Drogi czytelniku,
27 października Anthropic poinformował o przejęciu Mithril Medicine, spółki biotechnologicznej z jednym pracownikiem na pełnym etacie (Anthropic). Ceny nie ujawnił. Jej twórca, Cody Tranbarger, pracuje nad lekami na dwie rzadkie odmiany dystrofii mięśniowej. Wykorzystywał model Claude do koordynacji umów, logistyki i eksperymentów z 11 zewnętrznymi laboratoriami, a także powierzył mu sporą część bieżącej działalności. W niespełna 18 miesięcy Mithril Medicine doprowadził jednego kandydata na lek od pomysłu do obiecujących wyników na myszach. Anthropic zakłada, że badania z udziałem ludzi mogą ruszyć najwcześniej pod koniec 2028 roku.
Jest to relacja samego dostawcy o podmiocie kupionym po części po to, aby pokazać możliwości własnego modelu, a same badania wciąż są na etapie przedklinicznym. Mimo to jest to jak dotąd najczytelniejszy przykład zjawiska, które obserwuję coraz częściej: bardzo mały zespół, który od początku układa swoją pracę wokół AI, zamyka w kilka tygodni to, co dużej organizacji zajmuje kwartały.
Co robił Claude w Mithril Medicine
Więcej szczegółów przynosi raport techniczny, który Mithril Medicine opublikował 26 października (raport). Pod kierunkiem zespołu Claude przeszukiwał literaturę naukową, przekształcał raporty z laboratoriów i odczyty z aparatury w tabele, ponownie analizował dane i tworzył wykresy, a także przygotowywał projekty tekstów oraz rycin. W ciągu jednego tygodnia na podstawie 341 stron danych o 113 konstruktach przeciwciał przygotował jeden plan badań dla pięciu zewnętrznych laboratoriów badawczych (CRO). Mediana czasu pierwszej odpowiedzi wynosiła 96 sekund w przypadku Claude i 8,5 godziny w przypadku laboratoriów. Model popełniał też błędy. Autorzy przeanalizowali sześć takich przypadków: pięć z nich Claude wychwycił, w tym jeden dopiero po pytaniu z laboratorium, natomiast trzy trafiły do wykonawców w wiadomościach, które zespół wcześniej zredagował i wysłał. Decyzje przez cały czas należały do ludzi. Autorzy podsumowują to stwierdzeniem, że „skala badań przesiewowych nie musi być ograniczona wielkością zespołu, który nimi kieruje”.
Większość prac laboratoryjnych wykonało 11 zewnętrznych dostawców. Tranbarger zachował kontrolę nad programem rozwoju leku: decydował, co badać, z kim i co zrobić z wynikami.
Pleiades i Enveda
W tym samym wpisie Anthropic opisuje dwa kolejne przypadki. Fundusz venture capital The Column Group, inwestujący w biotechnologię, tworzy Pleiades, nowy podmiot, który ma wykorzystywać model Claude, „aby prowadzić znacznie więcej programów rozwoju leków, i to bardziej złożonych, niż jest to zwykle możliwe w małym zespole”. Z kolei w Enveda, gdzie chemicy spędzali dotąd nawet 75% czasu na pracy z dokumentacją, Claude przejrzał 1061 stron zapisów produkcyjnych. Znalazł wszystkie 11 błędów wyłapanych wcześniej przez ludzi oraz siedem kolejnych, które im umknęły, a czas weryfikacji spadł z ponad 25 godzin do niespełna trzech. Model przygotował też w cztery godziny pierwszą wersję dokumentu regulacyjnego, co przy pracy ręcznej zajmowało około trzech miesięcy. Pierwszy szkic nie jest jednak gotowym wnioskiem złożonym w urzędzie.
Mithril Medicine nie jest wyjątkiem
W czerwcu 2025 roku Wix kupił za 80 mln USD platformę do budowania aplikacji Base44 (TechCrunch). Maor Shlomo uruchomił ją sześć miesięcy wcześniej jako projekt poboczny. W chwili sprzedaży zespół liczył dziewięć osób, czyli Shlomo i ośmiu pracowników, platforma miała 250 tys. użytkowników, a w maju wypracowała 189 tys. USD zysku.
Sztokholmski Lovable, założony pod koniec 2024 roku, pozwala tworzyć oprogramowanie za pomocą opisu w języku naturalnym. W lutym 2026 roku osiągnął 400 mln USD rocznych przychodów powtarzalnych (ARR) przy zaledwie 146 pracownikach na pełnym etacie (TechCrunch). Daje to około 2,7 mln USD przychodu na pracownika. W sierpniu Lovable pozyskał 400 mln USD finansowania przy wycenie 13,3 mld USD i podał, że z jego narzędzia korzystają pracownicy niemal dwóch trzecich przedsiębiorstw z listy Fortune 500, a zespoły z Adidas, NVIDIA i Deutsche Telekom budują na nim wewnętrzne oprogramowanie (Lovable).
