AI w sprzedaży: Open vs. Closed AI w średnich przedsiębiorstwach

KI & Automatisierung · 16. September 2026 · Anthony Filipiak

AI w sprzedaży staje się kwestią inwestycji. Przeczytaj, jak Open i Closed AI zmieniają koszty, kontrolę i pipeline w średnich przedsiębiorstwach.

8 września 2026 roku Mistral AI ogłosił rundę finansowania w wysokości ponad 3 miliardów euro, prowadzoną przez Samsung Electronics, EQT i PSG Equity, przy wycenie przekraczającej 21 miliardów euro. Niemal w tym samym czasie pojawiły się doniesienia o nowych rozmowach OpenAI przy wycenach od 1,2 do 1,5 biliona dolarów. To już nie jest teatr z Doliny Krzemowej, który dyrektor zarządzający w Bielefeld, Ulm czy St. Gallen może zignorować. AI w sprzedaży, projektowaniu, serwisie i planowaniu produkcji z decyzji o oprogramowaniu staje się decyzją o rynku kapitałowym. Kto w 2026 roku nadal udaje, że wybór między AI open-source a AI closed-source to techniczny szczegół dla IT, ten nie docenia wagi problemu.

Moja prognoza jest niewygodna: w ciągu najbliższych 24 do 36 miesięcy europejskie średnie przedsiębiorstwa nie upadną z powodu braku pomysłów na AI, lecz z powodu błędnych decyzji architektonicznych. Nie z powodu promptów. Nie z powodu kolejnych warsztatów Copilot z kolorowymi slajdami. Lecz z powodu umów, kosztów tokenów, wycieku danych, długu integracyjnego i pytania, czy ich własna wartość dodana będzie w przyszłości opierać się na platformach, których model cenowy zostanie zmieniony w Seattle, San Francisco czy Mountain View.

W rozmowach z dyrektorami zarządzającymi i kierownikami sprzedaży widzę obecnie przełom. Rok temu pytanie często brzmiało: „Co możemy zrobić z ChatGPT?”. Dziś brzmi raczej: „Jak zapobiec temu, by AI za trzy lata nie pożarła nam marży?”. Brzmi to defensywnie. Ale tak nie jest. To moment, w którym AI dorasta.

AI w sprzedaży: Dlaczego Open vs. Closed AI ma teraz znaczenie

Najpierw zaskakująca część: AI open-source to już nie jest półka z zabawkami dla społeczności deweloperów. Mistral, Hugging Face, Temporal i inne otwarte lub przyjazne dla otwartych rozwiązań infrastruktury przyciągają kapitał, który wcześniej był zarezerwowany tylko dla dostawców zamkniętych modeli. Mistral zebrał w czerwcu 2024 roku około 600 milionów euro przy wycenie 5,8 miliarda euro, we wrześniu 2025 roku, według zbadanych danych, nastąpiła runda w wysokości 1,7 miliarda euro pod przewodnictwem ASML przy wycenie 11,7 miliarda euro, a we wrześniu 2026 roku 3 miliardy euro przy wycenie ponad 21 miliardów euro.

To jest prawdziwa zmiana na rynku. Nie to, że OpenAI dostaje dużo pieniędzy. To było jasne. Zmiana polega na tym, że otwarte modele i otwarta infrastruktura same stają się polityką państwową, przemysłową i półprzewodnikową. ASML nie inwestuje w Mistral z romantyzmu. Samsung też nie. Nvidia tym bardziej. Te firmy zapewniają sobie wpływ na warstwę, na której w przyszłości będzie działać inżynieria, sprzedaż, serwis, jakość i zakupy.

Dla średnich przedsiębiorstw oznacza to: pytanie „Otwarte czy zamknięte?” nie jest akademickie. Decyduje ono o tym, czy producent maszyn z Badenii-Wirtembergii trwale wleje swoją logikę ofertową, dokumenty techniczne, dane o częściach zamiennych i sygnały sprzedażowe do zamkniętego modelu API. Czy też będzie kontrolował część warstwy AI. Może nie wszystko. Cóż, prawie nigdy wszystko. Ale wystarczająco, by nie czekać co miesiąc na kolejną podwyżkę cen.

Zaskakująca prognoza na lata 2027-2029

Wierzę, że w 2027 roku pierwsza fala rozczarowania AI w średnich przedsiębiorstwach nie nastąpi z powodu złych modeli. Modele będą wystarczająco dobre. Rozczarowanie nadejdzie, ponieważ wiele firm kupiło AI jak SaaS, choć powinny były planować AI jak infrastrukturę.

CSO dostawcy automatyki z Norymbergi powiedział mi w marcu 2026 roku: „Przetestowaliśmy dwanaście narzędzi AI i ostatecznie nie podjęliśmy ani jednej decyzji dotyczącej danych”. To zdanie zapadło mi w pamięć. Dwanaście narzędzi. Zero architektury. To pachnie halą targową, kontem demo, pokazem sprzedaży. I wyjaśnia, dlaczego wiele zespołów ma projekty pilotażowe, ale brak im wiarygodnej poprawy pipeline'u, stabilnego przepływu danych, planu TCO na pięć lat.

Status quo: wydatki na AI rosną, kontrola kuleje

Według Menlo Ventures, wydatki przedsiębiorstw na generatywną AI wzrosły z 1,7 miliarda dolarów w 2023 roku do 11,5 miliarda dolarów w 2024 roku i 37 miliardów dolarów w 2025 roku. To nie jest wzrost liniowy, to szok budżetowy. Jednocześnie, według Eurostatu, w 2025 roku tylko 20 procent firm w UE zatrudniających co najmniej dziesięciu pracowników korzystało z AI, w porównaniu do 13,5 procent w 2024 roku. Europa nie wydaje więc jeszcze masowo, ale tam, gdzie wydaje, dzieje się to szybko.

