AI szybko staje się infrastrukturą krytyczną — do generowania kodu, przetwarzania dokumentów, interakcji z klientami, wsparcia decyzji. Większość organizacji polega dziś na amerykańskich dostawcach: OpenAI, Google, Anthropic. Ci dostawcy prowadzą z dobrych powodów — dojrzałe API, wydajność modeli frontierowych, ogromne inwestycje w badania nad bezpieczeństwem. Ale koncentracja niesie znane ryzyko: ekspozycja jurysdykcyjna, uzależnienie od dostawcy i założenie, że obecny układ sił jest trwały.

Potem nastąpiło wydarzenie, które podważyło to założenie.

20 stycznia 2025 r. chińskie laboratorium AI DeepSeek wydało swój model R1 — model rozumowania, który dorównał lub przewyższył o1 OpenAI w większości benchmarków. Tydzień później Nvidia straciła 589 mld USD kapitalizacji rynkowej — największa jednodniowa strata w historii giełdy. DeepSeek ujawnił koszt treningu swojego poprzedniego modelu V3 na poziomie 5,6 mln USD — ułamek szacowanego kosztu porównywalnych modeli amerykańskich.

Moment DeepSeek nie dotyczył Chin. Dotyczył załamania narracji: że budowanie frontier AI wymaga miliardów dolarów, dziesiątek tysięcy GPU i — w domyśle — zasobów giganta z Doliny Krzemowej.

Europejski krajobraz AI: taksonomia

Mistral AI: europejski pretendent

Mistral AI to najbliższy odpowiednik europejskiej firmy frontier AI. Założony w Paryżu w 2023 r. przez byłych badaczy Google DeepMind i Meta, Mistral dokonał niezwykłego wzlotu: od założenia do wyceny 12 mld EUR i ponad 400 mln USD rocznych przychodów cyklicznych w niecałe trzy lata.

Strategiczna znakomitość Mistrala tkwi w jego podwójnym modelu: wydawanie konkurencyjnych modeli open-weight (Mistral 7B, Mixtral 8x7B), które budują społeczność, jednocześnie sprzedając premium modele zastrzeżone (Mistral Large) i usługi enterprise.

Zastrzeżenie: Mistral to startup finansowany przez venture capital. Jego inwestorzy to General Catalyst, Andreessen Horowitz i Lightspeed — amerykańskie firmy venture capital. Struktura kapitałowa jest transatlantycka. To rzeczywistość europejskiej technologii: założyciele są europejscy, kapitał jest często amerykański, a „suwerenność" komplikuje się, gdy podąży się za pieniędzmi.

Aleph Alpha: historia ku przestrodze

Założona w Heidelbergu w 2019 r., Aleph Alpha pozyskała ok. 500 mln USD. We wrześniu 2024 r. firma dokonała zwrotu. Przestała rozwijać własne modele bazowe i repozycjonowała się jako dostawca infrastruktury AI enterprise pod marką PhariaAI.

Zwrot był racjonalny. Trenowanie modeli frontierowych kosztuje setki milionów dolarów na generację. Lekcja dla europejskiej suwerenności AI jest niewygodna: rozwój modeli bazowych może być zbyt kapitałochłonny dla wszystkich poza najlepiej finansowanymi europejskimi firmami.

Hugging Face: europejskie korzenie, amerykański adres

Hugging Face hostuje ponad 2 miliony modeli i 500 000+ zbiorów danych. Założony w Paryżu przez francuskich przedsiębiorców. Ale firma ma siedzibę w Nowym Jorku, a jej wycenę napędzają amerykańscy inwestorzy. To drenaż mózgów w akcji.

Open weight: czynnik umożliwiający suwerenność

Wzrost modeli open-weight fundamentalnie zmienił równanie suwerenności dla AI. Gdy wagi modelu są publicznie dostępne, organizacje mogą uruchamiać modele na własnej infrastrukturze, fine-tunować je na specyficznych danych i wybierać wdrożenie — chmurowe API dla wygody, samodzielnie hostowane dla suwerenności.

Ironia jest gęsta: najkorzystniejsze licencjonowanie dla modeli frontier AI pochodzi nie z Europy ani USA, ale od chińskich firm. DeepSeek R1 na licencji MIT daje każdej europejskiej organizacji prawo do wdrożenia, modyfikacji i komercjalizacji modelu rozumowania frontierowego. Europejska suwerenność AI w 2026 r. jest częściowo umożliwiana przez chińską otwartość.

Budowanie suwerennego stosu AI

Dla organizacji dążących do zmniejszenia zależności AI od amerykańskich dostawców, praktyczny suwerenny stos AI w 2026 r. wygląda następująco:

Warstwa modeli: modele open-weight — Mistral (europejskie, Apache 2.0 dla niektórych modeli), LLaMA (amerykańskie, liberalna licencja), DeepSeek R1 (chińskie, licencja MIT).

Warstwa inferencji: samodzielnie hostowana na europejskiej infrastrukturze chmurowej — Scaleway, Hetzner, OVHcloud lub dostawcy certyfikowani SCS. Frameworki takie jak vLLM, llama.cpp lub TGI od Hugging Face do serwowania.

Warstwa fine-tuningu: adaptacja domenowa z użyciem prywatnych danych na lokalnym sprzęcie. Narzędzia jak Axolotl, adaptery LoRA.

Warstwa aplikacji: integracja z przepływami pracy organizacyjnymi via standardowe API.

Warstwa governance: wymogi AI Act UE dotyczące dokumentacji, oceny ryzyka i przejrzystości.

Ten stos jest realny. Działa. Organizacje w całej Europie go wdrażają.

Co Europa ma, czego jej brakuje

Europa ma: jedną naprawdę konkurencyjną firmę modelową (Mistral), największą platformę AI open source na świecie (Hugging Face — z zastrzeżeniami), kompleksowe ramy regulacyjne (AI Act), wystarczającą moc obliczeniową GPU dla większości praktycznych wdrożeń.

Europie brakuje: mocy obliczeniowej na skalę treningu modeli frontierowych, drugiej firmy modelowej, venture capital na skalę USA, osiągnięć w przekładaniu ram regulacyjnych na faktyczne mandaty zamówieniowe, spójnej strategii retencji talentów AI.

Co dalej

Pragmatyczna ścieżka nie jest „Europa musi zbudować własny GPT" — ten okręt mógł już odpłynąć. Pragmatyczna ścieżka to: uruchamiaj najlepsze dostępne modele na infrastrukturze pod twoją kontrolą operacyjną, z wrażliwymi danymi pozostającymi w jurysdykcji, którą możesz egzekwować, pod rządami ram regulacyjnych zapewniających przejrzystość i odpowiedzialność.

W tym tygodniu: Przestań wysyłać wrażliwe dane do API AI hostowanych w USA.

W tym miesiącu: Wdróż lokalny LLM. Instancja Mistral 7B lub LLaMA 3.1 8B na serwerze GPU Hetzner (ok. 150 EUR/miesiąc) obsługuje podsumowywanie, klasyfikację i asystę przy kodzie dla zespołu 20–50 osób.

W tym kwartale: Fine-tunuj model na swoich danych domenowych.

Przed sierpniem 2027: Jeśli wdrażasz AI w domenach wysokiego ryzyka, wymagania zgodności AI Act wchodzą w pełni w życie. Rozpocznij klasyfikację ryzyka i ocenę zgodności teraz.

Źródła

Przegląd tematyczny: AI i uczenie maszynowe