AI & Automatyzacja · 27 maja 2026 · 24 min czasu czytania · Rebecca Kupka, Founders Associate, Amplifa

Open Source AI: Raport trendów dla średnich przedsiębiorstw

Open Source AI zmienia ceny, lock-in i strategię GenAI w sektorze MŚP. Dowiedz się, co producenci z regionu DACH postanowią przed rundą budżetową 2025.

W zeszły wtorek o godzinie 8:17 siedzę w naszym biurze w Berlinie na rozmowie z Thomasem, dyrektorem zarządzającym firmy dostawczej spod Heilbronn. Obok niego szumi ekspres do kawy, gdzieś w tle pika cofający się wózek widłowy, a na jego ekranie widać arkusz Excel z cenami dostawców, reklamacjami i 2 861 otwartymi aktywnościami w CRM. „Chcę korzystać z AI”, mówi Thomas, „ale nie chcę, aby nasze rysunki i marże wylądowały kiedyś w Seattle czy San Francisco”. Właśnie na tym zdaniu opiera się obecnie rynek Open Source AI. Nie na benchmarkach. Nie na filmach demo. Na strachu przed uwiązaniem własnej wartości dodanej do modelu cenowego API za pięć lat.

Moja prognoza, która w wielu gremiach zarządczych brzmi jeszcze niewygodnie: Open Source AI do 2027 roku nie zbierze największej części inwestycji w GenAI, ale podyktuje logikę cenową całego rynku. Wielkie czeki nadal będą trafiać do OpenAI, Anthropic, Microsoft, Google i Amazon. Siła negocjacyjna po cichu przechodzi jednak do firm, które mogą wymieniać swoje modele.

To jest kluczowy punkt dla europejskich średnich przedsiębiorstw. Kto w 2025 roku traktuje strategię AI wyłącznie jako wybór narzędzia, ten nie zrozumiał tematu. Chodzi o siłę nabywczą, suwerenność danych, krzywe kosztów, opcje zmiany dostawcy oraz o to, czy producent maszyn z Badenii-Wirtembergii za trzy lata nadal będzie sam decydował, gdzie przetwarzane są jego raporty serwisowe, programy CNC i logika ofertowa.

Open Source AI 2025: Gdzie rynek znajduje się dzisiaj

Rynek jest niesymetryczny. Kapitał nie płynie równomiernie, lecz falami, a największa fala wciąż toczy się w stronę modeli zamkniętych. OpenAI od 2023 roku jest często łączone z łącznym kapitałem około 13 do 14 miliardów dolarów amerykańskich i ustrukturyzowanymi pakietami Microsoft; partnerstwo z Microsoft jest publicznie omawiane najczęściej w skali od 10 do 13 miliardów dolarów amerykańskich. Anthropic otrzymał deklaracje od Amazon i Google na łączną kwotę ponad 6 miliardów dolarów amerykańskich, zależnie od transzy i struktury. Cohere plasuje się raczej w przedziale od 500 milionów do 1 miliarda dolarów amerykańskich, z inwestorami takimi jak Nvidia, Oracle i Salesforce Ventures. To nie są zwykłe rundy oprogramowania. To zakłady o infrastrukturę.

Po stronie otwartej obraz jest bardziej rozproszony, ale nie mały. Hugging Face zebrał w 2023 roku rundę 235 milionów dolarów, m.in. z Salesforce, Google, Nvidia, Intel, AMD i IBM, i według ówczesnych raportów został wyceniony na 4,5 miliarda dolarów amerykańskich. Stability AI otrzymało w 2022 roku około 100 milionów dolarów amerykańskich przy wycenie około 1 miliarda dolarów amerykańskich, później znalazło się pod presją finansową, ale pozostało kluczowe dla otwartych modeli obrazu. Aleph Alpha z Heidelbergu otrzymała w 2023 roku strategiczną rundę finansowania w wysokości około 500 milionów dolarów amerykańskich (lub 400 do 500 milionów euro), wspieraną przez SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise oraz innych niemieckich graczy przemysłowych i finansowych. Mistral AI z Paryża to przypadek szczególny: pozycjonowany jako otwarty, ustrukturyzowany komercyjnie, w 2023 roku z 105 milionami euro Seed, a później około 385 milionami euro Series A, w 2024 roku z dyskusjami o wycenie rzędu 5 miliardów dolarów amerykańskich.

Kiedy omawiam to z dyrektorami finansowymi (CFO), często widzę ten sam odruch. „Czyli wygrywają zamknięci”, powiedziała mi trzy tygodnie temu Andrea, Head of Sales w firmie będącej ukrytym czempionem w Bielefeld, podczas gdy w sali konferencyjnej obok ktoś przesuwał kontener biurowy po płytkach. Cóż, prawie. Wygrywają w statystykach kapitałowych. Ale statystyka kapitałowa to nie to samo co wpływ strategiczny.

