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

Artem Honczarenko, PhD

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

27 października 2026 • 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 Reutersa z 26 października 2026 roku, indeks STAR 50, odzwierciedlający notowania wiodących spółek technologiczno-innowacyjnych szanghajskiej giełdy, stracił około 40% w mniej niż cztery miesiące. Spadek łącznej wartości rynkowej szacuje się na około $480 mld. Już 27 października indeks zamknął się na poziomie 1252,28 pkt, a spadek w ciągu dnia wyniósł 4,81%. [1–2]

Ważne są tu dwa doprecyzowania. STAR 50 nie jest listą 50 największych stricte sztuczno-inteligentnych spółek Chin, lecz indeksem segmentu technologiczno-innowacyjnego, w którym wiele spółek jest powiązanych z półprzewodnikami i AI. I kwota $480 mld nie „zniknęła” z rachunków bankowych przedsiębiorstw: chodzi o spadek giełdowej wyceny pakietów akcji.

Skala korekty nie staje się jednak przez to mniejsza. Reuters podaje przykłady spadków kursów akcji poszczególnych producentów robotów, układów scalonych i sprzętu optycznego o kilkadziesiąt procent. Giełda nagle przypomniała sobie o prostym wymogu ekonomicznym: dobra technologia nie gwarantuje jeszcze zysków wystarczających, by uzasadnić dowolną cenę akcji. [1]

Dlaczego rynek ostygł: zawyżone oczekiwania kontra realne zyski

W szczytowym momencie wzrostów wskaźnik cena/zysk (C/Z) dla indeksu STAR 50, według szacunków Reutersa, zbliżał się do 250. Nawet po gwałtownym spadku wynosił około 100, podczas gdy punkt odniesienia dla Nasdaq 100 w tym samym materiale to mniej więcej 30. To indeksy o różnej strukturze, jednak różnica pokazuje, ile przyszłego wzrostu inwestorzy zdążyli już wliczyć w chińskie notowania. [1]

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

Mój wniosek jest prosty: należy oddzielić cenę akcji od użyteczności technologii. Firma może tworzyć potrzebny produkt, a mimo to być na giełdzie wyceniana zbyt wysoko. I odwrotnie — spadek jej notowań nie unieważnia osiągniętego już efektu technologicznego.

Trzeba wyraźnie rozdzielić dwie rzeczy: ekonomiczną skuteczność sztucznej inteligencji oraz spekulacyjną wartość firm, które na niej zarabiają. Rynek akcji może się mylić w swoich oczekiwaniach. Jeśli jednak technologia realnie skraca czas badań, zwiększa produktywność i pozwala szybciej podejmować uzasadnione decyzje, ta wartość nie znika wraz ze spadkiem notowań.

Czy AI naprawdę przyspiesza pracę ludzką: co udowodniono, a co tylko obiecywano

Jako badacz uważam, że sztuczną inteligencję należy oceniać nie po głośności prezentacji, lecz po niezależnych eksperymentach z grupami kontrolnymi. 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 prawdziwy 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 przy zadaniu wykraczającym poza niezawodne możliwości narzędzia użycie AI 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 automatyczny przegląd abstraktów skracał się 5–6-krotnie, a nakład pracy ręcznej przy 95% kompletności wykrywania materiałów — 6–10-krotnie. Dotyczy to przede wszystkim poszczególnych etapów selekcji, a nie całej drogi od pomysłu do zweryfikowanego wniosku. [5]

Istnieje też zastrzeżenie. W randomizowanym eksperymencie METR z 2025 roku 16 doświadczonych programistów, którzy wykonywali 246 rzeczywistych zadań, z ówczesnymi narzędziami AI pracowało średnio o 19% dłużej, choć sami uważali, że przyspieszyli. Zatem narzędzie, które pomaga początkującemu, może spowolnić specjalistę przy dobrze znanej pracy, jeśli koszt weryfikacji wyników jest zbyt wysoki. [6]

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

Przykład, który zmienia skalę: 100 tysięcy dokumentów

Wyobraźmy sobie organizację, która musi wstępnie przejrzeć 100 000 dokumentów — umów, publikacji naukowych, raportów, zgłoszeń obywateli lub materiałów dotyczących odbudowy. Jeśli na każdy dokument poświęcać zaledwie trzy minuty, otrzymujemy 5000 roboczogodzin, czyli 625 ośmiogodzinnych dni roboczych. Zespół dziesięciu analityków pracowałby około 12,5 tygodnia przy pełnym obciążeniu.

