma mieć siedzibę w Chinach i działać jako międzyrządowe forum współpracy dotyczącej rozwoju oraz zarządzania AI.

Wśród państw założycielskich znalazły się między innymi Indonezja, Pakistan, Rosja, Kazachstan i Laos. Obecny był również sekretarz generalny ONZ António Guterres. Jednocześnie do inicjatywy nie dołączyła żadna zachodnia demokracja, co od początku nadaje organizacji wyraźny wymiar geopolityczny.

Zachodnie ramy dotyczące AI zwykle kładą nacisk na prawa człowieka, transparentność, bezpieczeństwo i odpowiedzialność dostawców. Chińska propozycja mocniej akcentuje suwerenność państw, rozwój gospodarczy i wyrównywanie dostępu do technologii. Dla wielu krajów Globalnego Południa taki język może być bardziej atrakcyjny niż przyjmowanie zasad tworzonych przez G7, OECD albo Unię Europejską.

WAICO nie musi od razu stać się odpowiednikiem ONZ dla sztucznej inteligencji. Może jednak pełnić funkcję centrum koordynacji dla państw korzystających z chińskich modeli, infrastruktury i finansowania. W połączeniu z modelami open-weight, takimi jak Kimi K3, powstaje pełniejsza oferta: technologia, zasady współpracy i instytucja zdolna do jej promowania.

Dla międzynarodowych firm oznacza to możliwość dalszego rozchodzenia się wymagań regulacyjnych. Produkt zgodny z europejskim AI Act nie musi automatycznie spełniać lokalnych zasad w krajach związanych z WAICO. Trzeba będzie zarządzać nie tylko różnicami technicznymi, lecz także odmiennymi wymaganiami dotyczącymi danych, moderacji, audytów i dostępu państwa do systemów.

Google się spóźnia, TSMC rośnie

Google ponownie przesunął premierę Gemini 3.5 Pro. Według doniesień model wymaga dalszych prac po problemach wykrytych między innymi w korzystaniu z narzędzi i zadaniach programistycznych. Informacja wywołała spadek kursu Alphabetu o ponad 4%, ponieważ inwestorzy obawiają się, że firma traci tempo względem OpenAI, Anthropic i nowych modeli z Chin.

Opóźnienie samo w sobie nie przesądza o jakości produktu. W przypadku modeli frontier dodatkowe testy mogą być lepszą decyzją niż wypuszczenie niedopracowanego systemu. Problem Google polega na tym, że rynek ocenia nie tylko końcowy benchmark, lecz także zdolność do regularnego dostarczania modeli, integracji z produktami i zamieniania badań w przychody.

W tym samym czasie TSMC pokazał kolejny rekordowy kwartał. Przychody wyniosły około 40,2 mld dolarów, a zysk netto około 22 mld. Segment high-performance computing, obejmujący między innymi układy dla AI i centrów danych, odpowiadał już za 66% przychodów firmy.

Zestawienie tych dwóch wiadomości jest interesujące. Producent modelu może spóźnić premierę, przegrać benchmark albo zmienić strategię produktową. Fabryka zaawansowanych chipów zarabia niezależnie od tego, czy dany akcelerator trafi do Google, Nvidii, Apple czy kolejnego laboratorium AI.

Nie oznacza to, że infrastruktura jest wolna od ryzyka. Tak wysoka koncentracja przychodów w HPC sprawia, że TSMC jest coraz bardziej zależny od utrzymania inwestycji w centra danych. Jeśli popyt wyhamuje albo modele staną się znacznie bardziej efektywne obliczeniowo, dzisiejsza przewaga może zamienić się w problem nadmiarowych mocy.

Na razie wyniki TSMC są jednak twardym potwierdzeniem, że rozbudowa infrastruktury AI nie jest wyłącznie deklaracją w prezentacjach inwestorskich. Firmy naprawdę kupują chipy i rezerwują moce produkcyjne na ogromną skalę.

