Open Source AI: Raport trendów dla MŚP

KI & Automatisierung · 27. Mai 2026 · Rebecca Kupka

Open Source AI zmienia ceny, lock-in i strategię GenAI w MŚP. Przeczytaj, co producenci z regionu DACH zdecydują przed rundą budżetową w 2025 roku.

W zeszły wtorek, o 8:17, siedzę w naszym berlińskim biurze na rozmowie z Thomasem, dyrektorem zarządzającym dostawcy z okolic Heilbronn. Obok niego szumi ekspres do kawy, gdzieś w tle piszczy wózek widłowy cofający, a na jego ekranie leży arkusz Excela z cenami dostawców, reklamacjami i 2861 otwartymi działaniami CRM. „Chcę używać AI”, mówi Thomas, „ale nie chcę, żeby nasze rysunki i marże leżały kiedyś w Seattle czy San Francisco.” Dokładnie na tym zdaniu opiera się obecnie rynek Open Source AI. Nie na benchmarkach. Nie na filmach demonstracyjnych. Na strachu, że za pięć lat własna wartość dodana będzie przykuta do modelu cenowego API.

Moja prognoza, która w wielu kręgach zarządczych brzmi jeszcze niewygodnie: Open Source AI nie zgromadzi większości inwestycji w GenAI do 2027 roku, ale będzie dyktować logikę cenową całego rynku. Duże czeki nadal będą trafiać do OpenAI, Anthropic, Microsoftu, Google i Amazona. Siła negocjacyjna jednak cicho przesuwa się do firm, które mogą wymieniać swoje modele.

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

Open Source AI 2025: Gdzie jest rynek dzisiaj

Rynek jest krzywy. Kapitał nie płynie równomiernie, ale falami, a największa fala wciąż toczy się w kierunku modeli zamkniętych. OpenAI jest często kojarzone od 2023 roku z łącznym kapitałem około 13 do 14 miliardów dolarów i ustrukturyzowanymi pakietami Microsoftu; partnerstwo Microsoftu jest publicznie dyskutowane zazwyczaj w przedziale od 10 do 13 miliardów dolarów. Anthropic otrzymało zobowiązania od Amazona i Google na łączną kwotę ponad 6 miliardów dolarów, w zależności od transzy i struktury. Cohere mieści się raczej w przedziale od 500 milionów do 1 miliarda dolarów, z inwestorami takimi jak Nvidia, Oracle i Salesforce Ventures. To nie są zwykłe rundy finansowania oprogramowania. To są zakłady infrastrukturalne.

Po stronie otwartej obraz jest bardziej rozdrobniony, ale nie mały. Hugging Face zebrało w 2023 roku rundę 235 milionów dolarów, między innymi od Salesforce, Google, Nvidia, Intel, AMD i IBM, i zostało wycenione na 4,5 miliarda dolarów według ówczesnych raportów. Stability AI otrzymało w 2022 roku około 100 milionów dolarów przy wycenie około 1 miliarda dolarów, później znalazło się pod presją finansową, ale pozostało kluczowe dla otwartych modeli obrazu. Aleph Alpha z Heidelbergu otrzymało w 2023 roku strategiczną rundę finansowania w wysokości około 500 milionów dolarów, czyli 400 do 500 milionów euro, wspieraną przez SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise i innych niemieckich graczy przemysłowych i finansowych. Mistral AI z Paryża to szczególny przypadek: pozycjonowany jako otwarty, strukturyzowany komercyjnie, w 2023 roku z 105 milionami euro w rundzie seed i później około 385 milionami euro w rundzie Series A, w 2024 roku z dyskusjami o wycenie około 5 miliardów dolarów.

Kiedy rozmawiam o tym z dyrektorami finansowymi, często widzę ten sam odruch. „Więc wygrywają zamknięte”, powiedziała mi trzy tygodnie temu Andrea, szefowa sprzedaży w Hidden Champion w Bielefeld, podczas gdy w sąsiedniej sali konferencyjnej ktoś ciągnął kontener na kółkach po płytkach. No cóż, prawie. Wygrywają statystyki kapitałowe. Ale statystyki kapitałowe to nie to samo co strategiczny wpływ.

