1 godzina temu
Generatywna AI bardzo gwałtownie przeszła drogę od technologicznej ciekawostki do narzędzia używanego przez setki milionów ludzi. Dla firm oznacza to jednak początek trudniejszego etapu: samo posiadanie dostępu do AI przestaje cokolwiek wyróżniać, a znaczenia nabierają koszty, architektura i sposób jej wykorzystania.
Najnowszy Microsoft AI Diffusion Report 2026 Q2 pokazuje, iż w czerwcu z narzędzi generatywnej AI korzystało 32,3 proc. populacji Polski w wieku produkcyjnym. To wynik porównywalny z Niemcami i sytuujący Polskę w pierwszej trzydziestce badanych rynków.
Ta liczba wymaga jednak ważnego zastrzeżenia. Microsoft nie mierzy liczby przedsiębiorstw wykorzystujących AI ani choćby odsetka pracowników korzystających z niej zawodowo. Wskaźnik dotyczy osób w wieku 15–64 lata korzystających z produktów generatywnej AI. Został oszacowany na podstawie zagregowanej i zanonimizowanej telemetrii, a następnie skorygowany m.in. o penetrację internetu, strukturę systemów operacyjnych oraz urządzeń. Pokazuje więc przede wszystkim skalę rozpowszechnienia technologii w społeczeństwie, a nie dojrzałość wdrożeń biznesowych.
Mimo tego obraz jest istotny. AI przestała być rzadkim zasobem. Dlatego z perspektywy biznesu nie możemy już mówić o dylemacie, w którym firma analizuje czy powinna z niej korzystać, a coraz częściej: z jakich modeli, w jakiej architekturze i do których procesów.
Widać to także w danych dotyczących samej infrastruktury modeli. Według danych OpenRouter przywołanych w raporcie modele open-weight odpowiadają za około 75 proc. przetwarzanych na tej platformie tokenów. Nie jest to jednak udział open source w globalnym rynku AI. OpenRouter skupia określoną grupę developerów i użytkowników, a jego statystyki nie obejmują całego ruchu kierowanego bezpośrednio do dostawców zamkniętych modeli ani wielu instalacji uruchamianych lokalnie.
Mimo tych ograniczeń dane pokazują zmianę sposobu myślenia o AI. Największy model nie musi być najlepszym wyborem dla wszystkich zadania. Część procesów może obsługiwać model tańszy lub mniejszy, inne wymagają większych modeli komercyjnych, a w przypadku wrażliwych danych uzasadnienie może mieć infrastruktura prywatna.
To istotna zmiana również z perspektywy CFO. W systemach agentowych jedno polecenie może uruchomić serię zapytań do modeli, baz danych i zewnętrznych usług. Koszt pojedynczego tokena mówi wówczas niewiele. Znacznie ważniejszy staje się koszt wykonania całego procesu.
Równolegle rośnie warstwa aplikacyjna. Liczba aktywnych projektów w Hugging Face Spaces wzrosła według raportu z około 124 tys. pod koniec 2023 roku do około 1,46 mln w 2026 roku. Także tutaj potrzebna jest ostrożność: Spaces obejmuje demonstracje, eksperymenty i projekty developerskie, więc nie jest to liczba komercyjnych aplikacji AI. Wskaźnik dobrze pokazuje natomiast skalę aktywności budowanej wokół istniejących modeli.
Zestawienie tych danych prowadzi do ważniejszego wniosku niż sam wzrost adopcji. AI zaczyna przypominać kolejną warstwę infrastruktury przedsiębiorstwa. Musi być integrowana, zabezpieczana, obserwowana i rozliczana.
Rynek AI wchodzi więc w etap, w którym mniej będzie liczyło się samo „mamy AI”, a znacznie bardziej to, czy firma potrafi używać jej wystarczająco dobrze i wystarczająco tanio, by uzasadnić jej skalowanie.
