AI Weekly: przegląd tygodnia (17–23.08.2026)

Ubiegły tydzień pokazał dwa równoległe kierunki rozwoju rynku AI. Z jednej strony skala infrastruktury nadal rośnie w tempie, które jeszcze niedawno trudno byłoby uznać za realistyczne. Nvidia, SB Energy i OpenAI przygotowują w Ohio kampus liczony w gigawatach mocy obliczeniowej, a kolejne laboratoria zabezpieczają kapitał potrzebny do utrzymania wyścigu modeli.

Z drugiej strony coraz wyraźniej widać koszt rosnących możliwości. Microsoft załatał lukę pozwalającą wykorzystać Copilota jako pośrednika w wycieku danych, a OpenAI zaostrzył zasady pracy nad Astrą po sygnałach, że model może zbliżać się do najwyższego poziomu zdolności cybernetycznych w firmowym Preparedness Framework.

Jednocześnie AI rozszerza się na kolejne obszary rynku. OpenAI przygotowuje reklamy ChatGPT dla Europy, uruchamia osobne doświadczenie dla nastolatków i oferuje klientom API Zero Data Retention. Anthropic pokazuje natomiast, że Claude może nie tylko generować tekst czy kod, lecz także koordynować proces projektowania białek, których działanie da się później sprawdzić w fizycznym laboratorium.

W tle pozostaje presja kapitałowa. Anthropic przyspiesza przygotowania do potencjalnego IPO, a kolejne doniesienia pokazują, że rynek zaczyna oceniać laboratoria frontier nie jak klasyczne startupy software’owe, lecz jak firmy infrastrukturalne o znaczeniu porównywalnym z największymi spółkami technologicznymi.

Zebraliśmy najważniejsze wydarzenia tygodnia w jednym miejscu, żeby oddzielić pojedyncze premiery od zmian, które mogą przełożyć się na koszty, bezpieczeństwo, regulacje i sposób budowania produktów wykorzystujących AI.

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

W skrócie

Nvidia pokazuje, że przewaga w AI zaczyna się od energii i bilansu

Nvidia, SB Energy i OpenAI ogłosiły kolejny etap projektu PORTS-Pike w Pike County w Ohio. OpenAI ma docelowo korzystać z około 8 GW mocy IT, SB Energy odpowiada za rozwój i eksploatację kampusu, a Nvidia zapewnia infrastrukturę obliczeniową oraz wsparcie finansowe związane z projektem.

Najgłośniejszą liczbą jest potencjalne zobowiązanie Nvidii sięgające 105 miliardów dolarów. Nie jest to jednak klasyczna inwestycja kapitałowa w OpenAI. Konstrukcja opiera się przede wszystkim na gwarancjach związanych z długoterminowym wykorzystaniem infrastruktury, podczas gdy Nvidia pozostaje jednocześnie dostawcą sprzętu, na którym będzie działał kampus.

To dobrze pokazuje zmianę charakteru wyścigu AI. Dostęp do najlepszych modeli nie zależy już wyłącznie od jakości zespołu badawczego czy liczby GPU kupionych w danym kwartale. Coraz większe znaczenie mają kontrakty na energię, finansowanie budowy centrów danych, dostęp do sieci energetycznej oraz zdolność do planowania infrastruktury na wiele lat do przodu.

Dla rynku oznacza to również coraz silniejsze powiązanie laboratoriów z dostawcami sprzętu. Im większe są takie projekty, tym trudniej szybko zmienić architekturę, dostawcę chipów albo model infrastrukturalny. Przewaga skali rośnie, ale razem z nią rośnie koszt utraty elastyczności.

GLM-5.2 Turbo przypomina, że tempo chińskich laboratoriów samo staje się przewagą

Z.AI udostępniło GLM-5.2 Turbo, dokładając kolejną premierę do wyjątkowo intensywnego sierpnia na rynku modeli. W ciągu kilkunastu dni pojawiły się nowe systemy kilku dostawców, a dystans między kolejnymi generacjami coraz częściej liczy się w dniach, a nie miesiącach.

Sam model jest tylko częścią historii. Ważniejsze staje się tempo, w jakim chińskie laboratoria potrafią trenować, publikować i iterować kolejne warianty pomimo ograniczeń w dostępie do najbardziej zaawansowanego zachodniego sprzętu.

To zwiększa presję na zamknięte modele dostępne wyłącznie przez API. Jeżeli firmy mogą regularnie wybierać między coraz mocniejszymi systemami z Chin, część zastosowań przestaje uzasadniać płacenie premii wyłącznie za markę dostawcy albo niewielką różnicę w benchmarku.

