Era wrzucania wszystkiego do chmury się kończy. AI zmienia reguły gry

Audio generowane przez AI. Może zawierać błędy.

Jeszcze niedawno odpowiedź na gwałtownie rosnące potrzeby obliczeniowe firm wydawała się oczywista: publiczna chmura. Rozwój sztucznej inteligencji zaczyna jednak zmieniać ten kierunek. W Europie coraz większe znaczenie mają lokalne centra danych, prywatna infrastruktura i rozwiązania hybrydowe. Powód? Firmy chcą mieć większą kontrolę nad informacjami, kosztami i technologią, od której zależy ich biznes.

– Tradycyjnie zakładaliśmy, że wszystkie obciążenia związane z AI i inferencją trafią do publicznej chmury. Wiele z nich rzeczywiście tam trafi, ale nie w takim stopniu, jak pierwotnie sądziliśmy – mówi Adrian McDonald, prezes Dell Technologies w regionie EMEA.

Jego zdaniem ten trend jest szczególnie wyraźny w Europie.

– Coraz silniejsza jest potrzeba suwerenności, większej kontroli nad danymi i pewności, że własne, zastrzeżone informacje, czyli to, co czyni firmę wartościową, nie zostaną oddane komuś innemu – podkreśla Adrian McDonald.

Gdzie przechowywać dane

Wraz z rosnącą skalą wykorzystania AI zmienia się sposób projektowania infrastruktury IT. Firmy coraz częściej chcą rozdzielać zadania pomiędzy chmurę publiczną, własne zasoby i lokalnych dostawców. Adrian McDonald przekonuje, że rynek przesuwa się w stronę modelu, w którym klient nie musi podporządkowywać jednej platformie całej organizacji.

– Większość graczy mówi dziś: „Mam dla ciebie rozwiązanie. Weźmy całą twoją firmę i włóżmy ją do mojego pudełka”. To coraz częściej nie jest odpowiedź, której rynek oczekuje – mówi szef Dell Technologies w EMEA.

Jak dodaje, przedsiębiorstwa chcą przede wszystkim zachować możliwość wyboru i późniejszej zmiany architektury.

– Rynek coraz częściej mówi: „Powiedzcie nam, jaki efekt chcecie osiągnąć”. Możemy przedstawić swoje opinie, ale ostatecznie naszym zadaniem jest dostarczyć to, czego klient potrzebuje. Tak, aby miał możliwie niskie koszty usług i mógł zmienić zdanie. Powinien móc popełnić błąd bez wielkiej kary za zmianę decyzji – tłumaczy Adrian McDonald.

„Prywatnie i hybrydowo”, a nie tylko w publicznej chmurze

Według Adriana McDonalda coraz większa część rynku będzie wybierać architekturę prywatną lub hybrydową. Nie oznacza to końca chmury publicznej, lecz odejście od przekonania, że musi być ona domyślnym miejscem dla wszystkich zastosowań AI.

– Duża i rosnąca z każdym dniem część rynku chce modelu private hybrid. To znaczy: przede wszystkim robię to lokalnie, w sposób, który kontroluję ja albo mój partner. Najpewniej w tym samym kraju – mówi Adrian McDonald.

Jako przykład podaje Polskę.

– Firma w Polsce może powiedzieć: „Skorzystam z polskiego dostawcy usług, jeżeli zapewni mi bezpieczeństwo, zgodność z regulacjami i wydajność, których potrzebuję”. I to jest dla niej akceptowalne – dodaje.

Ten kierunek ma szczególne znaczenie tam, gdzie dane są elementem przewagi konkurencyjnej. Modele AI coraz częściej mają analizować wewnętrzne dokumenty, procesy sprzedażowe, kod, dokumentację techniczną czy dane finansowe. Im głębiej AI wchodzi w działalność operacyjną firmy, tym ważniejsze staje się pytanie, gdzie informacje są przetwarzane i kto kontroluje cały stos technologiczny.

– Dla większości firm najlepszy wybór to chmura dużych dostawców. Płacisz za to, czego używasz. Najmocniejsze modele są dostępne codziennie, a w tej samej cenie co kilka miesięcy pojawia się model o klasę lepszy – przekonuje Karol Stryja, twórca Szkoła Promptowania, ekspert AI.

