Waszyngton i Dolina Krzemowa toczą nowy spór o „pacing” w sztucznej inteligencji: celowe spowalnianie rozwoju modeli granicznych, dopóki środki bezpieczeństwa, zgodność (alignment) i społeczeństwo nie nadążą. Krytycy opisują pacing jako jednostronne rozbrojenie w konkurencji z Chinami. Zwolennicy widzą w nim jedyną odpowiedzialną drogę dla technologii, której twórcy sami ostrzegają przed ryzykiem katastrofalnym.

Obie strony przyjęły jednak to, co można nazwać „fałszywym przekonaniem o przeliczaniuocy obliczeniowej na PKB” — założeniem, że każdy przyrostowy skok wydajności modeli AI natychmiast staje się makroekonomiczną produkcją. Poprzednie technologie ogólnego przeznaczenia — fundamentalne innowacje, takie jak elektryczność, komputer i internet, które przenikały każdą branżę — potrzebowały dziesięcioleci, by rozprzestrzenić się w gospodarce i przynieść mierzalne zyski produktywności. AI podąża podobną ścieżką w przyspieszonym tempie, ale dyskusja publiczna często zakłada, że wzorce historyczne i ekonomiczne już nie obowiązują.

Ameryka jest już o lata w tyle za frontem AI. Komercyjne losy laboratoriów granicznych zostaną określone mniej przez surowe możliwości, a bardziej przez zaufanie i adopcję. Okres pacingu kosztowałby więc gospodarkę relatywnie niewiele, ponieważ centralna debata koncentruje się na niewłaściwym ograniczeniu.

Sceptycyzm wobec pacingu nie jest bezpodstawny. Czy to rzeczywisty środek bezpieczeństwa, czy strategia marketingowa laboratoriów granicznych i firm cyberbezpieczeństwa starających się wzmocnić finanse przed wejściem na giełdę? Czy spowolnienie rozwoju odda przewagę USA Chinom, czy Pekin odpowiednie własną formą pacingu?

Problem frontu

AI osiągnęła krytyczny kamień milowy możliwości. Ostrzeżenia przed ryzykiem katastrofalnym lub egzystencjalnym nie mogą być już całkowicie odrzucane, nawet jeśli ich krótkoterminowe prawdopodobieństwo pozostaje umiarkowane. Jednak koncentrując się niemal wyłącznie na modelach z czołówki, laboratoria graniczne źle poradziły sobie zarówno z komunikacją publiczną, jak i kwestią zaufania.

Ponad 100 ostatnich rozmów z prezesami, liderami polityki i naukowcami od AI, przeprowadzonych do nadchodzącej książki When Machines Act, przekonało autorów, że debata o pace zgubiła myślenie od pierwszych zasad. Zatarła się kluczowa różnica: zaawansowane badania prowadzone za zamkniętymi drzwiami to nie to samo, co produkty udostępniane publicznie.

Bardziej trafne pytanie brzmi może, czy laboratoria w ogóle muszą zwolnić badania, czy po prostu muszą lepiej dbać o to, by produkty komercyjne były bezpieczne w użyciu.

Problem zgodności

Od premiery ChatGPT w 2022 roku liderzy korporacyjni mobilizowali się z szybkością rzadko widywaną w nowoczesnej historii gospodarczej. Ale struktura technologii przedsiębiorstw sprawia, że szeroka absorpcja ekonomiczna jest z natury powolna. Rozdrobnione silosy, przestarzałe systemy ERP, surowe wymogi zgodności i słaba higiena danych wszystko blokują.

Szoki budżetowe korporacji spowodowane rozpędzonym „tokenmaxxingiem” — praktyką kierowania rutynowych zadań przez znacznie większe modele, niż wymaga praca — pokazały też, że wiele codziennych przepływów pracy wymaga znacznie prostszych modeli. Bardzo niewiele zadań w przeciętnej firmie z Fortune 500 wymaga systemu granicznego. Pacing nie zaszkodzi więc istotnie produkcji gospodarczej ani nie odetnie przychodów laboratoriów, bo firmy potrzebują czasu na przyswojenie możliwości, które są już dostępne.

