Jak Chiny rozbiły monopol na AI i dlaczego 2027 rok będzie rokiem agentów, którym po prostu zostawisz zadanie na noc

Ilustracja wygenerowana przez AI (model Nano Banana Pro na platformie FOTOhub.app). Oznaczenie zgodnie z art. 50 AI Act.

Jeszcze na przełomie 2024 i 2025 roku dominująca narracja w branży AI brzmiała prosto: najlepsze modele językowe są zamknięte, kosztowne, kontrolowane przez trzy, cztery amerykańskie firmy, a każda organizacja, która chce korzystać z zaawansowanej sztucznej inteligencji, musi wysyłać swoje dane, w tym dane firmowe, do zewnętrznego API. Panował powszechny sceptycyzm, że jakikolwiek poważny gracz zgodzi się przesyłać wrażliwe dane firmowe na serwery poza własną infrastrukturą, a jednocześnie nie istniała realna alternatywa dla organizacji chcących mieć pełną kontrolę nad modelem klasy GPT czy Claude. 22 stycznia 2025 roku ten obraz świata rozpadł się w ciągu kilku dni, gdy chińska firma DeepSeek opublikowała model R1, otwarty na licencji MIT, dorównujący wydajnością flagowemu modelowi rozumowania OpenAI o1, wyceniony na poziomie ułamka kosztu konkurencji. To był moment, po którym branża AI przestała być tym samym, czym była wcześniej, a linia podziału między "modelami zamknietymi, do których się płaci za dostęp" i "modelami otwartymi, które można pobrać i uruchomić na własnych serwerach" zaczęła się zacierać w tempie, którego nikt się nie spodziewał.

Piszę ten tekst z perspektywy kogoś, kto od ponad dwudziestu jeden lat pracuje z infrastrukturą i architekturą systemów, a od kilku lat buduje własne produkty oparte na integracji dziesiątek modeli AI jednocześnie. Obserwowałem tę zmianę nie jako komentator z boku, ale jako osoba, która musiała podejmować realne decyzje architektoniczne o tym, które modele integrować, skąd je hostować i jak zabezpieczyć infrastrukturę obsługującą setki tysięcy użytkowników. Ten artykuł jest próbą uczciwego, opartego na danych podsumowania tego, co faktycznie się wydarzyło od stycznia 2025 roku do sierpnia 2026 roku, oraz mojej własnej, eksperckiej oceny tego, dlaczego rok 2027 będzie punktem zwrotnym dla sposobu, w jaki organizacje pracują z agentami AI.

Szok DeepSeek: dzień, w którym Nvidia straciła bilion dolarów

24 stycznia 2025 roku DeepSeek opublikował model R1, model rozumujący (reasoning model) trenowany metodą uczenia przez wzmocnienie, dorównujący pod względem wydajności modelowi OpenAI o1 na wielu benchmarkach, przy czym firma zadeklarowała koszt treningu na poziomie poniżej 6 milionów dolarów. Dla porównania: różnica w cenie dostępu do API między OpenAI o1 a DeepSeek-R1 wynosiła w tamtym momencie około 30 razy, przy czym model OpenAI kosztował 60 dolarów za milion tokenów wyjściowych, a DeepSeek-R1 zaledwie 2,19 dolara za milion tokenów wyjściowych. Tydzień po ogłoszeniu, 27 stycznia 2025 roku, indeks Nasdaq Composite stracił ponad bilion dolarów kapitalizacji w ciągu jednego dnia, a Nvidia, główny dostawca chipów GPU napędzających trenowanie modeli AI, odnotowała rekordowy, jednodniowy spadek wartości akcji o około 18 do 20 procent.