Roboty wchodzą w spór o miejsca pracy

Związki zawodowe Hyundaia w Korei Południowej rozpoczęły częściowy strajk w sporze dotyczącym między innymi planów wdrażania humanoidalnych robotów Atlas na liniach produkcyjnych. Pracownicy domagają się, żeby roboty nie pojawiały się w fabrykach bez wcześniejszego porozumienia ze stroną związkową.

Sytuacja jest wyjątkowa, ponieważ Hyundai jest właścicielem Boston Dynamics, producenta Atlasa. Firma może więc rozwijać robota, testować go we własnych zakładach i bezpośrednio mierzyć oszczędności wynikające z automatyzacji. Z perspektywy biznesowej to niemal idealny model wdrożenia.

Z perspektywy pracowników ta sama zamknięta pętla oznacza jednak realne ryzyko. Dyskusja nie dotyczy już abstrakcyjnej możliwości, że roboty „kiedyś” zastąpią część zadań. Dotyczy harmonogramu wdrożeń, liczby stanowisk, przekwalifikowania, odpowiedzialności za bezpieczeństwo i udziału pracowników w korzyściach z automatyzacji.

Fabryki są naturalnym miejscem dla pierwszych humanoidów. Środowisko jest kontrolowane, zadania można opisać i powtarzać, a efekty łatwo mierzyć czasem cyklu, liczbą błędów i kosztami pracy. Właśnie dlatego spory podobne do koreańskiego mogą szybko pojawić się w europejskim i amerykańskim przemyśle.

Dla przedsiębiorstw najważniejszy wniosek nie dotyczy samego wyboru robota. Automatyzacja wprowadzana bez planu dla ludzi może doprowadzić do opóźnień, protestów i utraty zaufania, które zniwelują część oczekiwanych oszczędności. Rozmowy o rolach, szkoleniach i podziale korzyści powinny zacząć się wcześniej niż instalacja pierwszej maszyny.

Microsoft stawia na wiele modeli

Według doniesień Microsoft przygotowuje Project Perception — narzędzie, które ma wykorzystywać AI do wykrywania podatności w systemach przedsiębiorstw i proponowania sposobów ich usunięcia. Projekt ma łączyć modele Anthropic, OpenAI oraz własne rozwiązania Microsoftu.

To ważny sygnał, ponieważ Microsoft nie próbuje udowodnić, że jeden model powinien wykonywać wszystkie zadania. System ma kierować poszczególne operacje do różnych modeli zależnie od kosztu, jakości i charakteru problemu. Droższy model może analizować skomplikowany przypadek, a tańszy obsługiwać rutynowe klasyfikacje i masowe skanowanie.

Taka strategia przypomina rozwój chmury. Microsoft nie musi być producentem każdej najlepszej aplikacji, jeśli kontroluje platformę, na której klienci uruchamiają aplikacje innych firm. W AI warstwą platformową stają się Azure, narzędzia bezpieczeństwa, zarządzanie tożsamością, dane i routing pomiędzy modelami.

Dla klientów enterprise może to być atrakcyjne, ponieważ zmniejsza zależność od jednego dostawcy modelu i pozwala optymalizować koszty. Jednocześnie zwiększa złożoność audytu. Organizacja musi wiedzieć, który model przetwarza dane w danym momencie, gdzie dane są wysyłane i jakie zasady retencji obowiązują każdego podwykonawcę.

Project Perception nie jest jeszcze publicznie potwierdzonym, gotowym produktem, dlatego nie należy traktować wszystkich zapowiadanych funkcji jako ostatecznych. Sam kierunek jest jednak czytelny: przewagę może zdobyć nie firma z jednym najlepszym modelem, ale platforma, która potrafi bezpiecznie połączyć kilka modeli w jeden proces biznesowy.

Kapitał koncentruje się w AI

W tygodniowych podsumowaniach rynku wróciły dane PitchBook i National Venture Capital Association za pierwsze półrocze 2026 roku. Amerykańskie startupy miały pozyskać łącznie około 412,7 mld dolarów, z czego 86%, czyli około 355,9 mld, trafiło do firm związanych z AI.