Jak zaznacza, na własnym sprzęcie warto realizować małe, powtarzalne zadania, takie jak odczyt skanów, transkrypcja, anonimizacja czy porządkowanie dokumentów. Często wystarczy do nich mały model albo zwykły program.

– Własne, duże serwery bronią się w dwóch sytuacjach. Kiedy obciążenie jest duże i stałe albo gdy dane nie mogą wyjść poza firmę. Ta druga to częściej decyzja dla prawnika niż dla dyrektora finansowego. W pozostałych przypadkach serwer starzeje się od dnia zakupu i większość doby stoi bezczynnie. Firma pracuje osiem godzin, serwer kosztuje przez dwadzieścia cztery – zauważa Karol Stryja.

Szefowie IT zmieniają podejście do chmury

Trendy potwierdza raport „2026 State of the Cloud” firmy Flexera, jednego z najdłużej prowadzonych globalnych badań rynku chmurowego. W najnowszej edycji przebadano 753 specjalistów IT i menedżerów z różnych branż. Aż 73 proc. organizacji działa już w modelu chmury hybrydowej, o 3 pkt proc. więcej niż rok wcześniej. W firmach zatrudniających ponad 5 tys. osób odsetek ten sięga 78 proc.

Zdaniem ekspertów Fleksery nie jest to dowód na masowy odwrót od publicznej chmury, bo jej wykorzystanie i wydatki nadal rosną. Widać jednak odejście od prostego modelu „wszystko do chmury”. Firmy coraz częściej łączą infrastrukturę publiczną i prywatną oraz wybierają miejsce wykonywania poszczególnych obciążeń w zależności od kosztu, bezpieczeństwa i potrzeb biznesowych. Rozwój AI tylko wzmacnia tę presję.

Flexera szacuje, że 29 proc. wydatków na usługi IaaS i PaaS jest marnowanych. Po pięciu latach spadków wskaźnik po raz pierwszy wzrósł. Autorzy raportu wiążą to m.in. z komplikacją kosztową wywołaną przez AI. 53 proc. respondentów wskazuje z kolei bezpieczeństwo i zgodność regulacyjną jako najważniejsze wyzwanie przy skalowaniu AI w chmurze. 30 proc. z nich wymienia nieprzewidywalność kosztów.

Szansa dla firm? Możliwość szalonego wzrostu

Adrian McDonald przekonuje jednocześnie, że AI otwiera firmom możliwość wzrostu w skali, która wcześniej była nieosiągalna bez proporcjonalnego wzrostu kosztów.

– Nigdy wcześniej firma nie mogła rosnąć hiperdynamicznie i jednocześnie wyjmować kosztów z organizacji. Wcześniej, żeby osiągnąć lepszy wynik, trzeba było zatrudniać więcej ludzi, wchodzić na nowe rynki, zwiększać budżet marketingowy albo wydatki na badania i rozwój. Dziś możliwy jest bardzo szybki wzrost i jednoczesne obniżanie kosztów – mówi Adrian McDonald.

Według niego firmy, które najszybciej dostosują procesy do nowych możliwości, zyskają przewagę trudną do nadrobienia.

– To nowy początek. Firmy, które najszybciej się do tego dostosowują, nabierają ogromnej prędkości. Te, które mają problem z przejściem do takich modeli, zaczynają mierzyć się z zupełnie innym zestawem wyzwań – dodaje.

W Polsce agentów AI jeszcze prawie nie widać

Obok danych zupełnie innym wyzwaniem i problemem jest dostosowanie nowych technologii, takich jak agenty AI. W potocznym rozumieniu sztuczna inteligencja to wciąż prosty chatbot, którego można zapytać o pogodę albo poprosić o skrócenie maila. Potęga AI tkwi jednak w tzw. agentach AI.

– My już nie jesteśmy w erze zapytań do AI. Jesteśmy absolutnie w erze agentów AI – mówi Dariusz Piotrowski, dyrektor generalny Dell Technologies w Polsce.

Jak dodaje, w większości polskich firm ta zmiana jest jeszcze słabo widoczna. Szef polskiego Della zachęca przedsiębiorstwa, żeby nie czekały na wielkie, centralne programy transformacyjne. Jego recepta jest znacznie prostsza: zacząć eksperymentować wewnątrz organizacji, nawet w bardzo małej skali.

