Wśród 107 przedsiębiorstw wydatki na infrastrukturę AI rosną szybciej niż zdolność organizacji do rozumienia i zarządzania jej ekonomiką. Większość firm obecnie uruchamia AI na znanych podstawach: hiperskalowych platformach chmurowych i API dostawców modeli. Jednak ich kolejne priorytety wydatkowe przesuwają się w stronę wyspecjalizowanych usług obliczeniowych, z których dziś niemal żadna z tych firm nie korzysta. Większość spodziewa się zmienić lub dodać dostawców infrastruktury w ciągu najbliższego roku, a wiele planuje zrobić to w ciągu kwartału.

Decyzje zakupowe są w mniejszym stopniu napędzane nagłówkowymi cenami tokenów, a w większym integracją z istniejącymi systemami i całkowitym kosztem posiadania. To istotne, ponieważ większość przedsiębiorstw nadal nie ma jasnej widoczności swojej ekonomiki jednostkowej. GPU często działają przy wykorzystaniu na poziomie połowy mocy lub niższym, a mniej niż połowa respondentów rygorystycznie śledzi, ile faktycznie kosztuje ich moc obliczeniowa AI. Według tej fali VentureBeat Pulse Research rezultatem jest pogłębiająca się luka obliczeniowa: szybkie i znaczące inwestycje infrastrukturalne wyprzedzają systemy pomiarowe potrzebne do ich kontrolowania. Ten wzorzec przypomina wcześniejsze cykle adopcji chmury, w których wydatki wyprzedzały nadzór finansowy, ale moc obliczeniowa AI zwiększa presję, ponieważ pojemność GPU jest znacznie droższa niż tradycyjne zasoby chmurowe, a popyt na nią był ograniczany podażowo.

Badanie analizuje infrastrukturę i moc obliczeniową AI w przedsiębiorstwach, w tym to, na jakim etapie wdrożenia AI znajdują się organizacje, z jakich dostawców i platform korzystają obecnie, jak bardzo są zadowolone, co skłoniłoby je do zmiany dostawcy, gdzie planują oceniać nowe inwestycje oraz jak dobrze potrafią mierzyć i zarządzać ekonomiką warstwy obliczeniowej pod swoimi systemami AI.

Główne ustalenie dotyczy luki między agresywnym tempem inwestycji przedsiębiorstw w infrastrukturę AI a niewielką widocznością jej ekonomiki. Tylko około jeden na pięciu respondentów, czyli 21%, twierdzi, że uruchamia AI w produkcji na dużą skalę. Mimo to plany wydatkowe wyprzedzają ten poziom dojrzałości: najczęściej wskazywanym obszarem, który przedsiębiorstwa planują ocenić w ciągu najbliższego roku, są chmury wyspecjalizowane w AI, na poziomie 45%, choć dziś z tej warstwy nie korzysta niemal żadna z tych firm. Jednocześnie istniejąca pojemność obliczeniowa jest niedostatecznie wykorzystywana: 83% zgłasza wykorzystanie GPU na poziomie 50% lub mniej, a tylko 44% potrafi rygorystycznie śledzić koszty obliczeń AI. Przedsiębiorstwa pozyskują więcej infrastruktury szybciej, niż są w stanie rozliczyć to, co już posiadają.

Relacje z dostawcami również pozostają niestabilne. Wyraźna większość, 64%, planuje zmienić lub dodać dostawcę infrastruktury w ciągu 12 miesięcy, w tym 38% w ciągu najbliższego kwartału. Jak na tak fundamentalną kategorię jak moc obliczeniowa, oznacza to wyjątkowo wysoki deklarowany poziom rotacji. Przy wyborze dostawców najważniejszymi kryteriami są integracja z istniejącym stosem, wskazana przez 41%, oraz całkowity koszt posiadania, wskazany przez 35%. Koszt za milion tokenów jest czynnikiem decydującym tylko dla 8%. Tymczasem kolejne ograniczenie techniczne, które prawdopodobnie będzie kształtować wybory infrastrukturalne — przejście od mocy obliczeniowej GPU do przepustowości pamięci wraz ze skalowaniem inferencji — pozostaje poza planami wielu przedsiębiorstw, przy czym około jedna piąta albo nie jest go świadoma, albo jeszcze się nim nie zajmuje.

