Rewolucja AI: co naprawdę zyskaliśmy, a co straciliśmy. Robię bilans

Cztery lata po premierze ChatGPT mamy już na tyle dużo danych, żeby policzyć rachunek zysków i strat z rewolucji AI, i wychodzi z niego obraz dużo bardziej poszarpany niż w prezentacjach inwestorskich: setki miliardów dolarów zysku produktywności w wąskich niszach, tysiące miliardów wydane na infrastrukturę, miliony litrów wody, dziesiątki tysięcy zwolnień z etykietą „AI” i przełomy medyczne, które jeszcze pięć lat temu wyglądały na science fiction.

Siedzę nad tym tekstem trzeci dzień. Za każdym razem, kiedy myślałem, że mam już gotową tezę, trafiałem na dane, które ją podważały. I to jest chyba najuczciwsza rzecz, jaką mogę o AI w połowie 2026 roku powiedzieć: każdy, kto ma dla ciebie jednoznaczną odpowiedź, coś pomija.

Nie będzie tu więc kolejnego tekstu w stylu „AI zmienia świat” ani jego lustrzanego odbicia „AI to bańka, która zaraz pęknie”. Będzie bilans. Kolumna zysków, kolumna strat, kilka rzeczy, których jeszcze nie umiemy zaszufladkować, i na końcu próba policzenia tego wszystkiego na liczbach, żeby dało się to porównać, a nie tylko poczuć.

W artykule znajdziesz:

• Gdzie AI realnie rozwiązuje problemy, których wcześniej nie dało się ruszyć (nauka, medycyna, kosmos)
• Dlaczego w biznesie mamy do czynienia z gigantycznym paradoksem produktywności
• Ile faktycznie kosztuje ta rewolucja w wodzie, prądzie i pieniądzach
• Co się dzieje z rynkiem pracy naprawdę, a nie w nagłówkach
• Strefę szarą: samotność, polityka, prywatność, tempo zmian
• Moją własną, autorską punktację bilansu na koniec

Kolumna zysków: rzeczy, których dosłownie nie umieliśmy zrobić wcześniej

Zacznę od tego, co najtrudniej podważyć, bo dotyczy problemów matematycznie i fizycznie zamkniętych. Albo coś działa, albo nie działa. Tu AI nie ma przestrzeni na kreatywną księgowość w prezentacji dla inwestorów.

AlphaFold, opracowany przez DeepMind, rozwiązał problem, nad którym biologia strukturalna biła głowę od pół wieku: przewidywanie trójwymiarowej struktury białka na podstawie samej sekwencji aminokwasów. Demis Hassabis i John Jumper dostali za to Nagrodę Nobla w dziedzinie chemii w 2024 roku, a baza AlphaFold zawiera dziś ponad 200 milionów przewidzianych struktur białek, z których korzysta ponad trzy miliony naukowców w 190 krajach. To nie jest ciekawostka akademicka. To narzędzie, bez którego prędkość odkrywania nowych leków byłaby dziś zupełnie inna.

I widać to już w konkretnych, policzalnych rezultatach. Insilico Medicine opublikowało w Nature Medicine wyniki fazy IIa badania nad lekiem na idiopatyczne włóknienie płuc, chorobę, która dotąd praktycznie nie miała skutecznej terapii. Eli Lilly podpisało za prawa do tych związków umowę wartą do 2,75 miliarda dolarów. Isomorphic Labs, spółka wydzielona z DeepMind, ma z kolei partnerstwa z Eli Lilly i Novartis warte blisko 3 miliardy dolarów łącznie, a pierwsze badania kliniczne na ludziach ruszają jeszcze w tym roku.

Podobny wzorzec widać w materiałoznawstwie. System GNoME od DeepMind odkrył 2,2 miliona nowych struktur krystalicznych, w tym 52 tysiące potencjalnych przewodników jonów litowych, a naukowcy na zewnątrz firmy zdążyli już zsyntetyzować 736 z tych przewidywań w laboratorium. To jest namacalna praca badawcza skrócona z lat do miesięcy.