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 równowartość 500 roboczogodzin na tym etapie.

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

Wyjaśnia jednak, gdzie powstaje prawdziwa wartość: ekspert nie musi już ręcznie przeglądać każdej jednostki informacji, jeśli zautomatyzowana selekcja wykazała wymaganą dokładność. Przechodzi od masowego czytania do pogłębionej pracy ze złożonymi przypadkami.

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

Wojna zmienia formułę produktywności: dlaczego jest 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 badaniu European Business Association przeprowadzonym w lutym 2026 roku wśród 131 menedżerów wyższego szczebla firm członkowskich Stowarzyszenia, 45% respondentów wskazało wstrzymanie pracy w czasie alarmów powietrznych wśród powszechnych 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 istotne świadectwo przeszkód operacyjnych. [7]

Weźmy umowny projekt wymagający 100 produktywnych godzin analitycznych. Jeśli faktyczna dostępność czasu pracy wynosi 70%, do jego wykonania potrzeba około 143 godzin planowanego zasobu pracy. W modelowanym procesie hybrydowym, w którym człowiekowi zostaje 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 tu jedynie założenia scenariuszowe. Realny efekt zależeć będzie od charakteru zadań, przygotowania danych i architektury systemu.

Zasada jest jednak ważna. Jeśli obliczenia, dane i kolejki zadań są odpowiednio zabezpieczone kopiami zapasowymi i rozproszone geograficznie, część operacji może być kontynuowana nawet wtedy, gdy pracownicy przebywają w schronie. Jeśli natomiast system jest przywiązany do jednego serwera biurowego bez zapasowej łączności i zasilania, takiej przewagi nie będzie.

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

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, w którym dane napływają nieprzerwanie, system wykrywa odchylenia, weryfikuje je według reguł, klasyfikuje ryzyko i przekazuje informację odpowiedzialnej osobie albo wykonuje z góry dozwoloną bezpieczną czynność.

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

Dla Ukrainy tę zasadę można zaadaptować 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, lecz stale analizują zdarzenia. Sztuczna inteligencja może pomagać w wykrywaniu anomalii, ich weryfikacji i uruchamianiu wcześniej uzgodnionych scenariuszy reagowania. Jednak decyzje krytyczne muszą pozostać pod należytą 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 albo udzielić dostępu do poufnych danych nieodpowiedniemu 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 musi rozróżniać 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 znacząco 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 wybrzmiewa 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 firmy 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 potrafił przekuć technologię w sprawdzony 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 giełdowego w innym kraju. Ale równie niepotrzebne jest bezmyślne kupowanie drogich rozwiązań AI tylko dlatego, że jest to modne. Racjonalne podejście można sprowadzić do pięciu praktycznych kroków.

1. Zmierzyć obecny proces: czas trwania operacji, koszt, błędy, czas oczekiwania na odpowiedź i obciążenie ludzi.
2. Wybrać wąski pilotaż: na przykład klasyfikację dokumentów, wyszukiwanie duplikatów lub priorytetyzację zgłoszeń, a nie automatyzację całego zarządzania naraz.
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, uzależnienie od dostawcy i odporność na awarie.
5. Liczyć pełną ekonomię: licencje, obliczenia, 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 oparte na dowodach.

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

Chiński krach to poważne ostrzeżenie 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 kapitałem ludzkim i odbudową Ukrainy, wniosek jest inny: technologię należy oceniać po wpływie na realne zadania, a nie po giełdowym ażiotażu.

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

Bańka AI może pęknąć. Zapotrzebowanie na sprawdzoną wiedzę, odporne organizacje i terminowe decyzje — nie.

Źródła i uwagi metodologiczne

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

[2] Investing.com. SSE STAR 50: historical data, zamknięcie z 27 października 2026 roku 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. et al. «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 na 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 je odróżniać od wyników konkretnych badań kontrolowanych i sprawdzić na własnych danych przed podjęciem decyzji inwestycyjnej.