McKinsey oszacował w 2023 roku roczny potencjał ekonomiczny generatywnej AI na 2,6 do 4,4 biliona dolarów amerykańskich, z dużym udziałem produkcji, Supply Chain, rozwoju produktu i interakcji z klientem. Goldman Sachs pisał w 2023 roku, że GenAI może podnieść globalne PKB o około 7 procent w ciągu dziesięciu lat. IDC, Gartner i inni analitycy widzieli w 2023 i 2024 roku światowe wydatki na oprogramowanie AI, sprzęt i usługi zmierzające w stronę 300 do 500 miliardów dolarów amerykańskich rocznie do 2026 lub 2027 roku, zależnie od definicji. Te liczby brzmią abstrakcyjnie. W zakładzie w Tuttlingen oznacza to: Kto pisze raport serwisowy? Kto przeszukuje dokumentację części zamiennych? Kto sprawdza maile od dostawców? Kto priorytetyzuje leady od obecnych klientów?

Bitkom poinformował we wrześniu 2024 roku, że 20 procent niemieckich firm korzysta z AI, a kolejne 37 procent planuje lub omawia jej wdrożenie. W dużych firmach wskaźnik ten jest znacznie wyższy niż w małych. W rozmowach ze średnimi przedsiębiorstwami z branży budowy maszyn, elektrotechniki i dostawców motoryzacyjnych wydaje się to bardzo realne: prawie każdy ma test Copilot, pipeline Azure-OpenAI, wewnętrzny projekt chatbota lub przynajmniej praktykanta, który eksperymentuje z LLaMA, Mixtral lub Mistral. Ale niewielu ma strategię modelową. Bardzo niewielu.

Status Quo: Modele zamknięte zarabiają, modele otwarte dyscyplinują

Zamknięci dostawcy sprzedają trzy rzeczy: wydajność, wygodę i pakietowanie. OpenAI przez Microsoft, Anthropic przez AWS i Google, Gemini w Google Cloud, Copilot w Microsoft 365, Salesforce Einstein, SAP Joule. Otrzymuje Pan/Pani modele, API, interfejsy governance, rozliczenia i czasami uspokajające poczucie, że dział zakupów musi tylko rozszerzyć istniejącą umowę ramową. To jest atrakcyjne. Szczególnie dla firm, których zespół IT składa się z 14 osób i musi równolegle radzić sobie z SAP S/4HANA, problemami EDI i wymianą firewalli.

Open Source AI sprzedaje coś innego, często bardziej pośrednio: opcje wyjścia. Model LLaMA, model Mixtral lub model od Aleph Alpha, który można hostować samodzielnie, nie musi być najlepszym modelem na świecie w każdym zadaniu. Musi być wystarczająco dobry, wystarczająco przejrzysty, tańszy w ciągłej eksploatacji i na tyle elastyczny umownie, aby CIO z Ulm nie musiał akceptować ceny za milion tokenów od amerykańskiego dostawcy przy każdej nowej aplikacji. Właśnie tutaj leży dźwignia. Nie romantyczna. Ekonomiczna.

To, co konkretnie widzimy w Amplifa: w ciągu ostatnich 12 miesięcy w projektach discovery i wdrożeniowych w firmach B2B z branży budowy maszyn, komponentów przemysłowych i usług technicznych prawie nigdy nie widzieliśmy czystej strategii Open Source, ale w 7 na 10 przypadków cichą architekturę pomocniczą. Wzór jest jasny: GPT-4 lub Claude do trudnych zadań analitycznych i tekstowych w fazie pilotażowej, a następnie modele otwarte lub self-hostable do powtarzalnych zadań, takich jak klasyfikacja leadów, podsumowywanie e-maili, wypełnianie pól CRM i ekstrakcja dokumentów. Punkt zwrotny nie następuje przy „lepszej AI”. Następuje przy wolumenie. Gdy tylko proces generuje tysiące małych wywołań modelu dziennie, ciekawość zamienia się w kwestię kosztów.

Trend 1: Open Source AI wymusza obniżki cen

Najważniejszym efektem rynkowym modeli otwartych nie jest to, że każdy średni przedsiębiorca jutro wytrenuje własny Foundation Model. To się nie stanie. Producent narzędzi z Remscheid również nie kupuje własnej maszyny litograficznej od ASML tylko dlatego, że chipy są strategiczne. Efekt powstaje dzięki wiarygodnym alternatywom. Jeśli LLaMA 3, Mixtral, Qwen, Falcon lub model europejski wystarczają do 60-80 procent rutynowych zadań, to zamknięci dostawcy tracą fantazję cenową właśnie w tych zadaniach.