Dla porównania Cognizant, jeden z dużych dostawców usług IT budujących i utrzymujących systemy dla banków oraz ubezpieczycieli, wykazał w trzecim kwartale 5,66 mld USD przychodu przy zatrudnieniu na poziomie 359 900 osób (Cognizant). W ujęciu rocznym oznacza to około 63 tys. USD na pracownika. Przychód na pracownika w Lovable jest około czterdziestu razy wyższy, ale ten wskaźnik nie pozwala oddzielić wpływu AI od różnicy między platformą produktową a firmą usługową. Prezes Cognizant, Ravi Kumar S, poinformował, że ponad połowa kodu powstaje tam już z udziałem AI, a zatrudnienie w ciągu roku wzrosło o 10 100 osób.
To porównanie ma swoje granice. Zbudowanie nowego produktu od zera jest znacznie prostsze niż automatyzacja z pomocą AI procesów opartych na systemach legacy w banku czy u ubezpieczyciela, gdzie procesy bywają złożone, słabo udokumentowane i podlegają regulacjom. Tym właśnie zajmuje się Cognizant, a AI nie sprawia, że ta praca staje się prosta.
Duże organizacje: dużo projektów, mało twardych wyników
6 października Evident opublikował doroczny indeks adopcji AI w 50 dużych bankach (Evident). Średni wynik wzrósł w ciągu roku o 26%, najszybciej od pierwszej edycji badania w 2023 roku. Jednocześnie tylko w 12% monitorowanych wdrożeń (use cases) banki wykazują wpływ na wskaźniki operacyjne, a w około 1% podają konkretny zwrot finansowy. Zrealizowany lub oczekiwany zwrot z całości działań wokół AI deklaruje dziś 12 banków, wobec ośmiu rok wcześniej.
27 października Regionalna Izba Gospodarcza w Katowicach opublikowała badanie 134 polskich organizacji, przygotowane przez Annę Majkowską i Joannę Tokar (RIG Katowice). 94% badanych podmiotów postrzega AI jako szansę. 16% wskazało, że AI stanowi część szerszego kierunku rozwoju organizacji, 39% wykorzystuje je w wybranych obszarach, a 19% jest na etapie pojedynczych testów lub pilotaży. 85% deklaruje otwartość na testowanie nowych rozwiązań, ale tylko 37% wysoko ocenia swoją zdolność do szybkiego wprowadzania zmian, a 35% wyznaczyło osobę lub zespół odpowiedzialny za ten proces. Próba jest niewielka i oparta na dobrowolnych zgłoszeniach, a mniej niż jedna czwarta badanych podmiotów zatrudnia co najmniej 250 osób. „Samo wdrożenie narzędzia nie oznacza jeszcze, że firma potrafi wykorzystać jego potencjał” – zauważa Majkowska.
Niektóre duże banki dotrzymują kroku
Sama skala organizacji nie przesądza o wyniku. DBS, największy bank w Singapurze, podaje, że w 2025 roku wykorzystywał ponad 2000 modeli w przeszło 430 zastosowaniach (use cases), a analityka danych i AI przyniosły mu około 1 mld SGD wartości ekonomicznej (DBS). Są to własne wyliczenia banku, obejmujące znacznie szerszy obszar niż sama generatywna AI, a DBS przypisuje ten wynik wczesnym i wieloletnim inwestycjom w dane oraz technologię. W indeksie Evident czołówka niemal się nie zmienia: każdy bank z tegorocznej pierwszej dziesiątki był w niej już wcześniej, sześć z nich trafia tam co roku, a pierwsze miejsce zajmuje JPMorgan Chase. Dystans rośnie równie szybko między samymi bankami, co między bankami a młodymi zespołami technologicznymi.
Co usłyszałem na konferencji IBM TechXchange
Od 26 do 29 października byłem na konferencji IBM TechXchange, gdzie brałem udział w sesjach poświęconych przenoszeniu AI z pilotażu do produkcji, audytowalności decyzji kredytowych oraz bezpieczeństwu agentów. Nie usłyszałem tam wiele nowego. Moje główne wrażenie jest takie, że duże organizacje bardzo dużo mówią o skali swoich działań wokół AI, natomiast wyniki, które są w stanie pokazać, są znacznie skromniejsze niż te deklaracje.
Dlaczego małe zespoły są szybsze
Moim zdaniem duże organizacje z systemami legacy są i pozostaną daleko w tyle za nowymi, małymi zespołami zbudowanymi wokół AI od początku. Liczba etatów znaczy dziś mniej niż kiedyś: Mithril Medicine liczył jedną osobę i 11 dostawców, w Base44 pracowało dziewięć osób, a Lovable zatrudnia 146 pracowników.