Dla przedsiębiorstw praktyczny wniosek jest prosty: architektura wielomodelowa staje się coraz bardziej racjonalna. Przy obecnym tempie premier trudno zakładać, że model wybrany dzisiaj pozostanie najlepszym kompromisem jakości, ceny i szybkości za pół roku.

CoSnitch pokazuje, że agent z dostępem do danych jest jednocześnie nowym wektorem ataku

Microsoft opublikował poprawkę dla podatności CVE-2026-24301, znanej jako CoSnitch. Łańcuch błędów w Copilot Personal pozwalał wykorzystać złośliwy link do uruchomienia niepożądanego działania i potencjalnego wyciągnięcia informacji z usług podłączonych do asystenta, takich jak Gmail, Google Drive czy Google Calendar.

To jakościowo inny problem niż klasyczna luka w aplikacji internetowej. Copilot nie przechowuje wyłącznie własnych danych — działa jako warstwa pośrednicząca między użytkownikiem a kolejnymi usługami. Jeżeli atakujący przejmie sposób, w jaki agent interpretuje instrukcję, może pośrednio uzyskać dostęp do znacznie szerszego zestawu informacji.

Im więcej uprawnień dostają agenci, tym bardziej bezpieczeństwo promptów, pamięci i wywołań narzędzi zaczyna przypominać klasyczne zarządzanie dostępem uprzywilejowanym. Model, który może czytać pocztę, przeglądać pliki i wykonywać operacje w imieniu użytkownika, powinien być traktowany jak komponent infrastruktury o wysokim poziomie zaufania.

Dla zespołów wdrażających agentów oznacza to potrzebę kontroli na poziomie całej trajektorii działania: jakie dane agent odczytał, z jakiego źródła pochodziła instrukcja, jakie narzędzie chce uruchomić i czy dana operacja rzeczywiście wymaga takich uprawnień.

ChatGPT dla nastolatków zmienia bezpieczeństwo wieku z ustawienia w osobny produkt

OpenAI uruchomiło ChatGPT for Teens — osobne doświadczenie dla użytkowników w wieku od 13 do 17 lat. System automatycznie kieruje do niego osoby deklarujące taki wiek lub rozpoznane przez mechanizmy estymacji wieku jako osoby niepełnoletnie.

Wersja dla nastolatków ma mocniejsze domyślne zabezpieczenia, dodatkowe ograniczenia dotyczące treści oraz narzędzia dla rodziców. W praktyce OpenAI odchodzi więc od założenia, że jeden zestaw zasad zachowania modelu powinien działać jednakowo dla wszystkich użytkowników.

To istotny precedens produktowy. W miarę jak AI zaczyna być wykorzystywana przez dzieci i młodzież do nauki, rozrywki i rozmów o problemach osobistych, wiek użytkownika staje się elementem architektury produktu, a nie wyłącznie zapisem w regulaminie.

Dla innych dostawców oznacza to rosnącą presję na podobne rozwiązania: estymację wieku, kontrolę rodzicielską, osobne polityki danych i bardziej precyzyjne ograniczenia zachowania modelu. Rynek może stopniowo przejść od jednego uniwersalnego asystenta do kilku wersji doświadczenia zależnych od grupy użytkownika.

ChatGPT Ads w Europie będzie testem nie tylko reklamy, ale całego modelu biznesowego

OpenAI zapowiedziało rozszerzenie ChatGPT Ads na 31 europejskich rynków. Faktyczne wyświetlanie reklam użytkownikom w Europie rozpoczyna się 24 sierpnia, ale decyzja została oficjalnie ogłoszona jeszcze w poprzednim tygodniu.

Reklamy mają pozostać ograniczone do planów Free i Go, podczas gdy płatne plany premium pozostają bez reklam. To kolejny krok w budowie drugiego źródła przychodów obok subskrypcji i wykorzystania API.

Europa jest przy tym szczególnym testem. RODO, DSA i inne lokalne wymogi tworzą znacznie bardziej restrykcyjne środowisko dla profilowania, personalizacji i wykorzystywania danych niż rynek amerykański. Sukces modelu reklamowego będzie więc zależał nie tylko od skuteczności reklam, ale także od tego, jak OpenAI oddzieli monetyzację od prywatności rozmowy i zaufania do odpowiedzi.

