Radar AI #34 – Make i n8n przestawiają automatyzację z klikania na rozmowę

Stripe kupuje OpenRouter za ponad 7 mld dolarów – Operator płatności przejmuje warstwę routingu modeli: pojedyncze API do ponad 400 modeli, 10-krotny roczny wzrost wolumenu inferencji i 90-osobowy zespół. Cena to 5,4x powyżej wyceny 1,3 mld dolarów z rundy B sprzed trzech miesięcy (NYT podaje ok. 7,5 mld, w tym 1,5 mld dla założycieli), a OpenRouter zapowiada „ta sama misja, ta sama nazwa, ten sam produkt, ta sama mapa drogowa”. Czytaj to jako sygnał, że wydatek na tokeny stał się pozycją budżetową wymagającą zarządzania – tak samo jak płatności.

Gartner: koszty inferencji AI wzrosną ponad pięciokrotnie do 2028 r. – Sam agent kosztuje co najmniej 5x więcej od zwykłego chatbota, bo musi rozumować, negocjować i sprawdzać samego siebie, a przy złożonych zadaniach mnożnik rośnie dalej. Will Sommer z Gartnera ostrzega, że „domyślne używanie ogólnej, autonomicznej AI wygeneruje nieograniczone koszty” o rzędy wielkości wyższe niż zoptymalizowany ekosystem. Dodatni zwrot wymaga albo wykładniczo większych zysków, albo świadomego warstwowania, routingu i orkiestracji modeli – czyli dokładnie tego, za co Stripe właśnie zapłacił 7 mld.

Anthropic po raz pierwszy wyprzedza OpenAI przychodami – 65 mld dolarów w ujęciu rocznym – ARR na koniec lipca 2026 wobec 47 mld w maju i 9 mld na koniec 2025 – czyli +18 mld w dwa miesiące i ok. 620% rok do roku. OpenAI podwoił się do 40 mld. Inwestorzy zakładają zamknięcie 2026 r. w przedziale 100-120 mld i wycenę IPO powyżej 2 bln dolarów.

AI podgryza SaaS – firmy schodzą o 70-80% z wydatków w 3-5 lat – Case Forscope: klient płacący 60 tys. euro rocznie za platformę SaaS zbudował dedykowaną aplikację za jednorazowe 60 tys. euro plus ok. 20% rocznie na utrzymanie. Pięć lat subskrypcji = 300 tys. euro, dedykowane rozwiązanie = 130 tys. euro. Najbardziej zagrożone kategorie: proste systemy workflow, CRM dla mniejszych organizacji i narzędzia do automatyzacji raportowania – czyli dokładnie to, co da się złożyć na n8n albo Make. Rynek SaaS mimo to rośnie: z 318 mld dolarów w 2025 do prognozowanych 576 mld w 2029.

Wykorzystanie AI w funkcjach finansowych wzrosło z 30% do 75% w dwa lata – Raport KPMG „AI in Finance 2026”: 76% organizacji stosuje AI w planowaniu finansowym, 71% notuje szybsze decyzje, 70% lepszą jakość decyzji, 64% trafniejsze prognozy – ale tylko 23% osiąga rezultaty powyżej założeń. Główna bariera to jakość i integracja danych (36%). Andrzej Gałkowski z KPMG: „Wymaga to połączenia wysokiej jakości danych, skutecznego nadzoru oraz odpowiednich kompetencji”.

OpenAI wprowadza zerową retencję danych dla modeli frontier – Ruch w wyścigu z Anthropic o zaufanie klientów korporacyjnych: dane wejściowe i wyjściowe nie są przechowywane po zakończeniu zapytania. Praktycznie to argument, który w rozmowie z działem prawnym klienta bywa ważniejszy od benchmarków.

Awaria modeli Claude jako argument za wielodostawcowością – Incydent dostępności przypomniał, dlaczego duże organizacje nie wiążą się z jednym dostawcą modeli i budują warstwę fallbacku. Ten sam wniosek, z drugiej strony, stoi za zakupem OpenRouter przez Stripe.

CFO OpenAI: „będziemy spółką publiczną w 2027” – Sarah Friar ujawniła plan IPO pracownikom; przychody z segmentu enterprise rosną ponad 50% kwartał do kwartału.

Zarządy muszą wziąć odpowiedzialność za sztuczną inteligencję – Bez zaangażowania zarządu i gotowości do ubijania nieskutecznych projektów transformacja nie następuje – AI zostaje w pilotażach, bo nikt nie ma mandatu, żeby je zamknąć albo skalować.

