Obiektywnie

Stan informacji: 3 listopada 2026 roku.

Od ponad dwóch lat w mediach finansowych i technologicznych regularnie powraca pytanie, czy sztuczna inteligencja jest bańką spekulacyjną gotową do pęknięcia. Aby rzetelnie ocenić tę tezę, trzeba rozdzielić dwie płaszczyzny, które w publicznej debacie często są ze sobą mylone: giełdową wycenę pojedynczych spółek i start-upów oraz rzeczywisty rozwój technologii, popytu na moc obliczeniową i wdrożeń.

Od „ściany danych” do modeli rozumujących i agentów

Teza o rychłym zatrzymaniu rozwoju AI opierała się na założeniu, że wyczerpanie publicznie dostępnych tekstów z internetu uniemożliwi dalsze skalowanie modeli językowych. W praktyce w latach 2024–2026 nastąpiła zmiana paradygmatu: ciężar rozwoju przesunął się ze zwykłego powiększania zbiorów treningowych na wnioskowanie w czasie rzeczywistym (test-time compute), zapoczątkowane na szeroką skalę przez model OpenAI o1, oraz na systemy wieloagentowe i rekurencyjne doskonalenie kodu (RSI — Recursive Self-Improvement).

Potwierdzają to wyniki w zadaniach naukowych, które przez dziesięciolecia uchodziły za niedostępne dla maszyn — od przewidywania struktur białkowych i interakcji molekularnych (nagrodzony Noblem przełom zespołu Google DeepMind wokół AlphaFold), przez rozwiązywanie zadań z Międzynarodowej Olimpiady Matematycznej na poziomie złotego medalu, aż po autonomiczną inżynierię oprogramowania w benchmarkach takich jak SWE-bench. Źródło: Komitet Noblowski — Nagroda Nobla w dziedzinie chemii.

Oznacza to, że ewentualne spowolnienie w jednej metodzie trenowania nie zatrzymało wzrostu możliwości systemów AI — zmieniło natomiast sposób, w jaki modele dochodzą do rozwiązania problemu i w jaki sposób weryfikują własny kod.

Ponad 700 mld dolarów inwestycji i fizyczny niedobór sprzętu

Najbardziej wymiernym wskaźnikiem oczekiwań rynku nie są medialne komentarze, lecz wydatki kapitałowe (CapEx) największych koncernów technologicznych. Według analiz finansowych opublikowanych jesienią 2026 roku łączne nakłady inwestycyjne czterech tzw. hiperskalerów — Amazonu, Microsoftu, Alphabetu (Google) i Mety — wzrosły z około 388–410 mld dolarów w 2025 roku do prognozowanych 700–730 mld dolarów w całym 2026 roku, z czego 70–80% trafia bezpośrednio na infrastrukturę AI. Źródło: Forbes — analiza wydatków Big Tech w 2026 roku, Źródło: Business Insider.

Skala tej rozbudowy wywołała fizyczny niedobór podzespołów na rynku komputerowym. Ponieważ układy akceleratorów AI (takie jak architektury NVIDIA Blackwell/Rubin czy AMD Instinct) wymagają ogromnych ilości szybkiej pamięci HBM (High Bandwidth Memory), najwięksi producenci — SK Hynix, Samsung i Micron — przekierowali znaczną część mocy produkcyjnych wafli krzemowych z tradycyjnych pamięci konsumenckich na linie serwerowe. W rezultacie w latach 2025–2026 na globalnym rynku utrzymuje się presja cenowa i podażowa obejmująca zarówno karty graficzne (GPU), jak i pamięci RAM DDR5 oraz nośniki SSD. Źródło: zestawienie danych o globalnym niedoborze pamięci 2025–2026.

Wysokie nakłady inwestycyjne nie gwarantują oczywiście, że każdy projekt przyniesie szybki zwrot finansowy. Pokazują jednak, że popyt na fizyczną infrastrukturę obliczeniową nadal przewyższa możliwości produkcyjne fabryk półprzewodników.

Przepaść między darmowym czatem a środowiskami pracy agentowej

Dane o adopcji wyjaśniają również, dlaczego tak wielu odbiorców nie dostrzega na co dzień pełnych możliwości najnowszych modeli. Choć z samego ChatGPT korzysta na świecie ponad miliard użytkowników, analizy rynkowe i badania zachowań pracowników pokazują, że zdecydowana większość (około 85–95% w zależności od platformy) używa wyłącznie darmowych wersji czatowych, a w brytyjskim badaniu Deloitte z połowy 2026 roku blisko połowa pracowników korzystających z AI w pracy sięgała po narzędzia bezpłatne i poza oficjalnymi systemami firmy. Źródło: Deloitte UK.

W Polsce, według danych Eurostatu opublikowanych pod koniec 2025 roku, technologie AI formalnie wykorzystywało zaledwie 8,4% przedsiębiorstw zatrudniających co najmniej 10 osób (wobec 20% średniej unijnej). Jeszcze węższa grupa użytkowników korzysta z zaawansowanych środowisk pracy agentowej (takich jak Claude Code, Google Antigravity czy OpenAI Codex), które potrafią samodzielnie przeszukiwać repozytoria, pisać i testować kod oraz wykonywać wieloetapowe zadania. Źródło: Eurostat.

Osoba oceniająca stan sztucznej inteligencji przez pryzmat kilku pytań zadanych darmowemu czatbotowi widzi zatem zupełnie inną technologię niż inżynier lub analityk pracujący z autonomicznymi agentami.

