$480 MLD „SPŁONĘŁO” NA GIEŁDZIE: W CHINACH PĘKŁA BAŃKA AI. CZY USA BĘDĄ NASTĘPNE?

Artem Honczarenko, PhD

Kierownik Instytutu Reintegracji, Rehabilitacji i Rozwoju Zawodowego Weteranów „Architektura Odporności” KNUBA

27 października 2026 roku • analiza autorska

Chiński krach: co naprawdę stało się z rynkiem

Jeszcze niedawno producentów układów scalonych, komponentów optycznych dla centrów danych i robotyki nazywano głównymi zwycięzcami nowej rewolucji technologicznej. Inwestorzy kupowali ich akcje, licząc na przyszły wzrost popytu na sztuczną inteligencję. Pod koniec października ta pewność ustąpiła miejsca masowej wyprzedaży.

Według doniesień Reuters z 26 października 2026 roku, indeks STAR 50, odzwierciedlający notowania wiodących spółek technologiczno-innowacyjnych szanghajskiej giełdy, stracił około 40% w niespełna cztery miesiące. Spadek łącznej wartości rynkowej oszacowano na około 480 mld dolarów. Już 27 października indeks zamknął się na poziomie 1 252,28 punktu, a dzienny spadek wyniósł 4,81%. [1–2]

Ważne są tu dwa doprecyzowania. STAR 50 to nie lista 50 największych chińskich spółek stricte z branży SI, lecz indeks segmentu technologiczno-innowacyjnego, w którym wiele spółek jest związanych z półprzewodnikami i SI. Oraz 480 mld dolarów nie „zniknęło” z rachunków bankowych przedsiębiorstw: chodzi o spadek giełdowej wyceny pakietu akcji.

Nie sprawia to jednak, że skala korekty jest mniejsza. Reuters podaje przykłady spadków kursów akcji poszczególnych producentów robotów, układów scalonych i sprzętu optycznego o dziesiątki procent. Giełda nagle przypomniała sobie o prostym wymogu ekonomicznym: dobra technologia nie gwarantuje jeszcze zysku wystarczającego, by uzasadnić każdą cenę akcji. [1]

Dlaczego rynek ostygł: zawyżone oczekiwania kontra realne zyski

Na szczycie wzrostów wskaźnik cena/zysk (C/Z, P/E) dla indeksu STAR 50 według szacunków Reuters zbliżał się do 250. Nawet po gwałtownym spadku wynosił około 100, podczas gdy punkt odniesienia dla Nasdaq 100 w tym samym materiale to około 30. To indeksy o odmiennej strukturze, jednak różnica pokazuje, ile przyszłego wzrostu inwestorzy już uwzględnili w chińskich notowaniach. [1]

Do wysokich wycen dołączyły wątpliwości co do tempa popytu na sprzęt dla SI, możliwe ograniczenia eksportowe, czynniki podatkowe oraz ryzyka dla sprzedaży chińskich komponentów do zagranicznych centrów danych. Żadna z tych przyczyn z osobna nie tłumaczy całego krachu, ale razem uczyniły rynek podatnym na wstrząsy.

Mój wniosek jest prosty: trzeba oddzielić cenę akcji od użyteczności technologii. Firma może tworzyć potrzebny produkt, a mimo to być na giełdzie niezasadnie droga. I odwrotnie — spadek jej notowań nie przekreśla już osiągniętego efektu technologicznego.

Trzeba wyraźnie oddzielić dwie sprawy: ekonomiczną skuteczność sztucznej inteligencji oraz spekulacyjną wartość firm, które na niej zarabiają. Rynek akcji może się mylić w swoich oczekiwaniach. Ale jeśli technologia rzeczywiście skraca czas badań, zwiększa wydajność i pozwala szybciej podejmować uzasadnione decyzje, ta wartość nie znika wraz ze spadkiem notowań.

Czy SI naprawdę przyspiesza pracę ludzi: co jest udowodnione, a co tylko obiecywane

Jako badacz uważam, że sztuczną inteligencję warto oceniać nie po głośności prezentacji, lecz na podstawie niezależnych eksperymentów z grupami kontrolnymi. A takie badania już istnieją.

