Czy AI to tylko “drugi Internet”, czy jednak inna liga? Monografia “Sztuczna inteligencja w przedsiębiorstwach i gospodarce (AI Spring 2024)” odpowiada: to inna fala. Internet przyspiesza przepływ informacji między ludźmi; AI ingeruje w sam rdzeń operacji, automatyzując zadania i wspierając decyzje. To nie dodatek, lecz przebudowa, która wymaga spójnych danych, integracji systemów i jasnego podziału odpowiedzialności.
Od internetu do sztucznej inteligencji - porównanie rewolucji i modeli biznesu
Autor: Tymoteusz Doligalski, Marcin Kowalczyk Pierwszy rozdział monografii stawia fundamentalne pytanie o naturę obecnej transformacji. Porównanie do rewolucji internetowej z lat 90. pokazuje, że choć obie mają technologiczne korzenie, ich charakter jest fundamentalnie różny. Rewolucja internetowa była powszechnie dostępna, z niskimi barierami wejścia, które umożliwiły powstanie nowego uniwersum komunikacji. Rewolucja AI, choć rozwija się znacznie szybciej, jest zdominowana przez gigantów technologicznych ze względu na ogromne wymagania zasobowe. Internet dał nam możliwość tworzenia i wymiany danych, podczas gdy AI pozwala uczyć się na tych danych i przekuwać je w działanie: automatyzuje kolejne kroki procesu, wspiera i uzasadnia decyzje.
Sztuczna inteligencja i wzrost gospodarczy w perspektywie technologicznej osobliwości
Autor: Jakub Growiec Wizja technologicznej osobliwości, czyli momentu, w którym AI przewyższy ludzką inteligencję, ma dwa oblicza. Z jednej strony, pełna automatyzacja procesów produkcyjnych obiecuje przyspieszenie globalnego wzrostu gospodarczego. Z drugiej - stanowi największe egzystencjalne zagrożenie dla ludzkości. Kluczem do pozytywnego scenariusza jest rozwiązanie problemu zgodności (AGI alignment), czyli zapewnienie, że cele tworzonej superinteligencji będą tożsame z dobrem człowieka.
Generatywne modele sztucznej inteligencji w funkcjonowaniu przedsiębiorstw
Autor: Michał Bernardelli Na poziomie przedsiębiorstw obserwujemy zderzenie ogromnego popytu z twardymi realiami wdrożeń. Z jednej strony mamy bezprecedensowe statystyki - 92% firm z listy Fortune 500 używa produktów OpenAI - z drugiej zaś 90% organizacji wciąż prowadzi jedynie eksperymenty na małą skalę. Przyczyną tego dysonansu są realne bariery. Wśród najczęściej wymienianych znajdują się:
- niedobór talentów i umiejętności (wskazywany przez 62% firm),
- niejasne priorytety inwestycyjne (47%),
- brak strategii na rzecz odpowiedzialnej sztucznej inteligencji (42%) Mimo tych wyzwań, firmy, które decydują się na wdrożenia, dostrzegają wymierne korzyści, takie jak automatyzacja procesów, wzmacnianie kreatywności, optymalizacja decyzji i redukcja kosztów.
Zarządzanie innowacjami we wdrażaniu sztucznej inteligencji w organizacji
Autor: Ryszard Ćwiertniak Sukces wdrożenia AI zależy nie od samego narzędzia, lecz od dojrzałości organizacyjnej firmy. Skuteczna implementacja wymaga strategicznego podejścia, które łączy technologię, kulturę organizacyjną i kompetencje pracowników. Autor rozdziału argumentuje, że wdrażanie AI powinno być postrzegane jako odrębna działalność innowacyjna, a nie tylko jako kolejny projekt IT. Kluczowa staje się kultura organizacyjna, która musi być otwarta na zmiany, elastyczna i wspierać międzyfunkcyjną współpracę. To właśnie czynnik ludzki jest decydujący – nowe narzędzia nie będą skuteczne, jeśli nie zostaną zaakceptowane przez użytkowników końcowych.
