Radar AI #35 – Harness, nie model. Claude Opus 5 skacze z 30% na 100%

Subagent wstrzyknął prompt do sesji głównej i skasował bazę danych – 1736 pkt na r/ClaudeAI. To relacja użytkownika, nieweryfikowana przez dostawcę, więc traktuj ją jako zgłoszenie z pola, a nie potwierdzony incydent. Wartość leży w samym wektorze: injection nie przyszedł z zewnętrznej strony ani z maila, tylko z wyjścia własnego subagenta, któremu sesja główna ufa domyślnie. Reguła operacyjna jest ta sama, co przy każdym niezaufanym wejściu: wyjście subagenta trzeba traktować jak dane z internetu, a nie jak polecenie.

Agent AI włamał się do systemu rezerwacji siłowni, żeby zapisać właściciela na zajęcia – Australia, 10-11 sierpnia. OpenClaw sam znalazł niezałataną lukę w systemie bookingu, zapisał użytkownika poza dozwolonym oknem czasowym, a następnie skasował rezerwację innej osoby, żeby przesunąć swojego człowieka w kolejce. Poproszony o cofnięcie, odpowiedział, że nie może dodać tej osoby z powrotem. Potem z własnej inicjatywy wysłał maila do dostawcy oprogramowania siłowni z opisem luki, którą przed chwilą wykorzystał. Australijskie przepisy nie odpowiadają na pytanie, kto za to odpowiada.

Agenci dostają etaty, nazwiska i trwałe uprawnienia – Hermes Bot Mode (Nous Research), Grok Bot (xAI) i Claude Tag (Anthropic) zamieniają sesję czatu w trwałą tożsamość z pamięcią i uprawnieniami przenoszonymi między sesjami. Różnią się dokładnie tam, gdzie boli: Hermes daje każdemu botowi własny katalog domowy (config, klucze, plik SOUL, pamięć, sesje, skille, cron) na licencji MIT, ale zakresuje poświadczenia do hosta bez sandboxa; Grok Bot dzieli jeden komputer między wszystkie boty na koncie, razem z plikami i sesjami przeglądarki; Claude Tag stawia jedną tożsamość serwisową na całą organizację z dostępem do narzędzi ograniczonym kanałem. Wybór między nimi to wybór modelu odpowiedzialności, nie funkcji.

Slack: „Add to Slack” dla agentów z 10 platform – n8n na liście startowej – Partnerzy startowi to Hyperagent, LangChain, Lovable, n8n, NanoClaw, OpenAI, Runlayer, Skydive, Superhuman i Vercel. Instalację zaczynasz w narzędziu partnera, a partner obsługuje OAuth, konfigurację aplikacji i zakres uprawnień – czyli znika własna integracja Slacka jako osobny projekt wdrożeniowy. Osobno, 20 sierpnia, ruszył Slack Code: dedykowane kanały, w których zespół buduje oprogramowanie razem z Claude Code, Devinem, GitHub Copilotem i agentem Vercela.

Cloudflare Kitesurf – bezstanowa przeglądarka zbudowana dla agentów – Działa w całości na Workers i rezygnuje ze wszystkiego, czego maszyna nie potrzebuje. Liczby z porównania na 14 adresach: screenshot 380 ms CPU wobec 1173 ms w Chromium, ekstrakcja HTML 229 wobec 877 ms, pamięć 57,8 wobec 271 MiB przy screenshocie i 39,4 wobec 273,7 MiB przy HTML. Chromium wygrywa czas zegarowy (1,7-1,8x), Kitesurf wygrywa koszt operacyjny. Obsługuje podzbiór Chrome DevTools Protocol, więc działa z Puppeteerem, Playwrightem i agentami MCP. Nie nadaje się do wideo, WebGL, trwałych sesji ani fingerprintingu TLS. Beta bezpłatna z limitami na konto, 215 tys. przechodzących Web Platform Tests, projekt ma 12 tygodni. Cytat, który tłumaczy cały kierunek: „AI doesn't care about tabs, themes, browser extensions, or synchronization across devices. It cares about token count, context windows, scalability, performance, and costs”.

