Podsumowanie AI w 2025: co naprawdę działa w firmach?

Nie dostaliśmy robotów-kamerdynerów ani konferencji prasowych o osiągnięciu AGI. GPT-5 rozczarował wielu.

Słowo "agenci" było odmieniane przez wszystkie przypadki, a jednocześnie nie zobaczyliśmy ich zbyt wielu w firmach.

A mimo to - kiedy patrzę wstecz na to, co ludzie naprawdę zbudowali - jestem bardziej optymistyczny niż się spodziewałem.

Modele wreszcie zaczęły myśleć

Największy przełom od czasów GPT 3? Nowe modele przestały działać jak automaty do przewidywania kolejnego słowa. Zanim odpowiedzą, zatrzymują się i analizują problem.

Wcześniejsze AI działało jak uczeń strzelający w ciemno. Nowe modele zachowują się jak doświadczony profesjonalista, który najpierw się zastanowi zanim udzieli odpowiedzi. Różnica w wynikach jest kolosalna.

Jest jednak haczyk. Modele nastawione na znajdowanie najlepszej odpowiedzi stały się nudniejsze. Poprawne, ale przewidywalne - jak rozmowa z urzędnikiem zamiast z artystą.

Koniec podziału na technicznych i nietechnicznych

Przez lata nosiłem w głowie prosty model: są ludzie techniczni i nietechniczni. Jedni budują, drudzy używają. Rok 2025 zburzył ten podział do fundamentów.

Patrzyłem, jak ludzie, którzy nigdy by się nie nazwali technicznymi, prześcigali całe zespoły programistów. Nie dlatego, że nauczyli się kodować. Dlatego, że sama definicja “bycia technicznym” uległa zmianie.

Kiedy język staje się sposobem sterowania komputerem, barierą przestaje być składnia TypeScript. Barierą jest ciekawość, gotowość do iterowania i poczucie komfortu w obliczu niepewności.

Paradoks Jevonsa: dlaczego tanie AI zwiększy Twoje koszty (i dlaczego powinieneś się z tego cieszyć)

W 1865 roku maszyna parowa Watta stała się wydajniejsza. Ekonomiści byli pewni, że zużycie węgla spadnie. Stało się odwrotnie - eksplodowało, bo tańsza energia napędziła dziesiątki nowych zastosowań. Nazwali to paradoksem Jevonsa.

Dokładnie to samo dzieje się z AI. Przy premierze GPT 5.2 OpenAI pokazało, że koszt rozwiązania złożonego problemu w ramach benchmarku ARC-AGI spadł z 4500 do 12 dolarów, przy jednoczesnym wzroście skuteczności. Oznacza to spadek o prawie 400 razy w rok.

Naturalna reakcja: świetnie, zaoszczędzimy. Historia uczy czegoś innego. Gdy coś tanieje kilkaset razy, nie używamy tego mniej. Używamy tego tysiące razy częściej.

Zadania, które dziś są zbyt drogie żeby je automatyzować, za rok będą kosztować grosze. Sto wariantów kampanii zamiast trzech. Personalizacja dla każdego klienta. Analiza tysięcy dokumentów w godzinę.

Firmy, które dziś zaczną eksperymentować, budują przewagę nie do nadrobienia.

Dlaczego AI nie przejęło jeszcze biur

Twarde liczby nie kłamią. Pracownicy umysłowi zarabiają rocznie dziesiątki bilionów dolarów. Firmy AI - miliardy. Różnica czterech rzędów wielkości.

AI może przeczytać całą historię firmowego Slacka w minuty. Nie wymaga rekrutacji, onboardingu, urlopów. Gdyby dorównywało ludziom, firmy rzuciłyby się na te rozwiązania, jak w trakcie gorączki złota.

A jednak tak się nie dzieje. Nie przez konserwatyzm czy strach. Obecne modele po prostu nie umieją robić tego, co robi przeciętny pracownik biurowy.

Uczenie się w biegu - tego AI jeszcze nie potrafi

Tu jest sedno sprawy. Nowy pracownik przez pierwsze tygodnie wdraża się w specyfikę firmy. Uczy się, kto za co odpowiada. Łapie kontekst i niepisane zasady.

