Co naprawdę robi AI w 2026: 10 przełomów, o których polski biznes nie mówi

W lutym 2026 Isomorphic Labs pokazał silnik projektowania leków, który przewyższa AlphaFold 3 dwukrotnie. W tym samym tygodniu Figure wycofało drugą generację humanoida - trzecia właśnie wchodzi do fabryk BMW w Niemczech. Polski LinkedIn tego dnia zastanawiał się, czy ChatGPT zabierze pracę copywriterom.

Żyjemy w dwóch różnych 2026 rokach jednocześnie.

Branża AI w 2026 roku nie mieści się w jednej opowieści o generowaniu treści. Dzieje się w laboratoriach, na polach uprawnych, w reaktorach fuzji, na ulicach dziesięciu amerykańskich miast i w zwojach papirusu z 79 roku naszej ery. Z mojego doświadczenia pracy z polskimi firmami wiem, że 90% dyskusji o AI kończy się na promptowaniu. To jest zaledwie ułamek tego, co AI naprawdę robi.

Poniżej 10 zastosowań z twardymi liczbami i zweryfikowanymi źródłami. Żadnego AI-washingu, żadnych filmów demo. Tylko to, co działa w 2026 roku.

Trzy przesunięcia, które zmieniają wszystko

Zanim wejdziemy w konkrety, jedna obserwacja. Analizując te 10 przypadków, widzę trzy meta-trendy.

Od generowania do odkrywania. AI przestała pisać teksty i zaczęła formułować hipotezy. Projektuje białka, odkrywa materiały, rozwiązuje olimpiadę matematyczną.

Od chmury do atomu. AI opuszcza ekran. Trafia do fabryk, na pola, do magnesów tokamaka. Świat fizyczny jest nowym frontem.

Od modelu do agenta. Pojedyncze modele ustępują miejsca systemom wielokrokowym. Moderna ma 750 wyspecjalizowanych agentów. Waymo podejmuje setki decyzji w sekundzie bez człowieka.

Tłem dla tego wszystkiego są liczby, których mało kto w polskim biznesie dyskutuje. Big Five hyperscalerów (Amazon, Microsoft, Alphabet, Meta, Oracle) wydadzą w 2026 roku około 602 miliardów dolarów na infrastrukturę, z czego 75% - czyli 450 miliardów - idzie wprost na AI. Gartner prognozuje globalne wydatki na AI w 2026 na poziomie 2,52 biliona dolarów (wzrost 44% rok do roku). Stanford AI Index 2026 pokazuje, że generatywna AI jest używana w co najmniej jednej funkcji biznesowej w 70% organizacji globalnie. To nie jest hype. To jest najszybciej rosnący sektor kapitałowy w historii gospodarki.

Część 1: AI jako nowy naukowiec

Największe zaskoczenie 2025 i 2026 roku nie przyszło z dolin OpenAI czy Google. Przyszło z laboratoriów, w których AI przestała być narzędziem i stała się partnerem badawczym.

1. EvolutionaryScale: białko, którego ewolucja nie wymyśliła

Startup założony przez byłych badaczy Meta AI wypuścił w 2024 roku model ESM3. Jest to duży model językowy, który zamiast słów rozumie sekwencje białek. W styczniu 2025 roku w Science ukazała się publikacja z wynikiem, który zmienił sposób myślenia o biologii obliczeniowej.

ESM3 zaprojektował fluorescencyjne białko nazwane esmGFP. Różni się od najbliższego znanego białka GFP o 96 mutacji na 229 aminokwasów. Zespół autorów wyliczył, że naturalna ewolucja potrzebowałaby około 500 milionów lat dryfu genetycznego, żeby dojść do czegoś podobnego. AI wygenerowała to w pojedynczym przebiegu.

To nie jest szybsze niż człowiek. To jest coś, czego ewolucja po prostu nie zdążyła wymyślić.