McKinsey oszacował w 2023 roku roczny potencjał ekonomiczny generatywnej AI na 2,6 do 4,4 biliona dolarów, z dużym wkładem z produkcji, łańcucha dostaw, rozwoju produktów i interakcji z klientami. Goldman Sachs napisał w 2023 roku, że GenAI może podnieść globalne PKB o około 7 procent w ciągu dziesięciu lat. IDC, Gartner i inni analitycy przewidywali w 2023 i 2024 roku globalne wydatki na oprogramowanie, sprzęt i usługi AI w kierunku 300 do 500 miliardów dolarów rocznie do 2026 lub 2027 roku, w zależności od definicji. Te liczby brzmią abstrakcyjnie. W fabryce w Tuttlingen oznacza to: Kto pisze raport serwisowy? Kto przeszukuje dokumentację części zamiennych? Kto sprawdza maile od dostawców? Kto priorytetyzuje leady od istniejących klientów?

Bitkom poinformował we wrześniu 2024 roku, że 20 procent niemieckich firm korzysta z AI, a kolejne 37 procent planuje lub dyskutuje o jej wdrożeniu. W dużych firmach wskaźnik ten jest znacznie wyższy niż w małych. W rozmowach z MŚP z branży maszynowej, elektrotechnicznej i dostawców motoryzacyjnych brzmi to bardzo realnie: Prawie każdy ma test Copilota, potok Azure-OpenAI, wewnętrzny projekt chatbota lub przynajmniej studenta, który eksperymentuje z LLaMA, Mixtral lub Mistral. Ale niewiele firm ma strategię modelową. Bardzo niewiele.

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 się modele, API, interfejsy zarządzania, rozliczenia i czasem uspokajające poczucie, że dział zakupów musi tylko rozszerzyć istniejącą umowę ramową. To jest atrakcyjne. Zwłaszcza dla firm, których zespół IT składa się z 14 osób i musi jednocześnie radzić sobie z SAP S/4HANA, problemami EDI i wymianą firewalla.

Open Source AI sprzedaje coś innego, często bardziej pośrednio: alternatywy. Model LLaMA, model Mixtral czy model 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 wystarczająco elastyczny pod względem umownym, aby CIO z Ulm nie musiał akceptować ceny za milion tokenów od amerykańskiego dostawcy przy każdej nowej aplikacji. Dokładnie tutaj leży dźwignia. Nie romantycznie. Ekonomicznie.

Co konkretnie widzimy w Amplifa: W ciągu ostatnich 12 miesięcy w projektach odkrywczych i wdrożeniowych w firmach B2B z branży maszynowej, komponentów przemysłowych i usług technicznych prawie nigdy nie widzieliśmy czystej strategii open source, ale w 7 na 10 przypadków cichą architekturę wtórną. 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 zmiany nie następuje przy „lepszej AI”. Następuje przy wolumenie. Gdy tylko proces generuje tysiące małych wywołań modelu dziennie, ciekawość staje się kwestią kosztów.

Trend 1: Open Source AI wymusza obniżanie cen

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

Benchmarki kosztów z praktyki znacznie się wahają, ponieważ należy uwzględnić ceny tokenów, hosting, wykorzystanie, rozmiar modelu, kwantyzację, wymagania dotyczące opóźnień i wsparcie. Niemniej jednak w analizach rynkowych i kalkulacjach chmurowych widzimy powtarzający się zakres: wnioskowanie i dostrajanie za pomocą modeli otwartych może być 5 do 20 razy tańsze dla niektórych obciążeń o dużym wolumenie niż stałe korzystanie z API zamkniętych modeli topowych. Nie zawsze jest to prawdą. Jeśli firma nie ma infrastruktury, ma niskie wykorzystanie i potrzebuje trzech zewnętrznych dostawców do obsługi, przewaga topnieje. Ale w przypadku ustrukturyzowanych zadań z wieloma powtórzeniami presja kosztowa jest realna.