USA przodują. Bloomberg, powołując się na dane EY, poinformował, że amerykańskie startupy zebrały w 2025 roku około 97 miliardów dolarów na generatywną AI, podczas gdy europejskie startupy tylko około 5,9 miliarda dolarów. To czynnik około 16. Kto z tego wnioskuje, że Europa powinna po prostu kupować od amerykańskich dostawców, ten idzie na łatwiznę. Nie do końca. Do ogólnych prac biurowych może to pasować. Do kluczowych procesów przemysłowych staje się to bardziej niebezpieczne.

Weźmy typowego producenta z regionu DACH: 800 pracowników, SAP w ERP, Siemens Teamcenter w PLM, MES, który rozwijał się przez lata, dane sprzedażowe w HubSpot lub Salesforce, raporty serwisowe w PDF, listy części zamiennych w systemie plików i kilka potworów Excela, których nikt nie chce dotykać (bo zawsze jeden kolega wie, która kolumna jest naprawdę poprawna). Właśnie tam AI ma tworzyć wartość. Nie w oknie czatu. W procesie.

I tu robi się drogo. Raport AI-Value-Chain prognozuje, że globalny rynek płatnego wykorzystania tokenów wzrośnie ze 136 miliardów dolarów w 2025 roku do 1,35 biliona dolarów w 2030 roku. Równolegle globalna moc obliczeniowa AI ma wzrosnąć z 13 gigawatów w 2025 roku do 98 gigawatów w 2030 roku. Zużycie energii przez centra danych? Według zbadanych danych, z około 485 TWh w 2025 roku do około 950 TWh w 2030 roku. To zapach ciepłej serwerowni, tylko w skali globalnej.

Dla dyrektorów zarządzających oznacza to: koszty AI nie znikają w wierszu IT. Przenoszą się do kosztów sprzedaży, kosztów serwisu, kosztów inżynierii i umów chmurowych. W przypadku zamkniętych modeli płacisz za użycie, za sesję, za wywołanie API, za generację modelu. W przypadku otwartych modeli płacisz za integrację, obsługę, bezpieczeństwo, hosting i ludzi. Oba kosztują. Pytanie brzmi, który profil kosztów pasuje do Twojego modelu biznesowego.

Trend 1: AI open-source staje się infrastrukturą przemysłową

Pierwszy trend jest najważniejszy dla Europy: AI open-source i modele open-weight nie są już postrzegane jako alternatywa dla oszczędnych, ale jako strategiczna infrastruktura. Mistral jest tego symbolem. Runda Series B w wysokości 600 milionów euro w czerwcu 2024 roku była już duża. Runda prowadzona przez ASML we wrześniu 2025 roku była polityczna. Runda w wysokości 3 miliardów euro we wrześniu 2026 roku ostatecznie jasno pokazała: Europa nie chce być tylko klientem OpenAI, Anthropic i Google DeepMind.

ASML zainwestował, według zbadanych danych, około 1,3 miliarda dolarów i objął około 11 procent udziałów w Mistral. Kto zna ASML, ten wie: ta firma nie kupuje folkloru. ASML to wąskie gardło globalnej produkcji chipów. Jeśli taka korporacja inwestuje w europejski dom modeli AI, to chodzi o kontrolę przemysłową, wartość dodaną półprzewodników, suwerenność danych i dostęp do kompetencji modelowych. Politico opisało Mistral jako geopolityczne narzędzie Francji. Mówiąc wprost: AI open-source w Europie stała się polityką lokalizacyjną.

Hugging Face pasuje do tego samego obrazu. Zbadane informacje wspominają o przejęciu przez Nvidię w 2026 roku za około 12,93 miliarda dolarów. Niezależnie od tego, czy czyta się tę liczbę na trzeźwo, czy z uniesioną brwią: kierunek jest jednoznaczny. Ekosystem, który długo był uważany za platformę deweloperską, staje się strategiczny dla dostawców GPU. Dlaczego? Ponieważ modele stają się bardziej wymienialne, ale dystrybucja, dostęp dla deweloperów, hosting modeli, ewaluacja i przepływy pracy generują władzę.

Często słyszę od średnich producentów zdanie: „Open Source jest dla nas zbyt ryzykowny”. Szczerze? Uważam to w wielu przypadkach za stary odruch. Ryzyko nie leży w otwartym modelu. Ryzyko leży w źle zarządzanym otwartym modelu, bez monitoringu, bez uprawnień, bez jasnej klasyfikacji danych. To jest różnica. Niesprawdzony wywołanie API zamkniętego modelu z poufnymi listami części nie jest automatycznie bezpieczniejsze tylko dlatego, że rachunek pochodzi od hyperscalera.

Andrea, Head of Sales w Hidden Champion w Bielefeld, powiedziała mi trzy tygodnie temu: „Nasze IT blokuje Open Source, ale nikt nie potrafi mi wyjaśnić, dlaczego nasza wiedza ofertowa może trafić do amerykańskiego API”. To jest właśnie dysonans poznawczy, który widzę wszędzie. Ufa się logo, a nie architekturze. To jest wygodne. I drogie.

Open models are moving from hobbyist artifacts to national and industrial assets. The funding rounds around Mistral show that Europe wants an AI layer it can negotiate with, not just subscribe to.

— Julien Simon, Chief Evangelist w Hugging Face, Paryż

Dlaczego ten trend dotyka sprzedaży

W sprzedaży AI open-source brzmi na początku odlegle. Ale tak nie jest. Jeśli Twój dział sprzedaży co miesiąc analizuje 2000 docelowych klientów, bada 800 technicznych centrów zakupowych, czyta przetargi, indeksuje strony internetowe, rozpoznaje wyzwalacze i przygotowuje spersonalizowane wiadomości, to mówimy o bieżących kosztach wnioskowania. Nie o kilku licencjach ChatGPT. Wtedy ekonomia tokenów staje się ekonomią sprzedaży.

