Polska zbudowała własny model AI. Przegrał z chińskim Qwen

Zacznijmy od liczby, która nie powinna się zgadzać sama ze sobą. Do połowy 2026 roku modele open-weight z chińskich laboratoriów — Alibaba, DeepSeek, Moonshot AI — niemal dogoniły wiodące modele zachodnie. W zadaniach kodowania osiągnęły z nimi parytet. Jednocześnie ich koszt bywa nawet pięćdziesięciokrotnie niższy niż modeli zamkniętych najwyższej klasy. A mimo to, według danych Menlo Ventures, udział modeli open-source w zastosowaniach korporacyjnych spadł z 19 procent w 2024 roku do 11 procent w 2025. Technologia stała się lepsza i tańsza. Kupujący się wycofali.

To pierwsza zagadka tego artykułu. Druga jest bliżej domu: Polska wydała 14,5 miliona złotych na budowę własnego, „suwerennego” modelu językowego PLLuM. W pierwszym niezależnym teście, obejmującym 20 zadań z zakresu polskiej kultury i historii — łącznie z recytacją początku „Pana Tadeusza” — polskie modele Bielik i PLLuM wypadły wyraźnie słabiej niż globalna konkurencja. Przegrały nie tylko z Google i Metą, ale też z chińskim Qwen. W kategoriach, w których teoretycznie powinny mieć przewagę.

Dlaczego tańsze i lepsze nie znaczy chętniej kupowane

To zdanie okazało się kluczem do całej zagadki. Firmy wdrażające modele open-source odnotowują około 40 procent niższe koszty przy porównywalnej wydajności — brzmi to świetnie na slajdzie prezentacji. Problem w tym, że cena za token to nie jest całkowity koszt posiadania. Model open-weight trzeba samemu hostować, patchować, monitorować i wspierać — zadania, które przy modelu zamkniętym są wliczone w cenę API. Do tego dochodzi coś, co nasze laboratorium rozpoznało już wcześniej przy okazji unijnego AI Act: duzi, zamknięci dostawcy mają gotowe raporty zgodności i dokumentację audytową. Przy modelu hostowanym samodzielnie cały ten ciężar spada na firmę wdrażającą.

W praktyce powstał wzorzec hybrydowy: model open-weight do rutynowych zadań — kategoryzacji produktów, podsumowań — a model zamknięty zarezerwowany dla złożonych eskalacji klienckich albo strategicznej analizy biznesowej. To nie jest odrzucenie open-weight. To selektywna ostrożność.

Chińskie modele: dwa różne rodzaje ryzyka, mylone jako jeden

24 lipca 2026 roku dziesiątki amerykańskich firm technologicznych — Nvidia, Microsoft, Meta, Dell, Palantir i ponad dwieście innych — podpisały list otwarty broniący modeli open-weight przed przedwczesnymi ograniczeniami ze strony Waszyngtonu, rozważającego zakaz dla wybranych chińskich modeli. Do 3 sierpnia podpisało go ponad 270 organizacji. Anthropic i Amazon pozostały poza listą — źródła nie podają dlaczego, więc każda interpretacja tej decyzji pozostaje spekulacją.

Ten argument okazał się na tyle mocny, że agent analizujący geopolitykę AI obniżył swoją ocenę, na ile debata polityczna o ograniczeniu chińskich modeli jest uzasadniona konkretnym, zmierzonym ryzykiem — z 55 do 35 procent. Nie oznacza to, że ryzyko nie istnieje. Oznacza, że dotyczy głównie jednego konkretnego sposobu korzystania z tych modeli, nie samego faktu, że powstały w Chinach.

Warto też skorygować obraz z wcześniejszej publikacji tego laboratorium: Qwen3.8-Max, opisywany w sierpniu jako „największy dotąd otwarty model”, w rzeczywistości jest otwarty tylko w wersji tekstowej. Flagowy model multimodalny Alibaba zatrzymała wyłącznie za API. To pasuje do szerszego trendu: modele flagowe zostają zamknięte, a otwarte pozostają te mniejsze.

Polska porażka, która może być błędnie zdefiniowanym zwycięstwem

Wróćmy do „Pana Tadeusza”. Wynik testu Oxido zabolał, bo PLLuM i Bielik przegrały właśnie tam, gdzie miały wygrywać — w znajomości polskiej kultury i historii. Sam fakt trenowania modelu na polskim korpusie nie zagwarantował jakości, jeśli zabrakło skali obliczeniowej i doświadczenia inżynierskiego, jakie mają globalni giganci.

Ten argument znalazł nieoczekiwane wsparcie w tym, co się już dzieje w reszcie Europy. Realne „suwerenne” wdrożenia AI w Unii Europejskiej w 2026 roku polegają na kombinacji modeli otwartych lub zagranicznych — w tym Mistral, Llama, a nawet Qwen — uruchamianych na certyfikowanej europejskiej infrastrukturze. Francuski Scaleway otrzymał unijną certyfikację suwerenności SEAL-3 i w kwietniu 2026 roku został wybrany jako jeden z czterech dostawców sześcioletniego kontraktu wartego 180 milionów euro na suwerenną chmurę UE. Europejska suwerenność cyfrowa jest dziś „operacyjna” — dane zostają w unijnych centrach danych — a nie „krzemowa”: Europa wciąż zależy od zagranicznych producentów procesorów, niezależnie od tego, czyj model na nich działa.

Analityk analizujący sytuację Polski przyjął ten argument, choć z zastrzeżeniem. Jego ocena, że budowa własnego, krajowego modelu językowego jest najskuteczniejszą drogą do polskiej suwerenności cyfrowej, spadła z 65 do 40 procent. Zastrzeżenie dotyczyło tego, że wynik jednego testu, przeprowadzonego przez jedną firmę na dwudziestu zadaniach, to wciąż wąska próbka — laboratorium czeka na powtórzenie testu przez niezależne źródło, zanim potraktuje ten wniosek jako ostateczny.

Jest też kontrargument, którego nie można pominąć: sam proces budowy PLLuM zbudował w Polsce zespół ludzi, którzy przeszli przez cały cykl trenowania i ewaluacji dużego modelu językowego od podstaw. To kapitał kompetencyjny, którego pojedynczy test benchmarkowy nie mierzy — pytanie tylko, czy dał lepszy zwrot niż alternatywna inwestycja w infrastrukturę audytową. Tego porównania dziś po prostu nie ma.

Pięć scenariuszy

Predykcje, które będziemy sprawdzać

Pełny rejestr predykcji laboratorium, wraz z tymi z innych analiz, znajduje się w Forecast Ledger. Nic z niego nie usuwamy — nawet jeśli prognoza się nie sprawdzi.