Przykład z rozmowy z klientem w marcu 2025 roku: Markus, kierownik sprzedaży producenta komponentów z Norymbergi, chciał automatycznie klasyfikować wszystkie przychodzące zapytania: część zamienna, projekt, zapytanie o cenę, reklamacja, zapytanie od dealera. Model zamknięty? Działał natychmiast. Otwarty mniejszy model? Po 300 adnotowanych przykładach i czystym prompcie plus wyszukiwanie, wskaźnik trafień dla czterech najważniejszych klas był wystarczająco bliski modelowi zamkniętemu, że CFO nie mówił już o jakości modelu, ale o miesięcznych kosztach. To jest moment, w którym rynek się zmienia. Cicho, w Excelu.

Yann LeCun od lat argumentuje, że otwarte platformy AI tworzą długoterminowo bardziej odporne ekosystemy niż nieliczni zamknięci strażnicy. Dla firm przemysłowych to nie ideologia, ale 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 Microsoftem, Google, Salesforce lub wyspecjalizowanym dostawcą AI. Otwarta opcja nie zawsze wygrywa. Ale zmusza drugą stronę do wyjaśnienia, dlaczego ich cena jest uzasadniona.

Trend 2: Architektury hybrydowe staną się normą

Najnudniejsze zdanie na 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, dział zakupów chce mniej umów. Mimo to, rzeczywiste architektury zmierzają w kierunku mieszanki modeli. Modele zamknięte do zadań, w których liczy się najlepsza możliwa wydajność rozumowania. Modele otwarte do dużych wolumenów, wrażliwych danych, krótkich opóźnień lub procesów, które trzeba audytować.

W Festo, Trumpf, DMG Mori, Phoenix Contact czy Schaeffler publicznie widać bardzo różne inicjatywy AI, ale podstawowe napięcie jest podobne jak w MŚP: Wiedza o produkcie, dane serwisowe, logika produkcji i dialog z klientem nie mogą swobodnie wędrować na obce platformy. Dyrektor sprzedaży ze Stuttgartu powiedział mi w kwietniu 2025 roku: „Nasza historia cen nie jest materiałem szkoleniowym.” Potem się zaśmiał. Krótko. Potem w pomieszczeniu zapanowała cisza, słychać było tylko wentylator projektora. Dokładnie ta cisza to kwestia architektury.

Typowe wzorce hybrydowe powstają wzdłuż ryzyk związanych z danymi. Microsoft 365 Copilot do wewnętrznej pracy biurowej może być sensowny, jeśli uprawnienia są czyste i nie są przetwarzane wysoce wrażliwe dane konstrukcyjne. Asystent RAG dla techników serwisowych, który przeszukuje instrukcje maszyn, kody błędów, raporty serwisowe i dane części zamiennych, należy raczej do kontrolowanego środowiska. Proces punktacji leadów, który łączy dane CRM, dane firmowe i sygnały internetowe, może, w zależności od klasy danych, działać w ramach orkiestrowanej architektury: silny model zamknięty dla niejasnych tekstów, otwarty model do klasyfikacji i ekstrakcji, warstwa oparta na regułach dla zgodności.

Najlepsze implementacje, które widzę, nie rozdzielają według logo dostawcy, ale według ryzyka procesu. Co się stanie, jeśli odpowiedź jest błędna? Ile kosztuje wywołanie modelu przy 50 000 operacji miesięcznie? Jakie dane opuszczają sieć? Czy mogę zmienić dostawcę bez przebudowy aplikacji? Brzmi sucho. I takie jest. Ale to właśnie tam decyduje się, czy AI pozostanie eksperymentem, czy pojawi się w rachunku zysków i strat.

Dyrektor finansowy może początkowo postrzegać tę dyskusję o zarządzaniu jako hamulec. Zrozumiałe. Brzmi to jak slajdy o ochronie danych i długie spotkania z działem prawnym. Ale bez klasyfikacji danych każdy projekt AI staje się polityczny. Wtedy konstrukcja blokuje, bo mogą być zagrożone dane CAD. Sprzedaż blokuje, bo ceny klientów stają się widoczne. IT blokuje, bo nikt nie zna zasad logowania. W końcu wygrywa najmniejszy projekt pilotażowy: chatbot do regulaminu stołówki. Miło. Strategicznie nieistotne.