Benchmarki kosztów z praktyki mocno się wahają, ponieważ należy uwzględnić ceny tokenów, hosting, obciążenie, rozmiar modelu, kwantyzację, wymagania dotyczące opóźnień i wsparcie. Niemniej jednak w analizach rynkowych i kalkulacjach chmurowych widzimy powtarzający się schemat: inferencja i fine-tuning z otwartymi modelami może być dla określonych obciążeń o wysokim wolumenie od 5 do 20 razy tańszy niż stałe korzystanie z API zamkniętych topowych modeli. Nie zawsze jest to prawdą. Jeśli firma nie ma infrastruktury, ma słabe obciążenie i potrzebuje trzech zewnętrznych usługodawców do obsługi, korzyść topnieje. Ale przy ustrukturyzowanych zadaniach z wieloma powtórzeniami presja kosztowa jest realna.

Przykład z rozmowy z klientem w marcu 2025 roku: Markus, dyrektor sprzedaży producenta komponentów z Norymbergi, chciał automatycznie klasyfikować wszystkie przychodzące zapytania: części zamienne, biznes projektowy, zapytanie o cenę, reklamacja, zapytanie od dealera. Model zamknięty? Zadziałał natychmiast. Otwarty mniejszy model? Po 300 zanotowanych przykładach i czystym prompcie plus Retrieval, trafność dla czterech najważniejszych klas była na tyle bliska modelowi zamkniętemu, że CFO przestał mówić o jakości modelu, a zaczął o kosztach miesięcznych. To jest moment, w którym rynek się przechyla. Cicho, w Excelu.

Yann LeCun od lat argumentuje, że otwarte platformy AI tworzą w dłuższej perspektywie bardziej solidne ekosystemy niż kilku zamkniętych strażników dostępu. Dla firm przemysłowych to nie ideologia, lecz pozycja zakupowa.

— Yann LeCun, Chief AI Scientist w Meta

Uważam termin „parasol cenowy Open Source” za zbyt miękki. To raczej łom. Gdy tylko dział zakupów może udowodnić, że otwarta alternatywa wykonuje 70 procent zadania za 20 procent kosztów, zmienia się rozmowa z Microsoft, Google, Salesforce lub wyspecjalizowanym dostawcą AI. Nie zawsze wygrywa wariant otwarty. Ale zmusza on drugą stronę do wyjaśnienia, dlaczego ich cena jest uzasadniona.

Trend 2: Architektury hybrydowe stają się normą

Najnudniejsze zdanie w warsztatach strategii AI jest niestety również najbardziej prawdziwe: nie będzie jednego modelu. Wiem, nikt nie chce zarządzać kolejnym portfolio. Dyrektorzy zarządzający chcą jasności, IT chce mniej wariantów, zakupy chcą mniej umów. Mimo to realne architektury zmierzają w stronę miksu modeli. Zamknięte modele do zadań, w których liczy się najlepsza możliwa wydajność rozumowania (reasoning). Otwarte modele dla wysokich wolumenów, wrażliwych danych, krótkich opóźnień lub procesów, które muszą być audytowane.

W firmach takich jak Festo, Trumpf, DMG Mori, Phoenix Contact czy Schaeffler widać publicznie bardzo różne inicjatywy AI, ale podstawowe napięcie jest podobne jak w średnich przedsiębiorstwach: wiedza o produkcie, dane serwisowe, logika produkcji i dialog z klientem nie mogą dowolnie trafiać na obce platformy. Szef sprzedaży ze Stuttgartu powiedział mi w kwietniu 2025 roku: „Nasza historia cenowa to nie materiał treningowy”. Potem się zaśmiał. Krótko. Potem w pokoju zapadła cisza, słychać było tylko wentylator projektora. Właśnie ta cisza to pytanie o architekturę.

Typowe wzorce hybrydowe powstają wzdłuż ryzyk związanych z danymi. Microsoft 365 Copilot do wewnętrznej pracy biurowej może mieć sens, jeśli uprawnienia są czyste i nie są przetwarzane wysoce wrażliwe dane konstrukcyjne. Asystent RAG dla techników utrzymania ruchu, który przeszukuje podręczniki maszyn, kody błędów, raporty serwisowe i dane części zamiennych, należy raczej do kontrolowanego środowiska. Proces Lead Scoringu, który łączy dane CRM, dane firmowe i sygnały internetowe, może w zależności od klasy danych działać przez orkiestrowaną architekturę: silny zamknięty model dla niejasnych tekstów, otwarty model do klasyfikacji i ekstrakcji, warstwa oparta na regułach dla compliance.