Metodologia

VentureBeat przeprowadził badanie w ramach trwającej serii Pulse Research. Ta fala koncentrowała się na infrastrukturze AI w przedsiębiorstwach, mocy obliczeniowej i ekonomice inferencji. Odpowiedzi przefiltrowano do organizacji zatrudniających ponad 100 pracowników, pozostawiając n=107. Najmniejszy przedział wielkości, firmy zatrudniające 1–100 pracowników, został wykluczony. Odpowiedzi pochodzą z jednej fali Q2 2026 przeprowadzonej w czerwcu.

Ponieważ ustalenia opierają się na jednej fali, a nie na połączonej wielomiesięcznej próbie, raport należy czytać przekrojowo i nie należy z niego wnioskować o trendach miesiąc do miesiąca. W kilku pytaniach dopuszczono wybór wielu odpowiedzi, więc niektóre udziały mogą sumować się do ponad 100%.

Pod względem wielkości organizacji próba koncentruje się na średnim segmencie rynku. Firmy zatrudniające 101–250 pracowników stanowią 36%, następnie 251–1,000 pracowników — 27%, 1,001–5,000 pracowników — 22%, 5,001–10,000 pracowników — 8%, a 10,001 lub więcej pracowników — 7%. Pod względem ról respondenci obejmują menedżerów na poziomie 38%, indywidualnych specjalistów na poziomie 28%, wiceprezesów i dyrektorów na poziomie 19% oraz kadrę zarządzającą najwyższego szczebla na poziomie 13%. Próba ma wiarygodny poziom uprawnień zakupowych: 45% to ostateczni decydenci, a kolejne 30% to osoby rekomendujące lub wpływające na wybór rozwiązań AI.

Największą reprezentowaną branżą jest Technology/Software z udziałem 26%, następnie Healthcare/Life Sciences z 15%, Financial Services z 13% oraz Retail/E-commerce z 12%.

Przy 107 respondentach próba jest wystarczająco duża, aby dostarczyć kierunkowych wniosków, ale należy traktować ją jako sygnał kierunkowy, a nie precyzyjny pomiar. Jest dobrowolna i nie stanowi próby probabilistycznej. Skłania się też ku organizacjom ze średniego segmentu rynku i wcześniejszym etapom adopcji. Wyniki najlepiej więc czytać jako perspektywę organizacji aktywnie budujących infrastrukturę AI, a nie jako obraz największych operatorów hiperskalowych.

Ustalenie 1: Ambicje wyprzedzają dojrzałość produkcyjną

Tylko jedno na pięć przedsiębiorstw uruchamia AI w produkcji na dużą skalę.

VentureBeat zapytał, na jakim etapie wdrożenia AI znajdują się organizacje. Większość pozostaje w procesie dochodzenia do produkcji, zamiast operować AI na dużą skalę.

Krzywa dojrzałości jest silnie przesunięta w stronę wcześniejszych etapów. Trzy czwarte przedsiębiorstw, czyli 76%, albo eksperymentuje, albo uruchamia w produkcji tylko część obciążeń. Zaledwie 21% twierdzi, że AI działa w produkcji na dużą skalę. Ten kontekst jest ważny dla pozostałych ustaleń: wiele decyzji infrastrukturalnych odzwierciedlonych w badaniu podejmują organizacje nadal znajdujące się na wczesnym etapie wdrożenia, których ślad obliczeniowy i koszty prawdopodobnie będą rosnąć. Zamiary oceny i zmiany dostawców omówione w Ustaleniach 3 i 4 reprezentują początek tej rozbudowy, a nie utrwalone preferencje operatorów, którzy już ustalili, co działa.

Ustalenie 2: Przedsiębiorstwa obecnie polegają na hiperskalerach i API modeli

Wyspecjalizowane chmury GPU mają dziś niewielką obecność.

VentureBeat zapytał, jakich dostawców i platform przedsiębiorstwa obecnie używają do uruchamiania AI. Odpowiedź w dużej mierze wskazuje na dotychczasowy ekosystem chmury i modeli.

Obecny stos koncentruje się na hiperskalerach i API. Google Cloud prowadzi z wynikiem 48%. Chmury ogólnego przeznaczenia — Google, Microsoft, AWS i Oracle — wraz z głównymi API modeli, takimi jak Gemini, OpenAI i Anthropic, odpowiadają zasadniczo za całe obecne wdrożenie. Wyspecjalizowani dostawcy GPU typu „neocloud”, często pojawiający się w dyskusjach o infrastrukturze AI, w tym CoreWeave, Lambda, Crusoe, Nebius i podobni, osiągają wśród tych przedsiębiorstw dziś wynik zerowy lub bliski zeru. Dostawcy ci budują gęsto wyposażone w GPU centra danych zaprojektowane pod kątem trenowania i inferencji AI, często oferując gwarantowany dostęp do bardzo poszukiwanych akceleratorów, które trudno zarezerwować w chmurach ogólnego przeznaczenia — propozycję, która przyciągnęła do tej kategorii miliardy kapitału inwestycyjnego. Mimo to adopcja w tej kohorcie przedsiębiorstw jeszcze się nie zmaterializowała. Tylko 6% uruchamia własne lokalne klastry GPU, a 4% korzysta z niestandardowego stosu open-source.