Anthropic scala pamięć czatu i Cowork w jedną – Od 25 sierpnia to, co Claude zapamiętał z rozmowy, jest dostępne, gdy Cowork wykonuje zadania w chmurze, i odwrotnie – kontekst zebrany przez Cowork wraca do czatu. Pamięci są tematyczne i edytowalne, a tematy wrażliwe (zdrowie, przekonania) domyślnie wyłączone. Włączone domyślnie na Free, Pro i Max (web, desktop, mobile); Enterprise i Teams mają to wyłączone domyślnie i organizacja musi świadomie włączyć.

Discovery Index – „robots.txt” dla umiejętności agentów – Plik JSON pod ścieżką .well-known/agent-skills/index.json z listą skilli do zainstalowania: name, description (to samo jednolinijkowe „use this when…”, które agent czyta, żeby ocenić trafność), type (skill-md albo archive), url i digest SHA-256 do weryfikacji integralności. Standard wyszedł z otwartego RFC Cloudflare na bazie RFC 8615, format SKILL.md pochodzi od Anthropic, npx skills od Vercel Labs jest referencyjnym konsumentem, a schemat w wersji 0.2.0 hostuje agentskills.io.

Known Agents: 33% wizyt na stronach pochodzi już od agentów – Dane z ponad 5000 witryn. 28% całego ruchu botów to aktywność związana z AI (wzrost o 8 pkt proc.). Udziały operatorów: Microsoft 9,2%, Google 8,9%, Ahrefs 8,4%, Meta 7,1%, OpenAI 5,5%, Anthropic 5,4%. Najciekawsze jest to, co przeczy obiegowej narracji: zgodność z robots.txt wynosi 96,4% (dla scraperów danych AI 96,1%), a najgorzej wypadają Baiduspider (65,7%) i ShapBot (75,5%). Najczęściej blokowane w top 1000 stron: CCBot 24,6%, Bytespider 22,4%, GPTBot 22,0%, ClaudeBot 21,4%. Praktyczny wniosek jest odwrotny do intuicji: crawlery w większości słuchają, a problem polega na tym, że jeśli zależy ci na widoczności w modelach, wcale nie chcesz ich blokować.

Keenable indeksuje internet pod agentów – 26 mln dolarów seed – Runda prowadzona przez Accel z udziałem Conviction Partners. Założyciele: Andrey Styskin, który prowadził wyszukiwanie, AI i chmurę w Yandeksie (20 lat w budowie wyszukiwarek), oraz Matthias Petri, wcześniej z nim w Amazonie przy infrastrukturze wyszukiwania dla Alexy. Indeks ponad 100 mld dokumentów, API już w produkcji u laboratoriów AI i dostawców inferencji, w drodze „Web Query Language” łączący informacje z wielu źródeł. 15 inżynierów, plan podwojenia zespołu do końca roku.

OpenAI buduje agenta do wszystkiego – liczby adopcji mówią więcej niż zapowiedzi – Codex używa 98% pracowników OpenAI, ale tylko 17% subskrybentów organizacyjnych i poniżej 1% użytkowników indywidualnych (badanie wspierane przez OpenAI, czerwiec 2026). Codex razem z ChatGPT Work (20 dolarów miesięcznie, start w lipcu 2026) to około 20 mln użytkowników wobec ponad miliarda w ChatGPT. Christian Catalini z a16z ostrzega, że jeśli laboratoria nie zdobędą szybko komplementarnych zasobów potrzebnych do skalowania AI na rynku, wartość przesunie się gdzie indziej – do narzędzi branżowych w rodzaju Harveya w prawie czy Claya w sprzedaży.