Najlepsze wdrożenia, jakie widzę, nie dzielą według logo dostawcy, lecz według ryzyka procesu. Co się stanie, jeśli odpowiedź będzie błędna? Ile kosztuje wywołanie modelu przy 50 000 operacji miesięcznie? Jakie dane opuszczają sieć? Czy mogę zmienić dostawcę bez budowania aplikacji od nowa? Brzmi sucho. Bo tak jest. Ale właśnie tam rozstrzyga się, czy AI pozostanie eksperymentem, czy pojawi się w rachunku zysków i strat.

CFO może początkowo postrzegać tę dyskusję o governance jako hamulec. Zrozumiałe. Brzmi to jak slajdy o ochronie danych i długie spotkania z działem prawnym. Ale bez klasyfikacji danych każdy projekt AI stanie się polityczny. Wtedy dział konstrukcyjny zablokuje, bo może to dotyczyć danych CAD. Sprzedaż zablokuje, bo widoczne będą ceny dla klientów. IT zablokuje, bo nikt nie zna reguł logowania. Na koniec wygrywa najmniejszy projekt pilotażowy: chatbot do regulaminu stołówki. Miło. Strategicznie nieistotne.

Trend 3: Sovereign AI staje się argumentem zakupowym, a nie PR

Sovereign AI brzmi jak Bruksela, wniosek o dotację i dyskusja panelowa. Długo nie lubiłem tego terminu. Zbyt duży. Zbyt mglisty. W rozmowach z klientami ma on jednak bardzo konkretne znaczenie: Gdzie działają modele? Kto widzi logi? Kto może podnieść ceny? Kto może wycofać funkcję? Kto decyduje, jakie dane mogą być użyte do treningu? Kierownik produkcji z Augsburga sformułował to ostatnio prościej: „Chcę widzieć wtyczkę”.

Europa ma tutaj inny odruch niż USA. GDPR, EU AI Act, rady zakładowe, wymagania dotyczące łańcucha dostaw, kontrola eksportu, audyty klientów. To czasami hamuje. Ale chroni też przed ślepą konsumpcją platform. EU AI Act został ostatecznie przyjęty w 2024 roku; wiele obowiązków wchodzi etapami od 2025 i 2026 roku. Dla zastosowań przemysłowych oznacza to więcej dokumentacji, klasyfikację ryzyka, identyfikowalność i jasną odpowiedzialność. Modele otwarte lub self-hostable nie rozwiązują tych wymagań automatycznie. Ale ułatwiają niektóre dowody, ponieważ eksploatacja, logowanie i przepływy danych stają się bardziej kontrolowalne.

Aleph Alpha jest zatem dla regionu DACH strategicznie ciekawsza, niż mogłaby sugerować niejedna czysta dyskusja o benchmarkach. Heidelberg zamiast Kalifornii sam w sobie nie jest argumentem jakościowym. Ale dostawca, który poważnie traktuje język niemiecki, europejski compliance, opcje on-premise i referencje przemysłowe, zmienia listy zakupowe. Mistral AI we Francji odgrywa podobną rolę na poziomie europejskim, nawet jeśli firma prowadzi hybrydowe modele biznesowe i nie wszystko jest otwarte. Hugging Face z kolei nie jest klasyczną firmą Sovereign AI, ale infrastrukturą dla porównywalności: modele, zbiory danych, leaderboardy, opcje deploymentu. Bez takich platform modele otwarte byłyby dla średnich przedsiębiorstw prawie nieuchwytne.

Wymiar polityczny jest niedoceniany. Jeśli SAP, Bosch i Schwarz Gruppe inwestują w Aleph Alpha, nie jest to czysty trade dla zysku. To sygnał: europejski przemysł nie chce pozyskiwać każdej funkcji AI przez amerykańskich hiperskalerów. Jednocześnie te same firmy oczywiście nadal inwestują w ekosystemy Microsoft, AWS, Google i Nvidia. To nie jest sprzeczność. To hedging.

Amplifa ICP Playbook — Dla zespołów strategicznych, które nie chcą planować AI abstrakcyjnie: ICP Playbook pomaga wyostrzyć definicję klientów docelowych, segmentów i priorytetów w oparciu o dane.

Co Open Source AI oznacza dla średnich przedsiębiorstw

Dla dyrektorów zarządzających w produkcji kluczowe pytanie nie brzmi: Czy Open Source jest lepszy niż Closed Source? Pytanie brzmi: Jaką zależność kupuję, opierając swoje procesy na modelu, którego nie kontroluję? Dostawca motoryzacyjny z Bawarii ma inne ryzyka niż startup SaaS z centrum Berlina. Rysunki CAD, dane narzędziowe, ceny dostawców, raporty z badań, historia reklamacji, notatki ze zmian, parametry maszyn – to nie są wymienne teksty. To majątek firmy.