Ponad dwie trzecie firm o wysokich wynikach wskazuje dane jako główną barierę wdrażania AI według McKinsey. Ta przeszkoda okazała się uporczywa, mimo że modele szybko się rozwijały. Tylko 7% firm opisuje swoje dane jako „całkowicie gotowe” na AI, mniej niż jedna czwarta ma strategię danych, a 63% albo nie ma zarządzania danymi odpowiedniego dla AI, albo nie wie, czy je ma — według raportu Cloudera i Harvard Business Review Analytic Services oraz komunikatu Gartnera.

Fałszywe przekonanie o mocy obliczeniowej i PKB

Jak podkreślił starszy partner McKinsey Asutosh Padhi w programie Fareeda Zakarii, dostępność technologiczna to co do zasady coś innego niż transformacja gospodarcza. Technologie ogólnego przeznaczenia historycznie wymagały dziesięcioleci, by zreorganizować przepływy pracy i wygenerować szerokie zyski produktywności.

Elektryczność potrzebowała 75 lat, by podnieść produktywność w całej gospodarce. Komputery wymagały 50 lat, a internet i urządzenia mobilne 25 lat. Modele AI mogą być gotowe, ale restrukturyzacja organizacyjna wymagana do ich skalowania zajmie sporo czasu. W ankiecie środowiska biznesowego McKinsey wykazał, że tylko 6% firm zgłosiło „istotny” wpływ i umiarkowane przypisanie do wyników. Raport State of AI dostarcza dodatkowego kontekstu na temat adopcji w przedsiębiorstwach.

Firmy koncentrują się na automatyzacji o wysokich zyskach i niskim ryzyku, którą modele sprzed jednego lub dwóch generacji już potrafią wykonać. Jeden z wysoko cenionych byłych prezesów z Wall Street powiedział, że te systemy będą działać równolegle ze starszymi systemami przez lata, pozwalając firmom potwierdzić, że działają poprawnie i że żaden ryzyko regulacyjne nie zostanie nieświadomie przejęte.

Korporacyjna Ameryka sama więc wyznaczy tempo wdrożeń, niezależnie od decyzji laboratoriów granicznych. Żadna firma w żadnej branży nie powinna wypuszczać produktu, który uważa za niebezpieczny, i AI nie powinno być wyjątkiem.

Podobny wzorzec pojawia się na rynku półprzewodników. Starszej generacji chipy, początkowo odsunięte na bok w wyścigu po najnowsze akceleratory, znajdują drugie życie jako konie pociągowe dla praktycznych zadań inferencji — codziennego działania wdrożonych modeli, a nie ich treningu — które stanowią większość popytu przedsiębiorstw.

Miro Dimitrov, założyciel i CEO Growth Protocol, powiedział na ubiegłotygodniowym Yale CEO Caucus, że architektury neuro-symboliczne zmniejszyły koszty inferencji około 80-krotnie w żywych wdrożeniach u klientów. Oszczędności pochodziły głównie z przenoszenia obciążeń z niezwykle drogich jednostek GPU na standardowe firmowe CPU.

Trzy fazy adopcji AI

Adopcję korporacyjną można rozumieć jako trzy fazy, z których każda jest definiowana przez to, ile pracy firma może odpowiedzialnie delegować. Postęp ograniczają gotowość danych i poziom zaufania, jaki zdobyły systemy.

Pierwsza faza to asystencja. Składa się z gotowych copilotów zbudowanych na platformach przedsiębiorstw, takich jak Salesforce. Te narzędzia łączą dane między istniejącymi aplikacjami i pomagają pracownikom pracować szybciej bez szerokiej rearchitektury. Zwrot może nadejść szybko, a ryzyko pozostaje ograniczone, bo człowiek nadal wykonuje większość pracy.

Druga faza to orkiestracja. Obejmuje przepływy agentowe — systemy AI, które planują i wykonują wieloetapowe zadania w imieniu pracownika — wymagające znaczących inwestycji w dane własnościowe i w łączenie odległych jezior danych, które nigdy nie były projektowane do współpracy. Człowiek pozostaje w pętli, zatwierdzając każdy istotny krok.