W badaniu MIT opublikowanym w czasopiśmie Science w 2023 roku, 453 specjalistów wykonywało zawodowe zadania pisemne. W grupie z dostępem do ChatGPT średni czas realizacji skrócił się o 40%, a jakość wyniku według ocen ekspertów wzrosła o 18%. To rzeczywisty eksperyment, ale nie dowodzi, że każde złożone badanie automatycznie przyspieszy o te same 40%. [3]

W eksperymencie Harvard Business School i Boston Consulting Group z udziałem 758 konsultantów użytkownicy GPT-4 wykonywali zadania odpowiadające możliwościom modelu o ponad 25% szybciej i kończyli o ponad 12% więcej zadań. Jednocześnie w zadaniu wykraczającym poza niezawodne możliwości narzędzia użycie SI prowadziło do gorszego wyniku. [4]

Szczególnie wymowna jest analityka naukowa. Przegląd 25 badań, opublikowany w Frontiers in Pharmacology w 2025 roku, odnotował skrócenie czasu o ponad 50% w 17 pracach. W niektórych przypadkach zautomatyzowany przegląd abstraktów skracał się 5–6 razy, a obciążenie pracą ręczną przy 95% kompletności wykrywania materiałów — w 6–10 razy. Dotyczy to przede wszystkim poszczególnych etapów selekcji, a nie całej drogi od pomysłu do zweryfikowanego wniosku. [5]

Jest też zastrzeżenie. W randomizowanym eksperymencie METR z 2025 roku 16 doświadczonych programistów, którzy wykonywali 246 rzeczywistych zadań, pracując z ówczesnymi narzędziami SI, potrzebowali średnio o 19% dłużej, choć sami uważali, że pracują szybciej. Zatem narzędzie, które pomaga początkującemu, może spowalniać specjalistę przy dobrze znanej mu pracy, jeśli koszt weryfikacji wyników jest zbyt wysoki. [6]

Wniosek: powinniśmy mierzyć nie ilość wygenerowanego tekstu, lecz liczbę poprawnych i zweryfikowanych wyników na jednostkę czasu.

Jeden przykład, który zmienia skalę: 100 tysięcy dokumentów

Wyobraźmy sobie organizację, która musi wstępnie przejrzeć 100 000 dokumentów — umów, publikacji naukowych, sprawozdań, wniosków obywateli lub materiałów dotyczących odbudowy. Jeśli na każdy dokument poświęcimy tylko trzy minuty, otrzymamy 5000 osobogodzin, czyli 625 ośmiogodzinnych dni roboczych. Zespół dziesięciu analityków pracowałby przy pełnym obciążeniu około 12,5 tygodnia.

A teraz załóżmy, że sprawdzony system automatycznie wykonuje deduplikację, wstępną klasyfikację, wyszukiwanie sprzeczności i tworzy listę wyjątków. Jeśli jego jakość pozwala skrócić właśnie ręczny screening o 90%, pozostanie ekwiwalent 500 osobogodzin na tym etapie.

To model ilustracyjny, a nie wynik konkretnego wdrożenia. Nie uwzględnia ono osobno kosztu obliczeń, konfiguracji, kontroli jakości ani pominiętych przypadków krytycznych. Dlatego nie można mechanicznie twierdzić o dziesięciokrotnym przyspieszeniu całego badania.

Ale wyjaśnia, skąd bierze się prawdziwa wartość: ekspert nie musi już ręcznie przeglądać każdej jednostki informacji, jeśli zautomatyzowana selekcja wykazała wymaganą dokładność. Przechodzi od masowego czytania do pogłębionej pracy nad trudnymi przypadkami.

Rynek zaczyna dorastać. Sama obietnica rewolucji technologicznej już nie wystarcza. Inwestor chce zobaczyć zysk, a organizacja — konkretny wynik: ile czasu zaoszczędzono, ile błędów zapobieżono, ile zgłoszeń obsłużono i ile kosztuje utrzymanie systemu. Prawdziwą przewagę konkurencyjną zyskają ci, którzy potrafią udowodnić ekonomiczną efektywność AI.

Wojna zmienia formułę produktywności: dlaczego to ważne dla Ukrainy

W naszym kraju pracownik może być wysoko wykwalifikowany i zmotywowany, a mimo to nie jest w stanie odwołać alarmu powietrznego ani ataku rakietowego. Bezpieczeństwo człowieka zawsze musi pozostać priorytetem.

W ankiecie European Business Association przeprowadzonej w lutym 2026 roku wśród 131 menedżerów wyższego szczebla firm będących członkami Stowarzyszenia, 45% respondentów wskazało wstrzymanie pracy podczas alarmów powietrznych wśród częstych ograniczeń, a 82% — ataki na system energetyczny wśród czynników o największym negatywnym wpływie na biznes. To nie jest statystyka średniej utraty godzin dla całej Ukrainy, ale ważne świadectwo przeszkód operacyjnych. [7]

Weźmy hipotetyczny projekt, który wymaga 100 produktywnych godzin analitycznych. Jeśli faktyczna dostępność czasu pracy wynosi 70%, do wykonania będzie potrzebnych około 143 godzin planowego zasobu pracy. W modelowym procesie hybrydowym, w którym człowiekowi pozostaje 25 godzin, a przetwarzanie maszynowe i operacje towarzyszące dodają 10 godzin, łączna ocena wynosi około 46 godzin. Różnica to około 3,1 raza.