Modele AI tego nie potrafią. Wszystko muszą mieć zaprogramowane z góry. OpenAI, Google, Anthropic zatrudniają armie ekspertów, którzy uczą modele konkretnych umiejętności - od Excela po pisanie maili w stylu danej branży.

I właśnie tu tkwi problem. Gdyby te modele były naprawdę inteligentne, cały ten cyrk byłby zbędny. Fakt, że laboratoria wydają miliardy na ręczne programowanie umiejętności, mówi jedno: do prawdziwej ogólnej inteligencji mamy jeszcze kawał drogi.

Promptowanie i dobór narzędzi to tylko połowa sukcesu

Dobre promptowanie to prawdziwa umiejętność. Ale gdzieś w połowie roku zauważyłem coś innego. Zespoły z najlepszymi wynikami to nie były te z najsprytniejszymi promptami. To były te, które wymyśliły, jak mierzyć jakość rezultatów.

Kiedy potrafisz jasno zdefiniować dobry wynik i sprawdzać go automatycznie, możesz wpuścić agenta w pętlę. Agent się nie męczy, nie obraża na krytykę, nie potrzebuje zachęty. Mówisz: to nie zadziałało przez X, napraw X. I próbuje jeszcze raz.

Promptowanie daje dobry start. Mierzalność pozwala skalować. Zespoły, które potraktowały poważnie obie rzeczy, zaczęły odjeżdżać reszcie stawki.

Gdzie AI naprawdę daje radę

Nie chcę malować ponurego obrazu. W niektórych obszarach modele są niesamowicie użyteczne - sam korzystam z nich codziennie.

Kodowanie - narzędzia pokroju Claude Code pozwalają oddelegować spory kawałek roboty programistom, a całej reszcie - zamieniać swoje wizje w działające narzędzia.

Analiza dokumentów - przebicie się przez setki stron i wyciągnięcie sedna? Żaden problem. Oszczędność godzin żmudnej pracy.

Pierwsze wersje tekstów - szkice artykułów, maile, propozycje. AI robi solidną bazę, którą potem dopracowujesz.

Problemy techniczne - nowe modele radzą sobie z fizyką, matematyką, biologią na poziomie ekspertów.

Produktywność dla wszystkich

Jest rzecz, którą uważam za niedocenianą. AI niekoniecznie sprawia, że ekspert jest w stanie wykonać swoją pracę dziesięć razy szybciej. Za to pozwala laikom robić rzeczy, których wcześniej nie umieli w ogóle.

Znajomy copywriter postawił sobie stronę internetową. Księgowa robi własne analizy danych. Mechanik napisał pismo do urzędu, które wyglądało jak od prawnika. Żadne z nich nie jest ekspertem w tych dziedzinach.

Dla firm to konkretna szansa. Marketing robi grafiki bez grafika. Sprzedaż tworzy prezentacje bez agencji. Finanse automatyzują raporty bez IT. Nie chodzi o perfekcję - chodzi o to, że coś jest możliwe, podczas gdy wcześniej nie było.

Od cięcia kosztów do podnoszenia jakości

Początek 2025 był zdominowany przez jedno pytanie: ile osób możemy zastąpić? Słyszałem to na każdym spotkaniu z biznesami. AI jako narzędzie do cięcia kosztów.

Pod koniec czwartego kwartału sprawniejsi biznesmeni zaczęli zadawać inne pytania. Nie jak zrobić to samo taniej, ale jak zrobić coś, czego wcześniej nie mogliśmy. Jak dostarczyć jakość dla najlepszych klientów wszystkim, na skalę.

Cięcie kosztów ma skończony potencjał - tniesz raz, może dwa, i koniec. Podnoszenie jakości się kumuluje. Nowe możliwości tworzą nowe rynki. Sufit jest dużo wyżej.

Przyspieszający progres, powolna adopcja

Słyszę dwa skrajne głosy. Jedni mówią, że AI za chwilę zastąpi wszystkich. Drudzy, że to przereklamowany balon. Prawda jest pośrodku - i tak zostanie przez najbliższe lata.

AI jest potężne, ale wciąż zawodne. Nie będzie nagłego przełomu.

