Otwarte AI kontra zamknięte: kto na tym zarabia

W skrócie

• USA stawia na zamknięte modele frontier (OpenAI, Anthropic), Chiny — na otwarte (DeepSeek, Moonshot/Kimi, Alibaba/Qwen), które rozdają wagi za darmo.
• Rozdawanie modeli to strategia: kontrola standardu, podcięcie marż konkurenta i wsparcie własnego ekosystemu — Chiny nie muszą zarabiać na samym modelu.
• Zdaniem części analityków (Gavin Baker, Ben Thompson) tani, otwarty model szkodzi tylko zamkniętym labom, a pomaga reszcie łańcucha: chipom, energii, data center, narzędziom i aplikacjom.
• Administracja USA rozważa nie twardy zakaz, lecz „miękkie prawo" — reguły zamówień, wymogi bezpieczeństwa, presję. Otwarte wagi sprawiają, że realny zakaz jest prawie niewykonalny.
• Dla firmy otwarte modele to dźwignia: presja cenowa, opcja self-hostu i suwerenności danych, ucieczka od uzależnienia od jednego dostawcy. Licz koszt za zadanie, nie za token.

Kotwica: czym jest Kimi K3

Cała ta rozmowa nabrała tempa 16 lipca 2026, gdy Moonshot AI wypuścił Kimi K3 — najsilniejszy otwarty model na rynku, który w rankingu pracy wiedzy GDPval-AA v2 uplasował się tuż za topowymi, zamkniętymi modelami Claude i GPT. Tu trzymam specyfikację krótko; pełne benchmarki i porównanie z K2 rozłożyłem w osobnym artykule.

Liczby i wykresy benchmarkowe znajdziesz w tekście Kimi K3 — najsilniejszy otwarty model świata pod lupą. Tutaj interesuje nas coś innego: co ten model robi z rynkiem.

Dlaczego Chiny rozdają modele za darmo?

Bo darmowy model to nie prezent, tylko ruch strategiczny. Chińskie laby świadomie oddają wagi, żeby zbudować pozycję tam, gdzie da się na niej zarobić później — a przy okazji zepsuć rachunek zamkniętym konkurentom z USA. Trzy powody, które się nie wykluczają:

To znany schemat, nie chiński wynalazek. Linux, Android, Chromium, React — za każdym razem ktoś open-source'ował warstwę, którą chciał utowarowić (sprowadzić do taniej, wymiennej cegły), żeby konkurować i zarabiać piętro wyżej. Google oddało Androida, bo zależało mu na wyszukiwarce i reklamach, nie na sprzedaży systemu. Chiny robią to samo z warstwą modelu.

Kto zarabia, gdy wygrywa open source?

Tu wchodzimy w teren opinii, więc oznaczam autorów. Gavin Baker (inwestor) i Ben Thompson (analityk, Stratechery) argumentują podobnie: świat, w którym całą inteligencję dostarczają dwa–trzy zamknięte laby z bardzo wysokimi marżami na inferencji (uruchamianiu modelu), jest zły dla wszystkich poza tymi labami. Otwarte modele zbijają cenę „za jednostkę inteligencji", a to — w ich ujęciu — pomaga każdej innej warstwie stosu i szkodzi tylko zamkniętym dostawcom.

W tej analizie kluczowy jest paradoks Jevonsa: gdy coś tanieje, zużywamy tego więcej, nie mniej. Tańszy token nie kurczy rynku mocy obliczeniowej — rozdmuchuje go, bo nagle opłaca się odpalać AI tam, gdzie wcześniej było za drogo. Zdaniem Bakera i Thompsona to dlatego spadek ceny inteligencji jest dobrą wiadomością dla dostawców chipów, prądu i data center, a nie złą.

Drugi wątek to ryzyko platformy (hasło „SaaS is dead"). Jeśli dwa laby zdominują cały stos, każdy startup zbudowany na ich API żyje na cudzej ziemi — do dnia, w którym lab sam wejdzie w jego rynek. Jak argumentuje ta strona sporu, wielość opcji (otwarte plus zamknięte) chroni i rynek, i użytkownika: trudniej cię przycisnąć, gdy masz dokąd odejść.

„Za darmo" nie znaczy darmo

Warto ostudzić entuzjazm jednym zastrzeżeniem, które mocno akcentuje Ben Thompson: otwarty model nie jest darmowy, jest tylko darmowy do pobrania. Ktoś zapłacił za monstrualny sprzęt treningowy, prąd i badania — koszt jest subsydiowany albo odbijany gdzie indziej. „Otwarte" opisuje licencję na wagi, nie ekonomię całości.

Stąd jego druga teza: tokeny to nie towar (commodity). Jeden token bywa „mądrzejszy" od drugiego — lepszy model rozwiąże zadanie w mniejszej liczbie kroków. Dlatego uczciwa miara to koszt za wykonane zadanie, nie cena za milion tokenów. Bywa, że tańszy model zużywa więcej tokenów na to samo zadanie i realny rachunek się zbliża; analitycy szacują takie różnice ostrożnie, bo zależą od zadania i sposobu użycia. Wniosek praktyczny: porównuj modele na swoim workflow i licz końcowy koszt roboty, nie sam cennik.