Kluczowy, techniczny fakt, który odróżniał R1 od wcześniejszych chińskich modeli AI, dotyczył sposobu jego udostępnienia. DeepSeek opublikował pełne wagi modelu (parametry wytrenowanej sieci neuronowej) na licencji MIT, czyli najbardziej permisywnej licencji open source, pozwalającej na dowolne wykorzystanie komercyjne, modyfikację i redystrybucję bez opłat licencyjnych. Analitycy z londyńskiego IISS zwrócili uwagę na fakt o dużym znaczeniu symbolicznym: był to pierwszy przypadek od modelu GPT-2 OpenAI w 2019 roku, gdy model klasy "frontier", czyli będący na absolutnym czele możliwości technologicznych w danym momencie, został opublikowany w pełni otwarcie przez jakąkolwiek firmę, nie tylko chińską. Warto przy tym zachować precyzję terminologiczną, na którą zwraca uwagę analiza Europejskiego Instytutu Studiów Bezpieczeństwa: R1 nie jest modelem w pełni open source w rozumieniu ścisłym, ponieważ DeepSeek nie opublikował pełnego zbioru danych treningowych ani kompletnego kodu źródłowego procesu treningowego, jest to model "open-weight", czyli udostępniający publicznie same wytrenowane wagi, co w praktyce wystarcza, aby dowolna organizacja mogła pobrać model i uruchomić go na własnej infrastrukturze, dostrajać go do własnych potrzeb i wdrażać komercyjnie bez ograniczeń licencyjnych.

Reakcja rynku i środowiska badawczego była natychmiastowa i jednoznaczna. Marc Andreessen, jeden z najbardziej wpływowych inwestorów Doliny Krzemowej, napisał publicznie, że "DeepSeek R1 to jeden z najbardziej niezwykłych przełomów, jakie widziałem, a jako projekt open source, jest to ogromny dar dla ludzkości". Analitycy CNBC cytowali przedstawicieli branży wskazujących, że sukces DeepSeek stanowił zwycięstwo dla całego ekosystemu modeli otwartych, w tym dla Meta Llama, Mistral i Hugging Face, ponieważ udowodnił, że modele open source mogą osiągać wydajność klasy state-of-the-art, przestając być traktowane jako niekomercyjny projekt badawczy, a stając się realną, skalowalną alternatywą dla modeli zamkniętych. Warto jednak odnotować, że sukces ten miał też swoją ciemną stronę: badania zespołu bezpieczeństwa Cisco wykazały, że model R1 wykazywał istotne słabości w zakresie zabezpieczeń, a przy zastosowaniu technik jailbreakingu zespół Cisco uzyskał stuprocentową skuteczność w wyłudzeniu od modelu odpowiedzi afirmatywnych na szkodliwe zapytania z powszechnie znanego benchmarku HarmBench. To jest ważne zastrzeżenie, do którego wracam w dalszej części tekstu: otwartość modelu i jego bezpieczeństwo to dwie zupełnie odrębne kwestie, i sukces w jednym wymiarze nie oznacza automatycznie sukcesu w drugim.

Od jednego modelu do całego ekosystemu: chińska ofensywa open source w 2026 roku

To, co wydarzyło się po DeepSeek-R1, nie było jednorazowym incydentem, lecz początkiem systematycznej, wieloletniej strategii chińskich firm technologicznych, polegającej na masowym udostępnianiu modeli AI klasy frontier na permisywnych licencjach open source. Według analizy opublikowanej w lipcu 2026 roku, sześć z ośmiu największych chińskich laboratoriów AI, DeepSeek, Alibaba (rodzina modeli Qwen), Zhipu AI (GLM), Moonshot AI (Kimi), MiniMax oraz częściowo Tencent (Hunyuan) i Baidu (Ernie), udostępnia swoje kluczowe modele z otwartymi wagami na licencjach MIT lub Apache 2.0, podczas gdy flagowe systemy zachodnie, GPT-5, Claude i Gemini, pozostają wyłącznie zamknięte. To jest fundamentalna zmiana strukturalna w globalnym ekosystemie AI: podział na "otwarte" i "zamknięte" modele przestał przebiegać wzdłuż linii technologicznej i zaczął przebiegać wzdłuż linii geograficznej, z Chinami jako głównym motorem otwartości.