Lekcja z bańki dot-comów: korekta na giełdzie to nie koniec technologii

Historia rynków finansowych pokazuje, że gwałtowna przecena spółek technologicznych i sukces samej technologii nie wykluczają się wzajemnie. Kiedy w latach 2000–2002 pękła bańka internetowa (dot-com), indeks NASDAQ stracił blisko 78% wartości, a ogromna część ówczesnych start-upów zbankrutowała. W tym samym czasie liczba użytkowników internetu, ruch w sieci i handel elektroniczny nadal rosły, a z kryzysu wyłoniły się firmy, które zdominowały kolejne dekady.

Podobne rozróżnienie dotyczy dzisiejszego rynku AI. Upadek większości powierzchownych start-upów (tzw. wrapperów dopisujących prosty interfejs do cudzego modelu) lub giełdowa korekta przewartościowanych akcji są w cyklu technologicznym zjawiskiem naturalnym. Nie oznaczają jednak odwrotu od samej automatyzacji i rozwoju modeli.

Subiektywnie

Modele AI cały czas idą do przodu. Z kwartału na kwartał potrafią coraz więcej i są coraz mądrzejsze. Na dzień dzisiejszy rozwiązują już zadania, które przez dziesięciolecia były zagadką dla uczonych. Dlaczego więc niemal wszędzie czytam i słyszę, że „bańka AI zaraz pęknie”, że to już ściana i sztuczna inteligencja niczego więcej się nie nauczy?

Przecież kolejne rewolucje pojawiają się na naszych oczach jedna po drugiej. Najpierw wszedł model o1, który jako pierwszy na szeroką skalę zaczął używać trybu głębokiego rozumowania (thinking). Potem pojawili się agenci AI, którzy zamiast odpowiadać na jedno pytanie, wykonują kilka lub kilkanaście złożonych zadań naraz. A teraz wchodzimy w etap RSI (Recursive Self-Improvement) — sztucznej inteligencji, która sama się uczy i sama doskonali swój własny kod.

Skoro postęp nie zwalnia, to dlaczego wszyscy dookoła tak bardzo wyczekują tego pęknięcia bańki i końca AI, który wciąż nie nadchodzi?

W mojej ocenie stoją za tym trzy proste powody: strach, złość i konkurencja. Ludzie boją się zmiany, której nie kontrolują, denerwują się, że świat przyspiesza bez pytania ich o zgodę, a firmy i twórcy zagrożeni przez nowe narzędzia najchętniej ogłosiliby, że to tylko chwilowa moda, która zaraz przeminie.

Tyle że AI nigdzie się nie wybiera — a przed nią wciąż leżą ogromne, nietknięte rynki do zdobycia. Szacuję, że około 95% ludzi nigdy nie korzystało z pełnych, płatnych narzędzi AI, a niecałe 2% w ogóle wie, czym są środowiska pracy agentowej typu Claude Code, Antigravity czy Codex. A to przecież właśnie tutaj, w tych narzędziach, dzieje się dziś cała magia podczas automatyzacji i tworzenia realnej pracy. Kto nie widział, jak pracuje współczesny agent, ten ocenia bolid Formuły 1 na podstawie przejażdżki hulajnogą.

Kolejnym twardym znakiem, że inwestorzy i giganci technologiczni doskonale widzą ten potencjał, jest rynek sprzętu. Wystarczy spojrzeć na to, jak trudno dziś kupić w normalnej cenie wydajne karty graficzne GPU czy nawet pamięć RAM. Fabryki nie nadążają z produkcją, bo cały krzem jest wykupywany na pniu pod centra danych AI. Nikt nie wydaje setek miliardów dolarów na fizyczny sprzęt, jeśli technologia rzekomo „stanęła w miejscu”.

A co z kryzysem giełdowym? Oczywiście, że jakaś korekta czy krach na giełdzie w końcu nadejdzie. Wystarczy jednak spojrzeć na bańkę dot-comów z przełomu wieków: około 90% ówczesnych start-upów internetowych poupadało, ale internet i tak całkowicie zmienił nasz świat.

Z AI będzie dokładnie tak samo — tylko na jeszcze większą skalę. Na samym końcu tej drogi, gdy dojdziemy do prawdziwego AGI, wystarczy tak naprawdę jeden przełomowy zwycięzca. Nawet jeśli po drodze upadnie 99% dzisiejszych start-upów i firm budujących prowizoryczne nakładki, to sama rewolucja AI osiągnie spektakularny sukces. Warto mieć to z tyłu głowy, kiedy następnym razem usłyszymy w mediach o kolejnej „pękającej bańce AI”.

Źródła

  1. Forbes — „Big Tech Will Spend Over $700 Billion On AI This Year: Follow The Money, Not The Hype”, październik 2026 r..
  2. Business Insider — zestawienie wydatków kapitałowych (CapEx) Amazonu, Alphabetu, Mety i Microsoftu na infrastrukturę AI w 2026 r..
  3. Globalny niedobór pamięci RAM / HBM w latach 2025–2026 — dokumentacja przyczyn i wpływu popytu centrów danych AI na ceny komponentów.
  4. Komitet Noblowski — Nagroda Nobla w dziedzinie chemii (Demis Hassabis, John Jumper — AlphaFold i rozwiązanie 50-letniego problemu zwijania białek).
  5. Deloitte UK — „GenAI Workforce Survey” (udział darmowych i prywatnych narzędzi AI w pracy, 2026 r.).
  6. Eurostat — „20% of EU enterprises use AI technologies” (dane o adopcji AI w przedsiębiorstwach w Polsce i UE).
Adrian Dalecki

Redaktor naczelny

O autorze i projekcie →