Nie należy traktować tych liczb jako normy dla ukraińskich firm: 70% dostępności i struktura operacji to tutaj jedynie założenia scenariuszowe. Rzeczywisty efekt zależeć będzie od charakteru zadań, przygotowania danych i architektury systemu.

Zasada jest jednak ważna. Jeśli obliczenia, dane i kolejki zadań są odpowiednio zabezpieczone kopią zapasową i rozproszone geograficznie, część operacji może być kontynuowana nawet wtedy, gdy pracownicy przebywają w schronie. Jeżeli jednak system jest uzależniony od jednego serwera biurowego bez zapasowej łączności i zasilania, tej przewagi nie będzie.

Dla Ukrainy wykorzystanie sztucznej inteligencji to nie tylko chęć bycia nowoczesnym technologicznie. To kwestia odporności. Człowiek ma prawo do bezpieczeństwa, odpoczynku i ochrony podczas wojny. Jednocześnie prawidłowo zbudowana infrastruktura cyfrowa może zapewnić ciągłość części krytycznych procesów. Naszym zadaniem nie jest zastąpienie człowieka, lecz wzmocnienie jego możliwości za pomocą technologii.

Główna rewolucja to nie tekst w minutę, lecz wykrycie problemu przed raportem

Uważam, że kolejna zmiana będzie głębsza niż automatyczne przygotowywanie notatek analitycznych. Chodzi o całodobowy monitoring, gdy dane napływają nieustannie, system wykrywa odchylenia, sprawdza je według reguł, klasyfikuje ryzyko i przekazuje informację odpowiedzialnej osobie lub wykonuje wcześniej dozwolone bezpieczne działanie.

W cyberbezpieczeństwie od dawna rozwija się w tym celu platformy SIEM i SOAR. Międzynarodowe zalecenia z 2025 roku opisują je jako narzędzia do zbierania zdarzeń, wykrywania podejrzanej aktywności, powiadamiania specjalistów i automatyzacji określonych elementów reagowania. Jednocześnie takie systemy wymagają stałej konfiguracji, testowania i wykwalifikowanego nadzoru. [8]

Dla Ukrainy tę zasadę można dostosować do monitorowania odbudowy, kontroli finansowej, wskaźników środowiskowych, cyberzagrożeń oraz zgłoszeń weteranów i ich rodzin. Na przykład nowe zgłoszenie może automatycznie trafić do właściwej służby, a anomalna zmiana w dokumentacji przetargowej — wygenerować sygnał dla audytora. Jednak decyzji o pomocy medycznej, ograniczeniu praw czy sankcjach finansowych nie można powierzać modelowi generatywnemu bez odpowiednich niezależnych mechanizmów kontroli.

Przyszłość należy do systemów, które nie tylko gromadzą informacje, ale stale analizują wydarzenia. Sztuczna inteligencja może pomagać w wykrywaniu anomalii, ich weryfikacji i uruchamianiu uprzednio uzgodnionych scenariuszy reagowania. Jednak decyzje krytyczne muszą pozostać pod odpowiednią kontrolą człowieka. To właśnie połączenie automatyzacji i odpowiedzialności zadecyduje o jakości nowych ekosystemów cyfrowych.

Cena błędu: gdzie automatyzacji nie wolno mylić z zaufaniem

Im większa skala automatyzacji, tym droższy może być błąd systemowy. Model może przekonująco zmyślić źródło, pominąć ważny dokument lub udostępnić poufne dane niewłaściwemu użytkownikowi. Dlatego w przypadku materiałów medycznych, osobowych i finansowych potrzebne są minimalizacja danych, kontrola uprawnień dostępu, rejestrowanie operacji, weryfikacja dokładności oraz odrębne procedury zatwierdzania działań krytycznych.

Środowisko naukowe powinno rozdzielać szybkość przetwarzania maszynowego i wiarygodność wniosku. Jest to szczególnie istotne, gdy AI pomaga tworzyć przeglądy naukowe lub analizy na potrzeby decyzji zarządczych.

Musimy odróżniać szybkość przetwarzania informacji od wiarygodności uzyskanej wiedzy. Sztuczna inteligencja może znacznie przyspieszyć wyszukiwanie, porównywanie i systematyzację danych, jednak nie znosi to konieczności weryfikacji źródeł, sprawdzenia metodologii i odtwarzalności wyników.

Czy chiński krach powtórzy się w USA?