Trzecia faza to autonomia, w której end-to-endowe operacje agentowe działają w płynnie połączonych systemach, a ludzie nadzorują przez wyjątki.

Potencjalna nagroda rośnie z każdą fazą, ale tak samo ryzyko i wymagane zaufanie. Dlatego przeciętny prezes firmy z Fortune 500 pozostaje w fazie asystencji, dokonując znacznych, ale wczesnych inwestycji przygotowujących do orkiestracji. Fazy także nie będą postępować równomiernie w całej firmie. Większość przedsiębiorstw będzie zarządzać portfelem obejmującym wiele faz, testując orkiestrację w wybranych,orientowanych na przyszłość działach, podczas gdy reszta organizacji oswoi się z podstawową asystencją.

Wszystkie trzy fazy zależą od zaufania prezesów, że AI będzie przestrzegać zasad z podręcznika pracownika, będzie posłuszne prawu i utrzyma fundament ludzkich wartości i osądu. Inwestorzy, komentatorzy medialni i rynki błędnie więc diagnozują, jak powstaje wartość przedsiębiorstwa, gdy obawiają się, że pacing dla zgodności AI zahamuje postęp modeli granicznych.

Debatę dodatkowo komplikują mgliste obietnice i ostrzeżenia wokół „AGI”, czyli sztucznej ogólnej inteligencji — systemów zdolnych dorównać lub przewyższyć ludzką wydajność w większości zadań poznawczych — a także możliwości i katastrofalne ryzyka związane z osiągnięciem „osobliwości”. Zgodność sama w sobie jest pojęciem subiektywnym, różnie definiowanym przez laboratoria i osoby, które go używają. Odpowiedzią na każde wspomnienie zgodności jest kolejne pytanie: zgodność z czym?

Jeśli technologie AI mają automatyzować ludzkie zadania, powinny spełniać te same standardy wartości, osądu i postępowania moralnego, jakich oczekuje się od obecnego lub potencjalnego pracownika. Jeśli najbardziej zaawansowane modele graniczne nie mogą spełnić tych standardów w testach, nie są gotowe do wydania. Ta zasada jest spójna z prawami, które Stany Zjednoczone od dawna utrzymują, by chronić konsumentów przed niebezpiecznymi produktami.

Była przewodnicząca Federal Trade Commission Lina Khan wyraziła podobny punkt na X: „Istnieje rozległy zbiór praw regulujących niebezpieczne i wadliwe produkty… wypuszczanie niesprawdzonych modeli lub agentów AI może naruszać prawa ochrony konsumenta. Wysyłanie wadliwych narzędzi AI bez wdrożenia odpowiednich środków wykrywania i powstrzymywania zbuntowanych lub wadliwych agentów AI może być »nieuczciwym lub wprowadzającym w błąd« działaniem lub praktyką w rozumieniu FTC Act (i analogicznych praw stanowych).” Post dostępny jest pod adresem https://x.com/linamkhan/status/2099204390548639960.

Te prawa czynią firmy odpowiedzialnymi za szkody wyrządzone konsumentom, pracownikom, inwestorom, pacjentom i konkurentom, a także rynkom i systemom finansowym, od których wszyscy zależą.

Ameryka, Chiny, szybkość i zaufanie

Niezależnie od stanowiska w debacie o destylacji chińskich modeli AI — technice trenowania mniejszych modeli do odtwarzania wyników większych systemów granicznych — Chiny mają już systemy dorównujące granicznym modelom dostępnym na rynku. Chińska Partia Komunistyczna zasygnalizowała też, że przesuwa uwagę na rozpowszechnianie AI w gospodarce, zami dalej pchać front.

Laboratoria graniczne konkurują więc w dwóch wyścigach: jednym do „AGI” lub „ponadinteligencji”, drugim o udział w portfelu klientów. Ich najbardziej ugruntowani klienci, głównie przedsiębiorstwa z Fortune 500, mogą poświadczyć, że odzyskanie klienta po podjęciu decyzji zakupowej jest niezwykle trudne. Chiny dobrze rozumieją tę dynamikę, która napędzała ich zwycięstwo w globalnych telekomunikacjach — wyścigu, który Stany Zjednoczone w dużej mierze przegrały.

