Raport Stanford HAI AI Index to jedno z najbardziej kompleksowych opracowań dotyczących rozwoju sztucznej inteligencji. Najnowsza edycja została opublikowana 13 kwietnia 2026 roku i (jak co roku) zbiera dane z wielu obszarów: badań naukowych, biznesu czy regulacji prawnych.

Jedna z obserwacji z tegorocznego raportu dotyczy tempa zmian. Rozwój i zastosowanie AI postępują szybciej niż w przypadku nawet internetu czy komputerów osobistych. Widać to zarówno w tempie wdrożeń w firmach, jak i w skali inwestycji oraz liczbie nowych zastosowań.

W tej edycji zaznaczają się też inne kierunki: rosnąca skala modeli, większe nakłady finansowe, coraz szersze wykorzystanie AI w biznesie oraz rosnące znaczenie regulacji i bezpieczeństwa.  Nasz artykuł skupia się na wybranych wnioskach i danych, które najlepiej pokazują, co faktycznie zmienia się obecnie w kontekście AI.

Rozwój modeli i badań nad sztuczną inteligencją

W sekcji „Research & Development” raportu opisano koncentrację rozwoju modeli w sektorze prywatnym, spadek transparentności najbardziej zaawansowanych systemów oraz zmiany w globalnym układzie sił w badaniach nad AI.

W 2025 roku ponad 90% popularnych modeli powstało w sektorze prywatnym. Jednocześnie najbardziej zaawansowane modele stają się coraz mniej przejrzyste. Dla części systemów przestały być publikowane informacje dotyczące m.in. danych treningowych, liczby parametrów czy czasu trenowania.

Widać też różnice regionalne w badaniach i rozwoju AI. Chiny prowadzą pod względem liczby publikacji, cytowań i patentów, natomiast Stany Zjednoczone pozostają liderem w tworzeniu najbardziej znaczących modeli. W 2025 roku w tym kraju powstało ich 50, a w Chinach 30.

Rośnie skala infrastruktury obliczeniowej. Globalna wartość mocy obliczeniowej dla AI zwiększa się średnio 3,3 razy rocznie od 2022 roku i oszacowano, że osiągnęła poziom odpowiadający 17,1 mln układów H100. Nvidia odpowiada za ponad 60% zasobów, a Google i Amazon za większość pozostałych. Wzrost napędza głównie rozbudowa centrów danych. Stany Zjednoczone mają 5 427 centrów danych AI, ponad dziesięć razy więcej niż w przypadku jakiegokolwiek innego kraju. 

Raport wskazuje również na rosnący wpływ AI na środowisko. Emisje związane z treningiem modeli sięgają dziesiątek tysięcy ton dwutlenku węgla, a moc energetyczna centrów danych AI wzrosła do 29,6 GW, czyli poziomu porównywalnego z maksymalnym zapotrzebowaniem energetycznym stanu Nowy Jork. Szacuje się też, że zużycie wody przez duże modele może odpowiadać potrzebom milionów osób.

Rozwija się również ekosystem open source. Liczba projektów AI na GitHubie sięga 5,6 miliona, a aktywność na Hugging Face wzrosła trzykrotnie od 2023 roku. W tym samym czasie zmienia się rynek talentów: spada tempo napływu specjalistów AI do USA, mimo że kraj ten nadal pozostaje ich największym skupiskiem.

Wydajność modeli

Sekcja „Technical Performance” raportu pokazuje, że rozwój możliwości modeli AI wyprzedza narzędzia, które mają je oceniać. Najbardziej zaawansowane systemy bardzo szybko poprawiają wyniki nawet w testach zaprojektowanych jako długoterminowo trudne.

Efekt jest taki, że wiele benchmarków przestaje być użytecznych szybciej, niż zakładali ich twórcy. Testy, które miały przez dłuższy czas dobrze różnicować poziom modeli, w praktyce tracą tę funkcję już po kilku miesiącach. To utrudnia śledzenie postępu, bo kolejne generacje modeli osiągają maksymalne wyniki w coraz krótszym czasie.