Jestem tutaj celowo stanowczy: kto w 2026 roku zawiesi całą swoją roadmapę AI na jednym amerykańskim hiperskalerze, bez architektury wyjścia, działa lekkomyślnie. Nie dlatego, że Microsoft, Google czy Amazon byliby złymi partnerami. Wręcz przeciwnie, często są najszybszą drogą do produkcji. Lekkomyślna jest droga jednokierunkowa. Średni przedsiębiorcy w obszarach ERP, PLM i MES już wystarczająco często doświadczyli, co się dzieje, gdy model danych, logika procesu i siła kontraktowa leżą w jednym ręku.

Rachunek ekonomiczny przebiega na trzech poziomach. Po pierwsze, koszty bezpośrednie: tokeny, licencje, hosting, nakłady na integrację, wsparcie. Po drugie, koszty zmiany: jak drogo będzie, gdy model trzeba będzie wymienić? Po trzecie, koszty strategiczne: jakie dane są standaryzowane, logowane i wzbogacane w którym ekosystemie? Trzeci punkt jest najtrudniejszy do wyceny i właśnie dlatego niebezpieczny. W rundach budżetowych często wygrywa pozycja, którą można policzyć.

Dla sprzedaży efekt jest szczególnie namacalny. Otwarty model nie musi pisać idealnej poezji. Musi czysto rozpoznać, czy klient docelowy pasuje do ICP, czy zapytanie pachnie biznesem projektowym, czy e-mail od obecnego klienta zawiera sygnał up-sell, czy rekord w CRM jest uszkodzony. Wiele z tych zadań ma charakter klasyfikacyjny, a nie magiczny. Gdy działają w milionach powtórzeń, liczy się logika kosztów jednostkowych. Gdy korzystają z wrażliwych danych klientów, liczy się miejsce przechowywania danych. Gdy są osadzone w Salesforce, HubSpot, SAP C/4HANA lub Microsoft Dynamics, liczy się wymienność.

U producenta komponentów przemysłowych z Wschodniej Westfalii w styczniu 2025 roku poczyniliśmy prostą obserwację: najdroższe problemy sprzedażowe nie leżały w braku leadów, lecz w nieostrej segmentacji. 18 procent kont w CRM znajdowało się wyraźnie poza segmentem docelowym, ale nadal prowadzono wobec nich kampanie. Jednocześnie obecni klienci o podobnych wzorcach zakupowych znajdowali się na trzech różnych listach segmentowych. AI nie pomogła tam dlatego, że była „inteligentna”. Pomogła, bo ujednoliciła wzorce w różnych źródłach danych. Do czegoś takiego nie zawsze potrzebny jest najsilniejszy zamknięty model. Potrzebny jest kontrolowany system.

Producenci z regionu DACH potrzebują portfolio modeli zamiast zabawek AI

Portfolio modeli brzmi jak domena koncernu. Tak nie jest. Nawet firma zatrudniająca 280 pracowników może zdefiniować jasną zasadę: Które zadania mogą przechodzić przez zamknięte API? Które muszą pozostać w europejskich centrach danych? Które należą do on-premise? Które klasy danych są tabu? Które modele są co kwartał testowane pod kątem realnych zadań? To nie jest program badawczy. To zarządzanie operacyjne.

Widzę zbyt wiele firm, które zaczynają od złego punktu wyjścia. Pytają: „Jakie narzędzie powinniśmy kupić?”. Lepiej byłoby zapytać: „Które procesy generują wystarczający wolumen, ryzyko lub marżę, aby opłacało się budować własną architekturę AI?”. W firmach takich jak Kärcher, Webasto, Brose czy Wittenstein nikt nie kupiłby nowej linii produkcyjnej bez obliczenia czasów cyklu, braków i konserwacji. W przypadku AI wciąż dzieje się to nagminnie. Rezerwowana jest licencja, rusza pilotaż, wszyscy są pod wrażeniem, potem pojawia się ochrona danych, potem rada zakładowa, potem krzywa kosztów. Pilotaż nie umiera głośno. Znika w kanale Teams.

FAQ: Czy Open Source AI jest naprawdę tańsza?

Tak, często. Ale nie automatycznie. Open Source AI staje się tańsza wtedy, gdy firma ma powtarzalne zadania o wysokim wolumenie, jakość modelu jest wystarczająca, infrastruktura jest dobrze wykorzystana, a koszty operacyjne nie eksplodują z powodu kosztów specjalistów. Zamknięty model może być tańszy w fazie pilotażowej, ponieważ nie trzeba budować własnej infrastruktury. Przy ciągłej eksploatacji z tysiącami lub milionami wywołań miesięcznie rachunek często się odwraca. Moja złota zasada z rozmów z dyrektorami IT i sprzedaży: poniżej istotnego wolumenu wygoda jest realną wartością; powyżej niego wygoda staje się ryzykiem kosztowym.

FAQ: Czy Open Source AI przegrywa pod względem jakości?