Trend 3: Suwerenna AI staje się argumentem zakupowym, a nie PR-em

Suwerenna AI brzmi jak Bruksela, wniosek o dofinansowanie i panel dyskusyjny. Długo nie lubiłem tego terminu. Zbyt duży. Zbyt mglisty. W rozmowach z klientami ma jednak bardzo konkretne znaczenie: Gdzie działają modele? Kto widzi logi? Kto może podnieść ceny? Kto może anulować funkcję? Kto decyduje, jakie dane mogą być używane do szkolenia? Kierownik produkcji z Augsburga ujął to niedawno prościej: „Chcę zobaczyć wtyczkę.”

Europa ma tutaj inny odruch niż USA. Ogólne rozporządzenie o ochronie danych, EU AI Act, rady zakładowe, wymagania łańcucha dostaw, kontrola eksportu, audyty klientów. To czasem spowalnia. Ale chroni również przed ślepym konsumpcjonizmem platform. EU AI Act został ostatecznie przyjęty w 2024 roku; wiele obowiązków wchodzi w życie stopniowo od 2025 i 2026 roku. Dla zastosowań przemysłowych oznacza to więcej dokumentacji, klasyfikacji ryzyka, identyfikowalności i jasnych odpowiedzialności. Otwarte lub samodzielnie hostowane modele nie rozwiązują tych wymagań automatycznie. Ale ułatwiają pewne dowody, ponieważ działanie, logowanie i przepływy danych stają się bardziej kontrolowane.

Aleph Alpha jest zatem strategicznie bardziej interesujące dla regionu DACH, niż mogłoby sugerować niektóre czyste dyskusje benchmarkowe. Heidelberg zamiast Kalifornii sam w sobie nie jest argumentem jakościowym. Ale dostawca, który poważnie traktuje język niemiecki, europejską zgodność, opcje on-premise i referencje przemysłowe, zmienia listy zakupów. Mistral AI we Francji odgrywa podobną rolę na poziomie europejskim, chociaż firma prowadzi hybrydowe modele biznesowe i nie wszystko jest otwarte. Hugging Face z kolei nie jest klasyczną firmą Sovereign AI, ale infrastrukturą do porównywania: modele, zestawy danych, tablice wyników, opcje wdrożenia. Bez takich platform otwarte modele byłyby dla MŚP prawie nieosiągalne.

Wymiar polityczny jest niedoceniany. Jeśli SAP, Bosch i Schwarz Gruppe inwestują w Aleph Alpha, to nie jest to czysta transakcja zysku. To sygnał: Europejski przemysł nie chce pozyskiwać każdej funkcji AI od amerykańskich hiperskalatorów. 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 precyzyjnie określić klientów docelowych, segmenty i priorytety na podstawie danych.

Co Open Source AI oznacza dla MŚP

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

Celowo jestem tutaj ostry: Kto w 2026 roku zawiesi całą swoją mapę drogową AI na jednym amerykańskim hiperskalatorze, bez architektury awaryjnej, działa lekkomyślnie. Nie dlatego, że Microsoft, Google czy Amazon byliby złymi partnerami. Wręcz przeciwnie, często są najszybszą drogą do produkcji. Lekkomyślna jest jednokierunkowa ulica. MŚP w ERP, PLM i MES już wystarczająco często doświadczyły, co się dzieje, gdy model danych, logika procesów i siła kontraktowa znajdują się w jednym ręku.

Rachunek ekonomiczny działa na trzech poziomach. Po pierwsze, koszty bezpośrednie: tokeny, licencje, hosting, nakłady na integrację, wsparcie. Po drugie, koszty zmiany: Ile będzie kosztować wymiana modelu? Po trzecie, koszty strategiczne: Jakie dane są standaryzowane, logowane i wzbogacane w jakim ekosystemie? Trzeci punkt jest najtrudniejszy do oszacowania i właśnie dlatego niebezpieczny. W rundach budżetowych często wygrywa linia, którą można policzyć.