Źródło: Simulating 500 million years of evolution with a language model - Science, EvolutionaryScale blog.

2. Vesuvius Challenge: odczyt zwoju z 79 roku po raz pierwszy od 2000 lat

W lutym 2025 roku w Oxford Bodleian Libraries stało się coś, co wcześniej było niemożliwe. Zespół badaczy Marcel Roth i Micha Nowak odczytał tytuł zwęglonego zwoju PHerc. 172, jednego z trzech przechowywanych w Bodleian zwojów z Herkulanum, zniszczonych przez erupcję Wezuwiusza w 79 roku naszej ery.

Tytuł brzmi: „Περὶ Κακιῶν", czyli „O występkach", autorstwa greckiego filozofa Filodema. Po raz pierwszy od niemal 2000 lat identyfikujemy zwój, którego nie da się fizycznie rozwinąć bez zniszczenia.

Metoda jest kombinacją tomografii rentgenowskiej, segmentacji warstw papirusu przez sieci neuronowe i modeli rozpoznawania resztek atramentu na zwęglonych włóknach. Nagroda za pierwszy tytuł - 60 tysięcy dolarów - została wypłacona przez fundację Vesuvius Challenge.

Pełnego zwoju nadal nie odczytano. Jednak droga jest otwarta. Biblioteka Herkulanum zawiera setki zwojów, z których znaczna część może być filozoficznymi traktatami nieznanymi nauce.

Źródło: Oxford University News, Vesuvius Challenge - First Title Prize.

3. Isomorphic Labs: leki projektowane od zera przez AI

Spin-off Google DeepMind. Założyciel Demis Hassabis mówi wprost o celu: „rozwiązać wszystkie choroby". Mniej efektownie: firma buduje platformę, w której AlphaFold 3 przewiduje strukturę białek, a modele generatywne projektują cząsteczki leków.

W kwietniu 2025 roku Isomorphic zebrał 600 milionów dolarów w pierwszej rundzie zewnętrznej, prowadzonej przez Thrive Capital. Deale z Novartis i Eli Lilly warte są łącznie prawie 3 miliardy dolarów. W lutym 2026 roku firma zaprezentowała IsoDDE (Isomorphic Labs Drug Design Engine), który przewyższa AlphaFold 3 ponad dwukrotnie w przewidywaniu wiązania białko-ligand.

Pierwsze badania kliniczne na ludziach planowane są na koniec 2026 roku. Priorytet: onkologia i choroby immunologiczne. Jeśli się uda, będzie to pierwszy lek w historii, który przeszedł ścieżkę od odkrycia do Phase I w ciągu kilkunastu miesięcy, a nie kilku lat.

Źródło: Fortune - Isomorphic Labs first human trials, Clinical Trials Arena.

4. Gemini Deep Think: złoty medal Międzynarodowej Olimpiady Matematycznej

Lipiec 2025. Po roku od srebra IMO 2024 DeepMind wrócił ze złotem. Zaawansowana wersja Gemini Deep Think rozwiązała 5 z 6 zadań Międzynarodowej Olimpiady Matematycznej, uzyskując 35 punktów na 42 możliwe. Próg złotego medalu.

Co istotne, model pracował end-to-end w języku naturalnym, produkując pełne dowody matematyczne bezpośrednio z opisów zadań. W limicie czasowym olimpiady, czyli 4,5 godziny. Rok wcześniej analogiczny wynik wymagał dni obliczeń i formalizacji w Lean.

Dlaczego to ważne dla biznesu? Matematyka olimpijska to od lat benchmark (test porównawczy) generalnego rozumowania AI. Jej zdobycie oznacza, że modele języka potrafią prowadzić wielokrokowe wnioskowanie o wysokiej abstrakcji w realistycznym czasie.

Źródło: DeepMind - Gold medal IMO 2025, Nature - Olympiad-level formal mathematical reasoning.