Powody widać w opisanych wyżej przykładach. W małym zespole ta sama osoba decyduje i wykonuje pracę, a AI przejmuje tę jej część, która rośnie razem ze skalą zadania. Raport Mithril Medicine mówi to wprost: Claude czytał, liczył i przygotowywał szkice, decyzje zostawały przy ludziach, a tempo wyznaczały odpowiedzi laboratoriów i decyzje zespołu. Moim zdaniem to, że każdą zmianę trzeba uzgodnić między biznesem, IT, działem ryzyka, zakupami i dostawcami, w dużej mierze wyjaśnia wolniejsze tempo dużych firm.
Polskie badanie wskazuje też na niejasny podział odpowiedzialności za zmianę: tylko 35% organizacji miało wyznaczoną osobę lub zespół, w 37% odpowiedzialność była rozproszona, a w 28% nikomu jej formalnie nie przypisano.
Systemy legacy wymagają dodatkowej pracy. Mały zespół zaczyna od zera. Bank czy ubezpieczyciel musi wpasować AI w systemy legacy i procesy, które często nie są udokumentowane i podlegają regulacjom, i dlatego porównanie z Cognizant ma swoje granice. DBS pokazuje, że da się to zrobić, ale po latach budowania fundamentów danych. Indeks Evident pokazuje, gdzie jest większość banków: mnóstwo przypadków użycia i mniej więcej jeden na sto z wynikiem finansowym, który bank jest gotów upublicznić.
Briefing
28 października odbyło się pierwsze posiedzenie Komisji Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI), organu nadzorującego rynek AI w Polsce. Tego samego dnia weszły w życie art. 8–18 oraz rozdziały 3–5, 8 i 9 polskiej ustawy o systemach sztucznej inteligencji (Dziennik Ustaw). Od 29 października działają elektroniczne formularze do składania skarg oraz wniosków o wydanie opinii indywidualnych, a pierwsze wyjaśnienia komisji mają dotyczyć art. 50 AI Act, czyli oznaczania treści generowanych przez AI oraz informowania użytkowników o kontakcie ze sztuczną inteligencją (KRiBSI). W skład komisji wchodzi zastępca przewodniczącego Komisji Nadzoru Finansowego (KNF). W praktyce oznacza to, że do komisji może wpłynąć skarga na instytucję, zanim pojawią się jakiekolwiek wytyczne.
30 października Pedro Machado z Rady ds. Nadzoru Europejskiego Banku Centralnego (EBC) stwierdził, że „około 85% banków korzysta już z generatywnej AI”, a modele frontier „skracają czas między wykryciem podatności a jej wykorzystaniem”. Szybkie instalowanie poprawek bezpieczeństwa nazwał „największym wyzwaniem, przed jakim stoją dziś banki”, i zapowiedział, że EBC oceni plany banków dotyczące cyberodporności, które miały trafić do nadzoru do końca października (ECB). Tę samą lukę między tempem wykrywania błędów w oprogramowaniu a tempem ich łatania opisywałem w wydaniu 71.
29 października Mistral opublikował wagi modelu Mistral Large 4 na zmodyfikowanej licencji MIT. Organizacje mogą go pobrać i uruchomić na własnej infrastrukturze, a osobnej licencji komercyjnej potrzebują wyłącznie podmioty sprzedające ten model jako usługę. Przez API Mistral model kosztuje 0,70 USD za milion tokenów wejściowych i 2,10 USD za milion tokenów wyjściowych (Mistral). Mistral nie opublikował jeszcze raportu technicznego. Bank uruchamiający taki model na własnych serwerach nie byłby narażony na ograniczenia eksportowe USA, takie jak te, przez które Anthropic w czerwcu wyłączył Fable 5.
Podsumowanie
27 października Anthropic poinformował o przejęciu Mithril Medicine, jednoosobowej firmy, która prowadziła program rozwoju leku z udziałem 11 zewnętrznych laboratoriów. Lovable osiągnął 400 mln USD rocznego przychodu przy 146 pracownikach. W sektorze bankowym Evident odnotowuje publikację wyników finansowych zaledwie w około 1% zastosowań AI, a w polskim badaniu tylko 37% organizacji uważa, że potrafi szybko wprowadzać zmiany.
Moim zdaniem duże organizacje z systemami legacy są i pozostaną daleko w tyle za małymi zespołami, które od początku pracują z AI. Przykład Mithril Medicine wskazuje, że dzięki AI mały zespół może koordynować znacznie większy program bez proporcjonalnego zwiększania zatrudnienia.
Zachowaj równowagę, Krzysztof
Krzysztof Goworek jest założycielem Quintant — firmy doradczej, która prowadzi przedsiębiorstwa od eksperymentów AI do realnej, mierzalnej wartości.