W ogólnych zadaniach z najwyższej półki zazwyczaj jeszcze tak. Klasa GPT-4, Claude i Gemini często przodują w szerokim rozumowaniu, przetwarzaniu długiego kontekstu, korzystaniu z narzędzi i mechanizmach bezpieczeństwa. W węższych zadaniach luka jest znacznie mniejsza. Podsumowywanie dokumentacji technicznej, ekstrakcja z zamówień, klasyfikacja leadów, Retrieval-Augmented QA, wewnętrzni asystenci wiedzy, pomoc w kodowaniu dla zdefiniowanych repozytoriów – tutaj modele otwarte po dostosowaniu mogą być bardzo blisko. Czasami w zupełności wystarczają. Błędem jest ocenianie jakości modelu w sposób abstrakcyjny. Proces sprzedażowy nie ma rankingu Elo.

FAQ: Jak to pasuje do EU AI Act?

EU AI Act nie czyni AI niemożliwą, ale przesuwa odpowiedzialność z powrotem na firmę. Kto korzysta z AI w procesach obarczonych ryzykiem, musi rzetelnie dokumentować przepływy danych, cel modelu, kontrolę ludzką, logowanie i zarządzanie ryzykiem. Modele otwarte lub self-hosted pomagają, ponieważ mogą dawać większą kontrolę nad eksploatacją i ścieżkami danych. Nie zastępują one jednak governance. Model na własnym serwerze nie jest automatycznie zgodny z przepisami. Model w amerykańskiej chmurze nie jest automatycznie zakazany. Pytanie brzmi: Czy mogę udowodnić, co się dzieje?

7 kroków przygotowawczych dla dyrektorów zarządzających i zespołów strategicznych

Gdybym mógł przekazać dyrektorowi zarządzającemu w średnim przedsiębiorstwie tylko jedną rzecz, byłoby to: nie zaczynajcie od modelu. Zacznijcie od procesów, w których AI może wielokrotnie generować wartość. Następnie zbudujcie wokół tego decyzję o modelu.

1. Zdefiniowanie klas danych: Oddzielcie dane publiczne, dane klientów, informacje o cenach, techniczną własność intelektualną (IP), dane osobowe i krytyczne dla bezpieczeństwa dane produkcyjne. Bez tej mapy każda decyzja o AI będzie oparta na przeczuciu.
2. Sortowanie Use Cases według wolumenu i ryzyka: Miesięczny asystent strategii powinien być traktowany inaczej niż codzienna klasyfikacja ofert, analiza raportów serwisowych czy routing leadów w 12 krajach.
3. Benchmarkowanie Closed i Open względem siebie: Przetestujcie GPT-4, Claude lub Gemini przeciwko LLaMA, Mixtral, Mistral lub Aleph Alpha na prawdziwych dokumentach. Nie na promptach demo. Na Państwa reklamacjach, podręcznikach, notatkach w CRM i e-mailach ofertowych.
4. Obliczanie kosztów na 1 000 operacji: Nie porównujcie tylko cen tokenów. Uwzględnijcie hosting, opóźnienia, monitoring, nakłady na integrację, wsparcie i oczekiwany wzrost. Istotną wartością jest TCO w ciągu 3 do 5 lat.
5. Zaplanowanie warstwy wymiany: Korzystajcie z orkiestracji, jasnych interfejsów oraz wersjonowania promptów i ewaluacji, aby model pozostał wymienny. Kto wkleja logikę modelu bezpośrednio w procesy merytoryczne, sam buduje lock-in.
6. Wczesne wyjaśnienie Governance z działem prawnym, IT i biznesem: Udokumentujcie przepływy danych, logowanie, uprawnienia, zatwierdzenia ludzkie i zasady eskalacji przed wdrożeniem. Później będzie to droższe i bardziej polityczne.
7. Mierzenie sukcesu wskaźnikami procesowymi: W sprzedaży liczą się wskaźnik umówionych spotkań, trafność segmentacji, czas reakcji, jakość pipeline i czyste dane w CRM. W serwisie i produkcji liczą się czas wyszukiwania, wskaźnik rozwiązań przy pierwszym kontakcie, braki, minuty przestoju czy nakłady na dokumentację.

Produkt Amplifa — Amplifa wspiera zespoły B2B w wykorzystywaniu sygnałów rynkowych, kontowych i sprzedażowych za pomocą AI – bez utraty kontroli nad logiką procesów.

Logika inwestycyjna: Dlaczego mniejsze budżety Open Source mylą

Kiedy inwestorzy patrzą na rynek, widzą najpierw kapitałochłonność. Foundation Models potrzebują procesorów GPU, danych, zespołów badawczych, energii, centrów danych, sprzedaży i partnerstw. Klastry Nvidia H100, umowy Azure, zobowiązania AWS, Google TPU – to jest nowy przemysł ciężki oprogramowania. Dlatego gracze zamknięci przyciągają ogromne sumy. Sprzedają nie tylko modele, sprzedają dostęp do infrastruktury obliczeniowej i produktywności.