Na razie przedsiębiorstwa uruchamiają AI u dostawców, od których już kupują. To sprawia, że zamiary oceny opisane w Ustaleniu 3 są bardziej znaczące.

Uwaga dotycząca interpretacji tych udziałów: jak opisano w metodologii, próba jest dobrowolna i skłania się ku średniemu segmentowi rynku. Pytanie o dostawców zliczało każdego dostawcę używanego przez respondenta, ze średnią 2.1 wyboru na osobę. W rezultacie liczby mierzą obecność w stosie, a nie udział w wydatkach ani status głównego dostawcy. Tak skonstruowana próba da inny miks dostawców niż ważony wydatkami spis szerszego rynku. Siła Google w tej próbie jest na przykład spójna z jego długoletnią pozycją wśród mniejszych przedsiębiorstw budujących rozwiązania AI. Udziały te należy czytać jako migawkę tego, czego dziś używa ta aktywna w AI kohorta, a różnice między tymi liczbami a ogólnorynkowymi szacunkami udziałów należy traktować jako cechę próby, a nie sprzeczność.

Ustalenie 3: Nowe wydatki kierowane są na infrastrukturę, z której przedsiębiorstwa prawie dziś nie korzystają

Chmury wyspecjalizowane w AI są na szczycie listy planowanych ocen.

VentureBeat zapytał, gdzie przedsiębiorstwa planują oceniać infrastrukturę AI w ciągu najbliższych 12 miesięcy. Odpowiedzi wskazują odejście od stosów, na których obecnie działają.

Największe napięcie w raporcie polega na tym, że chmury wyspecjalizowane w AI są najczęściej wskazywanym planowanym obszarem oceny, na poziomie 45%, mimo że prawie żadna z tych firm dziś z tej kategorii nie korzysta, jak wskazano w Ustaleniu 2. Prawie jedna trzecia, 32%, zamierza oceniać akceleratory inne niż Nvidia, a 28% planuje oceniać następną generację układów Nvidia. Zdecentralizowane sieci obliczeniowe przyciągają zainteresowanie 16%, a sovereign compute — 11%.

W porównaniu z obecnym wykorzystaniem te planowane oceny nie są jedynie przyrostowe. Wyznaczają początek potencjalnej zmiany platformy. Pytanie o kierunek zmian wskazuje to samo: każde podejście infrastrukturalne netto się rozszerza, ale chmury wyspecjalizowane w AI mają najwyższy impet netto na poziomie +24, nieco przed hiperskalerami z wynikiem +22. Przedsiębiorstwa przygotowują się do przeniesienia znaczącej części mocy obliczeniowej AI z infrastruktury chmury ogólnego przeznaczenia.

Ten wzorzec kontynuuje trend, który VentureBeat zaobserwował w fali badania z kwietnia i maja. Wtedy wykorzystanie chmur wyspecjalizowanych w AI również było marginalne: CoreWeave było używane przez 3% przedsiębiorstw, Lambda przez 4%, a Crusoe przez 2%. Gdy przedsiębiorstwa zapytano, jaką zmianę planują w swojej strategii infrastruktury AI w ciągu najbliższych 12 miesięcy, najczęstszą odpowiedzią było przenoszenie obciążeń do wyspecjalizowanych chmur AI, na poziomie 33%. Gdy respondentów z kwietnia i maja zapytano, którą pojawiającą się opcję obliczeniową najprawdopodobniej ocenią, chmury wyspecjalizowane w AI ponownie uzyskały najwięcej odpowiedzi. W dwóch falach i przy różnie sformułowanych pytaniach pojawia się ten sam wzorzec: kategoria chmury, którą przedsiębiorstwa najbardziej chcą ocenić, to ta, z której dopiero zaczęły korzystać w minimalnym stopniu.

Ustalenie 4: Wiele przedsiębiorstw spodziewa się zmiany dostawców

Sześć na 10 planuje zmienić lub dodać dostawców w ciągu roku, a wiele spodziewa się działać w ciągu kwartału.