Ale rozwój się nie zatrzyma. A wiele danych wskazuje wręcz, że będzie przyspieszać. Będziemy musieli ciągle dostosowywać procesy do nowych narzędzi i możliwości.

Modele robią się imponujące w tempie, które przewidywali entuzjaści. Ale stają się ekonomicznie użyteczne w tempie, które przewidywali sceptycy.

Które modele sprawdzają się w praktyce - dzisiaj

Po setkach godzin testowania wyłonił mi się dosyć jasny obraz. Mój numer jeden to Opus 4.5 od Anthropic. Przewidywalność i konsekwencja - rano dostaję podobną jakość jak wieczorem. Przy trudnych zadaniach nie zaczyna halucynować.

Świetnie radzi sobie z kodowaniem i pracą z plikami. Dowozi bez ciągłego poprawiania. Jedyny minus - Anthropic daje niskie limity użycia.

Największe zaskoczenie roku: GPT 5.2 Pro. Po słabych wersjach 5.0 i 5.1 przestałem oczekiwać cudów. A tu skok jakościowy porównywalny z przejściem z GPT-3.5 na GPT-4. Model myśli na zupełnie innym poziomie abstrakcji.

Ale trzeba być gotowym na kompromisy. Odpowiedzi potrafią przyjść po pół godzinie. Styl pisania wciąż ma ten sztampowy charakter OpenAI. Używam go do najtrudniejszych problemów, kiedy mogę czekać.

Gemini 3 Pro to rozczarowanie. Teoretycznie potężny, w praktyce nieprzewidywalny. Raz genialny, raz tony bezużytecznego tekstu. Zostało mi dla niego kilka nisz - zamiennik wyszukiwarki, podsumowywanie filmów na YouTube, generowanie zdjęć. Tam sprawdza się dobrze.

Co bym zrobił na Twoim miejscu

Zainwestuj w to, co już działa. Kodowanie z AI, analiza dokumentów, generowanie treści. Korzyści są realne i policzalne. Nie czekaj na lepsze modele.

Pokaż ludziom, jak używać AI do zadań poza ich specjalizacją. Ta produktywność na boku może dać największy zwrot z inwestycji w całej firmie.

Nie planuj strategii zakładającej, że AI zastąpi całe działy w ciągu roku. To się nie wydarzy. Planuj stopniową automatyzację, krok po kroku.

Zacznij mierzyć jakość wyników AI tak poważnie, jak mierzysz jakość promptów. Zespoły, które to zrozumiały, odjeżdżają reszcie.

Myśl o podnoszeniu jakości, nie tylko o cięciu kosztów. Sufit jest wyżej, a efekty się kumulują.

Zadaj sobie pytanie: jakie nowe możliwości otwiera AI, która jest sto razy tańsza niż rok temu? Firmy, które dziś znajdą odpowiedź, budują przewagę nie do nadrobienia.

Na koniec

Rok 2025 pokazał, że AI jest jednocześnie bardziej i mniej zaawansowane, niż sądziłem. Modele rozumieją więcej, rozumują lepiej. Ale wciąż nie potrafią uczyć się w pracy tak, jak robią to ludzie.

W styczniu rozmowa kręciła się wokół premier i benchmarków. Pod koniec roku zauważyłem, że nie one oddzielają zespoły, które dowożą - od tych, którym zupełnie nie idzie. Ciekawe różnice pojawiały się gdzie indziej - w tym, co ludzie faktycznie robili z modelami po tym, jak minął "efekt nowości".

Wniosek jest prosty: korzystaj z AI tam, gdzie działa. Nie zakładaj, że za chwilę zastąpi pracowników. Najlepsza strategia to stopniowa integracja, ciągłe testowanie i trzeźwe oczekiwania.

Rewolucja AI trwa. Ale to maraton, nie sprint.

Rok 2026 w AI zacznie się za chwilę. Jeśli chcesz wejść w niego z konkretnym planem - a nie tylko z nadzieją - porozmawiajmy.

Pokażemy Twojemu zespołowi, jak mierzyć wyniki i budować procesy, nie tylko pisać prompty.

Sprawdź nasze szkolenia AI dla firm.