Kilka innych obszarów, gdzie ten sam mechanizm, czyli syntezowanie ogromnych zbiorów danych i szukanie w nich wzorców niewidocznych dla człowieka, przynosi realne rezultaty:

• Diagnostyka wczesna: modele wykrywające nowotwory na zdjęciach mammograficznych i tomografiach z czułością przewyższającą przeciętnego radiologa, szczególnie tam, gdzie zmiana jest niewielka
• Kosmos: NASA i firmy prywatne wykorzystują AI do analizy sygnałów z teleskopów, planowania tras łazików marsjańskich w czasie rzeczywistym i przetwarzania petabajtów danych, które ręcznie zajęłyby dekady
• Matematyka i fizyka: systemy takie jak AlphaProof rozwiązują zadania olimpijskie na poziomie złotego medalisty, a fizycy używają dużych modeli do przeszukiwania przestrzeni hipotez w eksperymentach na LHC
• Robotyka: chirurgia robotyczna wspomagana AI zmniejsza inwazyjność zabiegów i skraca rekonwalescencję pacjentów

Jest w tym wszystkim coś, co można skomentować tak: problemy, które przez lata były zamrożone z braku mocy obliczeniowej, teraz się odmrażają, jeden po drugim, i to jest jedyny fragment tej rewolucji, którego nikt poważny nie neguje.

Programowanie i biznes: gdzie zysk jest realny, a gdzie to złudzenie

Tu robi się ciekawiej, bo to obszar, w którym najwięcej się mówi i najtrudniej oddzielić fakty od marketingu.

Zacznę od programowania, bo tam dane są najbardziej jednoznaczne, choć wcale nie proste. Harvard Business School zmierzył, że użytkownicy AI kończą zadania 25,1% szybciej, osiągając przy tym oceny jakości wyższe o ponad 40%. Użytkownicy GitHub Copilot realizują zadania kodowania o 55% szybciej. To są liczby, które w praktyce oznaczają, że dobry programista z dostępem do dobrego modelu robi dziś w tydzień to, co wcześniej zajmowało mu dwa albo trzy.

Ale jest i druga strona tego samego badania. METR zmierzył, że doświadczeni programiści przy zadaniach kodowania z użyciem AI potrzebowali w rzeczywistości o 19% więcej czasu, mimo że sami byli przekonani, że są o 20% szybsi. To rozjazd między odczuciem a rzeczywistością, który powinien dać do myślenia każdemu, kto planuje wdrożenie na podstawie samych deklaracji zespołu.

Ten sam wzorzec, wielkie liczby na poziomie zadania i dużo skromniejsze na poziomie firmy, powtarza się w całej gospodarce. Nazywa się to paradoksem produktywności AI i w 2026 roku jest to chyba najważniejsze pojęcie do zrozumienia, jeśli ktoś chce mówić o AI poważnie, a nie na poziomie sloganu.

Landmarkowe badanie NBER objęło blisko sześć tysięcy dyrektorów finansowych i zarządów w USA, Wielkiej Brytanii, Niemczech i Australii. 69% firm aktywnie korzysta z AI. Ale 89 do 90% z nich nie odnotowało żadnego wykrywalnego wpływu na zatrudnienie ani produktywność w ciągu ostatnich trzech lat. Inne badanie z tego samego kręgu mówi wprost: 91% firm korzysta z AI, ale aż 80% nie widzi żadnego wpływu na wynik finansowy.

Skąd ten rozjazd? McKinsey znalazło odpowiedź, która brzmi banalnie, ale wyjaśnia większość zagadki: przebudowa procesów pracy jest czynnikiem najsilniej powiązanym z realnym wpływem na EBIT, a zrobiło to dotąd zaledwie 21% firm wdrażających AI. Innymi słowy, kupienie licencji na narzędzie i wrzucenie go do starego procesu nie działa. Trzeba przeprojektować sam proces, a to jest praca, której nikt nie chce robić, bo jest nudna i wymaga decyzji organizacyjnych, nie tylko zakupowych.

Nie brakuje jednak przykładów, gdzie ten trud się opłacił. PwC policzyło, że wzrost produktywności w branżach najbardziej wystawionych na AI wzrósł niemal czterokrotnie, z 7% w latach 2018-2022 do 27% w latach 2018-2024, a przychód na pracownika w tych branżach rósł trzy razy szybciej niż w branżach najmniej wystawionych. Firmy francuskie badane przez PwC w projektach AI dla małych i średnich przedsiębiorstw notują medianę ROI na poziomie 159%, ze zwrotem inwestycji już po 6,7 miesiąca.

Poniższa tabela pokazuje ten rozjazd w pigułce, na podstawie zebranych danych z 2026 roku.