AI miało już przekonać ludzi do siebie – nie przekonało – Pew Research 2026: 52% Amerykanów ma więcej obaw niż entuzjazmu wobec AI, wobec 37% w 2021 r. Ponad 70% uważa (Economist/YouGov, maj 2026), że rozwój idzie za szybko, a większość osób 18-34 nie ufa liderom branży. Dario Amodei mówi wprost o „kryzysie zaufania”, a Brian Chesky – że branża „nie dostarcza produktów, które zwykli ludzie lubią”. Adopcja nie równa się akceptacji, i to jest realna obiekcja w rozmowie sprzedażowej.

Agencje USA ostrzegają: atakujący budują exploity na sterowniki przemysłowe przy pomocy AI – NSA, CISA i FBI opisały (19 sierpnia) skrypty atakujące sterowniki Siemens S7 generowane z pomocą AI. Zagrożenie przenosi się z IT na OT – energetyka, wodociągi, chemia, produkcja – a AI „umożliwia przeciwnikom szybkie wykorzystywanie dodatkowych wektorów ataku i przystosowywanie się do środków obronnych”. Główny wektor pozostaje banalny: sterowniki wystawione do internetu.

Darmowa oferta Perplexity zostawiła firmie miliony użytkowników w Indiach – Przychody wzrosły o ok. 60% już po zakończeniu promocji – rzadki przykład, w którym agresywny freemium nie skończył się odpływem po wygaśnięciu darmowego okresu.

NATO chce, żeby drony z AI pilnowały granic państw członkowskich – Architektura „kill web” z autonomicznymi dronami; ostateczna decyzja o użyciu siły ma pozostać przy człowieku.

Anthropic podnosi ocenę ryzyka misalignmentu i ujawnia nieopublikowany „Model 2” – Drugi firmowy Risk Report (14 sierpnia) podnosi ryzyko katastrofalnej niezgodności w sytuacjach o wysokiej stawce z „bardzo niskiego” na „niskie”, ale powód jest nietypowy: to korekta niepewności po ujawnionych incydentach z ewaluacji cyberbezpieczeństwa, a nie oblany test. Raport opisuje też wewnętrzny, niewydany model mocniejszy od obecnego frontieru, który nie przeszedł pełnej serii ocen przedwdrożeniowych i nie ma planu publikacji. Najciekawszy szczegół jest najbardziej niewygodny: wewnętrzny benchmark do wykrywania przekroczenia progu najgroźniejszych zdolności uległ nasyceniu – przestał rejestrować przyrosty – dokładnie w momencie, w którym firma widzi wczesne oznaki przyspieszenia w R&D wspieranym przez AI. Ryzyko biologiczno-chemiczne oceniono jako niskie, ale wyższe niż poprzednio.

GLM-5.3 od Z.ai na szczycie modeli otwartych – Intelligence Index 60 – Wzrost o 7 punktów wobec GLM-5.2 i remis z Kimi K3 na czele stawki open-weight. W zadaniach agentowych skok jest dramatyczny: Elo na GDPval-AA v2 z 1524 na 1770 (+246), ustępując tylko Claude Opus 5 (1855). Koszt zadania: 0,68 dolara – 1,5x drożej niż GLM-5.2, ale 19% taniej od Kimi K3. Publikacja wag opóźniona o dwa tygodnie, bo model według Z.ai jest „tak skuteczny w wykrywaniu podatności”, że firma najpierw wzmacnia kontrole i daje dostęp wybranym partnerom.

Deweloperzy podejrzewają GLM-5.3 o „przemysłową destylację modeli Anthropic” – Mocne wyniki w kodowaniu przy niezmienionym modelu bazowym każą części środowiska pytać, skąd wzięły się przyrosty; Greg Brockman z OpenAI ocenia, że model „prawdopodobnie znacząco przyspieszy krajobraz zagrożeń”. Wątek wart śledzenia, jeśli budujesz na modelach otwartych – konsekwencje licencyjne mogą sięgnąć użytkownika końcowego.

GPT-5.6 Sol w trybie Ultrafast – do 14x szybciej – OpenAI pokazuje wariant zoptymalizowany pod latencję zamiast pod jakość rozumowania. Praktycznie: kandydat do zadań klasyfikacyjnych i routingu w workflow, gdzie liczy się czas odpowiedzi, a nie głębokość.

OpenAI świadomie spowalnia rozwój modeli z powodu ryzyk cyber – Firma wstrzymała część treningu RL, tłumacząc to zdolnościami ofensywnymi modeli; krytycy wskazują na presję finansową i chińską konkurencję jako alternatywne wyjaśnienie.

