Przekonaj się sam!
Pozostaw wiadomość, a skontaktuje się z Tobą nasz dedykowany doradca.
Wyślij nam wiadomość
0/10000
Co tak naprawdę robimy z AI? 5 zaskakujących prawd z analizy 100 bilionów tokenów
Opublikowano: 16:24 16.12.2025
Analizy
W powszechnej wyobraźni rewolucja sztucznej inteligencji sprowadza się do kilku kluczowych zastosowań: pisania e-maili, generowania kodu czy streszczania długich dokumentów. To narracja produktywności, w której AI jest naszym cyfrowym asystentem, pomagającym pracować szybciej i wydajniej.
Jednak analiza bezprecedensowej skali 100 bilionów tokenów ([przyp. red] raport odnosi się do danych przesłanych przez API, wyklucza "opakowane" narzędzia udostępnione bezpośrednio przez dystrybutorów) z raportu "State of AI", przeprowadzonego przez a16z (Andreessen Horowitz) i OpenRouter Inc., demaskuje zupełnie inny, znacznie bardziej zaskakujący obraz. Rzeczywistość tego, jak globalna społeczność faktycznie wykorzystuje modele językowe, jest bardziej złożona, kreatywna i fundamentalnie ludzka, niż moglibyśmy przypuszczać.
Ten artykuł zabierze Cię za kulisy i, korygując kilka popularnych mitów, ujawni pięć kontrintuicyjnych prawd o tym, jak świat naprawdę korzysta z AI. Zaczniemy od odkrycia, które całkowicie wywraca do góry nogami nasze założenia dotyczące dominujących zastosowań tej technologii.
1. Ukryty król AI: To nie produktywność, a odgrywanie ról (Roleplay)
Najbardziej zaskakującym wnioskiem płynącym z analizy jest fundamentalna prawda: dominującym zastosowaniem modeli open source nie są zadania biznesowe, lecz kreatywna rozrywka.
Analiza wykresu "Category Breakdown of OSS Models over Time" jest jednoznaczna: kategoria "Roleplay" konsekwentnie stanowi ponad 50% całego użycia tokenów w modelach o otwartym kodzie źródłowym. Oznacza to, że społeczność deweloperów i entuzjastów AI poświęca więcej mocy obliczeniowej na tworzenie interaktywnych historii i symulacji niż na jakiekolwiek inne zadanie.
Okazuje się, że podczas gdy Dolina Krzemowa budowała AI do optymalizacji arkuszy kalkulacyjnych, świat używał jej do pisania epickich sag i odgrywania ról w fantastycznych światach.
Ten wniosek jest istotny, ponieważ demaskuje ogromny, oddolny rynek konsumencki, który ceni sobie kreatywność i swobodę. Modele open source, często mniej ograniczone rygorystycznymi filtrami treści, stały się idealnym poligonem doświadczalnym dla społeczności tworzących interaktywne opowieści, gry i symulacje postaci.
2. Koniec ery chatbotów: AI staje się "agentem" do zadań specjalnych
Obserwujemy fundamentalną zmianę w charakterze interakcji z AI. Mediana zapytań do LLM to już nie proste pytanie, lecz element ustrukturyzowanej, agentowej pętli. Przechodzimy od prostych pytań i odpowiedzi do powierzania modelom złożonych, wieloetapowych zadań, co odzwierciedla ludzką chęć delegowania bardziej znaczących projektów analitycznych i twórczych.
Ten nowy paradygmat, znany jako agentic inference (wnioskowanie agentowe), traktuje AI nie jako generator tekstu, ale jako autonomicznego agenta zdolnego do planowania, używania narzędzi i wykonywania wieloetapowych zadań w celu osiągnięcia celu. Raport dostarcza na to trzech twardych dowodów:
- Dominacja modeli rozumujących: Zdolność do planowania staje się standardem. Wykres "Reasoning vs Non-Reasoning Token Trends Over Time" pokazuje, że modele zdolne do rozumowania, które jeszcze na początku 2025 roku były rzadkością, obecnie przetwarzają ponad 50% całego ruchu tokenów.