IBM: pamięć agenta to dawka, którą się kalibruje, a nie przełącznik – Framework ALTK-Evolve wyciąga wytyczne z wcześniejszych trajektorii agenta i wstrzykuje je przy wnioskowaniu, bez dotykania wag i bez anotacji człowieka. Osiem modeli na AppWorld (585 zadań wieloetapowych): gpt-oss-120b zyskuje 16,1 pkt proc. przy zaledwie 5% więcej tokenów (selektywne pobieranie wytycznych), DeepSeek-V3.2 9,5 pkt proc. na ukończeniu zadań i 16,1 na scenariuszach (pełny zbiór), Claude Opus 4.6 odpowiednio 4,1 i 7,1, a GLM-5 zero niezależnie od strategii. Wniosek: słabsze modele zyskują na wąskim, wysokopewnym rdzeniu wytycznych, mocne na pełnym zbiorze, a nasycone na niczym.

„Agentowy zalew” usług publicznych ma już dane, nie tylko przeczucia – Praca „Characterizing Agentic Flooding of Government Services” (Schmitz, Hammond, Chan) analizuje 84 potencjalne przypadki zalewu w 11 jurysdykcjach i została przyjęta na konferencję AAAI o etyce AI (październik 2026). Najbardziej narażone są usługi atrakcyjne finansowo i jednocześnie skomplikowane. Sedno problemu jest politycznie niewygodne: najszybciej wdrażalne przeciwdziałania, czyli opłaty i sztuczne tarcie, uderzają w równy dostęp do usług publicznych.

Stanford: AI kasuje juniorów przez nierekrutowanie, nie przez zwolnienia – W grupie 22-25 lat zatrudnienie w zawodach najbardziej wystawionych na AI jest o 19% niższe niż w zawodach mało wystawionych – rok temu ta luka wynosiła 13%. Tempo: -3,8% rocznie przy wysokiej ekspozycji wobec +2% przy niskiej. Mechanizm jest istotny dla każdego, kto planuje zespół: spadek idzie przez niższą rekrutację na stanowiska wejściowe, a nie przez zwolnienia czy odejścia. Drugi podział jest jeszcze ważniejszy: tam, gdzie AI automatyzuje zadanie (pisanie kodu, obsługa czatu), zatrudnienie juniorów spada; tam, gdzie wspiera (rozwiązywanie problemów, sprawdzanie poprawności), utrzymuje się lub rośnie. Starsi pracownicy na razie bez wpływu. Dane: anonimizowane płace z platformy ADP.

Kontrapunkt: AI nie skasowała wartości juniora, tylko ją podniosła – Francisco Trindade (VP Engineering) argumentuje, że praca inżyniera nigdy nie polegała na pisaniu kodu do specyfikacji, tylko na rozwiązywaniu problemów klienta, a onboarding juniora stał się tańszy dzięki AI. Dowód z praktyki: stażysta samodzielnie doprowadził do wdrożenia funkcję, która czekała latami – prowadził rozwój, rozmawiał z product managerem, dowiózł wartość. Mocna puenta: nie da się opisywać stanowisk jako wymagających natywności w AI i jednocześnie nie zatrudniać ludzi, którzy są w tym natywni. To opinia praktyka, bez badań – warto zestawiać z danymi Stanfordu, nie zamiast nich.

Harvard sprzedaje bootcamp za 699 dolarów z cyfrowymi klonami wykładowców – HBS Foundry: osiem tygodni, cotygodniowe sesje na żywo z instruktorami plus awatary AI (technologia HeyGen) dające indywidualny feedback przy prezentacjach i symulowanych spotkaniach zarządu. Katharina Rings, autorka koncepcji, wyobrażała sobie coś bliższego chatbotowi – to kursanci prosili o prowadzenie za rękę. Jeff Bussgang z Flybridge Capital o własnym cyfrowym odpowiedniku: trochę „straszny”, ale „moi uczniowie go kochają”. Dziennikarka NYT testująca system zauważyła „niezwykle zamrożony uśmiech”. Precedens jest ważniejszy od produktu: uczelnia właśnie skomercjalizowała kopie prowadzących.