VentureBeat zapytał, czy i kiedy przedsiębiorstwa planują zmienić lub dodać dostawcę infrastruktury. Niewielu respondentów planuje pozostać bez zmian.

Jak na kategorię obliczeniową, skala zamierzonego ruchu jest znacząca. Tylko 36% twierdzi, że nie ma planów zmian. Oznacza to, że 64% zamierza zmienić lub dodać dostawcę w ciągu 12 miesięcy, a 38% planuje zrobić to już w najbliższym kwartale.

Dostawcami przyciągającymi największe zainteresowanie zmianą są ponownie gracze obecni na rynku. Microsoft Azure i Google Cloud uzyskują po 33%, następnie OpenAI z 30% i Gemini z 22%. Sugeruje to, że duża część krótkoterminowego ruchu polega na przetasowaniach między głównymi dostawcami i konsolidacji wydatków, a nie na bezpośrednim przejściu do nowych graczy. Zainteresowanie neocloud opisane w Ustaleniu 3 jest przede wszystkim tezą oceny w horyzoncie 12 miesięcy; zmiany dostawców oczekiwane w najbliższym kwartale wydają się głównie wymianą udziałów między dotychczasowymi dostawcami.

Uwaga metodologiczna: Respondenci, którzy wybrali zarówno „brak planów zmian”, jak i konkretny termin zmiany, zostali policzeni jako zmieniający, zgodnie z logiką, że wskazanie terminu jest bardziej szczegółową odpowiedzią. Na tej podstawie przeklasyfikowano trzech respondentów.

Ustalenie 5: Cena tokenów nie jest głównym czynnikiem zakupowym

Integracja i całkowity koszt posiadania mają większe znaczenie niż cena katalogowa.

VentureBeat zapytał, co jest najważniejsze, gdy przedsiębiorstwa wybierają dostawcę infrastruktury AI. Cena nagłówkowa znalazła się na ostatnim miejscu.

Przedsiębiorstwa nie kupują infrastruktury AI przede wszystkim na podstawie wskaźnika cenowego, który dostawcy często podkreślają najbardziej. Integracja z istniejącym stosem prowadzi z wynikiem 41%, a za nią plasuje się całkowity koszt posiadania z wynikiem 35%. Nagłówkowy wskaźnik kosztu za milion tokenów jest czynnikiem decydującym tylko dla 8%, co jest najniższym wynikiem wśród wskazanych kryteriów.

Wzorzec jest spójny: kupujący optymalizują pod kątem tego, jak dostawca pasuje do ich środowiska operacyjnego i ile kosztuje w praktyce jego użytkowanie, zamiast skupiać się na reklamowanych stawkach jednostkowych. Sama cena tokenów zaciemnia pełny obraz kosztów, który obejmuje także sieć, transfer danych na zewnątrz, przechowywanie wag modeli i danych treningowych, narzut bezczynnej pojemności oraz wysiłek inżynieryjny potrzebny do integracji i utrzymania potoków. Wskazuje to również na Ustalenie 7. Przedsiębiorstwa mówią, że całkowity koszt posiadania jest centralnym czynnikiem decyzyjnym, ale większość nie potrafi jeszcze mierzyć go rygorystycznie. Ich deklarowany priorytet i zmierzona zdolność nie są ze sobą zgodne.

Ustalenie 6: Drogie GPU są często niedostatecznie wykorzystywane

83% zgłasza wykorzystanie GPU na poziomie 50% lub mniej.

VentureBeat zapytał, jaką część pojemności GPU przedsiębiorstwa faktycznie wykorzystują. Odpowiedź uwypukla szeroko rozpoznaną, ale rzadziej kwantyfikowaną nieefektywność.

Ujawnienie: Procenty przedziałów liczą każdy wybór względem wszystkich 107 zakwalifikowanych respondentów. Czternastu respondentów wybrało więcej niż jeden przedział, więc przedziały nakładają się na siebie. Na poziomie respondentów 83 ze 100 przedsiębiorstw korzystających z GPU zgłosiło wykorzystanie na poziomie 50% lub niższym.

Już wdrożona moc obliczeniowa działa poniżej możliwości. Po zsumowaniu przedziałów na poziomie połowy wykorzystania lub niżej 83% przedsiębiorstw obsługujących GPU zgłasza wykorzystanie na poziomie 50% lub mniej. Prawie połowa, czyli 49%, działa na poziomie 25% lub niższym. Tylko 12% przekracza 50% wykorzystania, a kolejne 8% w ogóle nie mierzy wykorzystania.