Różnice między najlepszymi modelami wyraźnie się zmniejszają. W rankingach opartych na ocenach użytkowników kilka systemów znajduje się bardzo blisko siebie. Przewaga jednego modelu nad drugim coraz rzadziej wynika z ogólnej jakości, a częściej z innych czynników, takich jak koszt działania, stabilność czy dopasowanie do konkretnego zastosowania.

Po krótkim okresie zmniejszania się różnic między modelami otwartymi i zamkniętymi, luka między nimi ponownie zaczęła rosnąć. Najlepsze modele o zamkniętych wagach znów osiągają nieco lepsze wyniki niż ich otwarte odpowiedniki, a w czołówce rankingów dominują rozwiązania rozwijane w modelu zamkniętym – 6 z 10 najlepszych modeli to modele zamknięte.

Zmniejszyła się też różnica w wydajności modeli rozwijanych w Stanach Zjednoczonych i w Chinach. Systemy z obu krajów wielokrotnie wymieniały się miejscami w rankingach, a różnice między nimi są niewielkie. Oznacza to, że przewaga jednego regionu nie jest już trwała.

Raport zwraca też uwagę na ograniczenia samych benchmarków. W części testów wykryto błędy w pytaniach lub ich konstrukcji, które mogą wpływać na wyniki. Dodatkowo pojawia się problem „uczenia się pod test”, czyli sytuacji, gdy modele mogą być optymalizowane pod konkretne benchmarki, co nie zawsze przekłada się na ich ogólne możliwości.

Mimo tych ograniczeń pojawiają się nowe zdolności. W modelach generujących wideo zaczynają pojawiać się elementy odwzorowania podstawowych zjawisk fizycznych, takich jak zachowanie obiektów w przestrzeni, mimo że nie były one bezpośrednio uczone tych konkretnych przypadków.

Rozwój modeli nie jest równomierny. Systemy potrafią osiągać bardzo dobre wyniki w złożonych zadaniach, a jednocześnie radzić sobie gorzej z prostszymi problemami. Przykładem jest duża różnica między wynikami w zadaniach matematycznych na poziomie olimpijskim a znacznie niższą skutecznością w tak podstawowych zadaniach jak odczytywanie zegara analogowego.

Modele coraz częściej testowane są też w zadaniach zawodowych, takich jak analiza finansowa, podatki czy prawo. Osiągają tam stosunkowo wysokie wyniki, ale różnice między najlepszymi systemami są niewielkie, a poziom niezawodności nadal pozostaje wyzwaniem w zastosowaniach wymagających dużej dokładności.

Widoczny jest również rozwój agentów AI, które zamiast odpowiadać na pytania, wykonują konkretne zadania. Ich skuteczność znacząco wzrosła (z 12% do 66,3%).

Znacznie trudniejszym obszarem pozostaje świat fizyczny. Roboty dobrze radzą sobie w kontrolowanych warunkach i symulacjach, ale w rzeczywistych środowiskach, takich jak dom, skuteczność ich działania jest nadal ograniczona (wynosi 12%).

W raporcie opisano również rosnącą skalę wdrożeń w obszarze autonomicznego transportu. Systemy działające w rzeczywistych warunkach obsługują już setki tysięcy przejazdów tygodniowo. Jednocześnie wdrożenia te nadal odbywają się głównie w kontrolowanych warunkach i przy założeniu, że w razie potrzeby możliwa jest interwencja człowieka.

Odpowiedzialność

W sekcji „Responsible AI” raportu widać rozbieżność między tempem rozwoju modeli a tempem rozwoju metod oceny ich bezpieczeństwa. Twórcy największych modeli regularnie publikują wyniki na benchmarkach mierzących możliwości, natomiast znacznie rzadziej raportują wyniki dotyczące bezpieczeństwa czy odpowiedzialnego użycia. Jednocześnie liczba odnotowanych incydentów związanych z AI nadal rośnie. W 2025 roku było ich 362, a rok wcześniej 233. Jednym z bardziej praktycznych problemów pozostaje skłonność modeli do halucynacji, czyli generowania nieprawdziwych informacji.

