Doktorant z Kennesaw State University wykazał, że wyspecjalizowane modele AI potrafiły rozpoznać nadchodzące zamknięcie Cieśniny Ormuz ponad półtora miesiąca przed faktem. To nie jest ciekawostka akademicka, tylko konkretne narzędzie, które mogłoby ostrzec gospodarki przed szokiem cenowym, zanim ten w ogóle się zacznie.
Kluczowe fakty:
- Doktorant Nzubechukwu Ohalete z Kennesaw State University przeanalizował niemal dwa lata artykułów prasowych za pomocą przetwarzania języka naturalnego, badając zdolność modeli AI do wykrywania sygnałów ostrzegawczych przed kryzysem geopolitycznym na przykładzie zamknięcia Cieśniny Ormuz w marcu 2026 roku.
- Wyspecjalizowane modele AI trenowane na danych finansowych wykryły sygnały ostrzegawcze 47 dni przed zamknięciem cieśniny, podczas gdy modele ogólnego przeznaczenia zidentyfikowały je dopiero 27 dni wcześniej – różnica wyniosła 20 dni.
- Przez Cieśninę Ormuz przepływa około 20 procent światowych dostaw ropy naftowej, co sprawia, że wczesne wykrycie zagrożenia jej funkcjonowania ma istotne znaczenie dla bezpieczeństwa energetycznego i stabilności cen surowców.
Nzubechukwu Ohalete, doktorant informatyki i analityki danych na Kennesaw State University w Georgii, postanowił sprawdzić coś, co brzmi niemal zbyt prosto, żeby mogło działać. Czy analiza języka naturalnego w newsach potrafi wychwycić sygnały ostrzegawcze przed globalnym kryzysem naftowym, zanim ten wybuchnie? Punktem odniesienia stało się zamknięcie Cieśniny Ormuz w marcu tego roku, przez którą normalnie płynie około jednej piątej światowej ropy.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Model finansowy pokonał model ogólny o dwadzieścia dni
Ohalete przeanalizował niemal dwa lata artykułów prasowych za pomocą przetwarzania języka naturalnego, sprawdzając, czy AI rozpozna wzorce zapowiadające narastający kryzys geopolityczny. Skupił się na zamknięciu Cieśniny Ormuz w 2026 roku, waterway, przez który codziennie przepływa około 20 procent światowych dostaw ropy. Modele AI wyspecjalizowane w danych finansowych wykryły sygnały ostrzegawcze kryzysu 47 dni przed zamknięciem cieśniny, znacząco wyprzedzając modele ogólnego przeznaczenia.
Konkretnie: modele finansowe zidentyfikowały potencjalny skok cen ropy 16 stycznia, 47 dni przed zamknięciem cieśniny 4 marca. Modele ogólnego przeznaczenia wykryły sygnały ostrzegawcze dopiero 27 dni przed wydarzeniem. Różnica dwudziestu dni w tak newralgicznym temacie jak bezpieczeństwo energetyczne to nie drobiazg. To czas, w którym rząd może zacząć uzupełniać rezerwy strategiczne, firma logistyczna przemyśleć trasy, a inwestor zabezpieczyć pozycje.
„Modele wytrenowane na danych finansowych są potężniejsze niż modele ogólnego przeznaczenia w tego rodzaju prognozowaniu” / „Financially trained models are more powerful than general-purpose models for this kind of prediction” — powiedział Ohalete, dodając że oznacza to, iż decydenci mogliby korzystać z takich wyspecjalizowanych modeli do analizy trendów i podejmowania lepszych decyzji.
Skąd bierze się przewaga
Najciekawszy wniosek z badania nie dotyczy samej szybkości wykrycia, tylko mechanizmu. Badanie wykazało silny związek między natężeniem doniesień medialnych a zmiennością cen ropy. Im więcej pisano o Cieśninie Ormuz, tym bardziej burzliwie zachowywały się notowania.
„Kiedy w mediach robi się głośno wokół jakiegoś tematu, to może być sygnał, że zaraz wydarzy się coś ważnego” / „When there is a lot of buzz in the news about an issue, it may signal that something important is about to happen” — zauważył doktorant, dodając praktyczną wskazówkę: warto mieć ucho przy ziemi.
Zaskoczył go jednak inny wynik. Spodziewał się, że połączenie analizy sentymentu newsów z historycznymi cenami ropy poprawi trafność prognoz cenowych. Tymczasem modele łączące oba źródła danych radziły sobie mniej więcej tak samo jak te oparte wyłącznie na historii cen, co sugeruje, że analiza newsów może mieć większą wartość jako wczesne ostrzeżenie niż jako narzędzie klasycznego prognozowania cen w bezprecedensowych wydarzeniach. Innymi słowy: AI nie jest tu wróżką od poziomu cen za miesiąc. Jest czujnikiem dymu, zanim ktokolwiek zobaczy ogień.