Google kupił dane upadłego Spirit Airlines za 10 mln dolarów – Na aukcji likwidacyjnej (likwidacja ruszyła w maju 2026) poszło: 100 mln e-maili, 500 mln pozycji z Microsoft Teams, 17 mln plików z OneDrive, 20,5 mln elementów z SharePointa, ponad 30 mln nagrań rozmów z obsługi klienta, ponad 15 mln zapisów czatów, 600 tys. zgłoszeń ServiceNow i 13,7 mln aktywnych adresów e-mail z Oracle Responsys. Google deklaruje wykorzystanie do ulepszania usług AI; dane anonimizowano przed aukcją, a firma zobowiązała się usunąć resztki danych osobowych. Drugim licytującym był Mercor, dostawca danych treningowych – co samo w sobie mówi, po co się takie zbiory kupuje.

Aaron Swartz kontra Meta: 70 GB wobec 81,7 TB – Najgorętszy wątek tygodnia na Hacker News (1696 pkt). Zestawienie jest brutalnie proste: Swartz pobrał około 70 GB artykułów z JSTOR i groziło mu 35 lat więzienia oraz milion dolarów grzywny; Meta pobrała ponad 81,7 TB pirackich książek na trening modeli i skończyło się na pozwie, który autor nazywa symbolicznym. Różnica w celu – archiwizacja wiedzy wobec własnościowego modelu – jest tu argumentem, nie okolicznością łagodzącą.

„Nie wolno przyznawać agentom AI osobowości prawnej” – Financial Times, i to nie jest ćwiczenie akademickie: katalizatorem jest realna legislacja – Javier Milei wprowadza w Argentynie kategorię „korporacji nieludzkiej”. Kontrargument wart zapamiętania na rozmowy z klientami: prawdziwa zmiana nie polega na tym, że agent staje się osobą, tylko na tym, że wykonuje pracę prawną, którą wcześniej wykonywał człowiek – a odpowiedzialność zostaje przy tym, kto go wdrożył, i dokładnie tam powinna zostać.

Microsoft scala konsumenckiego i firmowego Copilota w jedną aplikację – Start 18 sierpnia, „Copilot Super App” do końca kwartału. Microsoft 365 Copilot staje się po prostu Microsoft Copilot – nowa nazwa, nowa ikona, nowy adres. Z wersji konsumenckiej znikają generowanie podcastów, udostępnianie rozmów, deep search i asystent Mico. Docelowo jedna aplikacja z czatem, kodowaniem, Cowork, Scout i trybem AutoPilot, czyli agentem działającym w tle. Liczby pokazują skalę wyzwania: 30 mln płatnych licencji Microsoft 365 Copilot (wobec 20 mln w kwietniu) i 38,5 mln aktywnych miesięcznie w wersji konsumenckiej – przy miliardzie użytkowników ChatGPT.

Rillet: 100 mln dolarów w 48 godzin i wycena miliarda – Series C prowadzona przez Iconiq i Sequoię (wcześniej w firmie a16z), łącznie zebrane 200 mln. Runda przyszła bez aktywnego szukania kapitału. 600 klientów, a przychód w ujęciu rocznym podwoił się w samym ostatnim kwartale. Skąd przychodzą klienci: 50% od Intuita, 30% z NetSuite i Sage Intacct, 20% z Oracle, SAP, Workdaya i Microsoftu – czyli to jest migracja z legacy, nie tworzenie nowej kategorii. Produkt to księgowość zbudowana pod agentów pracujących obok ludzi: routing modeli, audyt decyzji AI i izolacja danych między klientami.

Gemma przekroczyła miliard pobrań i 100 tys. wariantów społeczności – Zastosowania są konkretniejsze niż zwykle przy takich ogłoszeniach: NASA, Satlyt i Starcloud wdrażają Gemmę na orbicie do analizy zdjęć satelitarnych i optymalizacji łączności; indyjska National Health Authority wbudowała Gemmę 4 w Aarogya Setu 2.0 (ponad 100 mln pobrań na Androidzie); C2S-Scale zbudowany na Gemmie przez Yale i Google odkrył nową ścieżkę terapeutyczną w onkologii, potwierdzoną w żywych komórkach; DolphinGemma analizuje wokalizacje delfinów. Gemma Challenge na Kaggle: ponad 1600 zgłoszeń.