Dla sprzedaży wpływ jest szczególnie namacalny. Otwarty model nie musi pisać doskonałej poezji. Musi dokładnie rozpoznać, czy klient docelowy pasuje do ICP, czy zapytanie pachnie biznesem projektowym, czy e-mail od istniejącego klienta zawiera sygnał up-sellu, czy też rekord CRM jest uszkodzony. Wiele z tych zadań jest klasyfikacyjnych, a nie magicznych. Jeśli działają milion razy, liczy się logika kosztu jednostkowego. Jeśli wykorzystują wrażliwe dane klientów, liczy się lokalizacja danych. Jeśli są osadzone w Salesforce, HubSpot, SAP C/4HANA lub Microsoft Dynamics, liczy się możliwość wymiany.

U producenta komponentów przemysłowych z Ostwestfalii w styczniu 2025 roku zaobserwowaliśmy prostą rzecz: Najdroższe problemy sprzedażowe nie leżały w braku leadów, ale w nieprecyzyjnej segmentacji. 18 procent kont w CRM było wyraźnie poza segmentem docelowym, ale nadal były objęte kampaniami. Jednocześnie istniejący klienci z podobnymi wzorcami zakupowymi znajdowali się na trzech różnych listach segmentów. AI nie pomogła tam, bo była „inteligentna”. Pomogła, bo ujednoliciła wzorce w różnych źródłach danych. Do czegoś takiego nie zawsze potrzebujemy najsilniejszego zamkniętego modelu. Potrzebujemy kontrolowanego systemu.

Producenci z regionu DACH potrzebują portfeli modeli zamiast zabawek AI

Portfolio modeli brzmi jak korporacja. Ale tak nie jest. Nawet firma zatrudniająca 280 pracowników może zdefiniować jasną zasadę: Jakie zadania mogą być realizowane za pośrednictwem zamkniętych API? Jakie muszą pozostać w centrach danych UE? Jakie należą do środowiska on-premise? Jakie klasy danych są tabu? Jakie modele są testowane kwartalnie pod kątem rzeczywistych zadań? To nie jest program badawczy. To jest zarządzanie operacyjne.

Widzę zbyt wiele firm, które zaczynają od złego punktu. Pytają: „Jakie narzędzie powinniśmy kupić?” Lepiej byłoby: „Jakie procesy generują wystarczający wolumen, ryzyko lub marżę, aby opłacała się własna architektura AI?” W Kärcher, Webasto, Brose czy Wittenstein nikt nie kupiłby nowej linii produkcyjnej bez obliczania czasów cyklu, braków i konserwacji. W przypadku AI dzieje się to wciąż. Licencja zostaje wykupiona, pilot działa, wszyscy są pod wrażeniem, potem przychodzi ochrona danych, potem rada zakładowa, potem krzywa kosztów. Pilot nie umiera głośno. Znika w kanale Teams.

FAQ: Czy Open Source AI jest naprawdę tańszy?

Tak, często. Ale nie automatycznie. Open Source AI staje się tańszy, gdy firma ma powtarzalne zadania o dużym wolumenie, jakość modelu jest wystarczająca, infrastruktura jest dobrze wykorzystana, a eksploatacja nie eksploduje 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 zmienia. Moja zasada z rozmów z kierownikami IT i sprzedaży: Poniżej istotnego wolumenu wygoda jest prawdziwą wartością; powyżej niej wygoda jest ryzykiem kosztowym.

FAQ: Czy Open Source AI traci na jakości?

W przypadku ogólnych zadań szczytowych zazwyczaj tak. Klasa GPT-4, Claude i Gemini często przodują w szerokim rozumowaniu, długim przetwarzaniu kontekstu, użyciu narzędzi i mechanizmach bezpieczeństwa. W przypadku węższych zadań luka jest znacznie mniejsza. Podsumowywanie dokumentów technicznych, ekstrakcja z zamówień, klasyfikacja leadów, QA wspomagane wyszukiwaniem (RAG), wewnętrzni asystenci wiedzy, pomoc w kodowaniu dla zdefiniowanych repozytoriów – tutaj otwarte modele po adaptacji mogą być bardzo bliskie. Czasami są całkowicie wystarczające. Błędem jest abstrakcyjne ocenianie jakości modelu. Proces sprzedaży nie ma oceny Elo.