Wykorzystanie sztucznej inteligencji przez małe i średnie firmy w Europie
Autor: Wojciech Nowakowski Dane z Eurostatu przynoszą zaskakujący obraz adopcji AI w Europie. Analiza skupień pokazuje, że w klastrze “liderów AI” średnie wykorzystanie narzędzi opartych na rozwiązaniach sztucznej inteligencji spadło między 2021 a 2023 r., za to szybciej rosną “goniący”. Okazuje się, że w tej rewolucji pośpiech nie jest strategią, a bycie pionierem nie gwarantuje wygranej – często oznacza jedynie poniesienie wyższych kosztów i ryzyka. Jaka jest więc recepta na sukces? Być może ostrożność i powolna transformacja. Jak sugeruje autor, takie podejście pozwala poczekać, aż niepewność i ryzyko związane z legislacją i kosztami zostaną już zidentyfikowane i “wytyczone przez inne firmy”.
Wyzwana związane z doszkalaniem dużych modeli językowych - perspektywa ekonometrii
Autorzy: Igor Kapiczyński, Dawid Zdanowicz, Daniel Kaszyński, Petro Vavryk Chęć dostosowania uniwersalnych modeli LLM do specyficznych potrzeb biznesowych rodzi fundamentalne wyzwanie: doszkalanie (fine-tuning) w wąskiej dziedzinie prowadzi do zjawiska katastrofalnego zapominania (catastrophic forgetting). Oznacza to, że im bardziej model staje się ekspertem np. w medycynie, tym bardziej “zapomina” swoją pierwotną, ogólną wiedzę, pogarszając wyniki w innych, nietrenowanych obszarach. Dla biznesu to bardzo ważna informacja: wyspecjalizowane narzędzie LLM może stać się bezużyteczne w innych zadaniach, co podważa ideę jednego, uniwersalnego modelu.
Zbiory danych i modele językowe stosowane w języku polskim do identyfikacji stwierdzeń wymagających weryfikacji
Autorzy: Krzysztof Węcel, Marcin Sawiński, Ewelina Księżniak, Milena Stróżyna Co jest prawdziwym fundamentem AI walczącej z dezinformacją? Nie tylko algorytm, ale przede wszystkim wysokiej jakości dane treningowe. Ten rozdział pokazuje, że największą barierą dla automatycznego fact-checkingu w języku polskim był właśnie brak takich danych. Kluczowym wkładem opisanych badań jest więc metodyczna, niemal rzemieślnicza praca nad stworzeniem pierwszego zbioru polskich tekstów, które faktycznie “wymagają weryfikacji”. Okazuje się, że taki precyzyjnie przygotowany, choć niewielki, zbiór wystarczy, by skutecznie “nauczyć” potężny, globalny model wielojęzyczny specyfiki polskiej infosfery. To dowód na to, że w AI jakość danych często wygrywa z ich ilością.
Hiperpersonalizacja z użyciem AI z zachowaniem prywatności użytkownika
Autorzy: Izabella Krzemińska, Jakub Rzeźnik Jak oferować usługi idealnie dopasowane do klienta, nie naruszając jego prywatności? Ten rozdział proponuje innowacyjne rozwiązanie tzw. paradoksu prywatności, przenosząc analitykę AI z serwerów firmy bezpośrednio na urządzenie użytkownika (tzw. edge computing).
Technologia ta, wbudowana w dowolną aplikację, działa lokalnie na smartfonie. Analizując anonimowe dane (np. listę zainstalowanych programów czy ustawienia systemowe), model AI w ułamku sekundy przewiduje profil osobowości użytkownika. Na tej podstawie, już przy pierwszym uruchomieniu, aplikacja może automatycznie dostosować swój interfejs lub funkcje do jego indywidualnych potrzeb – a wszystko to bez wysyłania jakichkolwiek wrażliwych informacji na zewnątrz.