Poziom pomiaru	Wynik	Źródło
Zadanie (kontrolowane warunki)	Wzrost produktywności 20-60%	Międzynarodowy raport bezpieczeństwa AI 2026
Zadanie (warunki realne)	Wzrost produktywności 15-30%	Ten sam raport
Firma (samoocena)	40% średniego wzrostu produktywności	Zbiorcze statystyki branżowe 2026
Firma (twardy wynik finansowy)	80-95% firm bez wykrywalnego wpływu	NBER, badanie 6000 dyrektorów
Branże najbardziej wystawione na AI	Produktywność rośnie 4x szybciej niż przeciętna	PwC Global AI Jobs Barometer
Wdrożenia AI agentowego u early adopterów	Koszty niższe o 15,2%, produktywność wyższa o 22,6%	Gartner

Kiedy więc ktoś pyta mnie, czy AI naprawdę zwiększa produktywność biznesu, odpowiadam: tak, ale tylko tam, gdzie ktoś naprawdę przeprojektował proces, a nie tylko kupił subskrypcję. To rozróżnienie jest, moim zdaniem, jedną z najważniejszych rzeczy do zrozumienia w tym całym temacie, bo tłumaczy sporą część tego, co dzieje się dalej w tym tekście, czyli zwolnień.

Kolumna strat: prąd, woda i podzespoły, które płacimy już dziś

Tu zaczynają się liczby, które robią wrażenie nie dlatego, że są abstrakcyjne, tylko dlatego, że dotyczą infrastruktury, obok której część z was mieszka.

Raport ONZ opublikowany w czerwcu 2026 przez United Nations University policzył, że globalne centra danych zużyły w 2025 roku 448 terawatogodzin elektryczności, więcej niż wszystkie kraje świata poza dziesięcioma. To wyprodukowało około 189 milionów ton dwutlenku węgla, tyle co cała Argentyna. Do 2030 roku, jeśli udział AI w tym zużyciu wzrośnie do zakładanych 40%, centra danych będą zużywać 3% całej światowej elektryczności.

Woda to osobna, mniej nagłaśniana historia. Bezpośrednie chłodzenie centrów danych zużyło w 2025 roku ilość wystarczającą, żeby napełnić 1,8 miliona olimpijskich basenów. Ale to tylko wierzchołek góry lodowej, bo produkcja samej elektryczności zasilającej te centra pochłania wodę pośrednio, przez elektrownie cieplne, i tej wody jest, według szacunków Lawrence Berkeley National Laboratory, ponad dwanaście razy więcej niż wody zużywanej bezpośrednio w chłodzeniu. Analiza Axis Intelligence wskazuje, że aż 92,6% zużycia wody przez amerykańskie centra danych w ogóle nie pojawia się w raportach zrównoważonego rozwoju firm technologicznych.

To przekłada się na coś bardzo konkretnego dla zwykłych ludzi: rachunki za prąd. Mieszkaniec Manassas w Wirginii dostał w styczniu 2026 roku rachunek za elektryczność na 281 dolarów, wobec zwykłych stu dolarów miesiąc wcześniej. W tym samym stanie centra danych odpowiadały już w 2024 roku za blisko 40% całego zużycia energii elektrycznej. To nie jest odosobniony przypadek, tylko sygnał tego, co czeka kolejne regiony, w których buduje się kolejne hale serwerowe.

A teraz strona finansowa, która jest równie oszałamiająca. Cztery największe firmy technologiczne, Amazon, Microsoft, Google i Meta, planują wydać w 2026 roku łącznie około 725 miliardów dolarów na infrastrukturę AI, o 77% więcej niż rok wcześniej. Goldman Sachs szacuje, że skumulowane nakłady inwestycyjne na globalną infrastrukturę AI w latach 2026-2031 sięgną 7,6 biliona dolarów. Dla porównania, przychody z usług bezpośrednio związanych z AI wyniosły w 2025 roku około 25 miliardów dolarów, czyli mniej więcej dziesięć centów na każdego zainwestowanego dolara.

To zestawienie, wydatki rzędu setek miliardów dolarów rocznie przy przychodach liczonych w dziesiątkach miliardów, jest jednym z powodów, dla których część analityków porównuje obecny cykl inwestycyjny do bańki internetowej z przełomu wieków. Inni odpowiadają, że tamten cykl też wyglądał na przesadzony, dopóki nie okazało się, że światłowody, które wtedy przekopano pod pół świata, stały się fundamentem internetu, z którego korzystamy dziś.