- Eksplozja złożoności zapytań: Komunikujemy się z AI w znacznie bardziej złożony sposób. Od początku 2024 roku średnia długość zapytań (promptów) wzrosła czterokrotnie. Głównym motorem tego wzrostu są zadania programistyczne, gdzie konteksty regularnie przekraczają 20 tysięcy tokenów, dostarczając modelom całe fragmenty kodu do analizy.
- Coraz częstsze użycie narzędzi: Rośnie wykorzystanie funkcji "Tool Calling", która pozwala modelom AI na interakcję z zewnętrznymi systemami i API. Oznacza to, że AI nie tylko generuje tekst, ale aktywnie wykonuje działania w naszym imieniu.
Sztuczna inteligencja przestaje być pasywnym generatorem treści. Staje się aktywnym partnerem w pracy, zdolnym do samodzielnego planowania i wykonywania zadań.
3. Efekt "Szklanego Pantofelka": Dlaczego pierwsi użytkownicy AI są najwierniejsi
W dynamicznym świecie AI utrzymanie użytkownika (retencja) działa inaczej niż w tradycyjnym oprogramowaniu. Raport opisuje to zjawisko za pomocą trafnej metafory – "Efektu Szklanego Pantofelka" (Cinderella 'Glass Slipper' effect).
Koncepcja jest prosta: kiedy nowy model jako pierwszy rozwiązuje krytyczny, wcześniej nierozwiązywalny problem dla określonej grupy użytkowników, zdobywa ich trwałą lojalność. Ta pierwsza grupa, nazwana "kohortą założycielską", buduje wokół modelu całe przepływy pracy, procesy danych i nawyki, co generuje ogromne tarcie przy zmianie (switching friction) i prowadzi do trwałego uzależnienia od dostawcy (lock-in). Koszt (czasu i wysiłku) przejścia na nowszy model staje się zaporowy.
Raport ilustruje to na konkretnych przykładach:
- Pozytywny przykład: Wykresy retencji dla Claude 4 Sonnet (kohorta z maja 2025) i Gemini 2.5 Pro (kohorta z czerwca 2025) pokazują, że pierwsi użytkownicy tych modeli pozostali z nimi znacznie dłużej niż późniejsze grupy. Znaleźli swoje "idealne dopasowanie".
- Negatywny przykład: W przeciwieństwie do nich, model Llama 4 Maverick nie znalazł swojej "kohorty założycielskiej". Żadna grupa użytkowników nie odkryła dla niego unikalnego zastosowania, co skutkowało jednakowo niską retencją dla wszystkich.
Co ciekawe, w przypadku modeli DeepSeek zaobserwowano "Efekt Bumerangu": użytkownicy, którzy początkowo zrezygnowali, wracali po przetestowaniu alternatyw. To dowód, że model znalazł unikalne dopasowanie do specyficznych, niszowych zadań, którego nie oferowała konkurencja.
4. Cena (w większości) nie gra roli: Co naprawdę decyduje o wyborze modelu AI
Intuicja podpowiada, że niższa cena powinna prowadzić do większego wykorzystania. Jednak analiza rynku AI pokazuje, że popyt jest w dużej mierze nieelastyczny cenowo. Raport przedstawia to wprost: spadek ceny o 10% odpowiada wzrostowi użycia zaledwie o 0,5–0,7%.
Wykres "Log Cost vs Log Usage by Category" dowodzi, że rynek dzieli się na cztery odrębne segmenty:
- Masowi liderzy wolumenu: Kategorie takie jak Roleplay i Programming charakteryzują się ogromnym wolumenem użycia przy niskim lub średnim koszcie. To tutaj królują wydajne modele open source, które oferują optymalny balans wydajności i efektywności kosztowej dla obciążeń wrażliwych na cenę.
- Obciążenia premium: Zadania z kategorii Technology i Science cechują się wysokim kosztem i dużą popularnością. Użytkownicy są gotowi zapłacić premium za najwyższą jakość, niezawodność i zaawansowane zdolności rozumowania.
- Wyspecjalizowani eksperci: Niszowe, drogie zastosowania takie jak Finance, Health i Marketing. W tych dziedzinach precyzja i dokładność są ważniejsze niż koszt, a wolumen użycia jest naturalnie mniejszy.