Przykład z praktyki: dostawca maszyn z Ostwestfalii chciał priorytetyzować międzynarodowe konta docelowe według lokalizacji produkcji, zainstalowanych typów maszyn, sygnałów ekspansji i potrzeb serwisowych. Przy czysto zamkniętej konfiguracji API, kalkulacja w pilotażu wyglądała dobrze. 400 kont. Do opanowania. Kiedy ekstrapolowaliśmy model na 48 000 profili firm, 17 języków i miesięczną aktualizację, dyskusja się zmieniła. Nagle nie chodziło już o jakość modelu, ale o zmienne koszty i powtarzalność.

Właśnie tutaj otwarte modele stają się interesujące. Nie dlatego, że są zawsze lepsze. Nie są. Ale dlatego, że w przypadku powtarzalnych, specyficznych dla domeny zadań z jasną strukturą danych często są wystarczająco dobre i dają większą kontrolę nad kosztami i wdrożeniem. Sprzedaż nie potrzebuje modelu Frontier z maksymalnym rozumowaniem do każdej ekstrakcji firmograficznej. Czasami wystarczy dobrze dostrojony model, który niezawodnie rozpoznaje lokalizacje zakładów, linie produktów, certyfikaty i sygnały inwestycyjne.

AI w sprzedaży: Tabela adopcji i rozwoju rynku

Trend 2: Closed AI pozostaje silne, ale logika kosztów jest brutalna

Drugi trend: AI closed-source pozostaje dominująca w ogólnych umiejętnościach, ale jest kapitałochłonna do granic możliwości. OpenAI, według zbadanych danych, w 2025 roku miało osiągnąć obroty od 13 do 25 miliardów dolarów, jednocześnie odnotowując straty netto od 38 do 44 miliardów dolarów. Na połowę 2026 roku szacuje się roczne przychody od 24 do 40 miliardów dolarów. To dużo. A mimo to w grę wchodzą ogromne sumy finansowania.

Wspomniana runda finansowania OpenAI w marcu 2026 roku w wysokości około 122 miliardów dolarów przy wycenie post-money około 840 do 852 miliardów dolarów czyta się jak własny reżim rynków kapitałowych. Amazon z 50 miliardami dolarów, Nvidia z 30 miliardami dolarów, SoftBank z ponad 30 miliardami dolarów. Późniejsze raporty we wrześniu 2026 roku mówią o wycenach od 1,2 do 1,5 biliona dolarów. Analiza AI-Finance wspomniała nawet o możliwym rachunku za obliczenia w wysokości 300 miliardów dolarów w nadchodzących latach.

Anthropic gra w tę samą grę, tylko z inną tonacją. Zbadane dane wspominają o planowanym IPO z pozyskaniem około 100 miliardów dolarów kapitału przy wycenie 2 bilionów dolarów, Nvidii jako możliwym inwestorze kotwicznym z kwotą do 10 miliardów dolarów oraz zobowiązaniu do zakupu 30 miliardów dolarów pojemności Microsoft Azure na GPU Nvidii. To nie tylko AI. To trójkąt laboratorium modeli, umowy chmurowej i łańcucha dostaw GPU.

Nie chcę umniejszać znaczenia modeli zamkniętych. Kto to robi, sprzedaje ideologię. OpenAI, Anthropic i Gemini są doskonałe do wielu zadań: złożonego rozumowania, multimodalnej analizy, kodowania, ogólnej pracy z wiedzą, asysty w procesach biurowych. Jeśli kierownik sprzedaży w Festo lub Phoenix Contact tworzy wewnętrzny system wiedzy, zamknięty model może szybko dostarczyć wartość. Szybkość jest ważna. Szybkość zdobywa wewnętrzną akceptację.

Ale Closed AI ma haczyk, który rzadko pojawia się w prezentacjach pilotażowych: pilot jest tani, skalowanie jest produktem. 50 użytkowników, kilka przepływów pracy, przyjazna zniżka dla przedsiębiorstw. Potem pojawiają się automatyczne podsumowania CRM, asystenci ofert, generowanie e-maili, notatki ze spotkań, punktacja stron internetowych, analiza dokumentów, systemy RAG, tłumaczenia, klasyfikacja usług. Każdy proces pobiera tokeny. Każdy miesiąc staje się rozliczeniem zużycia. I w pewnym momencie CFO pyta, dlaczego dział sprzedaży nagle ma krzywą chmurową, która wygląda jak kij hokejowy.

Lock-in nie jest tylko techniczny

Wielu mówi o lock-in w kontekście API. To zbyt mało. Prawdziwy lock-in powstaje w formatach danych, łańcuchach promptów, zestawach ewaluacyjnych, nawykach użytkowników, procesach administracyjnych, systemach uprawnień i wewnętrznych szkoleniach. Jeśli Twój dział sprzedaży przez 18 miesięcy budował swoją logikę ICP, swoje wyniki kont, swoje playbooki i swoje szablony outreach na zamkniętym modelu, to nie zmienisz dostawcy w piątek po południu.

Dyrektor zarządzający z Augsburga, Thomas, kieruje producentem komponentów zatrudniającym około 420 pracowników. Powiedział mi w kwietniu 2026 roku: „Nauczyliśmy się w przypadku Cloud-ERP, że zmiana nie zawodzi z powodu ceny, lecz z powodu operacji”. Dokładnie. AI będzie podobna. Tylko szybciej. I z mniejszą liczbą standardów.

Dlatego sprzeciwiam się radzie, aby średnie przedsiębiorstwa po prostu wybierały najlepszego zamkniętego dostawcę i optymalizowały później. „Później” to niebezpieczne słowo. Później dane są rozproszone, użytkownicy przeszkoleni, przepływy pracy na stałe zakodowane, a dział zakupów podpisał trzyletnią umowę. Wtedy nie negocjujesz już na równych warunkach. Wtedy negocjujesz jako zależny klient.