Nie zapominajmy też o podzespołach. Karty graficzne Nvidii, będące sercem każdego treningu i każdego zapytania do dużego modelu, stały się towarem deficytowym, a ich ceny odzwierciedlają skalę popytu, jaki generuje ta cała infrastruktura. Nvidia w lutym 2026 roku przekroczyła wartość rynkową 5 bilionów dolarów, stając się najcenniejszą spółką świata, głównie dzięki temu, że sprzedaje procesory, na które kolejka ustawia się na lata do przodu.

Praca: co się naprawdę dzieje, a co jest opowieścią na potrzeby prasówki

To chyba najbardziej mylący temat w całej tej rozmowie, bo dane są tu jednocześnie alarmujące i uspokajające, w zależności od tego, którą część raportu zacytujesz.

Zacznijmy od twardych liczb. Firma Challenger, Gray & Christmas, śledząca ogłoszenia o zwolnieniach w USA od 2023 roku, odnotowała, że AI było powodem numer jeden zwolnień przez cztery kolejne miesiące w pierwszej połowie 2026 roku, po raz pierwszy w historii tych statystyk. W maju 2026 AI odpowiadało za 40% wszystkich ogłoszonych cięć etatów, wobec zaledwie 7% w styczniu tego samego roku. Od stycznia do czerwca 2026 firmy przypisały AI 101 743 zwolnienia w Stanach Zjednoczonych, niemal dwa razy więcej niż w całym 2025 roku.

Ale tu zaczyna się warstwa, którą trzeba dodać, żeby nie zrobić z tego materiału propagandy w jedną stronę. Sam Altman, szef OpenAI, powiedział w lutym i marcu 2026 roku wprost: prawie każda firma, która robi zwolnienia, obwinia o to AI, niezależnie od tego, czy to faktycznie jest powód. Marc Andreessen nazwał to szukaniem wygodnej wymówki po latach przerostu zatrudnienia z czasów pandemii, kiedy część dużych firm technologicznych była przeszacowana o 25 do 75%. Deutsche Bank przewidział tę dynamikę już w styczniu, nazywając ją „AI redundancy washing”.

Gallup dorzuca do tego jeszcze jedną warstwę, która przewraca intuicję do góry nogami: spośród osób, które faktycznie straciły pracę w pierwszym kwartale 2026 roku, tylko 1% wskazało AI lub automatyzację jako przyczynę. Co więcej, pracownicy technologiczni, którzy regularnie używają AI, byli trzykrotnie mniej narażeni na zwolnienie niż ci, którzy używają go rzadko. To sugeruje coś przeciwnego do popularnej narracji: to nie AI zwalnia ludzi, tylko brak umiejętności korzystania z AI staje się czynnikiem ryzyka.

Jest jednak jedna grupa, gdzie dowody są spójne i naprawdę niepokojące. Stanford Digital Economy Lab, analizując dane płacowe ADP obejmujące miliony amerykańskich pracowników, znalazł spadek zatrudnienia o około 13% wśród osób w wieku 22-25 lat w zawodach najbardziej wystawionych na AI, licząc od końca 2022 roku. To nie jest efekt ogólnej koniunktury, bo spadek utrzymuje się nawet po odjęciu wpływu wstrząsów na poziomie firm. Główny kanał tego zjawiska to nie zwolnienia, tylko ograniczone zatrudnianie nowych, młodych pracowników na stanowiska wejściowe, które łatwiej zautomatyzować niż stanowiska seniorskie.

Zestawiłem to w tabeli, żeby było łatwiej ogarnąć całość:

Wskaźnik	Wartość	Co to oznacza
Zwolnienia z etykietą AI, USA, I połowa 2026	101 743	Rekordowy wzrost rok do roku
Udział AI wśród przyczyn zwolnień, maj 2026	40%	Najwyższy odsetek w historii pomiaru
Realny udział AI wg samych zwolnionych (Gallup)	1%	Ogromna rozbieżność z narracją firm
Spadek zatrudnienia młodych 22-25 lat w zawodach eksponowanych na AI	ok. 13%	Jedyny segment z jednoznacznym dowodem przyczynowym
Prognoza WEF: nowe miejsca pracy do 2030	170 milionów	Netto: 78 mln więcej miejsc pracy niż likwidowanych
Prognoza WEF: zlikwidowane miejsca pracy do 2030	92 miliony	Wymaga przekwalifikowania 59% globalnej siły roboczej

Moje osobiste zdanie, po przejrzeniu tego wszystkiego, jest takie: zwolnienia są realne i rosną, ale znaczna ich część to efekt korekty po przerostach zatrudnienia z czasów pandemii, opakowany w wygodną narrację o AI, bo taka narracja lepiej brzmi dla inwestorów niż przyznanie się do błędów rekrutacyjnych sprzed czterech lat. Prawdziwym, potwierdzonym problemem jest nie utrata obecnych miejsc pracy, tylko zamykająca się furtka wejścia na rynek dla najmłodszych pracowników. To jest różnica, która w dyskusji publicznej ginie, a moim zdaniem jest kluczowa.