Bezczynne akceleratory są kosztownymi aktywami. Dostęp na żądanie do pojedynczego wysokiej klasy GPU, takiego jak Nvidia H100, może kosztować kilka dolarów za godzinę na platformach hiperskalerów, a obciążenia korporacyjne często wymagają instancji wielo-GPU, które znacząco podnoszą koszty godzinowe. Utrzymujące się wykorzystanie poniżej 50% przy pojemności w tych cenach bezpośrednio przekłada się na znaczące powtarzalne marnotrawstwo. To jedna z najjaśniejszych miar luki obliczeniowej: przedsiębiorstwa planują kupować więcej GPU i wyspecjalizowanej mocy obliczeniowej, jak pokazano w Ustaleniu 3, podczas gdy pojemność, którą już obsługują, pozostaje w znacznym stopniu niewykorzystana. Obecna flota ma duży zapas efektywności, a znaczna jego część nie jest mierzona.

Ustalenie 7: Wydatki rosną szybciej niż pomiar

Mniej niż połowa rygorystycznie śledzi koszty obliczeń.

VentureBeat zapytał, czy przedsiębiorstwa potrafią ilościowo określić koszt i zwrot z wydatków na infrastrukturę AI oraz jak zadowolone są z używanej infrastruktury. Wyniki pokazują, że widoczność finansowa pozostaje w tyle za inwestycjami.

Pomiar nie nadąża za wydatkami. Mniej niż połowa przedsiębiorstw, 44%, rygorystycznie śledzi koszt i zwrot z mocy obliczeniowej AI. Pozostałe albo śledzą je tylko częściowo, na poziomie 39%, nie potrafią jeszcze ich określić ilościowo, na poziomie 20%, albo nie nadały temu priorytetu, na poziomie 6%. Koszty obliczeń AI rozkładają się na moc obliczeniową, pamięć, sieć i transfer danych na zewnątrz według wzorców odmiennych od tradycyjnych obciążeń chmurowych, a współdzielone klastry GPU utrudniają przypisanie wydatków do poszczególnych zespołów, projektów lub wyników biznesowych — jest to wyzwanie pomiarowe, które dyscyplina cloud FinOps dopiero rozszerza, aby objąć ten obszar.

Ta luka ma znaczenie, ponieważ całkowity koszt posiadania był drugim najważniejszym kryterium zakupowym w Ustaleniu 5. Przedsiębiorstwa wybierają dostawców na podstawie ekonomiki, której wiele z nich nie potrafi jeszcze rygorystycznie zmierzyć.

Zadowolenie z obecnej infrastruktury jest umiarkowanie pozytywne, ale nie silne. W pięciopunktowej skali ogólna satysfakcja wynosi średnio 4.0. Łatwość wdrożenia wynosi średnio 3.8, a wartość za pieniądze 3.9. Słabszy wynik w obszarze wartości za pieniądze jest wart uwagi, ponieważ koszt trudno ocenić bez zdyscyplinowanego pomiaru. Przedsiębiorstwa wydają szybko, ale rozliczają wolno.

Ustalenie 8: Wiele przedsiębiorstw nie koncentruje się jeszcze na kolejnym wąskim gardle inferencji

W miarę przesuwania się inferencji z obliczeń do pamięci odpowiedzi są rozproszone.

Na koniec VentureBeat zapytał, jak przedsiębiorstwa zamierzają podejść do pojawiającego się ograniczenia w inferencji na dużą skalę: przejścia od mocy obliczeniowej GPU do pamięci, konkretnie pojemności KV-cache. Odpowiedzi sugerują, że ten obszar nie jest jeszcze głównym priorytetem operacyjnym dla wielu organizacji.

Ograniczenie pamięci jest realne, ale zarządzanie nim pozostaje ograniczone. Gdy modele produkcyjne obsługują okna kontekstu liczące 128,000 tokenów lub więcej, pamięć wymagana do przechowywania pośredniego stanu inferencji — KV cache — rośnie wraz z długością kontekstu i liczbą jednoczesnych użytkowników, tworząc presję, której dodatkowa surowa moc obliczeniowa GPU nie rozwiązuje. Zapytane, na jakim podejściu będą polegać, gdy wiążące ograniczenie w inferencji przesunie się z obliczeń do przepustowości pamięci, przedsiębiorstwa udzieliły rozproszonych odpowiedzi. Dell prowadzi z wynikiem 31%, a za nim Nvidia z 16%. Pozostałe odpowiedzi są rozproszone między dostawców pamięci masowej, narzędzia open-source i techniki efektywności na poziomie modeli.