Trend 3: Hybryda staje się obowiązkiem, ale nie jako kompromis

Trzeci trend to pragmatyczna odpowiedź: architektury hybrydowe stają się powszechne. Nie z potrzeby harmonii. Ale dlatego, że ani Open, ani Closed samo w sobie nie jest wystarczająco czyste. Closed do ogólnej pracy z wiedzą, złożonego rozumowania i szybkich prototypów. Open do powtarzalnych obciążeń, wrażliwych danych, klasyfikacji specyficznej dla branży, działania on-premise lub w suwerennej chmurze. To nie jest kompromis. To zarządzanie ryzykiem.

U producentów z regionu DACH widzę pewien wzorzec: procesy bliskie biuru najpierw trafiają na zamknięte platformy. Microsoft Copilot, Azure OpenAI, ChatGPT Enterprise, Gemini w Google Stacku. Procesy bliskie produkcji, strategiczne dla sprzedaży lub obciążone IP są traktowane ostrożniej. Dokumenty bliskie CAD, kalkulacje ofert, specjalne ceny dla klientów, reklamacje techniczne, raporty serwisowe, parametry maszyn. Tam nikt nie chce, aby dane podróżowały bez możliwości wyjaśnienia trasy przez kogoś w firmie.

Brzmi to jak zarządzanie IT, ale to biznes. Jeśli producent maszyn chce bronić swojej marży na częściach zamiennych za pomocą agenta AI, który grupuje zgłoszenia serwisowe, przewiduje zapotrzebowanie na części zamienne i wskazuje działowi sprzedaży sygnały churn, to nie jest chatbot. To zarządzanie przychodami. Jeśli dostawca motoryzacyjny, taki jak Brose czy Schaeffler, łączy dane dostawców, zgłoszenia jakościowe i historie kont, to chodzi o siłę negocjacyjną. Nie o ładny interfejs.

Rynek Enterprise Agentic AI ma wzrosnąć, według Grand View Research, z 2,6 miliarda dolarów w 2024 roku do 24,5 miliarda dolarów w 2030 roku, ze średnim rocznym wzrostem na poziomie około 46 procent. MarketsandMarkets widzi szerszy rynek AI Agents od 5,26 miliarda dolarów w 2024 roku do 52,62 miliarda dolarów w 2028 roku. Czy dokładna liczba na końcu się zgadza? Szczerze? Nie wiem. Ale kierunek jest jasny: AI przechodzi od systemów odpowiedzi do systemów działania.

A systemy działania potrzebują kontroli. Agent AI, który tylko formułuje teksty, jest miły. Agent AI, który priorytetyzuje konta, przygotowuje oferty, uruchamia sekwencje follow-up, eskaluje zgłoszenia serwisowe lub pisze do dostawców, ingeruje w procesy. Wtedy test narzędzia nie wystarczy. Wtedy potrzebne są prawa, logi, zatwierdzenia, mechanizmy awaryjne, limity kosztów, routing modeli i zespół, który rozumie, kiedy użyć modelu zamkniętego, a kiedy otwartego.

Co konkretnie widzimy w Amplifa

Co konkretnie widzimy w Amplifa: W ciągu ostatnich 12 miesięcy, podczas wdrożeń u firm przemysłowych, maszynowych i świadczących usługi techniczne w regionie DACH, zaobserwowaliśmy, że projekty AI w sprzedaży prawie nigdy nie zawodzą z powodu generowania tekstu. Zawodzą na pierwszym etapie danych. W 31 z 44 analizowanych konfiguracji Go-to-Market kryteria ICP znajdowały się w co najmniej czterech oddzielnych systemach: CRM, ERP, Excel, danych ze stron internetowych i często jeszcze w głowach dwóch starszych sprzedawców. W 19 przypadkach zespoły przed rozpoczęciem projektu nie potrafiły wyjaśnić, dlaczego konto z wynikiem 82 miałoby być lepsze niż konto z wynikiem 54. To nie jest problem AI. To problem zarządzania sprzedażą z objawami AI.

Jeszcze konkretniej: u producentów produktów wymagających wyjaśnienia regularnie obserwujemy, że otwarte modele wystarczają do uporządkowanej pracy wstępnej, podczas gdy modele zamknięte są silniejsze w przypadku złożonej personalizacji. Wzorzec, który działa: model open-weight wyodrębnia cechy firmy, wskazówki produkcyjne, certyfikaty, rynki eksportowe i sygnały zatrudnienia z publicznych źródeł. Następnie zamknięty model Frontier pisze precyzyjną hipotezę dla Account Executive'a. Potem człowiek to sprawdza. Nie romantycznie. Skutecznie.

W projekcie z dostawcą technicznym z południowych Niemiec, ręczny czas badania na jedno konto docelowe spadł z 22 minut do poniżej 6 minut, mierzone na 1200 kontach w okresie od stycznia do marca 2026 roku. Jednocześnie odsetek kont z co najmniej jednym wiarygodnym wyzwalaczem wzrósł z 34 do 71 procent. Żaden nowy sprzedawca. Żaden plakat motywacyjny. Tylko lepsze gromadzenie danych, routing modeli i ICP, który nie opierał się na intuicji.

To jest część, która mnie denerwuje na wielu spotkaniach zarządu: mówi się o AI, jakby dostawca modelu był strategią. Błąd. Strategia leży w pytaniu, która decyzja sprzedażowa zostanie zautomatyzowana, wsparta lub świadomie nie zautomatyzowana. Kto może priorytetyzować konto? Kto może wywołać wiadomość? Jakie dane mogą trafić do modelu? Ile kosztuje kwalifikowane spotkanie, jeśli badania, outreach i follow-up są częściowo zautomatyzowane?