Manipulacja, oszustwa i erozja zaufania do tego, co widzimy

Tu przechodzimy do strony bilansu, która najbardziej dotyka zwykłego człowieka w portfelu, i to bez względu na to, czy w ogóle korzysta z AI.

FBI Internet Crime Complaint Center odnotowało w swoim najnowszym raporcie rekordowe 20,9 miliarda dolarów zgłoszonych strat z cyberprzestępczości, wzrost o 26% w jednym roku, przy ponad milionie zgłoszeń. Po raz pierwszy od blisko 25 lat FBI wydzieliło AI jako osobną kategorię przestępstwa, notując w niej 22 364 zgłoszenia i prawie 900 milionów dolarów strat, choć sama agencja przyznaje, że to niemal na pewno zaniżony obraz, bo większość ofiar nie zdaje sobie sprawy, że w oszustwie brał udział model AI.

Deepfake’i to osobny, szybko rosnący rozdział tej historii. Łączne globalne straty z oszustw deepfake w okresie od stycznia 2019 do marca 2026 roku sięgnęły 2,19 miliarda dolarów, z czego aż 1,65 miliarda przypadło na sam 2025 rok. To pokazuje tempo, w jakim ta konkretna forma przestępczości przyspiesza. Klasyczny już case study to firma inżynierska Arup, która straciła 25,6 miliona dolarów, kiedy pracownik dał się nabrać na w pełni wygenerowaną wideorozmowę z fałszywym dyrektorem finansowym i kilkoma fałszywymi kolegami z zespołu jednocześnie.

Skala tego zjawiska rośnie wykładniczo, nie liniowo. Odsetek prób oszustw wykorzystujących deepfake wzrósł z 0,1% wszystkich prób oszustw w 2022 roku do 6,5% w 2026 roku, co oznacza wzrost o ponad 2100%. Liczba samych deepfake’ów krążących w sieci skoczyła z pół miliona w 2023 roku do ośmiu milionów w 2026, szesnastokrotny wzrost w trzy lata.

I na koniec liczba, która moim zdaniem najlepiej pokazuje, dlaczego to nie jest problem teoretyczny: tylko 0,1% ludzi jest w stanie wiarygodnie rozpoznać treść wygenerowaną przez AI we wszystkich formatach naraz, mimo że sami badani deklarują pewność siebie sięgającą 70-85%. Innymi słowy, jesteśmy przekonani, że rozpoznamy fałszywkę, a statystycznie prawie nigdy tego nie robimy. To jest dokładnie ten rodzaj rozjazdu między poczuciem a rzeczywistością, który widzieliśmy już wcześniej przy programistach korzystających z AI, tylko tutaj stawką nie jest tempo pracy, tylko czyjeś oszczędności życia.

Szara strefa: rzeczy, których jeszcze nie umiemy jednoznacznie zaklasyfikować

Nie każdy wątek daje się schludnie wrzucić do kolumny plusów albo minusów. Kilka zjawisk siedzi dokładnie na granicy i to właśnie one najbardziej mnie w tym wszystkim niepokoją, bo nie mają jeszcze twardych danych, tylko sygnały.

Weźmy relacje międzyludzkie zastępowane rozmową z chatbotem. Platforma Character AI ma dziś około 20 milionów aktywnych użytkowników miesięcznie, 180 milionów wizyt i, co ciekawsze, ponad połowa tej społeczności to osoby w wieku 18-24 lata, spędzające na platformie średnio dwie godziny dziennie. Jeden z popularnych botów zebrał ponad 282 miliony wiadomości, czyli więcej niż wynosi populacja całych Stanów Zjednoczonych. Nie mam twardych danych, które policzyłyby, ile z tych rozmów zastępuje realne relacje, a ile je uzupełnia, na przykład jako trening przed trudną rozmową albo forma terapii dostępnej o trzeciej w nocy, kiedy nikogo innego nie ma pod ręką. Podejrzewam, że prawda leży pośrodku i zależy wyłącznie od tego, czy chatbot jest dodatkiem do życia towarzyskiego, czy jego substytutem.