Najbardziej zauważalne jest to, że około jedna piąta przedsiębiorstw, czyli 18%, albo nie rozpoznaje tego ograniczenia, albo jeszcze nie zaczęła się nim zajmować. W przypadku zmiany, która wpłynie na koszty i architekturę inferencji, rynek pozostaje wczesny i nieustabilizowany. Zgodnie z luką pomiarową z Ustalenia 7 wiele przedsiębiorstw nie ma jeszcze jasnego obrazu sytuacji. To kolejna faza luki obliczeniowej, która nadchodzi, zanim wiele organizacji rozwiązało obecną.

Wniosek: Szybsze wydatki mogą pogłębić lukę obliczeniową

Organizacje zatrudniające ponad 100 pracowników inwestują w infrastrukturę AI szybciej, niż są w stanie ją mierzyć. Większość nadal znajduje się na wczesnym etapie wdrożenia, ale ich plany wydatkowe wykraczają poza obecne stosy, kierując się ku wyspecjalizowanym chmurom i alternatywnym akceleratorom, z których dziś niemal żadna z nich nie korzysta. Wyraźna większość zamierza zmienić dostawców w ciągu najbliższego roku.

Ich logika zakupowa koncentruje się na integracji i całkowitym koszcie posiadania, a nie na cenie nagłówkowej, co jest praktycznym podejściem. Problem polega na tym, że wiele przedsiębiorstw nie widzi jeszcze tej ekonomiki wystarczająco jasno.

Luka widoczności jest konkretna. Dla przytłaczającej większości przedsiębiorstw obsługujących GPU wykorzystanie wynosi połowę pojemności lub mniej. Mniej niż połowa potrafi rygorystycznie śledzić, ile kosztuje ich moc obliczeniowa AI lub jaki przynosi zwrot. Satysfakcja jest wystarczająca, ale nie entuzjastyczna, i najsłabsza w obszarze wartości za pieniądze — wymiarze najtrudniejszym do oceny bez pomiaru.

Jednocześnie pojawia się kolejne ograniczenie — przejście od obliczeń do pamięci w inferencji na dużą skalę — podczas gdy wiele przedsiębiorstw nadal nie jest go świadomych lub jeszcze się nim nie zajęło. Rośnie ekosystem narzędzi obserwowalności kosztów i harmonogramowania GPU, który ma rozwiązać lukę pomiarową, ale pozostaje pytanie, czy przedsiębiorstwa wdrożą te zdolności przed zaangażowaniem się w kolejną warstwę infrastruktury. Przy 107 respondentach w jednej fali Q2 badanie dostarcza odczytu kierunkowego. Skłania się ku średniemu segmentowi rynku i wcześniejszym etapom adopcji. Kierunek jest jednak spójny: apetyt na wydatki wyprzedza instrumentację potrzebną do efektywnego wydawania.

Luka obliczeniowa nie jest wyłącznie problemem pojemności, który da się samodzielnie rozwiązać większą ilością sprzętu. To przede wszystkim problem zrozumienia, ile kosztuje sprzęt, który już istnieje. Kolejne fale badań pokażą, czy przedsiębiorstwa zbudują tę widoczność, zanim przyspieszy zmiana platform, czy też kupią kolejną warstwę infrastruktury z tak samo ograniczonym obrazem jej ekonomiki.

Ustalenia opierają się na odpowiedziach 107 zakwalifikowanych respondentów z przedsiębiorstw zatrudniających ponad 100 pracowników, zebranych w jednej fali Q2 2026 w czerwcu. Ponieważ jest to jedna fala, a nie połączona wielomiesięczna próba, wyniki mają charakter przekrojowy, a nie trendu miesiąc do miesiąca. Przy 107 respondentach ustalenia należy traktować jako sygnał kierunkowy, a nie precyzyjny pomiar. Próba jest dobrowolna, skłania się ku średniemu segmentowi rynku i wcześniejszym etapom adopcji, a nie ku największym operatorom hiperskalowym. Respondenci obejmują menedżerów, indywidualnych specjalistów, wiceprezesów i dyrektorów oraz kadrę zarządzającą najwyższego szczebla, z wiarygodnymi uprawnieniami zakupowymi w branżach Technology/Software, Healthcare/Life Sciences, Financial Services, Retail/E-commerce i innych.