Ceny pamięci +500% w 12 miesięcy – 128 GB DDR5 za 3399 dolarów – Do 10x powyżej najniższych notowanych cen w historii; komentatorzy mówią o „cofnięciu prawa Moore'a do poziomu 2007 r.”. Bezpośredni cios w uruchamianie modeli lokalnie – kalkulacja self-hostingu, która jeszcze wiosną wychodziła na plus, właśnie się przewróciła.

NVIDIA uczy wszystkich „łowić tokeny” – Nathan Lambert tłumaczy, dlaczego NVIDIA wykłada miliardy na otwarte modele (Nemotron, wsparcie dla ekosystemu): „Nvidia wants a world where countless people can build token machines, so intelligence is not monopolized”. Im więcej firm trenuje własne modele, tym większy rynek na karty – a przy okazji tym mniejsza zależność od API Anthropic i OpenAI.

Gartner: do 2027 r. połowa decyzji biznesowych będzie wspierana lub automatyzowana przez agentów – Dominującym wzorcem stają się architektury wieloagentowe, ale wąskim gardłem nie jest model, tylko dane: w przeciętnej organizacji AI ma dostęp do 45% danych firmowych, u maruderów do 30% lub mniej, u liderów powyżej 70%. Tylko połowa organizacji ufa decyzjom własnych agentów – wśród liderów danych ufa 100%. Badanie na 300 dyrektorach danych i technologii.

Żadne laboratorium AI nie kontroluje w pełni własnych systemów AI – Pierwsza ocena Guidelight (organizacji założonej przez byłych ludzi od bezpieczeństwa z OpenAI) sprawdziła sześć podstawowych praktyk kontroli agentów działających wewnętrznie: logowanie aktywności, bramkowanie ryzykownych akcji przeglądem, wyłączniki awaryjne i plany zawierania. Oceny: Anthropic i OpenAI C+, Google D+, xAI D−, Meta F. Firmy wypadają lepiej w wykrywaniu niż w zapobieganiu i zawieraniu.

Anthropic: agent językowy może poprowadzić cały stack projektowania białek – Skuteczność 26,8% (354 z 1320 projektów związało się z celem) wobec branżowej normy 10-15%, a na czołowych pozycjach rankingu 49%. Dla białka RBX1 najlepszy projekt modelu wiązał się przy 3,9 nM wobec 45 nM u zwycięzcy konkursu dizajnerskiego. Agent sam zainstalował i spiął 12 narzędzi open-source w 24 przepływy pracy bez człowieka w decyzjach projektowych, budżet ok. 50 tys. dolarów na kampanię. Zastrzeżenia są równie ważne: przeciw części celów model zawiódł całkowicie, a scoringi pewności tego nie sygnalizowały.

Artificial Analysis Search Index – benchmark API wyszukiwania dla agentów – Nowy indeks porównuje dostawców search API pod kątem jakości, kosztu i szybkości w identycznym agentowym setupie. Przydatne, gdy dobierasz warstwę wyszukiwania do agenta i chcesz argument mocniejszy niż cennik.

Claude Code v2.1.229: Remote Control i marketplace pluginów – Wydanie z 7 sierpnia wprowadza łączenie sesji między maszynami oraz dystrybucję pluginów jako archiwów ZIP po HTTPS z przypięciem SHA-256, plus self-hosted runner dla sesji chmurowych na własnej infrastrukturze. Kolejne wersje dokładają: forkowanie subagentów domyślnie i wzmianki @ między sesjami (2.1.232, 14 sierpnia), automatyczne wznowienie sesji po wyczerpaniu limitu, odznaki merge requestów GitLaba i twardszą izolację worktree (2.1.234, 18 sierpnia) oraz zmienną ANTHROPIC_DEFAULT_MODEL, powiadomienia notify_when_idle i wbudowany styl wyjścia Concise (2.1.236-237, 20 sierpnia).

Linear publikuje twarde dane o użyciu AI w zespołach software'owych – 127 tys. płacących użytkowników, czerwiec 2025 vs czerwiec 2026. Adopcja rośnie wszędzie, ale najszybciej u góry: CEO w firmach 201+ osób z 9% na 36%, CTO z 11% na 35%. Prawie połowa issues tworzonych jest dziś przez AI (ok. 2400 z 4800 tygodniowo wobec niemal zera w 2024). Pull requesty +111%, przy czym cały przyrost pochodzi z zespołów z agentami kodującymi (21 → 65 PR na tydzień, +210%, wobec 8 → 10 bez agentów). Najciekawszy wniosek: czas na dotychczasowe zadania się nie skrócił – doszła nowa warstwa pracy, czyli rozmowa z AI. A czas na planowanie nie zmienił się wcale: AI zmieniła wykonanie, nie decyzje o tym, co budować.