Skala tej ofensywy jest trudna do przecenienia. Według sierpniowego raportu Hugging Face z 2026 roku, model Qwen firmy Alibaba przekroczył 3 miliardy pobrań na całym świecie w ciągu ostatnich sześciu miesięcy, wyprzedzając pod tym względem globalnie Meta i Google i zajmując pierwsze miejsce na świecie. Zespół Qwen udostępnił publicznie ponad 460 modeli w ramach całej rodziny, a modele derywatywne zbudowane na ich bazie przekroczyły liczbę 300 tysięcy. Hugging Face opisał Qwen jako "jeden z największych fundamentów otwartego ekosystemu AI", zauważając, że "Qwen wpisał się w domyślny przepływ pracy programistów decydujących, jaki model dostrajać i wdrażać". Moonshot AI ogłosił pełne otwarcie swojego najnowszego flagowego modelu Kimi K3, liczącego 2,8 biliona parametrów łącznie, co czyni go obecnie największym otwartym modelem na świecie pod względem skali parametrów.

Dane o realnym wykorzystaniu tych modeli w środowisku produkcyjnym są równie wymowne. Według raportu rynkowego Digital Applied za drugi kwartał 2026 roku, chińskie modele open source przetworzyły w połowie lipca 2026 roku szczytowy, tygodniowy udział wynoszący 46 procent wszystkich tokenów API przetwarzanych przez przedsiębiorstwa na platformie OpenRouter, jednej z największych platform agregujących dostęp do modeli AI. Chińscy dostawcy utrzymywali co tydzień co najmniej 30 procent tygodniowego wolumenu tokenów enterprise na OpenRouter nieprzerwanie od 8 lutego 2026 roku, a do kwietnia 2026 roku łączny udział sześciu chińskich laboratoriów, Xiaomi, Alibaba, MiniMax, Zhipu, DeepSeek i StepFun, przekroczył 45 procent całkowitego tygodniowego wolumenu. Amerykańska Komisja do spraw Przeglądu Gospodarczego i Bezpieczeństwa Stosunków USA-Chiny raportowała w marcu 2026 roku, że około 80 procent amerykańskich startupów AI wykorzystuje chińskie modele o otwartych wagach w jakimś elemencie swojego stosu technologicznego, jako model podstawowy albo jako opcję zapasową dla zadań wymagających optymalizacji kosztów. Raport Hugging Face z wiosny 2026 roku wykazał analogiczny wzorzec w liczbie pobrań: modele o otwartych wagach pochodzące z Chin odpowiadały za 41 procent globalnych pobrań modeli otwartych między lutym 2025 a lutym 2026 roku, wobec 36,5 procent dla modeli pochodzenia amerykańskiego.

Dlaczego strach przed wysyłaniem danych do Chin okazał się nietrafiony

Punkt, który uważam za kluczowy dla zrozumienia tego, co faktycznie się wydarzyło, dotyczy natury obaw, które dominowały w dyskusji publicznej na przełomie 2024 i 2025 roku. Powszechny sceptycyzm brzmiał: żadna firma na Zachodzie nie zgodzi się wysyłać swoich danych firmowych do chińskiego dostawcy API, z oczywistych powodów związanych z bezpieczeństwem narodowym, ochroną własności intelektualnej i regulacjami dotyczącymi danych osobowych. Ten sceptycyzm był, patrząc z perspektywy sierpnia 2026 roku, zasadny, ale dotyczył złego problemu. Rzeczywista rewolucja nie polegała na tym, że firmy zaczęły wysyłać swoje dane do chińskich API. Polegała na tym, że chińskie firmy zaczęły udostępniać same modele, ich wytrenowane wagi, do pobrania i uruchomienia na w pełni własnej, kontrolowanej infrastrukturze, bez konieczności wysyłania jakichkolwiek danych do jakiegokolwiek zewnętrznego serwera, chińskiego czy amerykańskiego.