Chińska Partia Komunistyczna wyraziła też głęboką troskę o zgodność. Pekińska wewnętrzna wersja zgodności kładzie nacisk na kontrolę państwową, ortodoksję partyjną i spójność z oficjalnymi narracjami. Zachodnia zgodność koncentruje się bardziej na wiarygodności powierniczej, bezpieczeństwie konsumenta i odpowiedzialności za produkt. Pod tą przepaścią ideologiczną leży ta sama komercyjna rzeczywistość: nieprzewidywalne, „halucynujące” agenty, które nie przestrzegają reguł organizacji, nie wykazują zdrowego osądu ani nie respektują instytucjonalnych barier, nie mogą być powierzone krytycznym dla misji przepływom pracy ani na nich polegać w trwałym wzroście gospodarczym.

Administracja Trumpa powinna nadal szukać możliwości współpracy i koordynacji z prezydentem Xi, by AI nie spowodowała masowego zniszczenia ani katastrofy, czy to celowej, czy przypadkowej. Czy Trump podniesie tę kwestię, to osobne pytanie.

Na Yale CEO Caucus 93 z około 100 zbadanych prezesów stwierdziło, że prezydent nie miał racji, nazywając ostrzeżenia przed zagrożeniami AI „fałszywką”. Prawie 90% powiedziało, że prezydent powinien podkreślić potrzebę wspólnych wytycznych bezpieczeństwa AI z Chinami podczas wizyty państwowej, podczas gdy prawie trzy czwarte nie spodziewało się, że to zrobi. Według Axiosa przygotowawcze rozmowy między sekretarzem skarbu Bessentem a jego chińskim odpowiednikiem mogą wkrótce dowiodć tych około 75 liderów biznesu w błąd — ku ich radości.

Okres pacingu nie byłby biernym wolnym ani ekonomicznym zawieszeniem broni. Byłby aktywnym okresem wzmacniania obronności. Waszyngton i Pekin potrzebują czasu, by wzmocnić infrastrukturę krytyczną przed exploitami autonomicznych agentów, zanim odblokowana zostanie kolejna generacja możliwości granicznych.

Ludzka zgodność to tylko połowa wyzwania. W takim okresie bezpośrednim priorytetem powinno być wzmacnianie instytucji, na których spoczywa społeczeństwo. Systemy finansowe, opieki zdrowotnej i edukacji powinny być testowane pod kątem podat przez najbardziej zaawansowane modele, jak wykazało Anthropic poprzez ograniczone wdrożenie Mythos w ramach Project Glasswing. Te modele przebiły obronę dzięki wyszukanej inżynierii, ale exploity powiodły się z powodu systemowych słabości cyfrowej infrastruktury korporacyjnej.

Laboratoria graniczne mogą wierzyć, że biegną w jednym wyścigu ku ponadinteligencji. Wyścig, który zdecyduje o ich komercyjnych losach, to jednak wolniejsza rywalizacja o zaufanie przedsiębiorstw, regulatorów i obywateli, którzy muszą żyć z tym, co te laboratoria tworzą. Szybkość może generować nagłówki, ale zaufanie zdobywa klientów.

Ten wyścig to maraton, nie sprint. Pierwsza połowa dystansu służy tempu, a druga połowa wyprzedzaniu. W każdej rewolucji technologicznej, od kolei po internet, największe fortuny trafiali do tych, którzy rozumieli, że front nic nie znaczy, dopóki nie przybędą osadnicy.

Opinie wyrażone w komentarzach na Fortune.com należą wyłącznie do ich autorów i niekoniecznie odzwierciedlają opinie i przekonania Fortune. Raport zaktualizowano o dodatkowe uwagi współautora Davida Segala. Ta historia po raz pierwszy ukazała się na Fortune.com: https://fortune.com/2026/09/22/ai-pacing-debate-how-fast-slow-wrong-debate-frontier