Addy Osmani o tym, które umiejętności inżynierskie zanikają przy pracy z agentami – Rozmowa w Pragmatic Engineer: 14 lat w Google i obserwacja, jak agenci przebudowują pracę inżyniera, przepływy deweloperskie i zestaw kompetencji, na którym warto stać. Dobry materiał dla każdego, kto uczy juniorów w epoce, w której kod pisze się sam.

Make: jak doszliśmy do 96% adopcji AI wewnątrz firmy – Case wewnętrzny oparty na trzywarstwowej strukturze wdrożenia; punkt odniesienia to 16%, na których zatrzymuje się typowa organizacja. Materiał wart przeczytania nie dla liczby, tylko dla struktury – to jest dokładnie ta rozmowa, którą prowadzi się z klientem po pierwszym wdrożeniu.

Zapier: 79% kadry przyznaje, że pracownicy obchodzą firmowe polityki AI – Badanie na 548 osobach z kadry kierowniczej w firmach 500+. 91% organizacji ma formalną politykę AI, 80% ma procesy audytu, ale 28% przyznaje, że polityki nie są konsekwentnie egzekwowane, a tylko 20% mówi, że obchodzenie zasad prawie się nie zdarza. Skutki: 47% wskazuje wzrost pracy ręcznej i kosztów, 41% błędy widoczne dla klientów, 26% wpływ na przychody. Wniosek raportu jest operacyjny: governance działa wtedy, gdy jest wbudowane w narzędzie, a nie kiedy zależy od tego, czy ktoś pamięta regułę.

ChatGPT: interaktywne quizy, tryb Think dla darmowych kont, aplikacja na Linuksa w publicznej wersji zapoznawczej – Do tego ustawienia pamięci dla projektów i lepsze dyktowanie na Androidzie. Tryb Think na darmowym koncie ma znaczenie praktyczne przy szkoleniach – uczestnicy bez subskrypcji dostają wreszcie sensowne rozumowanie.

ChatGPT for Teens – osobna wersja z zabezpieczeniami dla 13-17 lat – Ograniczenia przy odrabianiu pracy domowej i kontrola rodzicielska.

Raport „Polska firma w erze AI 2026”: używamy, ale nie panujemy – 479 respondentów z 19 branż, marzec-maj 2026 (badanie organiczne, nie reprezentatywne). 88,1% używa narzędzi AI, 58,9% kilka razy w tygodniu lub częściej – ale tylko 20,3% ma formalną politykę AI, a 11,7% mierzy efekty przez KPI. 45,4% pracowników używa AI bez wiedzy pracodawcy. 71,2% odczuwa wzrost produktywności, przy czym 88,3% go nie mierzy – redaktor naczelny Piotr Wolniewicz nazywa to „najbardziej niezmierzonym zwrotem z inwestycji w historii polskiego biznesu”. Zastosowania: 31,3% pisanie tekstów, 25,1% research, 12,5% analiza danych, 10,6% automatyzacja procesów. Budżet: 63,3% firm wydaje 0-500 zł miesięcznie. Polska firma używa AI jak długopisu, nie jak kombajnu.

Barometr rynku pracy 2026: 42,2% polskich przedsiębiorstw używa automatyzacji i AI – Najwięcej w handlu (15,4% szeroko wykorzystujących) i usługach (14%), najmniej w przemyśle (9,1%). Zestawione z raportem AIPort daje spójny obraz: narzędzia weszły szeroko, procesy zostały nietknięte.

Polska odpiera 1854 cyberataki tygodniowo, hakerzy przyspieszają dzięki AI – Wzrost o 15% rok do roku (Check Point Research); atakowani jesteśmy częściej niż Wielka Brytania, Francja czy Holandia, rzadziej niż Włochy (2755) i Czechy (2671). Najbardziej obrywa edukacja (4848 ataków tygodniowo) i administracja publiczna (3044). Rola AI jest konkretna: grupa The Gentleman postawiła infrastrukturę ataku w trzy dni, a dyrektor Threat Intelligence Check Pointa mówi, że „niewielki zespół wspierany przez AI może zbudować operację ransomware na światową skalę w ciągu zaledwie kilku miesięcy”.

77% polskich firm wdrożyło lub wdraża AI, ale tylko 55% ma formalną strategię – Kontynuacja wątku z tygodnia W33, nie nowy raport – warto trzymać jako punkt odniesienia przy danych AIPort i Barometru.

AI potrzebuje więcej talentów – bez kobiet luka kompetencyjna się pogłębi – Rosnący popyt na specjalistów AI zderza się z niedoborem kadr, a niski udział kobiet w branży pogłębia lukę zamiast ją domykać.