5. DeepMind GNoME: 2,2 miliona nowych materiałów w jednym modelu

Graph Networks for Materials Exploration. W listopadzie 2023 roku DeepMind opublikował w Nature pracę, w której pokazał odkrycie 2,2 miliona nowych stabilnych struktur krystalicznych. Spośród nich 380 tysięcy to kandydaci, których stabilność sugeruje realne zastosowania w bateriach, nadprzewodnikach lub fotowoltaice.

Skala: wcześniej świat znał około 48 tysięcy stabilnych nieorganicznych kryształów. GNoME zwiększył tę liczbę około 45-krotnie. Autorzy pracy wyliczają, że zebranie tej wiedzy eksperymentalnie wymagałoby około 800 lat pracy ludzkich laboratoriów.

Partner: Lawrence Berkeley Lab z autonomicznym laboratorium A-Lab. Przez 17 dni ciągłej pracy A-Lab zsyntezował 41 nowych materiałów z listy GNoME, a niezależne zespoły na świecie potwierdziły istnienie 736 przewidzianych struktur.

Uczciwość: analiza Leeman et al. 2024 kwestionuje nowość części struktur, co pozostaje otwartym sporem naukowym.

Źródło: Nature - Scaling deep learning for materials discovery, Nature - Autonomous laboratory.

Część 2: AI w świecie fizycznym

Jeśli pierwsza część pokazuje AI jako naukowca, druga pokazuje AI jako pracownika. Nie w metaforze. Dosłownie.

6. Figure + BMW: pierwszy komercyjny humanoid w produkcji samochodów

Od października 2024 do września 2025 roku humanoidy Figure 02 pracowały na aktywnej linii produkcyjnej BMW w Spartanburg w Karolinie Południowej. Pierwsze komercyjne wdrożenie humanoidów w fabryce motoryzacyjnej w historii.

Liczby, które sama firma podała po zakończeniu pilotażu: 1250 godzin pracy, zmiany po 10 godzin dziennie od poniedziałku do piątku, załadowanie ponad 90 000 części, udział w produkcji ponad 30 000 pojazdów BMW X3. Najczęstszym punktem awarii okazało się przedramię. Ta diagnoza wpłynęła na przeprojektowanie Figure 03.

BMW ogłosiło w marcu 2026 roku, że w kwietniu rozpocznie test wdrożeniowy Figure 03 w zakładzie w Niemczech, z fazą pełnego pilotażu od lata 2026. Po raz pierwszy humanoid wchodzi do europejskiej produkcji samochodów.

Ostrzeżenie dla czytelnika: filmy marketingowe Figure są często przyspieszone i zmontowane. Realny wpływ jest mniejszy, niż sugerują klipy z Twittera. Sam fakt 1250 godzin na żywej linii produkcyjnej pozostaje jednak bezprecedensowy.

Źródło: Figure - F.02 contributed to production of 30,000 cars at BMW, BMW Press - humanoid robots Germany.

7. Waymo: pół miliona przejazdów tygodniowo bez kierowcy

W kwietniu 2025 Waymo miało 250 tysięcy płatnych przejazdów tygodniowo. W marcu 2026 TechCrunch potwierdza: 500 tysięcy przejazdów tygodniowo. Liczba przejazdów podwoiła się w ciągu niecałego roku.

Firma operuje w 10 miastach: San Francisco, Phoenix, Los Angeles, Austin, Atlanta, Dallas, Houston, San Antonio, Orlando oraz wcześniej uruchomionych lokalizacjach. W grudniu 2025 raport do NHTSA wykazał flotę 3067 pojazdów piątej generacji. Cel operacyjny na koniec 2026 roku: 1 milion przejazdów tygodniowo.

Dane bezpieczeństwa, które Waymo regularnie raportuje: 81% mniej wypadków z obrażeniami niż ludzcy kierowcy na porównywalnych dystansach, ponad 25 milionów przejechanych mil. Jest to jedyna flota w historii, w której skala i bezpieczeństwo są weryfikowane przez niezależnego regulatora (NHTSA).