- Niszowe narzędzia: Kategorie takie jak Translation, Legal czy Trivia to skomodyzowane, tanie usługi o niższym wolumenie, gdzie "wystarczająco dobra" jakość jest dostępna za niewielką cenę.
5. Zmiana warty: Środek ciężkości AI przesuwa się na Wschód
Innowacje w dziedzinie sztucznej inteligencji przestały być wyłączną domeną Doliny Krzemowej. Raport dostarcza mocnych dowodów na postępującą globalizację i decentralizację rynku AI.
- Wzrost Azji: Na podstawie wykresu "Spend Volumes by World Region Over Time" widać, że udział Azji w globalnych wydatkach na AI wzrósł z 13% w pierwszych tygodniach analizy (późny 2024) do około 31% w ostatnim okresie (późny 2025). To ponad dwukrotny wzrost.
- Siła chińskich modeli Open Source: Analiza pokazuje, że chińskie modele open source, takie jak DeepSeek i Qwen, w znacznym stopniu przyczyniły się do wzrostu całego ekosystemu otwartego oprogramowania. Szybko zdobyły one znaczący udział w rynku, często konkurując jakością z zachodnimi odpowiednikami.
Globalna konkurencja przyspiesza innowacje, demokratyzuje dostęp do technologii i daje użytkownikom większy wybór. Przyszłość AI będzie zależeć od zdolności modeli do działania w różnych językach i rozumienia zróżnicowanych kontekstów kulturowych. Era dominacji jednego regionu dobiega końca.
Zakończenie: Prawdziwe oblicze rewolucji AI
Analiza 100 bilionów tokenów pokazuje, że rzeczywiste wykorzystanie sztucznej inteligencji jest znacznie bardziej ludzkie, kreatywne i zróżnicowane, niż sugeruje dominująca narracja technologiczna. Okazuje się, że obok optymalizacji pracy równie mocno pragniemy tworzyć, bawić się i eksplorować nowe światy.
AI staje się nie tylko narzędziem produktywności, ale także medium dla naszej wyobraźni. Przechodzimy od prostych poleceń do złożonych, agentowych interakcji, a o sukcesie modeli decyduje ich zdolność do trwałego rozwiązywania realnych problemów, a nie sama cena.
Skoro AI już dziś ujawnia nasze nieoczekiwane potrzeby związane z kreatywnością i interakcją, jakie kolejne zaskakujące aspekty człowieczeństwa odkryje w przyszłości?
Aleksander
Źródła:
O autorze
Aleksander Zębrowski
Dyrektor ds. Technologii w SecurHub.pl
Doktorant z zakresu neuronauki poznawczej. Psycholog i ekspert IT specjalizujący się w cyberbezpieczeństwie.
Powiązane artykuły
Analizy
Dzieci w Sieci 2025: Patostreamy, "Sleepy Chicken" i Prawo, które Karze Ofiary.
Liczba incydentów bezpieczeństwa z udziałem dzieci przebiła sufit – ponad 600 tysięcy zgłoszeń. Analizujemy dane NASK i Policji: od śmiertelnych wyzwań na TikToku, przez wyłudzenia w Robloxie, aż po dramatyczne luki prawne w sekstingu.
05.12.2025
16 min
Analizy
Vibe Coding: Rewolucja czy Rosyjska Ruletka? Mroczna strona programowania z AI
Wszyscy „czują vibe", ale nikt nie czyta kodu. Analizujemy zjawisko Vibe Codingu, plagę Slopsquattingu i to, jak AI po cichu degraduje bezpieczeństwo naszych aplikacji.
02.12.2025
21 min
Analizy
Dlaczego Jesteśmy Drugim Najczęściej Atakowanym Krajem na Świecie?
Najnowszy raport ESET rzuca światło na alarmującą pozycję Polski w globalnym rankingu cyberzagrożeń. Jesteśmy na drugim miejscu na świecie pod względem liczby ataków. Analizujemy, co to oznacza i jak wygląda krajobraz zagrożeń, od ransomware po ataki na infrastrukturę krytyczną.
09.10.2025
13 min
Komentarze
Ładowanie komentarzy...