Firmy coraz częściej formalizują podejście do odpowiedzialnego AI. Rośnie liczba ról związanych z zarządzaniem tym obszarem, a odsetek organizacji bez żadnej polityki spadł z 24% do 11%.

Zmienia się również kontekst regulacyjny. Choć RODO pozostaje najczęściej wskazywanym punktem odniesienia, jego znaczenie maleje na rzecz bardziej wyspecjalizowanych standardów dotyczących AI.

Raport pokazuje też ograniczenia językowe modeli. Najlepiej działają one w języku angielskim, a różnice w jakości są większe, niż sugerują globalne benchmarki. W testach przygotowanych dla konkretnych języków lub dialektów wyniki potrafią znacząco spaść.

Spada również poziom transparentności firm rozwijających modele. Po wcześniejszym wzroście w latach 2023-2024, wskaźnik mierzący przejrzystość modeli obniżył się, a największe braki dotyczą informacji o danych treningowych czy wykorzystanej infrastrukturze.

Modele osiągają dobre wyniki w testach bezpieczeństwa w standardowych warunkach, ale ich skuteczność wyraźnie spada w sytuacjach celowego ataku. Próby obejścia zabezpieczeń za pomocą odpowiednio przygotowanych promptów prowadzą do pogorszenia wyników we wszystkich testowanych systemach.

Ekonomia AI: inwestycje, adopcja i wpływ na rynek pracy

W części poświęconej ekonomii raportu opisano bardzo szybki wzrost inwestycji w AI, szczególnie ze strony firm. W 2025 roku globalne inwestycje korporacyjne wzrosły ponad dwukrotnie, a kapitał prywatny rósł najszybciej (o 127,5%) i odpowiada już za około 60% całego finansowania. Najwięcej środków trafia do generatywnej AI. Inwestycje w ten obszar wzrosły o ponad 200%. Liczba nowych firm zajmujących się AI zwiększyła się o 71%.

Stany Zjednoczone nadal zdecydowanie prowadzą pod względem inwestycji prywatnych. Wydają na AI ponad 20 razy więcej niż Chiny. Warto jednak pamiętać, że w przypadku Chin część finansowania pochodzi z funduszy powiązanych z państwem, które nie zawsze są widoczne w danych rynkowych.

Szybko rosną też przychody firm rozwijających AI, ale razem z nimi rosną koszty. Szczególnie widać to po wydatkach na infrastrukturę. Z punktu widzenia użytkowników rośnie wartość, jaką dają narzędzia AI. Jednocześnie większość tych narzędzi pozostaje darmowa lub tania, co ułatwia ich szybkie rozpowszechnienie.

Wykorzystanie AI w firmach jest już bardzo szerokie. W 2025 roku korzystało z niej 88% organizacji, a generatywna AI była używana w 70% z nich. Znacznie wolniej rośnie wykorzystanie agentów AI, które nadal są na wczesnym etapie wdrożeń.

Wpływ AI na rynek pracy jest na razie nierówny. Widać go głównie wśród młodszych pracowników i w procesach rekrutacyjnych. Przykładowo, zatrudnienie programistów w wieku 22–25 lat spadło o prawie 20% w ciągu roku. Jednocześnie około jedna trzecia firm spodziewa się redukcji zatrudnienia w najbliższym czasie, choć w danych ogólnych nie widać jeszcze dużych zmian.

Największe wzrosty produktywności przy wykorzystywaniu AI pojawiają się tam, gdzie praca jest łatwa do zmierzenia. Badania wskazują wzrost efektywności o około 14-15% w obsłudze klienta, 26% w programowaniu i 50% w marketingu. W bardziej złożonych zadaniach efekty są mniejsze.