Drugi wątek to tempo zmian, które samo w sobie stało się źródłem stresu, niezależnie od tego, czy dana zmiana jest dobra czy zła. Rozmawiam z ludźmi z różnych branż i powtarza się ten sam ton: nie zdążę się nauczyć jednego narzędzia, a już jest nowe. To zmęczenie poznawcze samo w sobie jest kosztem, tylko bardzo trudnym do wyceny w dolarach czy złotówkach.

Trzeci wątek to prywatność i wizerunek. Modele generujące obrazy i wideo trenowane są na miliardach zdjęć z internetu, w tym na wizerunkach zwykłych ludzi, którzy nigdy nie wyrazili na to zgody. Prawo dogania to zjawisko powoli. Unijny AI Act wprowadza obowiązek oznaczania treści generowanych przez AI od 2 sierpnia 2026 roku, ale egzekwowanie tego przepisu w praktyce, przy miliardach generowanych dziennie obrazów, będzie karkołomnym zadaniem.

I na koniec polityka. Spory między państwami o dominację technologiczną, kontrolę eksportu chipów, regulacje AI Act w Europie kontra luźniejsze podejście w USA, to wszystko dzieje się na naszych oczach i będzie kształtować globalną gospodarkę przez najbliższą dekadę. Trudno dziś ocenić, czy to prowadzi do zdrowej konkurencji, czy do nowej zimnej wojny technologicznej. Zostawiam to pytanie otwarte, bo uczciwie nie znam na nie odpowiedzi.

Bilans na liczbach: kto wygrywa ten rachunek

Obiecałem na początku, że nie zostawię tego wyłącznie w sferze wrażeń, więc przechodzę do liczb. Zrobię to dwuetapowo: najpierw twarde dane rynkowe, a potem moja własna, autorska punktacja.

Strona kosztów, licząc tylko rzeczy policzalne w 2026 roku:

• Nakłady inwestycyjne czterech największych firm technologicznych na infrastrukturę AI: 725 miliardów dolarów
• Szacunkowe skumulowane nakłady globalne na infrastrukturę AI do 2031 roku: 7,6 biliona dolarów
• Roczne straty z cyberprzestępczości związanej z AI i szeroko pojętym oszustwem online w USA: 20,9 miliarda dolarów
• Roczna emisja CO2 z elektryczności zasilającej centra danych: 189 milionów ton, porównywalne do całej Argentyny
• Zwolnienia z etykietą AI w USA w pierwszej połowie 2026: ponad 101 tysięcy

Strona zysków, również licząc tylko rzeczy policzalne:

• Przychody bezpośrednio związane z usługami AI w 2025 roku: 25 miliardów dolarów
• Wzrost produktywności w branżach najbardziej wystawionych na AI: niemal czterokrotny w porównaniu do 2018-2022
• Wartość umów partnerskich AI w samej farmacji (Isomorphic Labs, Insilico Medicine): ponad 5,7 miliarda dolarów
• Mediana ROI z projektów AI dla małych i średnich firm we Francji: 159%, zwrot po 6,7 miesiąca

Jeśli spojrzeć wyłącznie na te liczby, wynik jest brutalny: na każdego dolara realnych przychodów z AI przypada dziś około dziesięciu dolarów wydanych na infrastrukturę. To nie jest bilans na plus. To jest bilans wciąż głęboko na minusie, jeśli patrzeć czysto księgowo, na dziś, bez zakładania przyszłości.

Ale, i to jest moje ale, ten sam rachunek zrobiony w 1999 roku dla światłowodów pod internet wyglądałby równie źle, a dziś nikt nie kwestionuje, że ta infrastruktura się zwróciła, tylko dużo później, niż zakładali pierwsi inwestorzy. Pytanie, czy AI podąży tą samą ścieżką, czy skończy jak boom kolejowy XIX wieku, po którym zostały tory, ale większość spółek zbankrutowała, jest dziś otwarte i nikt uczciwy nie da ci na nie pewnej odpowiedzi.