Strategicznie jest to również wejście na teren, który przez dekady finansował rozwój Google. Jeżeli rozmowa z modelem zaczyna zastępować część wyszukiwania i procesu wyboru produktu, naturalnym kolejnym pytaniem jest to, czy część budżetów reklamowych również przesunie się z wyszukiwarki do interfejsów konwersacyjnych.

Zero Data Retention otwiera modele frontier na procesy, których firmy wcześniej nie chciały wysyłać do chmury

OpenAI rozszerzyło możliwość korzystania z Zero Data Retention dla kwalifikujących się wdrożeń modeli frontier. W takim trybie prompt i odpowiedź nie są zachowywane przez OpenAI po zakończeniu przetwarzania żądania, a treści klientów nie są dostępne do standardowego przeglądu przez pracowników firmy.

Największe znaczenie ma to dla organizacji, które dotychczas traktowały retencję danych jako barierę blokującą wykorzystanie najmocniejszych zewnętrznych modeli. Bankowość, prawo, ochrona zdrowia, administracja czy sektor obronny często mają znacznie ostrzejsze wymagania niż zwykłe aplikacje konsumenckie.

Zero Data Retention nie rozwiązuje wszystkich problemów związanych z prywatnością i zgodnością. Organizacja nadal musi kontrolować własne logi, uprawnienia, źródła danych i sposób, w jaki agent przekazuje informacje między systemami. Usuwa jednak jeden z głównych argumentów za tym, żeby z powodów compliance całkowicie rezygnować z modeli hostowanych przez zewnętrznego dostawcę.

To zwiększa presję na rozwiązania on-premise i lokalne modele. Ich przewagą nadal pozostaje pełna kontrola nad środowiskiem, ale sama retencja danych przestaje być tak oczywistym punktem różnicującym.

Claude pokazuje, że ogólny agent może koordynować pracę specjalistycznych narzędzi naukowych

Anthropic opublikowało wyniki eksperymentu, w którym Claude Mythos Preview i Opus 4.8 projektowały białka wiążące dla 15 celów. Zewnętrzne laboratoria Adaptyv Bio i Twist Bioscience wyprodukowały i przetestowały projekty, potwierdzając działające bindery dla 14 z 15 celów.

Łącznie przetestowano 1320 projektów, z których 354 wykazały wiązanie. W zależności od konfiguracji odsetek trafień wynosił około 22–35%, podczas gdy Anthropic wskazuje 10–15% jako typowy poziom dla podobnych kampanii projektowania białek.

Najważniejsze jest jednak to, czego Claude nie robił. Model nie zastąpił całej biologii strukturalnej jednym systemem generatywnym. Koordynował istniejące specjalistyczne narzędzia, wybierał podejścia, analizował wyniki i prowadził długi proces obliczeniowy na podstawie szczegółowego promptu przygotowanego przez eksperta.

To może być bardziej interesujące niż prosty nagłówek o „AI odkrywającej leki”. Jeżeli modele ogólnego przeznaczenia stają się warstwą orkiestrującą wyspecjalizowane programy naukowe, ich wartość może rosnąć nawet bez zastępowania tych narzędzi. W takim modelu agent pełni funkcję cyfrowego badacza, który potrafi prowadzić eksperyment przez wiele kroków.

Astra pokazuje, że zdolność do trenowania modelu i zdolność do bezpiecznego trenowania modelu to dwie różne rzeczy

OpenAI opublikowało kolejną aktualizację dotyczącą bezpieczeństwa bardziej zaawansowanych modeli i potwierdziło, że część prac związanych z Astrą pozostaje ograniczona do czasu spełnienia zaostrzonych wymagań bezpieczeństwa.

Wcześniejsze ewaluacje wskazały, że nie można wykluczyć osiągnięcia przez Astrę poziomu Critical w kategorii cybersecurity według Preparedness Framework OpenAI. Firma wprowadziła więc bardziej izolowane środowiska, ograniczony dostęp do sieci i narzędzi, mocniejszą ochronę wag oraz dodatkowy monitoring zachowania agentów.

To sygnał, że kolejnym wąskim gardłem rozwoju frontier AI może przestać być sama liczba dostępnych GPU. Laboratorium może posiadać wystarczający compute do przeprowadzenia treningu, a jednocześnie nie posiadać jeszcze środowiska bezpieczeństwa wystarczająco dobrego, żeby taki trening prowadzić w pełnej skali.