To dowód na to, że zaawansowana personalizacja i pełna prywatność mogą iść w parze, o ile projektuje się technologię w sposób odpowiedzialny od samego początku.
Transformacja danych w czasie rzeczywistym: ocena wydajności apache spark
Autorzy: Mariusz Rafało, Emilia Kaleta-Pazdur W przetwarzaniu danych dla AI w czasie rzeczywistym więcej mocy nie zawsze znaczy szybciej. Rygorystyczne testy platformy Apache Spark pokazują, że wbrew intuicji, dodawanie kolejnych serwerów do klastra obliczeniowego często zwiększa opóźnienia. Dzieje się tak, ponieważ rozdzielanie zadań i danych na wiele maszyn oraz koordynacja ich pracy generują dodatkowy narzut operacyjny, który spowalnia cały proces. Właśnie ten “ukryty koszt” złożoności sprawia, że wniosek dla biznesu jest rewolucyjny: dla wielu systemów AI najprostsze i najtańsze rozwiązanie jest jednocześnie najszybsze.
Kwantowe algorytmy hybrydowe jako modele uczenia maszynowego
Autorzy: Sebastian Zając, Jacob Cybulski, Tomasz Kulpa Ta część monografii wybiega w przyszłość, wprowadzając w świat kwantowego uczenia maszynowego (QML). Autorzy wyjaśniają, w jaki sposób parametryzowane obwody kwantowe, w połączeniu z klasycznymi optymalizatorami, mogą realizować zadania modeli uczenia maszynowego. Przedstawiony przykład klasyfikacji binarnej z użyciem kwantowej sieci neuronowej pokazuje, jak fundamentalnie nowe podejście do obliczeń może w przyszłości zrewolucjonizować sztuczną inteligencję, mimo że technologia ta wciąż znajduje się w erze NISQ (noisy intermediate-scale quantum).
Podejście do regulacji stosowania systemów sztucznej inteligencji - analiza porównawcza wybranych krajowych systemów prawnych
Autorka: Aleksandra Szulc Obserwujemy globalny wyścig o to, kto napisze zasady dla AI. Analiza porównawcza pokazuje trzy główne, konkurujące ze sobą modele. Pierwszy to model Unii Europejskiej – antropocentryczny, oparty na analizie ryzyka i twardym prawie (AI Act), dążący do ochrony praw podstawowych. Drugi to podejście amerykańskie – pluralistyczne, sektorowe, oparte na partnerstwie publiczno-prywatnym i narzędziach soft law. Trzecie to model chiński – ukierunkowany na budowanie dominacji rynkowej przy silnym wsparciu państwa. Ta różnorodność podejść sprawia, że nie ma jednej, optymalnej drogi dla regulacji AI. Co więcej, ta rywalizacja rodzi ryzyko tzw. “wyścigu na dno” (race to the bottom), w którym państwa mogą obniżać standardy, aby przyciągnąć innowacje i inwestycje kosztem bezpieczeństwa i praw jednostki.
Wpływ sztucznej inteligencji na karierę zawodową w postrzeganiu studentów Uniwersytetu Ekonomicznego w Krakowie
Autorka: Kamila Kwiatkowska Jak rewolucję AI postrzegają ci, którzy za chwilę wejdą na rynek pracy? Badanie ankietowe wśród studentów UEK pokazuje obraz pełen niuansów. Zdecydowana większość (87%) jest przekonana, że AI wpłynie na ich karierę, ale jednocześnie aż dla 88% nie zmieniło to ich dotychczasowych planów zawodowych. Ten paradoks sugeruje, że studenci postrzegają AI bardziej jako narzędzie, które zmieni charakter ich przyszłej pracy, niż jako siłę, która unieważni ich wybrane ścieżki.