Na końcu tego rozdziału raport pokazuje, że automatyzacja obejmuje też przemysł. Chiny odpowiadają już za 54% instalacji robotów przemysłowych na świecie i instalują ich więcej niż reszta świata łącznie, a różnica ta nadal rośnie.

Nauka

Szybko rośnie liczba publikacji naukowych związanych z AI. Jeśli chodzi o nauki przyrodnicze, to w 2025 roku było ich o 26% więcej niż rok wcześniej. Udział AI w całkowitej liczbie publikacji wzrósł do kilku procent, podczas gdy jeszcze kilkanaście lat temu był marginalny.

Możliwości modeli w zadaniach naukowych są nadal nierówne. W niektórych testach, np. z chemii, potrafią odpowiadać na pytania na poziomie porównywalnym lub wyższym niż eksperci. Jednocześnie mają problem z innymi zadaniami, które są bliższe rzeczywistej pracy naukowej, na przykład z odtwarzaniem wyników opisanych w publikacjach.

Widać też rozwój infrastruktury AI w konkretnych dziedzinach. W astronomii pojawił się pierwszy model typu foundation, czyli model ogólnego zastosowania trenowany na dużych danych. Towarzyszą temu duże zbiory danych treningowych oraz benchmarki dostosowane do specyfiki tej dziedziny. To sygnał, że całe obszary nauki zaczynają budować własne zaplecze AI.

W 2025 roku po raz pierwszy zbudowano system, który samodzielnie realizuje cały proces prognozowania pogody. Nowe modele potrafią generować długoterminowe prognozy znacznie szybciej niż wcześniejsze metody (nawet kilkadziesiąt razy).

Mimo tych postępów AI nadal ma ograniczenia w bardziej złożonych zadaniach badawczych. W testach obejmujących cały proces pracy naukowej, najlepsze systemy osiągają wyniki wyraźnie niższe niż eksperci na poziomie doktoratu.

Pojawiają się też pierwsze przykłady badań generowanych przez AI. W 2025 roku artykuł napisany w całości przez system AI został przyjęty na warsztaty naukowe. Na razie jednak liczba takich przypadków jest ograniczona.

W przeciwieństwie do ogólnego rynku AI, rozwój modeli naukowych wciąż w dużej mierze odbywa się w instytucjach akademickich i publicznych, często we współpracy międzynarodowej. To one dostarczają większość danych i tworzą modele dla konkretnych dziedzin, choć w niektórych obszarach (jak prognozowanie pogody) coraz większą rolę odgrywają także firmy.

Medycyna

W części raportu poświęconej medycynie widać, że rozwój AI nie zawsze oznacza budowanie coraz większych modeli. Przykładowo, modele do analizy białek czy genomu potrafią przewyższać znacznie większe rozwiązania w benchmarkach.

Pojawiają się nowe kierunki badań, takie jak tzw. wirtualne modele komórek (virtual cell models), które próbują przewidywać reakcje komórek na leki lub zmiany genetyczne bez przeprowadzania eksperymentów laboratoryjnych. To podejście może przyspieszyć badania, choć na razie wyniki nadal wymagają potwierdzenia w praktyce.

Narzędzia automatycznie tworzące notatki z wizyt lekarskich są już szeroko wykorzystywane i pozwalają lekarzom znacząco ograniczyć czas poświęcany na dokumentację, nawet o ponad 80%. W niektórych przypadkach raportowany zwrot z inwestycji przekracza 100%.

Równolegle szybko rośnie liczba dopuszczonych do użytku urządzeń medycznych opartych na AI. W 2025 roku w Stanach Zjednoczonych zatwierdzono 258 takich rozwiązań, przy czym większość z nich trafiła na rynek na podstawie istniejących danych, bez nowych badań klinicznych.