A teraz moja punktacja, subiektywna, ale oparta na wszystkim, co napisałem powyżej. W skali od minus dziesięciu do plus dziesięciu, gdzie zero oznacza remis:

Obszar	Ocena	Uzasadnienie w skrócie
Nauka i medycyna	+8	Realne, policzalne przełomy, potwierdzone Noblem i lekami w fazie klinicznej
Programowanie i tworzenie treści	+4	Prawdziwy zysk tempa, ale tylko w rękach ludzi, którzy umieją to wykorzystać
Biznes ogólnie	0	Paradoks produktywności: ogromny potencjał, znikoma realizacja bez przebudowy procesów
Środowisko (woda, prąd, CO2)	-6	Koszt realny, rosnący, w dużej części ukryty przed opinią publiczną
Rynek pracy	-3	Realny problem dla młodych na starcie kariery, przesadzona narracja dla reszty
Bezpieczeństwo i oszustwa	-7	Eksponencjalny wzrost skali, ludzie statystycznie nie potrafią się bronić
Relacje społeczne i tempo zmian	-2	Zbyt wcześnie na twardą ocenę, ale sygnały ostrzegawcze są realne

Suma tej subiektywnej punktacji wychodzi na minus 6. Gdybym miał to podsumować jednym zdaniem: rewolucja AI już dziś oddaje ludzkości coś bezcennego w wąskich, spektakularnych niszach, jak medycyna czy nauka podstawowa, ale ten zysk jest na razie znacznie mniejszy niż suma kosztów środowiskowych, finansowych i tych związanych z bezpieczeństwem, które ponosimy już teraz, nie w przyszłości.

To moja ocena. Twoja może, i moim zdaniem powinna, wyglądać inaczej, bo zależy od tego, gdzie mieszkasz, czym się zajmujesz i czy padłeś już ofiarą któregoś z tych mechanizmów, o których pisałem wyżej. Dlatego zostawiam ci przestrzeń, żebyś sam dorzucił swoje punkty do tej tabeli.

FAQ, czyli pytania i odpowiedzi dotyczące bilansu zysków i strat z AI

Czy AI naprawdę zwiększa produktywność firm, czy to tylko marketing?

Zależy od poziomu, na którym mierzysz. Na poziomie pojedynczego zadania, na przykład napisania kodu czy raportu, wzrosty produktywności są realne i sięgają nawet 40-60%. Na poziomie całej firmy sytuacja wygląda inaczej, bo aż 80-95% przedsiębiorstw nie odnotowuje wykrywalnego wpływu na wynik finansowy. Różnicę robi to, czy firma tylko kupiła narzędzie, czy faktycznie przebudowała wokół niego procesy pracy. Tylko 21% firm zrobiło to drugie.

Czy zwolnienia w tech są rzeczywiście spowodowane przez AI?

Firmy coraz częściej deklarują AI jako powód zwolnień, w maju 2026 roku było to aż 40% wszystkich ogłoszonych cięć w USA. Jednocześnie badanie Gallup wśród samych zwolnionych pracowników pokazuje, że tylko 1% z nich wskazuje AI jako realną przyczynę utraty pracy. Wielu ekonomistów, w tym sam szef OpenAI, przyznaje, że część firm używa AI jako wygodnego uzasadnienia dla cięć wynikających z przerostu zatrudnienia po pandemii.

Ile realnie kosztuje AI środowisko naturalne?

Globalne centra danych zużyły w 2025 roku 448 terawatogodzin elektryczności, generując około 189 milionów ton CO2, porównywalne z całą Argentyną. Do zużycia wody dochodzi zarówno bezpośrednio, przez systemy chłodzenia, jak i pośrednio, przez elektrownie produkujące prąd, a ta druga część jest dwunastokrotnie większa od pierwszej i w większości nie pojawia się w oficjalnych raportach firm technologicznych.

Czy inwestycje w AI się zwrócą?

Na razie nie ma na to jednoznacznej odpowiedzi. Cztery największe firmy technologiczne wydadzą w 2026 roku około 725 miliardów dolarów na infrastrukturę AI, podczas gdy globalne przychody bezpośrednio z usług AI wyniosły w 2025 roku około 25 miliardów dolarów. To bardzo duży rozjazd, choć historia pokazuje, że podobne cykle inwestycyjne, na przykład budowa infrastruktury internetowej pod koniec lat 90., też zwracały się z dużym opóźnieniem, po fali bankructw pierwszych inwestorów.

Jak duże jest ryzyko oszustw wykorzystujących AI?

Rosnące bardzo szybko. Odsetek prób oszustw z użyciem deepfake wzrósł z 0,1% w 2022 roku do 6,5% w 2026, a straty finansowe z tego typu przestępczości liczone są już w miliardach dolarów rocznie. Największym problemem jest to, że ludzie statystycznie prawie nigdy nie potrafią rozpoznać treści wygenerowanej przez AI, mimo dużej pewności siebie w tej kwestii.