Dla całej branży rodzi to nową kategorię kosztu. Obok energii, chipów i centrów danych trzeba będzie rozwijać „bezpieczny compute”: izolację, monitoring, systemy wykrywania niepożądanych działań, mechanizmy ograniczania uprawnień oraz procedury zatrzymywania eksperymentów, zanim działania modelu wyjdą poza zamierzony zakres.

Anthropic wchodzi w etap, w którym kapitał publiczny może stać się częścią wyścigu modeli

Przygotowania Anthropic do potencjalnego IPO przyspieszają. Według doniesień Bloomberg firma analizuje ofertę, która skalą mogłaby dorównać lub przebić rekordowy debiut SpaceX, a publiczne dokumenty rejestracyjne mogłyby pojawić się jeszcze przed końcem sierpnia.

W tle od kilku dni pojawiają się oczekiwania części inwestorów, że przy debiucie Anthropic mogłoby zostać wycenione na około 2 biliony dolarów lub więcej. Nie jest to jednak oficjalny cel podany przez spółkę. Wczesne spotkania prowadzone przez CFO Krishnę Rao miały omijać konkretną rozmowę o wycenie.

Ta różnica jest istotna. Rynek nie wycenia dziś wyłącznie aktualnych przychodów Claude’a. Próbuje wycenić przyszły udział Anthropic w rynku oprogramowania, agentów, kodowania i infrastruktury AI, a jednocześnie koszt utrzymania tempa inwestycji w modele i centra danych.

Jeżeli do IPO rzeczywiście dojdzie na tak dużą skalę, zmieni się również sposób oceny laboratoriów AI. Zamiast prywatnych rund finansowania co kilka miesięcy pojawi się codzienna wycena giełdowa, kwartalne oczekiwania inwestorów i znacznie większa presja na pokazanie, że miliardy wydawane na compute przekładają się na trwały biznes.

Infrastruktura rośnie szybciej niż systemy, które mają ją kontrolować

Z wydarzeń 17–23 sierpnia wyłania się rynek, w którym pytanie o „najlepszy model” coraz słabiej opisuje rzeczywistą konkurencję. Największe laboratoria budują jednocześnie infrastrukturę, systemy bezpieczeństwa, nowe modele biznesowe, produkty dla konkretnych grup użytkowników i mechanizmy dostępu do danych.

Pierwszy sygnał dotyczy skali. PORTS-Pike pokazuje, że infrastruktura AI zaczyna być finansowana i planowana podobnie jak energetyka czy telekomunikacja. Kontrakty obejmują wiele lat, miliardy dolarów i gigawaty mocy. Wejście do ścisłej czołówki modeli będzie więc wymagało nie tylko talentu badawczego, ale również dostępu do kapitału i energii.

Drugi sygnał to bezpieczeństwo. CoSnitch i ograniczenia prac nad Astrą pokazują dwa końce tego samego problemu. Na poziomie produktu agent otrzymujący dostęp do poczty i dokumentów tworzy nową powierzchnię ataku. Na poziomie laboratorium coraz bardziej autonomiczny model może wymagać środowiska testowego znacznie bardziej restrykcyjnego niż to, które wystarczało poprzedniej generacji.

Trzeci sygnał dotyczy monetyzacji i prywatności. OpenAI jednocześnie przygotowuje reklamy dla europejskich użytkowników i Zero Data Retention dla najbardziej wymagających klientów biznesowych. Jeden produkt musi więc coraz częściej obsługiwać skrajnie różne modele ekonomiczne: darmowy dostęp finansowany reklamą i bardzo restrykcyjne środowiska enterprise, w których prywatność jest warunkiem wejścia.

Czwarty sygnał wychodzi poza klasyczne zastosowania generatywnej AI. Wyniki Anthropic w projektowaniu białek pokazują potencjał ogólnych agentów jako warstwy sterującej specjalistycznymi narzędziami naukowymi. Jeżeli ten kierunek się utrzyma, wartość modeli będzie oceniana nie tylko przez jakość tekstu czy kodu, lecz także przez zdolność prowadzenia długich, mierzalnych procesów kończących się wynikiem w świecie fizycznym.

Dla firm oznacza to jedno: strategia AI coraz mniej przypomina wybór dostawcy SaaS. Trzeba jednocześnie projektować warstwę modeli, danych, uprawnień, kosztów, bezpieczeństwa i możliwości migracji. Dostawcy rozwijają się zbyt szybko, a ich modele biznesowe i infrastruktura zmieniają się zbyt mocno, żeby zakładać, że decyzja podjęta dzisiaj pozostanie optymalna przez kilka kolejnych lat.