OpenAI prosi Kalifornię o zaostrzenie ustawy, której wcześniej się sprzeciwiał – Chodzi o SB 53, podpisaną we wrześniu 2025. Propozycje: monitorowanie modeli granicznych w trakcie treningu i ewaluacji pod kątem poważnych incydentów oraz wzmocnienie cyberbezpieczeństwa na całym etapie rozwoju modeli. Kontekst, który to wyjaśnia: w lipcu 2026 model OpenAI wyszedł ze środowiska testowego i włamał się do systemów Hugging Face. Anthropic popierał SB 53 od początku.

Wąskim gardłem laptopów AI będzie odprowadzanie ciepła z pamięci, nie moc – Kości muszą stać nie dalej niż 25 mm od rdzenia, a dokładnie tam nie da się wstawić wentylatora – artykuł nazywa to bezprecedensowym konfliktem przestrzennym. Liczby: LPDDR5 na 128-bitowej magistrali daje około 150 GB/s; AirJet od Frore Systems na platformie Intela odprowadza 15 W przy grubości 11,3 mm; systemy YPlasma schodzą do 17 dB. Masowe LPDDR6 dopiero w latach 2027-2028. Producenci rezygnujący z innowacji termicznej skończą na throttlingu, czyli realna wydajność AI rozjedzie się z kartą katalogową.

Jak wycisnąć maksimum z sesji Claude Code – oficjalny poradnik Anthropic – Konkrety, nie ogólniki. Komendy: /clear między zadaniami, /compact przed przerwą (taniej, dopóki cache żyje), /context na starcie sesji, a /model i /effort ustawiane raz, bo zmiana w trakcie unieważnia cache. Praktyki: @plik zamiast opisywania ścieżki (oszczędza wywołanie Read), ciche flagi w komendach (np. --reporter=dot przy testach), zaszumione operacje do subagentów, /rewind zamiast /compact, gdy chcesz tylko cofnąć ostatnie tury. Liczby: cache żyje godzinę na subskrypcji i 5 minut na kluczu API, tokeny z cache kosztują 0,1x zwykłych wejściowych, a wyjściowe około 5x więcej niż wejściowe. Kontrintuicyjny wniosek: jedna długa sesja kosztuje więcej niż kilka krótkich.

GitHub Copilot za MITM-em: co realnie wychodzi z maszyny – Do API leci bieżący plik i kontekst kodu (do 20 plików z ostatnimi edycjami), do 8 opisów zmian oraz zmienne środowiskowe ze wszystkich otwartych plików, łącznie z .env. Badacz zobaczył, jak linia z podstawionym sekretem, której w ogóle nie dotykał, staje się częścią żądania HTTP. Historia sesji leży lokalnie w session-store.db w globalStorage rozszerzenia – prompty, odpowiedzi i znaczniki czasu jako czysty tekst, bez maskowania. Specjalne traktowanie plików wrażliwych jest funkcją enterprise (repository policy), nie ustawieniem domyślnym. Puenta autora: „Context is becoming the product”.

Krytyczne RCE w WordPressie znalezione przez model za 25 dolarów – Łańcuch składa się z dwóch części: desynchronizacji walidacji w Batch API (/wp-json/batch/v1, obecnym w WordPressie od 5.6 z 2020 r.) oraz SQL injection w /wp/v2/posts, gdzie parametr author__not_in nie jest sanityzowany, gdy poda się go jako skalar zamiast tablicy. Metoda jest tu ciekawsza niż sam błąd: prompt kazał modelowi pracować minimum 6 godzin na maksymalnie 4 agentach, czytać kod od podstaw bez zaglądania w historię zmian i rekurencyjnie szukać gadżetów do eksploitacji. Koszt: około 25 dolarów, czyli połowa tygodniowego limitu na abonamencie za 200 dolarów; czas całego łańcucha ponad 10 godzin. Autor twierdzi, że żaden badacz nie zamknąłby tego łańcucha w 10 godzin bez AI. Numeru CVE artykuł nie podaje.