To jest fundamentalna różnica architektoniczna, którą raport brytyjskiej kancelarii prawnej Herbert Smith Freehills Kramer z kwietnia 2025 roku ujmuje precyzyjnie: dystrybucja R1 w modelu open source, z wszystkimi wagami i kodem źródłowym dostępnym bezpłatnie dla globalnej publiczności do pobrania i wdrożenia, stanowi zakłócenie dominującego dotąd modelu biznesowego opartego na zamkniętych, subskrypcyjnych modelach AI. Ten sam raport podkreśla, że dla startupów z Wielkiej Brytanii i Unii Europejskiej, działających na tak zwanej warstwie aplikacyjnej, czyli integrujących modele AI w konkretne zastosowania biznesowe, otwarcie modeli o wydajności zbliżonej do najlepszych systemów zamkniętych, przy cenie 20 do 30 razy niższej, otwiera drzwi do budowania zaawansowanych produktów AI ze znacznie niższym kapitałem początkowym. Innymi słowy: strach przed wysyłaniem danych na wschód okazał się nieaktualny, bo scenariusz, który faktycznie się zrealizował, wyglądał inaczej, niż ktokolwiek przewidywał: każda firma, niezależnie od wielkości, mogła teraz pobrać model dorównujący możliwościom Claude czy GPT i uruchomić go na własnych serwerach, we własnym centrum danych albo w wybranej przez siebie chmurze, zachowując pełną kontrolę nad tym, gdzie fizycznie przechowywane i przetwarzane są dane.

Ta zmiana ma bezpośrednie znaczenie dla suwerenności technologicznej Europy, a raport Instytutu Studiów Bezpieczeństwa Unii Europejskiej z lipca 2026 roku wprost to podkreśla: licencja MIT, na której DeepSeek opublikował R1, sprawia, że model jest swobodnie dostępny do użytku komercyjnego, co obniża barierę wejścia dla podmiotów niedysponujących dużym kapitałem lub własną infrastrukturą obliczeniową i ułatwia rozwój zastosowań AI w sektorach takich jak finanse, produkcja czy ochrona zdrowia. Ten sam raport nazywa to bezpośrednio szansą dla państw takich jak Wielka Brytania i kraje UE na zamknięcie dystansu technologicznego i wzmocnienie własnej, krajowej suwerenności AI, niezależnie od amerykańskich dostawców infrastruktury zamkniętej.

Skala adopcji w przedsiębiorstwach: to już nie eksperyment, to strategia zakupowa

Dane o realnej adopcji modeli open source w środowisku korporacyjnym pokazują, że mówimy o zjawisku, które przeszło z fazy eksperymentu do fazy strategicznej decyzji zakupowej. Według analizy opublikowanej w lipcu 2026 roku, 67 procent przedsiębiorstw uruchamia obecnie w środowisku produkcyjnym modele open source, takie jak DeepSeek, Llama czy Qwen, wobec zaledwie 23 procent rok wcześniej. Wśród organizacji testujących lub wdrażających chińskie modele w środowisku produkcyjnym wymieniane są instytucje takie jak HSBC, Standard Chartered i Saudi Aramco. UBS w swojej analizie odnotował, że około 60 procent firm monitorujących swoje wydatki na AI przenosi obciążenia na tańsze modele open source, w szczególności pochodzenia chińskiego, wykorzystując mechanizmy routingu zapytań między różnymi modelami w zależności od złożoności zadania. Konkretny przykład przytoczony w analizie z maja-lipca 2026 roku dotyczy startupu, który zredukował swój miesięczny rachunek za AI z 150 tysięcy dolarów do 25 tysięcy dolarów, czyli o 83 procent, poprzez przejście na lokalnie hostowane, dostrojone modele open source takie jak Llama 4, DeepSeek i Qwen do rutynowych zadań inferencyjnych.