Amplifa ICP Playbook Praktyczny playbook do precyzyjnego definiowania klientów docelowych, sygnałów zakupowych i priorytetyzacji kont w sprzedaży B2B, zanim AI zostanie skalowana.

Open vs. Closed AI: Logika biznesowa dla producentów

Dla firm produkcyjnych w regionie DACH istnieją cztery twarde kryteria: krzywa kosztów, kontrola danych, zdolność integracji i siła negocjacyjna. Wszystko inne to dodatek. Wiem, że to brzmi brutalnie. Ale kiedy rozmawia się z dyrektorami zarządzającymi, którzy muszą bronić marż w handlu częściami, wyjaśniać ceny energii, stabilizować łańcuchy dostaw i jednocześnie budować nowe usługi cyfrowe, szybko traci się cierpliwość do slajdów AI, na których są tylko obietnice efektywności.

Closed AI punktuje na początku. Kupujesz dostęp, otrzymujesz silne modele, korzystasz z istniejących struktur chmurowych i bezpieczeństwa i możesz zbudować produktywne aplikacje w ciągu tygodni. Jest to sensowne dla wielu średnich przedsiębiorstw, ponieważ wewnętrzne zespoły AI są małe. Kierownik sprzedaży u dostawcy Kärcher w regionie Stuttgartu nie będzie najpierw budował własnego zespołu MLOps tylko po to, by poprawić teksty ofert. Zrozumiałe.

Open AI punktuje w kontroli i powtarzalności. Jeśli proces działa tysiące razy dziennie, ze stabilną strukturą danych i wrażliwymi informacjami, to opłaca się własny hosting lub suwerenna chmura. Nie zawsze. Ale częściej, niż przyznaje wielu konsultantów. Zwłaszcza w przypadku punktacji leadów, klasyfikacji dokumentów, taksonomii technicznej, analizy przetargów, dopasowywania części zamiennych i wewnętrznego wyszukiwania wiedzy w poufnych dokumentach.

W 2026 roku nie doradzałbym żadnemu średniemu przedsiębiorstwu, aby całkowicie stawiało na Open Source, jeśli nie ma kompetencji integracyjnych. Byłoby to lekkomyślne. Ale równie mocno nie doradzałbym nikomu, aby wszystkie strategiczne procesy AI kleił do jednej zamkniętej platformy. Jest to wygodne, dopóki nie przyjdzie rachunek lub inspektor ochrony danych w komitecie sterującym nagle nie zamilknie.

Koszty: Capex kontra Opex to zbyt proste

Wielu przedstawia to błędnie: Open Source to Capex, Closed Source to Opex. To nie jest takie proste. Otwarty model może być również Opex poprzez zarządzany hosting. Zamknięty model może wydawać się bardziej przewidywalny poprzez umowy korporacyjne. Prawdziwe pytanie brzmi: jak mocno zużycie skaluje się z Twoim sukcesem biznesowym?

Jeśli Twój system AI analizuje każdy nowy lead, każdą zmianę na stronie internetowej, każdy przetarg, każdy protokół serwisowy i każdą notatkę CRM, koszty rosną wraz z aktywnością. To nie jest złe. Musi to tylko pasować do ekonomiki jednostkowej. Proces sprzedaży, który dzięki AI znajduje trzykrotnie więcej odpowiednich kont, ale generuje o 18 procent więcej kosztów narzędzi i tokenów na jedno zamknięcie, musi być oceniany inaczej niż klasyczna subskrypcja SaaS.

W przypadku średniego producenta z rocznym budżetem AI od 1 do 3 milionów euro, uważam za realistyczne, że strategia wyłącznie Closed do 2028 roku zwiąże około 50 do 70 procent tego budżetu w opłatach za użytkowanie, jeśli sprzedaż, serwis i inżynieria będą szeroko automatyzować. Ten zakres nie jest prawdą analityków. Jest to założenie planistyczne oparte na rozmowach i ekstrapolacjach. Ale zmusza do właściwej dyskusji.

Suwerenność danych: średnie przedsiębiorstwa nie doceniają swoich własnych aktywów

Wielu producentów mówi o danych, jakby mieli ich za mało. Zazwyczaj to nieprawda. Mają za mało użytecznych danych. To coś innego. W raportach serwisowych kryje się wiedza o produkcie. W utraconych ofertach kryje się wrażliwość cenowa. W reklamacjach kryją się informacje o konkurencji. W zamówieniach części zamiennych kryje się baza instalacyjna. W starych raportach z wizyt kryje się logika centrum zakupowego. Zapach archiwum papierowego nie jest cyfrowy, ale wartość jest realna.

Kto wykorzystuje te dane w AI, buduje aktywo. Kto rozprasza je bez kontroli w obce systemy, uzależnia się. RODO jest tylko prawną powierzchnią. Dla wielu producentów maszyn ważniejsza jest ochrona tajemnic handlowych: specjalne warunki, projekty specyficzne dla klienta, problemy z dostawami, wady jakościowe, parametry procesów. To nie są dane, które można lekkomyślnie wrzucać do czarnej skrzynki.

Strategia UE, aby zwiększyć udział Europy w globalnej mocy obliczeniowej AI z 5 do 15 procent do 2030 roku, z 100 miliardami euro inwestycji publicznych i 1,5 biliona euro prywatnych, pokazuje, dokąd zmierza podróż. Europa chce większej kontroli nad obliczeniami, modelami i przestrzeniami danych. Średnie przedsiębiorstwa nie powinny tego czytać jako dokumentu brukselskiego. Powinny to czytać jako strategię zakupową.

FAQ: Czy średnie przedsiębiorstwa powinny preferować AI open-source?