Firmy bliskie Open Source kierują się inną logiką. Nie zawsze muszą posiadać największy model bazowy. Mogą sprawić, że inferencja będzie tańsza, mogą kuratować modele, upraszczać fine-tuning, zabezpieczać deployment, sprzedawać wsparcie klasy Enterprise lub budować aplikacje wertykalne. Hugging Face jest tego najlepszym przykładem: to mniej dostawca modeli, a bardziej rynek, skrzynka narzędziowa i warstwa zaufania. MosaicML został przejęty w 2023 roku za 1,3 miliarda dolarów amerykańskich przez Databricks, ponieważ trenowanie i eksploatacja otwartych modeli stały się dla firm strategiczne. Together AI, Anyscale, Replicate i inni dostawcy zajmują podobne warstwy w stosie technologicznym.

Dla europejskich inwestorów najciekawszą częścią nie jest próba kopiowania OpenAI. To zbyt kapitałochłonne i prawdopodobnie spóźnione, jeśli nie posiada się państwowej lub zbliżonej do hiperskalerów bazy obliczeniowej. Ekscytujące są warstwy wokół przemysłowych workflow: routing modeli, ewaluacja, bezpieczne łączenie danych, systemy RAG specyficzne dla branży, agenci AI dla procesów ofertowych, serwisu, części zamiennych, zarządzania jakością. Tam znajdują się marże, gdy modele bazowe stają się towarem (commodity).

Wiem, „commodity” brzmi brutalnie dla technologii, która dopiero co trafiła do zarządów. Ale wiele podstawowych umiejętności stanie się właśnie tym: podsumowywanie tekstu, ekstrakcja danych, klasyfikacja e-maili, wypełnianie tabel. Jeśli każdy dostawca to potrafi, nikt nie zarobi trwale wysokich marż na samym wywołaniu modelu. Wartość przenosi się do integracji z SAP, Salesforce, Microsoft Dynamics, HubSpot, systemami PLM, MES i wewnętrznymi repozytoriami danych. Tam rozstrzyga się, czy AI jest miłym interfejsem, czy dźwignią produktywności.

Open Source AI w sprzedaży: Dlaczego zarządzanie pipeline zyskuje

Piszę na blogu Amplifa, więc oczywiście szczególnie patrzę na sprzedaż i Go-to-Market. Największym błędem dotyczącym AI w sprzedaży jest przekonanie, że chodzi przede wszystkim o lepsze e-maile. Nie. E-maile są tylko widoczne. Właściwa praca leży w segmentacji, priorytetyzacji, przetwarzaniu sygnałów, higienie CRM, timingu i pytaniu, czy dany account jest naprawdę gotowy do zakupu, czy tylko ładnie wygląda w dashboardzie.

Open Source AI ma tutaj praktyczną przewagę: wiele zadań sprzedażowych nie jest kreatywnych, lecz ustrukturyzowanych. Model ma rozpoznać na podstawie strony internetowej, czy firma korzysta z wtryskarek. Ma wywnioskować z ogłoszenia o pracę, czy właśnie trwa projekt migracji SAP. Ma wyekstrahować z raportu rocznego inwestycje w nowe zakłady. Ma rozpoznać z 18 notatek w CRM, czy deal utknął, ponieważ blokują zakupy, technika czy zarząd. To są zadania, które można ewaluować. Trafność. Rodzaje błędów. Koszt na account.

W maju 2025 roku przeprowadziliśmy wewnętrzną analizę kilku konfiguracji kampanii, w których listy klientów docelowych dla technicznych dostawców B2B były wzbogacane i priorytetyzowane. Wzór: największy przyrost jakości nie pochodził od najsilniejszego modelu, lecz od lepszych kryteriów. Jeśli ICP był nieostry, nawet topowy model produkował drogi szum. Jeśli ICP był czysty, mniejsze modele potrafiły klasyfikować sygnały zadziwiająco stabilnie. To nieprzyjemne dla wszystkich, którzy sprzedają AI jako drogę na skróty dla strategii. AI nie automatyzuje nieostrości. Ona ją skaluje.

ICP Playbook dla priorytetyzacji rynku wspieranej przez AI — Playbook pokazuje, jak firmy B2B definiują segmenty docelowe, triggery zakupowe i kryteria wykluczenia, aby AI w sprzedaży znajdowała wiarygodne sygnały.