Same modele chińskie w połowie 2026 roku prezentują wydajność, która realnie konkuruje z najlepszymi systemami zamkniętymi. Model Qwen3-Coder-Next, licząc jedynie 3 miliardy aktywnych parametrów, osiąga wynik 70,6 procent na benchmarku SWE-Bench Verified, ocenianym jako jeden z najbardziej wymagających testów zdolności modelu do samodzielnego rozwiązywania rzeczywistych zadań inżynieryjnych w kodzie. Model Qwen3.5-Medium, według analizy porównawczej z lutego 2026 roku, oferuje wydajność porównywalną z modelem Sonnet 4.5 od Anthropic, przy możliwości uruchomienia na sprzęcie lokalnym. Model Kimi K2.5 od Moonshot AI ustanowił nowe rekordy w obsłudze bardzo długiego kontekstu, znajdując szerokie zastosowanie w instytucjach prawnych i badawczych, gdzie kluczowa jest zdolność modelu do przetwarzania dużych dokumentów w jednym zapytaniu. Osiem głównych chińskich modeli, DeepSeek, Qwen, GLM, Kimi, Doubao, Hunyuan, Ernie i MiniMax, według porównania cenowego z lipca 2026 roku, oferuje ceny za milion tokenów w przedziale od około 0,57 dolara (Kimi K2) do 1,65 dolara (Qwen3 Max) za tokeny wejściowe, radykalnie niżej niż flagowe modele zamknięte.

Dlaczego to naprawdę zmieniło reguły gry dla każdej firmy

Uważam, że najważniejszym, praktycznym skutkiem tej fali otwartych modeli chińskich jest coś, co da się streścić w jednym zdaniu: każda firma, niezależnie od wielkości, może dziś mieć zaawansowany model AI klasy Claude czy GPT-4 na własnych serwerach, w pełni pod swoją kontrolą, bez konieczności wysyłania jakichkolwiek danych do zewnętrznego dostawcy. To nie jest teoretyczna możliwość, to jest coś, co realnie robię w architekturze produktu, który buduję, integrując modele od ponad dziesięciu różnych dostawców, w tym chińskie modele otwarte, dokładnie z tego powodu: dają porównywalną wydajność, dramatycznie niższy koszt i, co kluczowe, pełną kontrolę nad tym, gdzie fizycznie działa model i jakie dane przez niego przechodzą.

Ta zmiana ma szczególne znaczenie dla agentów AI, systemów, które nie tylko odpowiadają na pytania, ale samodzielnie wykonują wieloetapowe zadania, korzystając z narzędzi, baz danych i innych systemów w imieniu użytkownika. Agent AI działający w środowisku firmowym musi mieć dostęp do wewnętrznych systemów, dokumentów, baz klientów, repozytoriów kodu, co w modelu opartym wyłącznie na zamkniętym API oznaczałoby w praktyce przesyłanie ogromnych ilości wrażliwych danych firmowych do zewnętrznego dostawcy przy każdej, pojedynczej operacji agenta. Model open source, uruchomiony lokalnie, na własnej infrastrukturze GPU, eliminuje ten problem architektonicznie, a nie proceduralnie: dane nigdy nie opuszczają sieci firmowej, ponieważ sam model działa wewnątrz tej sieci.

2026 rok pilotaży, 2027 rok produkcji: dlaczego agenty AI zmieniają sposób pracy

Równolegle z rewolucją otwartych modeli, druga, ściśle powiązana zmiana rozgrywała się w obszarze agentów AI. Zgodnie z analizą Gartnera z sierpnia 2025 roku, odsetek aplikacji korporacyjnych wyposażonych w wyspecjalizowane agenty AI miał wzrosnąć z poniżej 5 procent w 2025 roku do 40 procent do końca 2026 roku, czyli ośmiokrotnie w ciągu jednego roku. Raport Microsoftu z lutego 2026 roku (Cyber Pulse) wskazał, że 80 procent firm z listy Fortune 500 wdrożyło już aktywne agenty AI, nie chatboty czy asystentów, lecz autonomiczne systemy podejmujące realne działania w ramach firmowych przepływów pracy. Analiza z marca 2026 roku wykazała, że 72 procent firm z listy Global 2000 prowadzi systemy agentowe wykraczające poza fazę eksperymentalną.