Dla polskiego CEO implikacja jest prosta: autonomia nie jest już przyszłością. Jest obecną jakością usługi w dziesięciu amerykańskich miastach. Pytanie nie brzmi „czy", tylko „kiedy" w Europie.

Źródło: TechCrunch - Waymo skyrocketing ridership, Sherwood News - 500k weekly rides.

8. John Deere See & Spray: 31 milionów galonów herbicydu mniej

Rolnictwo precyzyjne jest tą dziedziną AI, którą polscy agronomowie rozumieją lepiej niż menedżerowie korporacji. Słusznie. John Deere See & Spray to vision AI, który w czasie rzeczywistym odróżnia chwasty od roślin uprawnych i rozpryskuje herbicyd punktowo, a nie na całą powierzchnię.

Oficjalne wyniki sezonu 2025: technologia zastosowana na 5 milionach akrów w USA (powierzchnia większa od New Jersey), redukcja zużycia herbicydu non-residual o około 50%, łącznie 31 milionów galonów mieszanki oszczędzonej w jednym sezonie. W badaniach polowych siedmiu stanów (Mississippi, Nebraska, Arkansas, Indiana, Karolina Północna, Wirginia, Tennessee) odnotowano wzrost plonu średnio o 2 buszle z akra w stosunku do klasycznego oprysku.

Model komercyjny: 1 dolar za akr odłogu lub 5 dolarów za akr w uprawie. Od sezonu 2026 dostępna roczna licencja bez limitu dla dużych gospodarstw.

Nie każde „AI w rolnictwie" to LLM. To jest klasyczny computer vision (rozpoznawanie obrazu) trenowany na milionach zdjęć. Właśnie dlatego działa w skali, a nie na slajdzie.

Źródło: John Deere - See & Spray across 5 million acres, AgTech Navigator.

Jeśli dotarłeś tutaj, czytasz top 5% długich analiz o AI na polskim internecie. Newsletter raz w tygodniu, same takie teksty, bez filtrów LinkedIn i bez buzzwordów. Zapisz się na dole strony.

Część 3: AI jako infrastruktura cywilizacji

Trzeci i najcichszy front. AI nie jest już aplikacją. Staje się warstwą pod spodem tego, jak produkujemy energię, prognozujemy klimat i podejmujemy decyzje inwestycyjne warte setki miliardów.

9. DeepMind + Commonwealth Fusion: AI steruje plazmą fuzji jądrowej

W październiku 2025 roku Google DeepMind i Commonwealth Fusion Systems (spin-off MIT) ogłosili partnerstwo nad projektem reaktora SPARC w Devens, Massachusetts. SPARC ma być pierwszym urządzeniem, które wygeneruje więcej energii z fuzji niż zużyje na jej utrzymanie. Plan: uruchomienie w 2026 roku.

Kluczem jest sterowanie plazmą o temperaturze 100 milionów stopni Celsjusza za pomocą kilkunastu cewek magnetycznych. Klasyczne sterowniki wymagają ręcznego projektowania każdej strategii. DeepMind używa uczenia przez wzmacnianie (tej samej techniki co w AlphaGo), żeby model uczył się optymalnych ustawień magnesów, maksymalizując wydajność przy zachowaniu limitów bezpieczeństwa.

Podstawą współpracy jest TORAX, otwartoźródłowy symulator plazmy od DeepMind. Pozwala uruchomić miliony wirtualnych eksperymentów przed włączeniem fizycznego reaktora. To zastosowanie AI, które ma potencjał rozwiązać problem energii na poziomie cywilizacyjnym. Polskie media technologiczne piszą o tym rzadziej niż o kolejnej wersji ChatGPT.

Źródło: DeepMind - Bringing AI to fusion energy, CFS - AI alliance with DeepMind.