FAQ: Jak to pasuje do EU AI Act?

EU AI Act nie uniemożliwia AI, ale przenosi odpowiedzialność z powrotem na firmę. Kto używa AI w procesach ryzykownych, musi dokładnie udokumentować przepływy danych, cel modelu, kontrolę ludzką, logowanie i zarządzanie ryzykiem. Otwarte lub samodzielnie hostowane modele pomagają, ponieważ mogą zapewnić większą kontrolę nad działaniem i ścieżkami danych. Nie zastępują zarządzania. Model na własnym serwerze nie jest automatycznie zgodny. Model w chmurze amerykańskiej nie jest automatycznie zabroniony. Pytanie brzmi: Czy mogę udowodnić, co się dzieje?

7 kroków przygotowawczych dla dyrektorów zarządzających i zespołów strategicznych

Gdybym mógł przekazać dyrektorowi zarządzającemu w MŚP tylko jedną rzecz, byłoby to: Nie zaczynaj od modelu. Zacznij od procesów, w których AI może wielokrotnie generować wartość. Następnie zbuduj wokół tego decyzję o modelu.

1. Zdefiniuj klasy danych: Oddziel dane publiczne, dane klientów, informacje o cenach, własność intelektualną techniczną, dane osobowe i dane produkcyjne krytyczne dla bezpieczeństwa. Bez tej mapy każda decyzja AI będzie oparta na intuicji.
2. Sortuj przypadki użycia według wolumenu i ryzyka: Miesięczny asystent strategiczny jest traktowany inaczej niż codzienna klasyfikacja ofert, analiza raportów serwisowych czy routing leadów w 12 krajach.
3. Porównaj modele zamknięte i otwarte: Testuj GPT-4, Claude lub Gemini z LLaMA, Mixtral, Mistral lub Aleph Alpha na prawdziwych niemieckich dokumentach. Nie na demonstracyjnych promptach. Na Twoich reklamacjach, instrukcjach, notatkach CRM i e-mailach ofertowych.
4. Oblicz koszty na 1000 operacji: Nie porównuj tylko cen tokenów. Uwzględnij hosting, opóźnienia, monitoring, nakłady na integrację, wsparcie i przewidywany wzrost. Istotna wartość to TCO w ciągu 3 do 5 lat.
5. Zaplanuj warstwę wymiany: Używaj orkiestracji, jasnych interfejsów i wersjonowania promptów/ewaluacji, aby model pozostał wymienny. Kto wkleja logikę modelu bezpośrednio w procesy biznesowe, sam tworzy lock-in.
6. Wcześnie wyjaśnij zarządzanie z działem prawnym, IT i działem biznesowym: Udokumentuj przepływy danych, logowanie, uprawnienia, zgody ludzkie i zasady eskalacji przed wdrożeniem. Później będzie drożej i bardziej politycznie.
7. Mierz sukces na podstawie wskaźników procesowych: W sprzedaży liczy się wskaźnik terminów, trafność segmentacji, czas reakcji, jakość pipeline'u i czyste dane CRM. W serwisie i produkcji liczy się czas wyszukiwania, wskaźnik pierwszego rozwiązania, braki, minuty przestoju lub 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 inwestycji: Dlaczego mniejsze budżety Open Source są mylące

Kiedy inwestorzy patrzą na rynek, najpierw widzą intensywność kapitałową. Modele bazowe potrzebują GPU, danych, zespołów badawczych, energii, centrów danych, sprzedaży i partnerstw. Klastry Nvidia H100, umowy Azure, zobowiązania AWS, Google TPU – to nowa ciężka branża oprogramowania. Dlatego zamknięci gracze przyciągają ogromne sumy. Sprzedają nie tylko modele, sprzedają dostęp do infrastruktury obliczeniowej i produktywności.