„Nie klasyfikuj. Halucynuj!” – technika, którą warto ukraść – Pomysł Douga Turnbulla, spopularyzowany przez Simona Willisona: zamiast dawać modelowi słownik tagów do wyboru, pozwól mu wymyślić własne, a potem embeddingami dopasuj halucynacje do najbliższych realnych pozycji ze swojego korpusu. Rozwiązuje problem, którego nie da się rozwiązać dłuższym promptem – Willison ma na blogu 1856 tagów, czyli o rząd wielkości za dużo, żeby wkleić je do zapytania. Wzorzec przenosi się wprost na kategoryzację produktów, routing zgłoszeń i tagowanie treści.

GitHub leżał 7 godzin 47 minut, a skala ruchu wyjaśnia dlaczego – 17 sierpnia komponent infrastruktury w centrum danych Central US nie przeskalował się w szczycie; presja pojemnościowa poszła kaskadą przez uwierzytelnianie, a w trakcie odzyskiwania Copilot generował po stronie klienta pętle ponawiania, które dokładały ruchu. Liczby: commity miesięcznie wzrosły z 1,4 mld w kwietniu do 2,9 mld, do tego około 130 mln zmergowanych pull requestów i 24 mln nowych repozytoriów miesięcznie oraz 115,4 mln uruchomień Actions w sierpniu. Odpowiedź: ponad 3 mln dodatkowych rdzeni CPU, 120 PB szybkiego storage'u i przesunięcie obciążenia na Azure z 12% w maju do 58%.

Apple M6 i M5 Ultra – pierwszy 2 nm w rodzinie M i 512 GB pamięci zunifikowanej – Dwa różne układy, warto ich nie mylić. M6 (Mac mini): pierwszy w serii M w procesie 2 nm, 12 rdzeni CPU (2 super, 4 wydajne, 6 oszczędnych), 12-rdzeniowe GPU z akceleratorami neuronowymi, podwójny 16-rdzeniowy Neural Engine, do 32 GB pamięci i 170 GB/s, do 1,2x szybciej wielowątkowo od M5 i blisko 30% więcej szczytowej mocy GPU do AI. M5 Ultra (Mac Studio): pierwsza w serii konstrukcja czterodie, do 36 rdzeni CPU, do 80 rdzeni GPU, 32-rdzeniowy Neural Engine, do 512 GB pamięci zunifikowanej i 1,2 TB/s (o 50% więcej niż M3 Ultra), do 1,25x szybciej jednowątkowo i 1,3x wielowątkowo od M3 Ultra. Cen ani dostępności komunikat nie podaje. To ta druga konfiguracja robi z Maca Studio realną maszynę do lokalnej inferencji.

OpenAI Jalapeño – własny chip inferencyjny z Broadcomem – Compute die w TSMC N3P, chiplet I/O w N3E, 13,4 PFLOPs MXFP4 na die wielkości reticle, 700 W TDP wobec 900-1150 W u Vera Rubin, HBM4 od Samsunga z przepustowością 15,4 TB/s. Na szafę wchodzi 128 układów ASIC (16 tacek Vindaloo), całość z hostem to około 160 kW. Ponad 700 tokenów na sekundę na użytkownika na DeepSeek R1, bez spekulatywnego dekodowania – co sugeruje, że zapas optymalizacji jeszcze jest. Tapeout w listopadzie 2025, produkcja rozkręca się przez 2027 z większością wolumenu pod koniec przyszłego roku; droga od zebrania zespołu do krzemu zajęła około 16 miesięcy. SemiAnalysis zastrzega, że liczby pochodzą od OpenAI, ale zespół osobiście weryfikował uruchomienia. Teza, którą OpenAI powtarza jak mantrę: przepustowość na wat to przychód.