10. DeepMind GraphCast: pogoda z AI szybsza od superkomputerów ECMWF

GraphCast to model grafowej sieci neuronowej od Google DeepMind, który w listopadzie 2023 roku zadebiutował w Science, a w 2024 wszedł do użytku operacyjnego w ECMWF - Europejskim Centrum Prognoz Średnioterminowych w Reading.

Liczby są proste. GraphCast prognozuje pogodę globalnie do 10 dni w przód, z rozdzielczością 0,25 stopnia (około 28 km). Przewyższa najlepszy klasyczny deterministyczny model pogodowy (HRES od ECMWF) na 90% z 1380 punktów weryfikacji. Pojedyncza prognoza zajmuje mniej niż minutę na jednej maszynie z akceleratorem TPU, podczas gdy klasyczny model wymagał godzin na superkomputerze.

W 2024 ECMWF jako pierwsza główna agencja meteorologiczna na świecie przełączyła swój system AIFS (podobny typ modelu) do statusu operacyjnego. Oznacza to, że prognoza pogody, którą oglądasz w telewizji lub w aplikacji na telefonie, jest dziś w coraz większej części generowana lub wspomagana przez AI.

Dlaczego to jest infrastruktura cywilizacji? Od dokładności prognozy zależy nawigacja lotnicza, planowanie plonów, decyzje energetyczne dla sieci z OZE, logistyka portów, zarządzanie kryzysowe przy ekstremalnych zjawiskach. Przesunięcie horyzontu prognozy o jeden dzień w przód w skali globu jest wartością liczoną w setkach miliardów dolarów rocznie.

Źródło: DeepMind GraphCast, Science - Learning skillful medium-range global weather forecasting.

Moment prawdy

Po researchu do tego artykułu zmieniłem zdanie o jednej rzeczy. Jeszcze rok temu wierzyłem, że przewaga AI będzie polegać na generalnej inteligencji. Jeden ogromny model, który rozwiąże wszystko. Dane z tych 10 przypadków pokazują coś innego.

Zwycięzcy 2026 roku budują coś, co w rozmowach z klientami nazywam stosem pionowym. Jeden wyspecjalizowany model trenowany na unikalnych danych domenowych. Jeden pipeline dedykowany konkretnemu problemowi. Jeden agent robiący jedną rzecz perfekcyjnie zamiast tysiąca rzeczy przeciętnie.

EvolutionaryScale ESM3 bije generalny GPT-5.4 w projektowaniu białek nie dlatego, że jest większy. Jest mniejszy - 98 miliardów parametrów, rząd wielkości mniej od frontier LLM. Jest za to trenowany na 2,78 miliardach sekwencji białek i 236 milionach struktur. To jego jedyne zadanie i robi je sto razy lepiej.

Isomorphic Labs nie sprzedaje „generalnego AI do chemii". Sprzedaje platformę, gdzie jeden model przewiduje struktury, drugi projektuje ligandy, trzeci ocenia toksyczność. Każdy z nich przegra z GPT-5.4 w pisaniu maili. Każdy z nich wygra z GPT-5.4 w swojej niszy.

Dla polskiego biznesu to jest najważniejsza zmiana narracyjna ostatnich 12 miesięcy. Jeszcze w 2024 roku strategia brzmiała: „kup subskrypcję ChatGPT Enterprise, a później zdecydujemy co dalej". Strategia 2026 brzmi: „zidentyfikuj 5 procesów, gdzie masz unikalne dane, i zbuduj w każdym dedykowanego agenta".

Pytanie dla Twojej firmy nie brzmi „czy wdrożyć AI". Pytanie brzmi: „gdzie masz najwięcej powtarzalnej pracy, w której dedykowany agent pokona nie tylko człowieka, ale też generalne narzędzie typu ChatGPT"?

Trzy obserwacje dla polskiego biznesu

Po przeczytaniu tych 10 przypadków wyciągam trzy wnioski, które zmieniają moje myślenie o AI w polskich MŚP.