Firmy związane z Open Source kierują się inną logiką. Nie zawsze muszą posiadać największy model bazowy. Mogą obniżać koszty wnioskowania, kuratorować modele, upraszczać dostrajanie, zabezpieczać wdrożenia, sprzedawać wsparcie korporacyjne lub budować aplikacje pionowe. Hugging Face jest tego najlepszym przykładem: To mniej dostawca modeli, a bardziej rynek, zestaw narzędzi i warstwa zaufania. MosaicML zostało przejęte w 2023 roku za 1,3 miliarda dolarów przez Databricks, ponieważ szkolenie i działanie otwartych modeli stało się strategiczne dla firm. Together AI, Anyscale, Replicate i inni dostawcy zajmują podobne warstwy w stosie.

Dla europejskich inwestorów najbardziej ekscytującą częścią nie jest próba odtworzenia OpenAI. Jest to zbyt kapitałochłonne i prawdopodobnie zbyt późne, jeśli nie ma się państwowej lub podobnej do hiperskalera bazy obliczeniowej. Ekscytujące są warstwy wokół przepływów pracy przemysłowych: routing modeli, ocena, bezpieczne połączenie danych, systemy RAG specyficzne dla branży, agenci AI do procesów ofertowych, serwisu, części zamiennych, zarządzania jakością. Tam leżą marże, gdy modele bazowe stają się towarem.

Wiem, że „towar” brzmi brutalnie dla technologii, która dopiero co dotarła do zarządów. Ale wiele podstawowych funkcji staje się właśnie tym: podsumowywanie tekstu, ekstrakcja danych, klasyfikacja e-maili, wypełnianie tabel. Jeśli każdy dostawca potrafi to zrobić, nikt nie zarabia trwale wysokich marż tylko na wywołaniu modelu. Wartość przenosi się na integrację z SAP, Salesforce, Microsoft Dynamics, HubSpot, systemami PLM, MES i wewnętrznymi przestrzeniami danych. Tam decyduje się, czy AI jest ładnym interfejsem, czy dźwignią produktywności.

Open Source AI w sprzedaży: Dlaczego zarządzanie pipeline'em zyskuje

Piszę na blogu Amplifa, więc oczywiście szczególnie zwracam uwagę na sprzedaż i wprowadzanie produktów na rynek. Największym błędem w myśleniu o AI w sprzedaży jest przekonanie, że chodzi przede wszystkim o lepsze e-maile. Nie. E-maile są tylko widoczne. Prawdziwa praca leży w segmentacji, priorytetyzacji, przetwarzaniu sygnałów, higienie CRM, czasie i pytaniu, czy konto jest naprawdę gotowe do zakupu, czy tylko ładnie wygląda na desce rozdzielczej.

Open Source AI ma tutaj praktyczną przewagę: Wiele zadań sprzedażowych nie jest kreatywnych, ale ustrukturyzowanych. Model ma rozpoznać ze strony internetowej, czy firma używa wtryskarek. Ma wywnioskować z ogłoszenia o pracę, czy trwa projekt migracji SAP. Ma wyodrębnić z raportu rocznego inwestycje w nowe zakłady. Ma rozpoznać z 18 notatek CRM, czy transakcja utknęła, ponieważ blokuje dział zakupów, techniczny czy zarząd. To są zadania, które można ocenić. Wskaźnik trafień. Rodzaje błędów. Koszt na konto.

W maju 2025 roku przeprowadziliśmy wewnętrzną analizę kilku konfiguracji kampanii, w których wzbogacano i priorytetyzowano listy klientów docelowych dla technicznych dostawców B2B. Wzór: Największy wzrost jakości nie pochodził od najsilniejszego modelu, ale od lepszych kryteriów. Jeśli ICP był nieprecyzyjny, nawet topowy model generował drogi szum. Jeśli ICP był czysty, mniejsze modele potrafiły zaskakująco stabilnie klasyfikować sygnały. To jest niewygodne dla wszystkich, którzy sprzedają AI jako skrót do strategii. AI nie automatyzuje nieprecyzyjności. Skaluje ją.