Czy AI rzeczywiście pomaga w nauce i medycynie?

Tak, i to jest jedna z najbardziej jednoznacznych pozytywnych stron tego bilansu. AlphaFold rozwiązał pięćdziesięcioletni problem przewidywania struktury białek, co przełożyło się na realne umowy farmaceutyczne warte miliardy dolarów i leki wchodzące w fazy kliniczne. Podobne przełomy widać w materiałoznawstwie i diagnostyce medycznej.

Czy młodzi ludzie tracą pracę przez AI?

To jeden z niewielu obszarów, gdzie dowody na negatywny wpływ AI są spójne. Badanie Stanford Digital Economy Lab pokazuje spadek zatrudnienia o około 13% wśród osób w wieku 22-25 lat w zawodach najbardziej wystawionych na AI. Mechanizm nie polega na masowych zwolnieniach, tylko na ograniczonym zatrudnianiu nowych, młodych pracowników na stanowiska wejściowe.

Jak samemu ocenić, czy AI mi się opłaca?

Warto rozdzielić trzy pytania: czy narzędzie oszczędza mi czas na konkretnym zadaniu, czy ten zaoszczędzony czas przekłada się na coś wymiernego w mojej pracy albo życiu, i czy koszty uboczne, od abonamentu po ryzyko oszustwa, są tego warte. Odpowiedź będzie inna dla programisty, inna dla ucznia, a jeszcze inna dla właściciela małej firmy.

Podsumowanie: rachunek jeszcze się nie zamknął

Skończyłem ten tekst z liczbą minus sześć w tabeli, którą sam sobie ułożyłem, i szczerze mówiąc, spodziewałem się czegoś bliższego zera, kiedy zaczynałem research. Dane środowiskowe i te dotyczące oszustw przeważyły szalę bardziej, niż zakładałem, kiedy siadałem do pisania tego felietonu.

Ale to nie jest ocena ostateczna, bo ten rachunek jest w toku. AlphaFold w 2020 roku wyglądał na ciekawostkę akademicką, a dziś stoi za lekami wchodzącymi na rynek. Infrastruktura budowana dziś za setki miliardów dolarów albo się zwróci w dekadę, tak jak zwróciły się światłowody sprzed dwudziestu pięciu lat, albo zostanie po niej wydmuszka podobna do tej po boomie kolejowym. Zwolnienia z etykietą AI mogą się okazać przejściową korektą rynku pracy albo dopiero początkiem większej zmiany, na którą jeszcze nie mamy dobrych danych.

Jest jedna rzecz, co do której jestem pewny: ten tekst będzie musiał zostać zaktualizowany za rok, bo połowa liczb, które tu przytoczyłem, zdąży się zmienić, prawdopodobnie w obie strony naraz. Zyski w medycynie będą prawdopodobnie jeszcze większe. Koszty środowiskowe też. To jest natura tej technologii: nie idzie w jedną stronę, idzie w obie naraz, i to tłumaczy, dlaczego tak trudno o niej rozmawiać bez popadania w skrajności.

Zostawiam więc pytanie otwarte, bo naprawdę mnie to interesuje: gdybyś miał dziś, po przeczytaniu tego wszystkiego, ustawić własny licznik, wyszedłbyś na plusie czy na minusie? I o ile? Napisz w komentarzu swoją punktację do mojej tabeli, chętnie zobaczę, czy redakcyjny bilans pokrywa się z tym, co widzicie na co dzień w swoich branżach. A jeśli znacie liczby, które powinny się tu znaleźć, a ich zabrakło, dajcie znać, bo ten tekst z pewnością wróci tu za dwanaście miesięcy w nowej wersji.

Źródła i metodologia

Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym United Nations University Institute for Water, Environment and Health, National Bureau of Economic Research (NBER), Challenger, Gray & Christmas, Stanford Digital Economy Lab, Goldman Sachs Global Institute oraz Federal Bureau of Investigation Internet Crime Complaint Center (IC3). Dodatkowo wykorzystano dane McKinsey, PwC, Harvard Business School, METR, Gallup, Surfshark oraz materiały DeepMind i Isomorphic Labs dotyczące AlphaFold i odkryć farmaceutycznych. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych dotyczących bilansu ekonomicznego, środowiskowego i społecznego rewolucji AI.