– Apeluję do każdej polskiej firmy: miej jednego człowieka, który robi u ciebie agentów. Zacznij od jednego i pytaj go co tydzień, co zrobił. Potem rozsiewaj to na innych – mówi Dariusz Piotrowski.

Jego zdaniem zastosowania mogą pojawić się niemal w każdej funkcji przedsiębiorstwa. Począwszy od finansów i sprzedaży po obsługę poczty czy pracę z dokumentami.

– Na każdej funkcji można zrobić agenta, który pomaga. To naprawdę się dzieje – podkreśla Dariusz Piotrowski.

W ankiecie przeprowadzonej na potrzeby badania McKinseya „The State of AI in 2026: On the road to ROI” 44 proc. badanych deklaruje już skalowanie AI na poziomie całej organizacji, wobec 38 proc. rok wcześniej. Jeszcze wyraźniejszy ruch widać w przypadku agentów. W dużych firmach, o przychodach przekraczających 1 mld dolarów, odsetek organizacji skalujących agentowe AI w co najmniej jednej funkcji wzrósł w ciągu roku z 27 do 40 proc.

Koszty związane z AI. Jak nie przegrać

Wraz ze skalą rosną jednak koszty. Z tego samego badania McKinseya wynika, że co piąty badany uznaje koszty operacyjne AI za główny ogranicznik dla skali wykorzystania technologii. Nie studzi to inwestycji. 60 proc. ankietowanych spodziewa się ich dalszego wzrostu w kolejnym roku. Ponadto 28 proc. twierdzi, że AI pochłania już ponad jedną dziesiątą całego firmowego budżetu ICT.

W modelu opartym wyłącznie na zewnętrznych usługach każde kolejne wywołanie modelu oznacza bowiem koszt tokenów. Agent nie wykonuje przy tym jednego polecenia użytkownika, lecz może samodzielnie uruchamiać kolejne operacje i modele.

– Jeżeli będziemy wszystko wysyłać i tokenizować, to nie wytrzymamy. A kiedy uruchomimy agentów, cena rośnie eksponencjalnie – mówi Dariusz Piotrowski.

Przywołuje przypadki organizacji, w których budżet przeznaczony na cały rok korzystania z AI został wykorzystany już po miesiącu lub półtora.

– Roczny budżet został wykorzystany po miesiącu czy półtora. I co dalej? Zatrzymujemy projekty? Odpowiedzią ma być wykonywanie przynajmniej części obliczeń bliżej firmy i jej danych. Rozważcie lokalne rozwiązania – mówi Dariusz Piotrowski.

AI i koszty działalności

Według niego lokalne modele i odpowiednio skonfigurowane zestawy agentów mogą działać na infrastrukturze firmy bez konieczności wysyłania każdego zapytania na zewnątrz. A także bez ponoszenia opłat za każde kolejne wywołanie. Dariusz Piotrowski zwraca przy tym uwagę na jeszcze jeden element: kontrolę nad danymi.

– Te urządzenia mogą lokalnie, z waszymi danymi i pełną odpowiedzialnością, zrobić to, czego chcecie. To jest odpowiedź, żeby nie płacić za tokeny tam i z powrotem przy każdym wywołaniu – przekonuje przedstawiciel Della.

Jest także szereg innych sposobów na obniżenie kosztów funkcjonowania AI.

– Koszty agentów rosną gwałtownie, kiedy płacimy im za amnezję: co miesiąc od zera dochodzą do tego samego wniosku. W biurze rachunkowym, z którym pracuję, księgowa ręcznie przepisywała raporty z jedenastu domów maklerskich. Mogliśmy postawić agenta, który co miesiąc czyta każdy plik. Zrobiliśmy inaczej. Model raz pomógł napisać zwykły program, który działa bez AI i nie zużywa ani jednego tokena – zauważa Karol Stryja.

Jak stwierdza, limity kroków i tańsze modele pomagają, ale to tylko hamulce.

– Najtańszy krok agenta to ten, który zamieniliśmy w program – podsumowuje Karol Stryja.

Trzeba policzyć pełny rachunek za AI

Przeniesienie części obliczeń AI na własną infrastrukturę może ograniczyć rachunki za zewnętrzne API. Nie oznacza jednak, że będzie rozwiązaniem tańszym. Ekonomika korzystania z AI zależy przede wszystkim od skali oraz tego, jak intensywnie firma jest w stanie wykorzystywać własny sprzęt. We wrześniu 2026 r. w analizie Epoch AI „The plunging price of thought” oszacowano, że od 2023 r. koszt uzyskania określonego poziomu wydajności AI spadał średnio o około 47 proc. na kwartał. To około trzynastokrotnie w skali roku.