Nie, nie ogólnie. Kto ma niską dojrzałość danych, brak partnerów integracyjnych i brak jasnych przypadków użycia, ten często lepiej zaczyna od platform zamkniętych. Ale każdy średni producent powinien zbudować co najmniej jedną opcję otwartego modelu jako architekturę referencyjną. Nie z zasady. Jako kotwicę cenową, drogę ucieczki i warstwę kontroli.

FAQ: Gdzie Closed AI jest lepsze w sprzedaży?

Closed AI jest silne, gdy zadania są szerokie, nieustrukturyzowane i wymagające językowo. Hipotezy dotyczące kont, briefy dla kadry zarządzającej, złożone warianty e-maili, przygotowanie do rozmów dla międzynarodowych komitetów zakupowych. Dobry zamknięty model może tutaj dostarczyć jakość, dla której mniejsze otwarte modele potrzebują więcej strojenia. Sam używam takich modeli. Ale nie ślepo do każdego procesu.

FAQ: Gdzie Open AI jest lepsze w sprzedaży?

Open AI jest często lepsze w powtarzalnych, specyficznych dla domeny i wrażliwych zadaniach: klasyfikacji klientów docelowych, ekstrakcji cech technicznych, punktacji sygnałów firmowych, wewnętrznym wyszukiwaniu wiedzy, analizie archiwów ofert. Tam liczy się nie najgenialniejsza odpowiedź, ale stabilna powtarzalność, niskie koszty krańcowe i kontrola nad przepływami danych.

Co to oznacza dla dyrektorów zarządzających i inwestorów

Dla dyrektorów zarządzających w średnich przedsiębiorstwach pierwszy skutek jest prosty: AI musi trafić do planowania strategicznego i budżetowego, a nie do folderu innowacji. Jeśli wydatki przedsiębiorstw na GenAI wzrosną w ciągu roku z 11,5 do 37 miliardów dolarów, to dostawcy, integratorzy i platformy będą sprzedawać agresywniej. Twój dział zakupów zobaczy oferty, które brzmią jak produktywność, a pachną trzyletnim związaniem z chmurą.

Dla inwestorów pytanie jest jeszcze ostrzejsze. Jeśli inwestujesz w producenta lub go wyceniasz, musisz w przyszłości wiedzieć, czy zdolności AI firmy są jej własnymi aktywami, czy tylko wynajętymi promptami. Firma, która zbudowała swoją logikę ICP, dane kont, klasyfikacje techniczne i automatyzację procesów w sposób niezależny od modelu, jest bardziej odporna. Firma, której przepływy pracy AI są całkowicie zależne od zamkniętego narzędzia, ponosi ryzyko platformy.

W ramach due diligence od 2027 roku bardzo konkretnie pytałbym: Jakie modele są używane do jakich procesów? Jakie dane opuszczają UE? Czy istnieje opcja wyjścia dla krytycznych przepływów pracy? Jak wysokie są koszty AI na ofertę, na przypadek serwisowy, na kwalifikowane spotkanie? Jakie dane ewaluacyjne należą do firmy? Kto może obsługiwać system, jeśli dostawca zmieni ceny?

Brzmi to ostro. I tak musi być. Kto sprzedaje AI jako mnożnik, musi zaakceptować, że błędy również są mnożone. Zły ICP nie staje się lepszy dzięki AI. Jest szybciej wdrażany. Zła dyscyplina CRM nie jest leczona przez AI. Jest tylko ładniej podsumowywana. Proces sprzedaży bez jasnych odpowiedzialności nie staje się autonomiczny dzięki agentom. Staje się chaotyczny.

Przygotowanie AI w sprzedaży: 7 kroków na 2026 rok

1. Rozdziel przypadki użycia według ryzyka danych. Teksty biurowe, publiczne badania kont i wewnętrzna praca z wiedzą nie należą do tego samego koszyka co kalkulacje ofert, dokumenty bliskie CAD czy raporty serwisowe z tajemnicami klientów.
2. Oblicz TCO na trzy lata. Nie tylko koszty licencji. Uwzględnij tokeny, użytkowników, wywołania API, hosting, integrację, monitoring, bezpieczeństwo, szkolenia i zmianę dostawcy. Pilot bez kalkulacji skalowania to materiał sprzedażowy.
3. Zbuduj routing modeli. Określ, które zadania może otrzymać zamknięty model Frontier, a które powinien wykonać model otwarty. Najlepszy stos nie zawsze używa najlepszego modelu, ale odpowiedniego.
4. Zdefiniuj swój ICP w sposób czytelny dla maszyn. Branże, wielkości firm, instalacje, certyfikaty, sygnały ekspansji, wyzwalacze, kryteria wykluczenia. Jeśli Twój Ideal Customer Profile istnieje tylko w PowerPoint, AI nie może go czysto skalować.
5. Stwórz zestawy danych ewaluacyjnych z prawdziwych przypadków. 100 zdobytych kont, 100 utraconych kont, 100 złych leadów, prawdziwe przypadki serwisowe, prawdziwe dokumenty ofertowe. Bez ewaluacji dyskutujesz o jakości modelu na podstawie uczuć.
6. Wcześnie negocjuj klauzule dotyczące danych i cen. W przypadku dostawców zamkniętych: rezydencja danych, brak szkolenia na danych klientów, możliwości eksportu, stabilność cen. W przypadku partnerów otwartych: SLA, wzmocnienie bezpieczeństwa, model operacyjny, wspólne IP.
7. Stwórz odpowiedzialność w biznesie. Nie tylko IT. Sprzedaż, serwis, inżynieria i controlling muszą rozumieć koszty i decyzje AI. W przeciwnym razie IT zbuduje platformę, którą nikt nie będzie ekonomicznie zarządzał.