Ten wynik pokazuje coś, co w branży AI często umyka w szumie wokół dużych modeli językowych. Nie zawsze największy model wygrywa. Tu wygrał model węższy, ale trafniej dopasowany do domeny, w której działa. To samo obserwuję zresztą w innych zastosowaniach finansowych i medycznych: specjalizacja bije uniwersalność, kiedy stawką jest precyzja sygnału, a nie ogólna erudycja.
Jest w tym też ostrzeżenie. Model przewidział zamknięcie cieśniny z wyprzedzeniem, ale nikt nie zapobiegł wojnie. Wczesne ostrzeżenie to nie to samo co zdolność do działania. Rządy i firmy dostają dziś narzędzia, które mówią „coś się zbliża” z tygodniowym wyprzedzeniem, ale strategiczne rezerwy ropy, umowy dywersyfikujące dostawy czy infrastruktura logistyczna buduje się latami, nie dniami. Pytanie, które mnie tu nurtuje, brzmi: czy ktokolwiek zdąży zareagować, zanim sygnał zamieni się w fakt na giełdzie?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Skala kryzysu, który AI próbowało przewidzieć
Warto przypomnieć, o jak poważnym wydarzeniu mowa, bo to nie był drobny wstrząs rynkowy. Międzynarodowa Agencja Energetyczna nazwała zamknięcie Cieśniny Ormuz największym zakłóceniem podaży w historii światowego rynku ropy. Kilka twardych liczb z tego okresu:
- Ceny ropy Brent skoczyły w marcu nawet o około 65 procent, osiągając w szczytowym momencie poziom w okolicach 118-120 dolarów za baryłkę, przy cenach fizycznych ładunków sięgających nawet 150 dolarów
- Globalna podaż ropy spadła w marcu o ponad 10 milionów baryłek dziennie
- Przez cieśninę normalnie przepływa 17-20 milionów baryłek dziennie, co odpowiada mniej więcej jednej piątej globalnego zużycia
Rynek zdążył się od tamtego czasu częściowo uspokoić. Ceny ropy spadały w kolejnych miesiącach wraz z postępami rozmów pokojowych, choć sytuacja pozostawała napięta i niejednokrotnie wracała do punktu wyjścia po kolejnych eskalacjach.
Co to oznacza dla polskich firm i kierowców
Dla czytelnika znad Wisły to nie jest odległa historia z Bliskiego Wschodu. Skutki tego kryzysu każdy poczuł na stacji benzynowej. Orlen zapewniał, że nie sprowadza ropy przez Cieśninę Ormuz i że dostawy są zdywersyfikowane, ale to nie uchroniło polskich kierowców przed podwyżkami, bo ceny ropy ustala się globalnie, a nie regionalnie.
Rząd wprowadził pod koniec marca pakiet „Ceny Paliw Niżej”, obejmujący obniżkę VAT na paliwa z 23 do 8 procent oraz obniżkę akcyzy, żeby zamortyzować skok cen. Mimo to na niektórych stacjach benzyna Pb95 zbliżała się w szczycie kryzysu do 8 złotych za litr, a olej napędowy do 9 złotych.
Tu właśnie pojawia się praktyczne pytanie o narzędzie, które opisuje Ohalete. Gdyby polskie instytucje, Ministerstwo Energii czy branża transportowa, dysponowały systemem wczesnego ostrzegania opartym na analizie mediów finansowych, miałyby te dodatkowe dwa lub trzy tygodnie na przygotowanie mechanizmów osłonowych, zamiast wprowadzać je w trybie reakcji na już rosnące ceny. Dla małych firm transportowych, które w szczytowym momencie kryzysu musiały liczyć się ze wzrostem miesięcznych kosztów paliwa nawet o kilkanaście tysięcy złotych, taka przewaga czasowa mogłaby oznaczać różnicę między utrzymaniem płynności a jej utratą.
Ograniczenia, o których warto pamiętać
Badanie Ohalete pokazuje potencjał, ale nie jest gotowym systemem wdrożeniowym. Testowano je na jednym, dość specyficznym wydarzeniu, więc pytanie o powtarzalność wyników przy innych typach kryzysów (na przykład katastrofach naturalnych czy nagłych decyzjach kartelu OPEC+) pozostaje otwarte. Model działa też najlepiej tam, gdzie napięcie narasta stopniowo i zostawia ślad w mediach. Przy nagłych, jednorazowych szokach, jak niespodziewany atak czy wypadek na infrastrukturze, przewaga czasowa może być znacznie mniejsza albo żadna.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału prasowego Kennesaw State University „Ph.D. student finds AI can detect warning signs of global oil crises before they happen” Kennesaw State University z dnia 7 lipca 2026, a także danych rynkowych Banku Światowego World Bank Blogs oraz doniesień Wikipedii dotyczących przebiegu kryzysu paliwowego z 2026 roku. Kontekst polski oparto na materiałach PIRE oraz Euronews. Cytaty Nzubechukwu Ohalete zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o zastosowaniach AI w prognozowaniu kryzysów geopolitycznych i surowcowych.