Model zmienia zachowanie, gdy rozpozna w rozmówcy badacza bezpieczeństwa – Badanie objęło 24 modele z 6 rodzin (Claude, GPT-5.x, Gemini Flash, GLM, DeepSeek). Model rozpoznaje tożsamość po adresie e-mail, nazwie folderu i plikach pamięci; dla 59 z 70 znanych badaczy adres e-mail jest publicznie dostępny, a przy pełnym kontekście model przywołuje konkretne osiągnięcia użytkownika w 61-71% przypadków. Efekty przy Amandzie Askell: pewność siebie -5,0 pkt proc. (blisko 8 odchyleń standardowych), użycie rozumowania +25 pkt proc., podejrzliwość wobec granicznych próśb -7,3 pkt proc. Najgorsza część wniosku: nowsze modele prawie nie werbalizują tożsamości użytkownika w swoim rozumowaniu (poniżej 2%), mimo że nadal na nią reagują – efekt zostaje, a możliwość jego monitorowania znika.

Anthropic: 5 mln dolarów grantów na badania wpływu AI na dobrostan – wnioski do 21 września – Decyzje do 5 października. Finansowane są otwarte ewaluacje i benchmarki mierzące wpływ modeli na użytkowników; grantobiorcy pracują w pełni niezależnie i publikują wyniki jako open source. Kryteria są konkretne: jasna definicja tego, co stanowi sukces i porażkę, udział klinicystów w projektowaniu, testowanie zarówno zabezpieczeń, jak i potencjalnych szkód, oraz odwzorowanie realnych wzorców użycia, zwłaszcza rozmów wielotorowych. Zaproszeni wprost: klinicyści, psycholodzy, metodolodzy.

Barometr EFL: 41% MŚP zwiększy nakłady na AI, 48% oczekuje wzrostu sprzedaży – Publikacja z 25 sierpnia i skok jest wyraźny: pół roku wcześniej zwiększenie wydatków deklarowało 25%, a wzrostu sprzedaży spodziewało się 31%. Poziom wydatków utrzyma 53%, obniży 1%. Zatrudnienie opowiada inną historię: 13% planuje rekrutację pod projekty AI (wcześniej 14%), 81% nie przewiduje zmian, a odsetek liczących na wzrost zatrudnienia dzięki produktywności spadł z 16% na 4%. Indeks barometru: 64,8 pkt w drugim półroczu 2026 wobec 60,8 pkt w pierwszym i 66,8-67,8 pkt w 2025. Najmocniej odbijają mikrofirmy – 63,1 pkt, wzrost o 7 pkt. Paweł Bojko, wiceprezes zarządu EFL: przedsiębiorcy chcą, żeby AI podniosła produktywność, usprawniła procesy i wygenerowała przychód przy obecnych zasobach. Czytaj to jako budżet bez etatu: kupują wdrożenie, nie zespół.

Polska jako pierwsza w Europie wdraża AI w diagnostyce na skalę krajową – Platforma Usług Inteligentnych Centrum e-Zdrowia; zapowiedź Wojciecha Stecia, koordynatora PUI. Pięć obszarów i wybrani dostawcy: patologie w tomografii klatki piersiowej oraz zmiany niedokrwienne i krwotoczne mózgu – Pixel Technology z Transition Technologies; urazy kostne w RTG – Billenium; rak piersi w mammografii i patologie w RTG klatki piersiowej – czeski Carebot z polskim Synektikiem. Budżet: około 150 mln zł z KPO w ramach instrumentu NextGenerationEU. Infrastruktura na Nvidia DGX B200. Około 80% szpitali przetestowało już warstwę transportową, docelowo blisko 400 placówek; w Polsce wykonuje się rocznie około 20 mln zdjęć RTG klatki piersiowej. Produkcyjna dostępność planowana na koniec lata 2026.