Te kroki wydają się suche. Dobrze. Suche kroki zapobiegają łzom w komitecie sterującym. Widziałem zbyt wiele projektów AI, w których po sześciu miesiącach nikt nie wiedział, czy system generuje przychody, czy tylko aktywność. Zwłaszcza w sprzedaży aktywność jest najniebezpieczniejszym wskaźnikiem. Więcej e-maili to nie postęp. Więcej trafnych rozmów już tak.

Amplifa Produkt Amplifa pomaga zespołom B2B w identyfikacji klientów docelowych na podstawie danych, priorytetyzacji sygnałów i kontrolowanym budowaniu procesów sprzedażowych opartych na AI.

Jak może wyglądać hybrydowy stos AI w średnich przedsiębiorstwach

Użyteczny stos hybrydowy nie zaczyna się od modelu. Zaczyna się od mapy procesów. Jakie decyzje sprzedażowe są podejmowane dzisiaj? Wybór konta, zrozumienie centrum zakupowego, znalezienie okazji, sformułowanie wiadomości, ustalenie terminu, zaplanowanie follow-up, przygotowanie oferty, rozpoznanie ryzyka. Każda decyzja otrzymuje źródła danych, osoby odpowiedzialne i poziom automatyzacji. Dopiero potem pojawia się pytanie o model.

Dla publicznych danych firmowych wystarczy otwarty model, działający na własnej infrastrukturze lub u europejskiego dostawcy. Wyodrębnia on z witryn internetowych, danych rejestrowych, ogłoszeń o pracę, komunikatów prasowych i baz danych certyfikatów odpowiednie cechy. Przykład: producent rozbudowuje zakład w Czechach, szuka konserwatorów z doświadczeniem w Siemens S7 i wspomina o nowych liniach pakowania. To jest sygnał. Nie magiczny sygnał. Ale lepszy niż „firma zatrudnia 500 pracowników”.

Do sformułowania hipotezy dla kadry zarządzającej może być sensowny model zamknięty, o ile nie trafiają do niego poufne dane lub są one odpowiednio maskowane. Account Executive otrzymuje wtedy nie „Cześć, chciałem się krótko przedstawić”, ale hipotezę: „Twoja rozbudowa w Brnie prawdopodobnie zwiększy zapotrzebowanie na standaryzowane procesy konserwacji dla linii X; w podobnych zakładach widzimy wąskie gardła w dostępności części zamiennych”. To jest sprzedaż. Nie spam.

W przypadku wewnętrznego wyszukiwania wiedzy w archiwach ofert byłbym ostrożniejszy. Tam znajdują się ceny, rabaty, specjalne rozwiązania techniczne, klauzule prawne. Otwarty model w kontrolowanym środowisku może być tutaj lepszym wyborem. Być może z generowaniem wspomaganym wyszukiwaniem (Retrieval-Augmented Generation), być może z rygorystyczną logiką ról, być może z ludzkim zatwierdzeniem. Najważniejsze: nikt nie kopiuje ofert PDF do żadnego okna czatu, bo tak jest szybciej.

Orkiestracja przepływów pracy jest niedoceniana. Temporal, według zbadanych danych we wrześniu 2026 roku z rundą Series E w wysokości 550 milionów dolarów przy wycenie 12,55 miliarda dolarów, pokazuje, jak ważne stają się solidne procesy. AI bez orkiestracji to wideo demo. AI z orkiestracją może wspierać proces: pobieranie danych, wybór modelu, weryfikacja wyniku, aktualizacja CRM, uzyskanie zatwierdzenia, utworzenie zadania.

Dlaczego czyste strategie inbound w produkcji nie wystarczą

Mówię to świadomie dosadnie: Kto w 2026 roku w przemysłowym B2B nadal stawia na czystą strategię inbound, ten za pięć lat nie będzie miał wiarygodnego pipeline'u. Nie dlatego, że inbound umarł. Ale dlatego, że kupujący stają się bardziej niewidoczni, przetargi pojawiają się później, a decydenci techniczni konsumują informacje na długo przed wypełnieniem formularza. Jeśli reagujesz dopiero, gdy lead jest w systemie, często jesteś już wymienialny.

AI zmienia tutaj zasady gry. Dobre zespoły sprzedażowe nie czekają na leady. Rozpoznają ruchy rynkowe: rozbudowy fabryk, nowe linie produktów, zmiany w zarządzie, decyzje o dotacjach, nowe normy, ogłoszenia o pracę, problemy z łańcuchem dostaw, patenty, zapowiedzi targów. Zespół, który ręcznie szuka tych sygnałów, nie nadąża. Zespół, który automatycznie je zbiera i źle ocenia, generuje szum. Zespół, który łączy AI z czystym ICP, buduje pipeline wcześniej.

Markus, kierownik sprzedaży w firmie budującej instalacje z okolic Ulm, powiedział mi w czerwcu 2026 roku: „Nasze najlepsze szanse nigdy nie pojawiają się w CRM, zanim ktoś ich nie poszuka”. Dokładnie. CRM to często lusterko wsteczne. AI może być radarem. Ale tylko wtedy, gdy sygnały są prawidłowe, a sprzedaż nie uważa każdego automatycznie wygenerowanego śladu za szansę.

Rola regulacji i suwerenności

AI Act, RODO, NIS2 i wymagania branżowe nie ułatwiają życia Europie. Ale sprawiają, że debata jest bardziej uczciwa. Producenci z regionu DACH nie mogą udawać, że przepływy danych są bez znaczenia. Zwłaszcza firmy z branży motoryzacyjnej, obronnej, medycznej czy chemicznej muszą wiedzieć, gdzie dane są przetwarzane, kto ma do nich dostęp i jak decyzje są protokołowane.

Modele Open-Weight dobrze pasują do europejskiej polityki przemysłowej. Pozwalają na większą lokalną kontrolę, większą audytowalność i większe dostosowanie do wymagań specyficznych dla domeny. Ale jeszcze raz: otwarte nie oznacza automatycznie zgodne. Źle skonfigurowany system open-source jest tak samo niebezpieczny jak źle wynegocjowana umowa zamknięta. Różnica polega na tym, że w przypadku otwartych rozwiązań często ma się większe pole manewru.