Czy USA zakaże chińskiego AI?

Bezpośrednia odpowiedź: raczej nie wprost. Według Axios administracja Trumpa rozważa dokręcenie śruby chińskim modelom po tym, jak Kimi K3 zrównał się z topem z USA — ale kierunek to nie twardy zakaz, lecz narzędzia „wolniejsze i trwalsze": reguły zamówień publicznych, wymogi bezpieczeństwa w rozporządzeniach wykonawczych i presja na firmy. Powód jest prozaiczny: skoro wagi są otwarte i każdy może je pobrać, realny zakaz staje się prawie niewykonalny.

Ciekawiej robi się przy pytaniu, komu taki zakaz by służył. David Sacks, były doradca Białego Domu ds. AI i krypto (tzw. AI czar), a obecnie współprzewodniczący PCAST, sprzeciwia się szerokim restrykcjom i mówi wprost, że wiodące zamknięte laby — jego zdaniem już duopol przychodów z modeli — chcą, żeby to rząd wyeliminował ich otwartą konkurencję. Dean Ball (OpenAI) przewiduje, że zamiast zakazu powstanie „miękkie prawo" i FUD (celowo siany niepokój), żeby zniechęcić firmy do sięgania po chińskie modele. Aaron Levie (Box) i Will Manidis dorzucają, że twarde restrykcje uderzyłyby w USA asymetrycznie: reszta świata i tak ma dostęp do otwartych i zamkniętych modeli, więc jedynym realnym skutkiem byłaby ochrona duopolu. To ich oceny, nie ustalony fakt — ale układają się w spójny obraz.

Destylacja: czy to jest gra fair?

23 lutego 2026 Anthropic oskarżył DeepSeek, Moonshot i MiniMax o destylację na „przemysłową skalę". Według doniesień (Bloomberg, TechCrunch) chodziło o około 24 tys. fałszywych kont i ponad 16 mln wymian z Claude, wycelowanych w rozumowanie agentowe, użycie narzędzi i kodowanie — najwięcej po stronie MiniMax (około 13 mln). Destylacja to uczenie mniejszego lub konkurencyjnego modelu na odpowiedziach silniejszego.

Tu potrzebny jest niuans, bo łatwo o skrót myślowy. Destylacja sama w sobie jest legalna i powszechna — to standardowa technika. Zarzut Anthropic nie dotyczy tego, że ktoś destyluje, tylko tego, że robi to nielegalnie: przez fałszywe konta i łamanie regulaminu, żeby masowo wyciągać dane. To realna różnica.

Jest w tym też ironia, którą podaję jako komentarz, nie jako fakt: zamknięte laby zbudowały swoje modele, trenując je na całym przeczesanym internecie — cudzych tekstach, kodzie i grafikach — a teraz oskarżają innych o „podbieranie" własnych wyników. Kto ma rację prawnie, rozstrzygną regulaminy i sądy. Warto tylko widzieć obie strony tej opowieści, zanim się ją streści jednym hasłem.

Asymetria obrońcy: kaganiec, który osłabia dobrych

Jest argument za otwartymi modelami, który nie jest ekonomiczny, tylko dotyczy bezpieczeństwa — i jest konkretny. Broniąc się przed atakiem sterowanym przez AI, zespół Hugging Face stwierdził, że zabezpieczenia komercyjnych, zamkniętych modeli frontier blokowały analizę realnych ładunków exploitów (bo wyglądały jak „złośliwa" treść). Rozwiązaniem było przełączenie się na otwarty model GLM 5.2 uruchomiony lokalnie, bez takiego kagańca.

Wniosek jest niewygodny dla zwolenników twardych restrykcji: nadmierne „ubezpieczanie" zachodnich modeli osłabia właśnie obrońców, którzy muszą oglądać brzydkie rzeczy, żeby się bronić. Atakujący i tak sięgnie po model bez ograniczeń; blokada uderza w tego, kto gra po jasnej stronie. Rozbieram ten incydent osobno w tekście Model OpenAI uciekł z sandboxa i zhakował Hugging Face.

Co to znaczy dla firm

Geopolityka geopolityką, ale z tej układanki wypada kilka bardzo praktycznych wniosków dla kogoś, kto po prostu chce używać AI w firmie:

Najkrócej: nie kibicujesz w tej wojnie żadnej ze stron, tylko korzystasz z tego, że się toczy. Im ostrzejsza konkurencja między otwartym a zamkniętym AI, tym więcej opcji i niższe ceny dla Ciebie — pod warunkiem, że zbudujesz swój proces tak, by móc wybierać. Jeśli chcesz przełożyć to na konkretne wdrożenie w swojej firmie, pokazujemy to na warsztatach na realnych procesach, nie na slajdach.

Źródła