Sama liczba tokenów również nie przesądza o tym, które rozwiązanie jest tańsze. Autorzy badania „Cost-of-Pass”, zaprezentowanego na konferencji ICLR 2026, proponują, zamiast kosztu pojedynczego tokena mierzyć koszt uzyskania poprawnego rezultatu. Ich analiza pokazuje, że w trudniejszych zadaniach droższe modele „myślące” mogą być bardziej ekonomiczne mimo wyższej ceny tokenów. Głównie dlatego, że częściej dochodzą do prawidłowego rozwiązania. Badacze stwierdzili też, że w przypadku złożonych zadań ilościowych minimalny koszt uzyskania poprawnej odpowiedzi w ostatnim roku spadał mniej więcej o połowę co kilka miesięcy.

W praktyce oznacza to, że firmy nie powinny zaczynać decyzji od założenia, że AI trzeba przenieść lokalnie. Najpierw trzeba zmierzyć rzeczywiste wykorzystanie modeli. Przykładowo, liczbę zapytań, wielkość kontekstu, udział powtarzających się danych, możliwości cache'owania, liczbę operacji wykonywanych przez agentów oraz przewidywalność obciążenia. Po stronie własnej infrastruktury trzeba natomiast uwzględnić nie tylko cenę GPU, ale również ich wykorzystanie, amortyzację, energię, administrację, bezpieczeństwo i późniejszą modernizację. Dopiero takie zestawienie pokazuje, gdzie znajduje się punkt opłacalności konkretnej firmy.

Główne wnioski

1. Rozwój sztucznej inteligencji zmienia sposób, w jaki przedsiębiorstwa podchodzą do infrastruktury IT. Publiczna chmura nadal pozostaje ważnym elementem firmowych środowisk technologicznych, ale coraz częściej jest łączona z prywatną infrastrukturą i usługami lokalnych dostawców. Szczególnie w Europie rośnie znaczenie kontroli nad danymi, zgodności z regulacjami oraz możliwości wyboru miejsca, w którym wykonywane są poszczególne obciążenia. Dane Flexery pokazują, że 73 proc. organizacji korzysta już z modelu chmury hybrydowej, a w największych przedsiębiorstwach odsetek ten wynosi 78 proc. Jednocześnie firmy zwracają większą uwagę na koszty, ponieważ według badania 29 proc. wydatków na usługi IaaS i PaaS jest marnowanych.
2. Kolejną zmianą jest przejście od prostych zastosowań generatywnej AI do agentów zdolnych samodzielnie wykonywać kolejne zadania. Według przedstawicieli Dell Technologies polskie przedsiębiorstwa dopiero zaczynają wykorzystywać ten model, dlatego, zamiast czekać na rozbudowane programy transformacyjne, powinny eksperymentować z agentami w konkretnych funkcjach biznesowych. Dane McKinseya wskazują, że trend ten jest już widoczny w największych organizacjach. W firmach o przychodach przekraczających 1 mld dolarów udział przedsiębiorstw skalujących agentowe AI w przynajmniej jednej funkcji wzrósł z 27 do 40 proc. w ciągu roku. Rosnące wykorzystanie agentów może więc stać się jednym z głównych czynników zmieniających procesy operacyjne przedsiębiorstw.
3. Skalowanie AI przynosi jednak coraz większe wyzwania kosztowe. Co piąty respondent badania McKinseya wskazuje koszty operacyjne jako główną barierę rozwoju AI, a 28 proc. badanych firm przeznacza na tę technologię już ponad 10 proc. budżetu ICT. Problem może być szczególnie widoczny przy agentach, które wykonują wiele kolejnych operacji i generują więcej płatnych wywołań modeli. Przedstawiciele Della wskazują dlatego na możliwość przenoszenia części obliczeń bliżej danych przedsiębiorstwa. Lokalne modele i infrastruktura prywatna mają ograniczać zależność od rozliczeń za każde wywołanie zewnętrznych usług, a jednocześnie zwiększać kontrolę nad informacjami wykorzystywanymi przez systemy AI.