Inicjatywa francusko-emiracka o wartości około 1 miliarda dolarów na konstelację satelitów AI z 50 satelitami do obserwacji Ziemi pokazuje, jak szerokie staje się pojęcie suwerenności. Nie chodzi tylko o chatboty. Chodzi o źródła danych, obliczenia, modele, aplikacje. Dla producentów oznacza to: łańcuch wartości AI staje się dłuższy. A kto kupuje tylko narzędzie na końcu, ten nie rozumie dźwigni.

Kwoty inwestycji: Co naprawdę oznaczają mega-rundy

Mega-rundy nie są dowodem na wartość dla klienta. Trzeba to powiedzieć. Kapitał może również oznaczać przegrzanie. Ale skale pokazują, gdzie powstają strategiczne zależności. OpenAI z rundą finansowania 122 miliardów dolarów w marcu 2026 roku, Anthropic z możliwymi planami IPO na 100 miliardów dolarów, Mistral z 3 miliardami euro w Series D, Hugging Face z wyceną dwucyfrową w miliardach, Temporal z 12,55 miliardami dolarów. To jest nowa mapa infrastruktury.

Dla średnich przedsiębiorstw kryje się w tym ostrzeżenie. Dostawcy z ekstremalnymi wymaganiami kapitałowymi muszą w końcu wykazać rentowność. Rentowność pochodzi z cen, pakietowania, zużycia, kontroli platformy lub udziału w rynku. Jeśli siedzisz na platformie, która sama musi obsłużyć rachunek za obliczenia w wysokości 300 miliardów dolarów, nie powinieneś zakładać, że Twoje ceny API pozostaną trwale przyjazne.

W otwartych ekosystemach logika jest inna, ale nie bezpłatna. Wartość powstaje w hostingu, integracji, bezpieczeństwie, wsparciu, dostrajaniu, ewaluacji i obsłudze. To szansa dla europejskich integratorów i wyspecjalizowanych dostawców. Dla klientów to praca. Trzeba wybierać partnerów, kierować architekturą i mierzyć wyniki. W zamian otrzymuje się z powrotem siłę negocjacyjną.

Związek między architekturą AI a zarządzaniem pipeline'em

Zarządzanie pipeline'em jest często traktowane jako dyscyplina sprzedażowa. Prognoza, etapy, prawdopodobieństwa, następne kroki. Wszystko prawidłowo. Ale AI przesuwa zarządzanie pipeline'em do przodu. Kluczowe pytanie nie brzmi już tylko, jakie szanse są w CRM. Ale jakie konta nie są jeszcze w CRM, choć mogłyby kupić za 6 do 18 miesięcy.

Tutaj zabawka oddziela się od systemu. Podejście wyłącznie zamknięte może szybko dostarczyć dobre teksty i podsumowania. Podejście przyjazne dla otwartych rozwiązań może pomóc w efektywnym przetwarzaniu dużych ilości danych zewnętrznych i wewnętrznych. Podejście hybrydowe łączy oba: otwarte modele do szeroko skalowanego wykrywania sygnałów, zamknięte modele do wymagającej komunikacji, ludzkie zatwierdzenie dla krytycznych dla biznesu kroków.

Średnie przedsiębiorstwa nie potrzebują AI, która produkuje więcej wyników. Potrzebują AI, która ustala mniej błędnych priorytetów. To małe zdanie z dużymi konsekwencjami. Mniej złych kont. Mniej nieistotnych działań po targach. Mniej „odezwiemy się”. Więcej rozmów z firmami, u których istnieje konkretny wyzwalacz, odpowiednia potrzeba i osiągalne centrum zakupowe.

Osobista prognoza: 2027 do 2029

Moja osobista prognoza na najbliższe dwa do trzech lat: 2027 będzie rokiem konsolidacji AI w średnich przedsiębiorstwach. Wiele firm będzie używać od 8 do 15 narzędzi, ale zatrzyma tylko 2 do 4 z nich. Nie dlatego, że inne są złe. Ale dlatego, że nadmiar narzędzi bez strategii danych irytuje, kosztuje i zaciera odpowiedzialności.

2028 będzie rokiem kontroli kosztów. CFO nie będą już akceptować, że AI przechodzi jako budżet innowacji. Będą chcieli widzieć koszty na operację: na kwalifikowanego leada, na ofertę, na przypadek serwisowy, na dokumentację techniczną, na zgłoszenie wsparcia. Wtedy okaże się, kto od początku czysto rozdzielił Open i Closed. I kto po prostu wszędzie wrzucił ten sam model.

2029 będzie rokiem siły negocjacyjnej. Firmy z przepływami pracy niezależnymi od modelu, własnymi danymi ewaluacyjnymi, jasną klasyfikacją danych i otwartymi alternatywami będą miały lepsze ceny i lepszą kontrolę. Firmy bez tych podstaw będą musiały wyjaśniać swoją strategię AI wstecz: od dostawcy, a nie od biznesu. To rzadko jest dobrym znakiem.

Nie wierzę w romantyczną opowieść, że Open Source wszystko wygrywa. Nie wierzę też w wygodną opowieść, że duże zamknięte platformy wszystko lepiej rozwiązują. Rynek stanie się brzydszy, bardziej praktyczny i bardziej przemysłowy. Właśnie dlatego pasuje do średnich przedsiębiorstw.

Ostatecznie nie wygra producent, który pokaże najbardziej spektakularne demo AI. Wygra ten, kto wie, jakie dane posiada, jakie procesy musi kontrolować i na jakie zależności może sobie pozwolić. Na stole warsztatowym brzmi to niespektakularnie. W rachunku zysków i strat już nie.