To pytanie, które dziś brzmi najgłośniej. Jednak 40-procentowy spadek chińskiego STAR 50 nie oznacza automatycznie 40-procentowego spadku akcji amerykańskich. Reuters zestawia chińską korektę z około 6-procentowym cofnięciem Nasdaq od niedawnego maksimum. To różne indeksy, okresy i struktury biznesu; bezpośrednia prognoza na takiej podstawie byłaby nieuzasadniona. [1]

Ryzyka dla globalnych akcji technologicznych istnieją: wysokie oczekiwania, duże nakłady inwestycyjne na infrastrukturę obliczeniową, niepewność popytu i trudna monetyzacja. Jednak stopień podatności każdej spółki zależy od jej zysków, przepływów pieniężnych, zadłużenia, klientów i kosztu pozyskanego kapitału.

Moim zdaniem kluczowe pytanie dla rynków już się zmieniło: nie „kto głośniej zadeklarował AI”, lecz „kto zdołał przekształcić technologię w zweryfikowany wynik ekonomiczny”. W tej logice zmniejszenie spekulacyjnych wycen może nawet skłonić biznes do bardziej zdyscyplinowanych inwestycji.

Co proponuję ukraińskim organizacjom

Nie należy zatrzymywać transformacji cyfrowej z powodu krachu giełdowych akcji w innym kraju. Ale równie niepotrzebne jest bezmyślne kupowanie drogich rozwiązań AI tylko dlatego, że są modne. Racjonalne podejście można sprowadzić do pięciu praktycznych kroków.

1. Zmierzyć obecny proces: czas trwania operacji, koszt, błędy, czas oczekiwania na odpowiedź oraz obciążenie ludzi.
2. Wybrać wąski pilotaż: na przykład klasyfikację dokumentów, wyszukiwanie duplikatów lub priorytetyzację zgłoszeń, a nie automatyzację całego zarządzania od razu.
3. Określić granice autonomii: co algorytm może wykonywać samodzielnie, co może jedynie proponować, a co wymaga obowiązkowej decyzji człowieka.
4. Sprawdzić jakość i bezpieczeństwo: pominięte przypadki krytyczne, fałszywe alarmy, dostęp do danych osobowych, zależność od dostawcy oraz odporność na awarie.
5. Liczyć pełną ekonomię: licencje, moc obliczeniową, integracje, utrzymanie, szkolenie zespołu — oraz wartość zaoszczędzonego czasu.

Gdy tych wskaźników się nie mierzy, rozmowy o oszczędnościach pięcio- czy dziesięciokrotnych zamieniają się w marketing. Gdy się je mierzy — organizacja może podejmować decyzje w oparciu o dowody.

Wniosek: bańka giełdowa może pęknąć, a rewolucja technologiczna — trwać dalej

Chiński krach jest poważnym ostrzeżeniem dla inwestorów. Pokazuje, że nawet perspektywiczne branże nie są chronione przed zawyżonymi wycenami, nieuzasadnionymi oczekiwaniami i gwałtownymi zmianami nastrojów rynkowych.

Ale dla mnie, jako badacza i kierownika instytucji zajmującej się kwestiami kapitału ludzkiego i odbudowy Ukrainy, wniosek jest inny: technologię należy oceniać po wpływie na rzeczywiste zadania, a nie po giełdowym ażiotażu.

Jeśli automatyzacja skraca czas rozpatrywania zgłoszeń, pomaga na czas wykrywać ryzyka, wspiera ciągłość pracy w czasie wojny i uwalnia specjalistów do odpowiedzialnych decyzji — ma już wartość praktyczną. Ale tę wartość trzeba mierzyć, a bezpieczeństwo — udowadniać.

Bańka AI może pęknąć. Potrzeba zweryfikowanej wiedzy, odpornych organizacji i terminowych decyzji — nie.

Źródła i uwagi metodologiczne

[1] Reuters. „In China, the AI bubble has already burst”, 26 października 2026 Źródło

[2] Investing.com. SSE STAR 50: historical data, zamknięcie 27 października 2026 Źródło

[3] Noy S., Zhang W. „Experimental evidence on the productivity effects of generative artificial intelligence”. Science, 2023 Źródło

[4] Harvard Business School / Boston Consulting Group. „Navigating the Jagged Technological Frontier”, 2023 Źródło

[5] Abogunrin S. i in. „How much can we save by applying artificial intelligence in evidence synthesis?”. Frontiers in Pharmacology, 2025 Źródło

[6] METR. „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, 2025 Źródło

[7] European Business Association. „Cztery lata wielkiej wojny: jak działa biznes w Ukrainie”, 24 lutego 2026 roku Źródło

[8] Australian Signals Directorate i partnerzy międzynarodowi. „Implementing SIEM and SOAR platforms: Executive guidance”, 27 maja 2025 roku Źródło

Uwaga do obliczeń: przykład ze 100 tysiącami dokumentów oraz model dostępności personelu w warunkach wojny to założenia ilustracyjne. Należy odróżniać je od wyników konkretnych badań kontrolowanych i weryfikować na własnych danych przed podjęciem decyzji inwestycyjnej.