W diagnostyce widać duże postępy, szczególnie w systemach łączących kilka modeli. Takie rozwiązania osiągają znacznie wyższą skuteczność niż pojedyncze modele, a w testach na złożonych przypadkach medycznych potrafią przewyższać wyniki lekarzy pracujących bez dodatkowych narzędzi.

AI coraz częściej pojawia się też w codziennym dostępie do informacji zdrowotnych. Wyszukiwarki internetowe w większości przypadków pokazują automatycznie generowane podsumowania dotyczące objawów, chorób czy leczenia, co wpływa na to, jak użytkownicy interpretują swoje problemy zdrowotne.

Raport opisuje też rosnące zainteresowanie tzw. cyfrowymi bliźniakami pacjentów, czyli modelami pozwalającymi symulować przebieg choroby i leczenia. W pierwszych badaniach klinicznych widać obiecujące wyniki. W jednym z nich większość pacjentów z cukrzycą osiągnęła prawidłowy poziom cukru we krwi przy jednoczesnym ograniczeniu leków.

Edukacja

Zainteresowanie kierunkami studiów związanych z informatyką w klasycznym ujęciu lekko spada, ale zwiększa się liczba osób wybierających specjalizacje związane z AI. W USA liczba studentów kierunków computer science zmniejszyła się o 11% między 2024 a 2025 rokiem, podczas gdy liczba absolwentów studiów związanych z AI wzrosła o 17%.

Stany Zjednoczone wciąż należą do czołówki pod względem liczby absolwentów kierunków technologicznych, ale inne kraje zwiększają tę liczbę w szybszym tempie. W ostatnich latach szczególnie widoczny wzrost widać m.in. w Turcji, Brazylii i Meksyku.

Jeśli chodzi o wykorzystanie AI przez uczniów szkół i studentów, to około 4 na 5 osób w USA korzysta z niej przy odrabianiu zadań, najczęściej do wyszukiwania informacji, poprawiania tekstów czy generowania pomysłów. Jednocześnie tylko połowa placówek ma jakiekolwiek wytyczne dotyczące AI, a niewielki odsetek nauczycieli uważa je za jasne.

Na poziomie systemowym informatyka jest już standardem, ponad 90% krajów oferuje ją w szkołach. Edukacja związana bezpośrednio z AI rozwija się wolniej, choć pojawiają się pierwsze obowiązkowe programy na poziomie państwowym, m.in. w Chinach czy Zjednoczonych Emiratach Arabskich.

Warto też zauważyć, że wiele osób zdobywa umiejętności związane z AI poza formalnym systemem edukacji, np. poprzez kursy.

Polityka i regulacje prawne

Coraz więcej państw tworzy własne strategie AI, szczególnie tam, gdzie jeszcze kilka lat temu ich nie było. W 2024 roku ponad połowa nowych strategii pochodziła z krajów rozwijających się, a kolejne są przygotowywane m.in. w Afryce Subsaharyjskiej, Azji Centralnej i na Bliskim Wschodzie.

Coraz ważniejszym pojęciem staje się tzw. suwerenność AI, czyli dążenie państw do większej kontroli nad własnymi technologiami, danymi i infrastrukturą. Problem w tym, że dostęp do tej infrastruktury jest bardzo nierówny. W Europie i Azji Centralnej liczba publicznych superkomputerów wspierających AI wzrosła z 3 do 44 w latach 2018–2025, podczas gdy w innych regionach świata takich systemów jest zaledwie kilka.

Różnice w podejściu widać też w regulacjach dotyczących danych. W części regionów, zwłaszcza w Azji i Afryce, coraz częściej pojawiają się przepisy wymagające, aby dane były przechowywane lokalnie. Do 2024 roku w Azji Wschodniej i regionie Pacyfiku wprowadzono 77 takich regulacji, w Afryce Subsaharyjskiej 71, a w Europie i Azji Centralnej 66. Dla porównania w Ameryce Północnej były tylko 3 takie przypadki.