Closed Source pozostaje silny – ale inaczej, niż wielu myśli

Nie chcę udawać, że modele otwarte po prostu wyprą zamkniętych dostawców. To bzdura. Modele zamknięte pozostają silne, ponieważ łączą tempo badań, doświadczenie produktu i sprzedaż Enterprise. Microsoft może wcisnąć Copilot do istniejących interfejsów pracy. Google może głęboko zintegrować Gemini z Workspace i chmurą. Amazon może wprowadzić Anthropic przez AWS do procesów zakupowych. Salesforce może zapakować AI w workflow CRM. SAP może umieścić Joule w kontekstach ERP. Ta dystrybucja to fosa obronna.

Dla średnich przedsiębiorstw oznacza to: korzystać, ale nie stapiać się. Pilotaż z Azure OpenAI może pozwolić nauczyć się więcej w cztery tygodnie niż sześć miesięcy analizy architektury. Wdrożenie Copilot może odciążyć pracę umysłową. Test Claude może pokazać, jaka jakość jest możliwa przy złożonych przetargach. Ale każda aplikacja, która strukturyzuje kluczową wiedzę firmy, powinna być budowana tak, aby zmiana modelu pozostała możliwa. Powtarzam się tutaj celowo. Rynek porusza się zbyt szybko na religijne decyzje o wyborze dostawcy.

Dyrektor ds. zakupów z Mannheim powiedział mi w lutym 2025 roku: „W przypadku chmury już raz uwierzyliśmy, że ceny będą wiecznie spadać”. Potem się uśmiechnął. Nieprzyjaźnie. Właśnie to doświadczenie kształtuje wielu CIO. Najpierw rozliczanie zużycia jest elastyczne. Potem obciążenia rosną. Potem pojawiają się zależności. Potem optymalizacja staje się osobnym projektem. W przypadku GenAI ta sama krzywa może przebiegać szybciej, ponieważ każdy nowy workflow spala tokeny.

Moja prognoza na lata 2026-2028

Po pierwsze: luka między modelami otwartymi a zamkniętymi w rutynowych zadaniach stanie się tak mała, że zakupy i governance staną się ważniejsze niż benchmarki. Nie wszędzie. Ale w wystarczającej liczbie procesów, aby zmienić cenniki. Oczekuję, że wielu zamkniętych dostawców będzie dalej obniżać ceny lub silniej pakietować usługi, ponieważ modele otwarte wyznaczają dolną granicę. Klient nie będzie postrzegał tego jako „zwycięstwa Open Source”. Po prostu otrzyma lepsze warunki.

Po drugie: europejskie firmy produkcyjne będą mniej mówić o chatbotach, a więcej o agentach procesowych. Agenci ofertowi, którzy ekstrahują wymagania techniczne z RFQ. Agenci serwisowi, którzy sprawdzają obrazy błędów względem historii maszyn. Agenci sprzedaży, którzy priorytetyzują konta według realnych triggerów zakupowych. Agenci jakości, którzy strukturyzują raporty z badań. Ci agenci nie będą wszyscy działać na jednym modelu. Będą potrzebować routingu modeli i właśnie tam otwartość stanie się wartościowa.

Po trzecie: średnie przedsiębiorstwa nauczą się twardej lekcji. AI bez pracy nad danymi to teatr. Wiele firm w 2025 i 2026 roku stwierdzi, że ich dokumenty nie są wersjonowane, pola w CRM nie są uzupełniane, dane produktów nie są jednoznaczne, a uprawnienia narastały historycznie. To nie jest krytyka AI. To rachunek za dwadzieścia lat rozrostu narzędzi. Modele otwarte pomagają tylko wtedy, gdy baza danych i odpowiedzialność za procesy są wyjaśnione.

Po czwarte: Sovereign AI zmieni się z tematu dla zarządu w załącznik do umowy zakupu. W zapytaniach ofertowych (RFP) standardem staną się pytania o rezydencję danych, zmianę modelu, logowanie, wykorzystanie do treningu, eksploatację w UE, audytowalność i scenariusze wyjścia (exit scenarios). Dostawcy, którzy odpowiedzą na to tylko slajdami marketingowymi, przegrają. Dostawcy, którzy pokażą konkretne ścieżki architektoniczne – zamknięte, otwarte, hybrydowe, on-prem, private cloud – zdobędą zaufanie. Nie zawsze kontrakt. Ale drugą rozmowę.

Kiedy myślę o Thomasie z Heilbronn, nie widzę jego Excela. Słyszę ekspres do kawy i wózek widłowy w tle. Bardzo analogowy dźwięk dla bardzo cyfrowej decyzji. Może to jest trafna puenta: walka między Open Source AI a modelami zamkniętymi nie rozstrzygnie się w tabelach z benchmarkami, lecz tam, gdzie ktoś o ósmej rano chce wiedzieć, czy jego marże, rysunki i relacje z klientami za trzy lata nadal będą należeć do niego.