Zgodnie z zestawieniem 120 punktów danych o adopcji agentów, opublikowanym w kwietniu 2026 roku, 80 procent aplikacji korporacyjnych wydanych lub zaktualizowanych w pierwszym kwartale 2026 roku zawierało co najmniej jednego agenta AI, wobec 33 procent w 2024 roku, a 31 procent przedsiębiorstw miało co najmniej jednego agenta AI w środowisku produkcyjnym, przy czym sektor bankowy i ubezpieczeniowy prowadził z 47 procentami, a sektor zdrowia i administracji publicznej pozostawał w tyle, na poziomie 18 i 14 procent. Mediana czasu zwrotu z inwestycji w wdrożenie agenta wynosiła 5,1 miesiąca, przy czym agenty obsługi klienta zwracały się najszybciej, w 3,4 miesiąca, a agenty finansowo-operacyjne najdłużej, w 8,9 miesiąca.

Prognozy IDC i McKinsey, cytowane w kwietniu 2026 roku, wskazują na konwergencję szacunków wokół 1,4 biliona dolarów globalnych wydatków korporacyjnych na agentów AI do 2027 roku. Ten sam raport prognozuje, że wskaźnik wdrożenia produkcyjnego w skali międzybranżowej wzrośnie z 31 procent w pierwszym kwartale 2026 roku do poziomu w przedziale 48 do 55 procent do pierwszego kwartału 2027 roku, przy czym sektor bankowy i ubezpieczeniowy oraz sektor oprogramowania i internetu osiągną wskaźniki wdrożenia produkcyjnego na poziomie około 62 do 63 procent. Udział organizacji stosujących orkiestrację wieloagentową (trzy lub więcej agentów współpracujących nad złożonym zadaniem) ma wzrosnąć z 22 procent w 2026 roku do 45-50 procent w 2027 roku, a przeciętna liczba odrębnych agentów wdrożonych w organizacji z listy Fortune 500 ma wzrosnąć z 3,4 w 2026 roku do 6-8 w 2027 roku.

IDC w swojej prognozie z marca 2026 roku idzie jeszcze dalej, przewidując dziesięciokrotny wzrost liczby wdrożonych agentów AI w przedsiębiorstwach do 2027 roku, opisując to nie jako problem strategii, lecz jako problem infrastruktury: firma prowadząca dziś 2-5 agentów AI będzie w 2027 roku prowadzić 20-50 lub więcej. Analiza z lipca 2026 roku przytacza jeszcze bardziej agresywne szacunki: przeciętna organizacja może wdrożyć do 2027 roku średnio 1661 agentów AI, a wydatki na AI agentową mają w 2026 roku wynieść 201,9 miliarda dolarów, o 141 procent więcej niż w 2025 roku, przy czym już w 2027 roku wydatki na agenty mają przewyższyć wydatki na chatboty i asystentów konwersacyjnych. Gartner prognozuje również, że do 2027 roku agenty AI będą wspomagać lub w pełni automatyzować 50 procent decyzji biznesowych w przedsiębiorstwach.