Agent zastępuje workflow, nie pojedyncze zadanie. Moderna nie ma jednego chatbota. Ma 750 wyspecjalizowanych agentów. Isomorphic Labs nie używa AI „do chemii". Ma pipeline, w którym każda faza ma dedykowany model. Dla Twojej firmy oznacza to: zamiast jednego narzędzia do wszystkiego zbuduj 5-10 dedykowanych agentów dla kluczowych procesów. Jeden do ofertowania. Jeden do analizy kontraktów. Jeden do obsługi reklamacji.

Dane operacyjne to nowy moat. John Deere wygrywa w rolnictwie precyzyjnym nie dlatego, że ma lepsze modele. Ma 30 lat telemetrii z ciągników. Waymo wygrywa, bo ma 25 milionów przejechanych mil z danymi sensorycznymi. Jeśli nie zbierasz swoich danych operacyjnych już dziś, w 2028 roku będziesz kupował od kogoś, kto zbierał.

Specjalizacja bije ogólność. GPT-5.4 jest świetny w 80% zadań. W Twoich 20% krytycznych procesów przegra z tańszym modelem dostrojonym na Twoich danych. Konkretny przykład z mojej praktyki: polska sieć hoteli górskich, z którą pracowałem w Q1 2026. Dedykowany model do generowania ofert grupowych na podstawie 4 lat historii rezerwacji pobił GPT-5.4 zarówno w trafności ceny, jak i w koszcie per request. Mniejszy model z lepszym kontekstem daje wyższą jakość za mniej pieniędzy.

Ostrzeżenie: gdzie uważać

Kończę uczciwie. Ten tekst prezentuje zwycięstwa. Rzeczywistość AI w 2026 roku ma też ciemną stronę.

Vendor case studies to marketing. Liczby Modernej, Figure, OpenAI są wybiórczo prezentowane. Zawsze pytaj: „w porównaniu do czego?" oraz „jaka była metoda pomiaru?".

Filmy demo są montowane. Figure, 1X Neo, Unitree regularnie publikują nagrania, w których humanoidy wyglądają bardziej autonomicznie, niż są w rzeczywistości. Wymagaj niezależnej weryfikacji.

Benchmarki nie są światem. AMIE od DeepMind „przewyższa lekarzy" w kontrolowanym badaniu czatowym. Nikt nie twierdzi, że zastąpi onkologa na OIOM.

Nie każde „AI" to LLM. Jeżeli dostawca mówi „nasz produkt używa AI", zapytaj konkretnie: jaki model, trenowany na czym, ewaluowany jak. W 60% przypadków to klasyczny computer vision z 2015 roku, opatrzony etykietą AI. To nie znaczy, że produkt nie działa. Znaczy, że cena powinna być inna.

Co z tego wynika

Różnica między firmą świadomą AI a firmą używającą AI jest dziś ogromna. Ten tekst opisuje drugą kategorię. Firmy, które nie mówią o AI, po prostu ją wdrażają i pokazują wyniki.

W 2027 roku ta różnica będzie rozdawać wygranych i przegranych w wielu polskich branżach. Nie musisz budować AlphaFold. Musisz rozumieć, co już działa, i zdecydować, gdzie w Twojej firmie jest najbliższy odpowiednik „sortowania blach w BMW": proces powtarzalny, mierzalny, z jasnym ROI.

Jeśli to czytasz, jesteś w mniejszości polskich profesjonalistów, którzy chcą rozumieć AI głębiej niż na poziomie „poproś ChatGPT o ofertę". Newsletter dostaje nowe analizy tego typu przed wszystkimi. Bez filtrów LinkedIn, bez buzzwordów, z liczbami.

Następna publikacja (maj 2026): jak polskie MŚP budują dedykowanych agentów AI na danych z CRM - trzy case studies z usług, produkcji i e-commerce. Formularz zapisu na dole strony.