W Europie rosną publiczne wydatki na AI, choć ich skala jest nadal ograniczona. W latach 2013–2024 wartość takich inwestycji wyniosła około 3,7 miliarda dolarów, z największym udziałem Wielkiej Brytanii, Niemiec i Francji. Tempo wydatków przyspiesza szczególnie w ostatnich latach.

Na tym tle widać dużą różnicę między sektorem publicznym a prywatnym. W Stanach Zjednoczonych łączne inwestycje publiczne w AI z ostatniej dekady są wielokrotnie niższe niż środki wydane przez prywatne firmy w ciągu jednego roku. Pokazuje to, że rozwój AI jest w dużej mierze napędzany przez sektor prywatny.

Opinia społeczna

Wraz ze wzrostem popularności AI rosną jednocześnie oczekiwania i obawy społeczeństwa. 59% badanych uważa, że AI przynosi więcej korzyści niż wad (rok wcześniej było to 55%), ale jednocześnie ponad połowa deklaruje, że korzystanie z tych technologii budzi w nich niepokój.

Nastawienie do AI różni się między krajami. W państwach Azji Południowo-Wschodniej dominują pozytywne oczekiwania. W krajach takich jak Chiny, Malezja czy Singapur ponad 80% respondentów spodziewa się, że AI znacząco wpłynie na ich życie w najbliższych latach. Z kolei w Indiach najszybciej rośnie poziom obaw.

AI coraz częściej pojawia się też w pracy. 58% pracowników deklaruje, że korzysta z niej regularnie lub przynajmniej od czasu do czasu, ale w niektórych krajach (m.in. w Indiach, Chinach czy Nigerii) odsetek ten przekracza 80%.

Raport pokazuje też duże różnice między opiniami ekspertów a społeczeństwa. W wielu obszarach, takich jak wpływ AI na rynek pracy, gospodarkę czy opiekę zdrowotną, eksperci są znacznie bardziej optymistyczni. Na przykład 73% ekspertów uważa, że AI będzie miała pozytywny wpływ na rynek pracy, podczas gdy wśród ogółu społeczeństwa taką opinię podziela tylko 23%.

Większość społeczeństwa spodziewa się raczej spadku liczby miejsc pracy. W USA 64% ankietowanych uważa, że AI zmniejszy zatrudnienie w ciągu najbliższych 20 lat, a tylko 5% oczekuje jego wzrostu. Eksperci są lepszej myśli, ale jednocześnie zakładają znacznie szybsze tempo wdrożeń. Ich zdaniem AI może wspierać nawet 80% czasu pracy już do 2030 roku.

Zaufanie do instytucji publicznych w kontekście regulacji AI jest zróżnicowane. W USA jest ono stosunkowo niskie. Tylko 31% badanych uważa, że rząd poradzi sobie z odpowiedzialnym regulowaniem tej technologii. Na poziomie globalnym największym zaufaniem w zakresie regulacji AI cieszy się Unia Europejska. Średnio 53% ankietowanych deklaruje zaufanie do jej działań, więcej niż w przypadku Stanów Zjednoczonych czy Chin.

Podsumowanie

Najnowszy AI Index Report pokazuje przede wszystkim skalę i tempo zmian w AI. Modele szybko poprawiają swoje możliwości, ale narzędzia do ich oceny, regulacje i praktyki związane z bezpieczeństwem nie rozwijają się równie szybko.

Rośnie skala inwestycji, liczba wdrożeń w firmach i rzeczywista wartość dla użytkowników, ale wraz z tym rosną też koszty infrastruktury i pojawiają się pierwsze wyraźne sygnały zmian na rynku pracy. W wielu obszarach widać, że wpływ AI da się już zmierzyć.

Całość raportu nie daje jednego, prostego wniosku. Zamiast tego pokazuje, że rozwój AI jest szybki, ale nierówny, i że obok postępu technologicznego równie ważne stają się kwestie związane z danymi, infrastrukturą, regulacjami i zaufaniem.