Ciemna strona ekspansji: dlaczego 40 procent projektów agentowych ma zostać wstrzymanych

Uczciwość intelektualna wymaga przywołania drugiej strony tych prognoz, ponieważ ten sam Gartner, który prognozuje ośmiokrotny wzrost adopcji agentów, ostrzega równolegle, że ponad 40 procent projektów agentowej AI zostanie wycofanych do końca 2027 roku z powodu narastających kosztów, niejasnej wartości biznesowej lub niedostatecznej kontroli ryzyka. Odrębna prognoza Gartnera dodaje, że do 2027 roku 40 procent przedsiębiorstw obniży rangę lub całkowicie wycofa autonomiczne agenty AI z powodu problemów z zarządzaniem (governance), które zostały wykryte dopiero po wystąpieniu incydentów w środowisku produkcyjnym. McKinsey w swoim badaniu AI Trust Maturity Survey z 2026 roku wskazuje, że obawy o bezpieczeństwo i ryzyko są głównym czynnikiem ograniczającym skalowanie systemów agentowych, wymienianym przez blisko dwie trzecie respondentów.

To zestawienie dwóch, z pierwszego wejrzenia sprzecznych prognoz, tworzy, w mojej ocenie, najbardziej precyzyjny obraz tego, co faktycznie dzieje się na rynku agentów AI: mamy jednocześnie do czynienia z eksplozją adopcji na poziomie infrastrukturalnym (coraz więcej agentów wdrażanych w coraz większej liczbie firm) i z masową falą porażek na poziomie projektowym (znaczna część konkretnych, pojedynczych wdrożeń nie przetrwa do produkcji lub zostanie wycofana). Innymi słowy: agenty AI jako kategoria technologiczna wygrywają, ale większość konkretnych, pojedynczych projektów agentowych realizowanych bez odpowiedniego przygotowania organizacyjnego, technicznego i regulacyjnego przegra.

Dlaczego uważam, że 2027 rok będzie rokiem, w którym zostawisz zadanie agentowi na noc

Formuła, do której odwołuję się w tytule tego artykułu, "zostawiasz zadanie, a wieczorem sprawdzasz, jak zostało wykonane", opisuje moim zdaniem najtrafniej fundamentalną zmianę w relacji człowieka z systemem AI, którą obserwuję już dziś w najbardziej zaawansowanych wdrożeniach i którą uważam za dominujący model pracy w 2027 roku. To jest przejście od modelu synchronicznego, w którym człowiek zadaje pytanie i czeka na natychmiastową odpowiedź, do modelu asynchronicznego, w którym człowiek definiuje cel, agent samodzielnie planuje i wykonuje wieloetapową sekwencję działań, a człowiek wraca po jakimś czasie, żeby zweryfikować i skorygować wynik.

Dane potwierdzają, że ten model pracy zyskuje realną trakcję właśnie w obszarze inżynierii oprogramowania. Gartner prognozuje, że do 2027 roku ponad 65 procent zespołów inżynieryjnych korzystających z agentowego kodowania będzie traktować środowiska programistyczne (IDE) jako opcjonalne, przenosząc kontrolę, zarządzanie i walidację kodu na zautomatyzowane platformy agentowe. Do 2028 roku asynchroniczne przepływy pracy agentów kodujących mają zwiększyć produktywność zespołów inżynieryjnych o 30 do 50 procent, w porównaniu z zyskiem na poziomie 0 do 20 procent, jaki dawały wcześniejsze asystenty kodowania działające w modelu synchronicznym, podsuwające sugestie w czasie rzeczywistym, ale wymagające stałej, bieżącej obecności programisty. To jest dokładnie ten przełom: przejście od asystenta, który podsuwa linię kodu, gdy na niego patrzysz, do agenta, któremu zostawiasz cały moduł do zaimplementowania na noc, a rano sprawdzasz pull request.