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

Closed Source pozostaje silny – ale inaczej niż wielu myśli

Nie chcę udawać, że otwarte modele po prostu wyprą zamkniętych dostawców. To nonsens. Zamknięte modele pozostają silne, ponieważ łączą tempo badań, doświadczenie produktu i sprzedaż korporacyjną. Microsoft może wcisnąć Copilota w istniejące interfejsy pracy. Google może głęboko zintegrować Gemini z Workspace i Cloud. Amazon może wprowadzić Anthropic przez AWS do procesów zakupowych. Salesforce może zapakować AI w przepływy pracy CRM. SAP może umieścić Joule w kontekstach ERP. Ta dystrybucja to fosa.

Dla MŚP oznacza to: Korzystaj, ale nie stapiaj się. Pilot z Azure OpenAI może nauczyć więcej w cztery tygodnie niż sześć miesięcy papierowej architektury. Wdrożenie Copilota może odciążyć pracę umysłową. Test Claude'a może pokazać, jaka jakość jest możliwa w złożonych przetargach. Ale każda aplikacja, która strukturyzuje podstawową wiedzę firmy, powinna być zbudowana tak, aby możliwa była zmiana modelu. Powtarzam się tutaj celowo. Rynek porusza się zbyt szybko, aby podejmować religijne decyzje dotyczące dostawców.

Kierownik działu zakupów z Mannheim powiedział mi w lutym 2025 roku: „W przypadku chmury już raz wierzyliśmy, że ceny będą spadać wiecznie.” Potem uśmiechnął się. Nieprzyjaźnie. Dokładnie to doświadczenie kształtuje wielu CIO. Najpierw rozliczenia za zużycie są 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 przepływ pracy spala tokeny.

Moja prognoza na lata 2026-2028

Po pierwsze: Luka między modelami otwartymi a zamkniętymi w rutynowych zadaniach stanie się tak mała, że zamówienia i zarządzanie staną się ważniejsze niż benchmarki. Nie wszędzie. Ale w wystarczającej liczbie procesów, aby zmienić cenniki. Spodziewam się, że wielu zamkniętych dostawców będzie dalej obniżać ceny lub silniej pakietować, ponieważ otwarte modele ustalają dolną granicę. Klient nie będzie tego postrzegał 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 wyodrębniają wymagania techniczne z zapytań ofertowych. Agenci serwisowi, którzy sprawdzają obrazy błędów w porównaniu z historiami maszyn. Agenci sprzedażowi, którzy priorytetyzują konta na podstawie rzeczywistych wyzwalaczy zakupu. Agenci jakości, którzy strukturyzują raporty z kontroli. Ci agenci nie będą działać na jednym modelu. Będą potrzebować routingu modeli, i właśnie tam otwartość stanie się wartościowa.

Po trzecie: MŚP wyciągną trudną lekcję. AI bez pracy z danymi to teatr. Wiele firm w latach 2025 i 2026 odkryje, że ich dokumenty nie są wersjonowane, pola CRM nie są utrzymywane, dane produktów nie są jednoznaczne, a uprawnienia rosły historycznie. To nie jest krytyka AI. To rachunek za dwadzieścia lat wzrostu narzędzi. Otwarte modele pomagają tylko wtedy, gdy baza danych i odpowiedzialność za procesy są wyjaśnione.

Po czwarte: Suwerenna AI stanie się z tematu zarządu załącznikiem do zamówień. W zapytaniach ofertowych standardem staną się pytania o rezydencję danych, zmianę modelu, logowanie, wykorzystanie do szkolenia, działanie w UE, audytowalność i scenariusze wyjścia. Dostawcy, którzy odpowiadają na to tylko slajdami marketingowymi, przegrywają. Dostawcy, którzy pokazują konkretne ścieżki architektoniczne – zamknięte, otwarte, hybrydowe, on-prem, prywatna chmura – zyskują zaufanie. Nie zawsze umowę. 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 odpowiednia puenta: Walka między Open Source AI a modelami zamkniętymi nie rozstrzyga się w tabelach benchmarkowych, ale tam, gdzie ktoś o ósmej rano chce wiedzieć, czy jego marże, rysunki i relacje z klientami nadal należą do niego za trzy lata.