Zastosowanie sztucznej inteligencji i hiperautomatyzacji w procesie fuzji przejęć
Autorka: Paulina Roszkowska W dzisiejszych fuzjach i przejęciach (M&A) ludzka intuicja to za mało. Dlatego do gry wkracza sztuczna inteligencja, która pełni rolę super-analityka - przesiewa tysiące dokumentów w poszukiwaniu ukrytych ryzyk i tworzy wyceny w tempie niedostępnym dla człowieka.
Nie eliminuje to jednak eksperta – wręcz przeciwnie. Uwalnia go od żmudnej analizy, pozwalając skupić się na tym, co kluczowe: strategii, negocjacjach i ostatecznej decyzji. Sukces w nowoczesnym M&A to nie wybór między maszyną a człowiekiem, ale ich inteligentna współpraca.
Generatywna sztuczna inteligencja - nowe wyzwania dla rynku sztuki
Autor: Włodzimierz Szpringer Wejście GenAI do świata sztuki stawia fundamentalne pytania o naturę kreatywności, autorstwo i własność intelektualną. Z jednej strony AI ułatwia proces twórczy, z drugiej – prowadzi do konfliktów prawnych, gdy modele są trenowane na dziełach chronionych prawem autorskim bez zgody twórców. Analiza sporów sądowych, jak pozew „The New York Times” przeciwko OpenAI, pokazuje, że znajdujemy się w momencie, który na nowo zdefiniuje granice dozwolonego użytku i przyszłość sektorów kreatywnych.
Wpływ wdrożenia AI na postrzeganie metaverse w sektorze przemysłów kreatywnych
Autorzy: Aneta Siejka, Rafał Kasprzak Czy AI może być “technologią otwierającą drzwi” dla innych innowacji, takich jak metaverse? Badanie ilościowe przeprowadzone w sektorze kreatywnym sugeruje, że tak. Organizacje, które już wdrożyły rozwiązania AI, znacznie częściej dostrzegają potencjał metaverse, szczególnie w obszarach e-learningu, marketingu czy wirtualnej współpracy. To wskazuje, że doświadczenie z jedną zaawansowaną technologią może obniżać bariery i “oswajać” firmy z kolejnymi falami innowacji.
Zastosowanie sztucznej inteligencji w działaniach zmierzających do ograniczenia konsumpcji tytoniu - analiza przypadków NHS i WHO
Autorzy: Marcin Hofman, Jacek Winiarski Ostatnia część monografii to studium przypadku, które udowadnia, że AI może być potężnym narzędziem w rozwiązywaniu realnych problemów społecznych. Analiza wdrożeń chatbotów i spersonalizowanych aplikacji wspierających rzucanie palenia pokazuje, jak technologia może dostarczać zindywidualizowane porady i interwencje behawioralne na masową skalę. To optymistyczny akcent, który równoważy wcześniejsze dyskusje o ryzykach.
Podsumowanie
Monografia “Wiosna AI” to wielowymiarowy portret rewolucji, która dzieje się na naszych oczach. Przewijający się przez wszystkie rozdziały wniosek jest jasny: poruszamy się w świecie skrajności. Z jednej strony mamy obietnicę bezprecedensowego wzrostu gospodarczego i narzędzia do rozwiązywania realnych problemów biznesowych, z drugiej – fundamentalne wyzwania: od halucynacji modeli, przez paradoksy prywatności, po globalny wyścig regulacyjny i ryzyka egzystencjalne.
Książka udowadnia, że kluczem do sukcesu w erze AI nie jest ślepa pogoń za najnowszą technologią, lecz powrót do fundamentów. To dojrzałość organizacyjna, a nie sam algorytm, decyduje o powodzeniu wdrożenia nowego rozwiązania. To jakość danych, a nie ich ilość, buduje skuteczne modele. I wreszcie, to inteligentna współpraca człowieka z maszyną tworzy prawdziwą wartość.
Wiosna AI, jak pokazuje monografia , to nie tylko czas ekscytacji, ale przede wszystkim moment strategicznych decyzji, które zdefiniują, czy rewolucja AI przyniesie nam rozkwit, czy chaos.