Jednocześnie Gartner zastrzega, że przez cały 2027 rok większość wdrożeń agentowej AI będzie stosować model warunkowej autonomii z człowiekiem w pętli nadzoru (human-in-the-loop), a nie pełną autonomię bez nadzoru. Do 2028 roku jedynie 15 procent wdrożeń agentowych ma osiągnąć wysoki poziom autonomii, w porównaniu z poniżej 5 procent w 2025 roku. To jest istotne zastrzeżenie realistyczne: formuła "zostaw na noc, sprawdź rano" w 2027 roku nie oznacza całkowitego zniknięcia nadzoru człowieka, oznacza fundamentalną zmianę częstotliwości i charakteru tego nadzoru, z ciągłego, synchronicznego monitorowania każdego kroku, na okresową, wsadową (batch) weryfikację wyniku końcowego, z możliwością interwencji w konkretnych, zdefiniowanych punktach kontrolnych procesu.

Gartner prognozuje również, że do 2027 roku jedna trzecia wdrożeń agentowej AI będzie wykorzystywać kombinację wielu agentów o różnych, wyspecjalizowanych umiejętnościach, współpracujących synergicznie ze sobą i z ludźmi nad złożonymi zadaniami, wymieniając się wiedzą i koordynując wysiłki. Specjalizacja agentów ma napędzać do 2027 roku 70 procent systemów wieloagentowych wyposażonych w agenty o ograniczonych, celowo zawężonych rolach, zamiast jednego, uniwersalnego agenta próbującego robić wszystko. To jest architektonicznie sensowny kierunek: zamiast jednego, ogólnego agenta o niepewnej kompetencji w każdym obszarze, organizacje budują zespoły wyspecjalizowanych agentów, analogicznie do tego, jak zespół ludzki składa się z osób o różnych, uzupełniających się kompetencjach, a nie z jednej osoby próbującej być jednocześnie prawnikiem, programistą i księgowym.

Co to praktycznie oznacza dla firm już teraz

Z perspektywy kogoś budującego infrastrukturę produktową opartą na wielu modelach AI jednocześnie, widzę dwa, równolegle rozgrywające się procesy, które firmy planujące swoją strategię AI na 2027 rok muszą zrozumieć jako ze sobą powiązane, a nie odrębne. Pierwszy proces to komodytyzacja warstwy modeli fundamentowych, w której otwarte modele chińskie sprowadziły koszt dostępu do wydajności klasy frontier do poziomu, w którym praktycznie każda organizacja może sobie na to pozwolić, hostując model na własnej infrastrukturze. Drugi proces to przesunięcie punktu ciężkości konkurencyjnej wartości z samego modelu na warstwę orkiestracji, czyli na to, jak dobrze organizacja umie zaprojektować, zabezpieczyć i nadzorować system złożony z wielu, współpracujących agentów, korzystających z tych skomodytyzowanych modeli.

To przesunięcie ma bezpośrednie konsekwencje dla tego, gdzie realnie tworzona jest wartość biznesowa w 2027 roku. Skoro dostęp do modelu porównywalnego z Claude czy GPT-4 kosztuje dziś ułamek tego, co kosztował w 2024 roku, i skoro można go uruchomić lokalnie, przewaga konkurencyjna przestaje płynąć z samego dostępu do najlepszego modelu, a zaczyna płynąć z tego, jak dobrze firma zaprojektowała procesy nadzoru, walidacji, bezpieczeństwa i dokumentacji dowodowej wokół decyzji podejmowanych przez agenty AI, dokładnie ten obszar, w którym sam obecnie inwestuję czas i zasoby, budując infrastrukturę governance dla systemów AI wysokiego ryzyka. Firmy, które w 2027 roku będą realnie zostawiać agentom AI całe, wieloetapowe zadania na noc i sprawdzać wynik rano, nie wygrają dlatego, że mają dostęp do lepszego modelu niż konkurencja, model będzie w praktyce niemal identyczny, dostępny dla wszystkich za podobną cenę. Wygrają dlatego, że zbudowały wokół tego modelu architekturę nadzoru, w której mogą realnie zaufać temu, co agent zrobił w nocy, bez konieczności ręcznego prześledzenia każdego kroku, oraz udowodnić to zaufanie audytorowi, regulatorowi lub klientowi, jeśli zajdzie taka potrzeba.