Taki wynik nie oznacza, że setki małych startupów AI dostały po równo duże finansowanie. Większość kapitału skupia się w największych rundach i trafia do niewielkiej liczby firm budujących modele, centra danych, chipy i narzędzia infrastrukturalne. To koncentracja zarówno sektorowa, jak i na poziomie pojedynczych transakcji.

Część pieniędzy pochodzi od klasycznych funduszy venture, ale dużą rolę odgrywają też inwestorzy strategiczni: firmy technologiczne, producenci chipów i podmioty budujące własne ekosystemy chmurowe. W wielu przypadkach finansowanie nie jest więc tylko zakładem na wzrost wartości startupu. Służy także zabezpieczeniu dostępu do modeli, klientów, mocy obliczeniowej albo przyszłego kanału dystrybucji.

Dla branży AI to ogromne przyspieszenie. Firmy mogą trenować większe modele, rekrutować specjalistów i finansować kosztowne wdrożenia enterprise. Dla pozostałej części rynku venture pojawia się jednak efekt wypierania. Startup z biotechnologii, energetyki czy logistyki konkuruje o uwagę inwestora z firmami, które mogą dodać „AI” do strategii i obiecać znacznie szybszy wzrost.

Tak duża koncentracja zwiększa również ryzyko systemowe. Jeżeli przychody z AI nie nadążą za kosztami infrastruktury albo wyceny kilku największych firm zostaną skorygowane, skutki odczują nie tylko ich akcjonariusze. Powiązania kapitałowe obejmują dziś chmury, producentów chipów, energetykę, centra danych i znaczną część rynku startupowego.

---

Co z tego wynika

Z wydarzeń ubiegłego tygodnia wyłania się kilka równoległych zmian.

Po pierwsze, rynek AI przestaje być wyścigiem jednego modelu. OpenAI dzieli ofertę na poziomy cenowe, Microsoft buduje rozwiązanie wielomodelowe, a firmy open-weight dostarczają alternatywę dla zamkniętych API. W praktyce organizacje powinny przygotować architekturę, w której model można zmieniać zależnie od zadania, ryzyka i kosztu.

Po drugie, coraz większe znaczenie ma warstwa znajdująca się wokół modelu: sprzęt, infrastruktura, dystrybucja, dostęp do danych i integracja z procesem pracy. TSMC zarabia niezależnie od tego, kto prowadzi w benchmarkach, a Apple może budować pozycję w AI dzięki urządzeniom i relacji z użytkownikiem, nawet bez własnego flagowego modelu.

Po trzecie, bezpieczeństwo staje się jednocześnie problemem technicznym, politycznym i właścicielskim. Słabe oceny w AI Safety Index, rozmowy o udziale państwa w OpenAI oraz spór Apple o tajemnice handlowe pokazują, że sama deklaracja odpowiedzialności nie wystarcza. Potrzebne są audyty, jasne uprawnienia, rozdzielenie interesów i procedury reagowania na incydenty.

Po czwarte, geopolityka AI zaczyna mieć własne instytucje i produkty. WAICO oraz duże chińskie modele open-weight tworzą alternatywny ekosystem dla państw i firm, które nie chcą polegać wyłącznie na dostawcach z USA. To oznacza więcej wyboru, ale też większe różnice regulacyjne i trudniejsze zarządzanie zgodnością.

I wreszcie: automatyzacja wchodzi w etap negocjacji społecznych. Strajk w Hyundaiu pokazuje, że wdrażanie humanoidów nie będzie tylko decyzją działu technologicznego. Będzie dotyczyć warunków pracy, odpowiedzialności i podziału korzyści pomiędzy firmę a pracowników.

Dla przedsiębiorstw nie oznacza to konieczności reagowania na każdy nowy nagłówek. Warto jednak zadbać o kilka podstaw: nie uzależniać procesów od jednego modelu, stopniować uprawnienia agentów, kontrolować przepływ danych pomiędzy dostawcami, planować wpływ automatyzacji na pracowników oraz liczyć pełny koszt wdrożenia — razem z infrastrukturą, bezpieczeństwem i ryzykiem prawnym.