Nowa mapa ryzyka: gdy sztuczna inteligencja spotyka wojsko, porno‑deepfake’i i rynek bitcoina
Sztuczna inteligencja miała być przede wszystkim narzędziem produktywności: generować slajdy, podsumowywać maile, usprawniać obsługę klienta. Tymczasem w ciągu zaledwie kilku kwartałów trafiła jednocześnie do centrum operacji wojskowych Pentagonu, stała się silnikiem jednej z największych w historii afer z porno‑deepfake’ami, a równolegle wywołała spektakularny rozdźwięk między nastrojami na rynku bitcoina i wycenami spółek AI szykujących się do giełdowych debiutów.
Na jednym biegunie mamy doniesienia o wykorzystaniu modelu Claude firmy Anthropic w operacjach militarnych przeciwko reżimowi Nicolása Maduro, mimo że spółka budowała swój wizerunek na rygorystycznych zasadach bezpieczeństwa i zakazie użycia do przemocy oraz broni. Na drugim – kryzys zaufania wokół xAI i chatbota Grok Elona Muska po globalnym skandalu z generowaniem seksualizowanych, niekonsensualnych deepfake’ów, w tym materiałów przypominających osoby nieletnie. W tle zaś rysuje się historyczna „strefa strachu” na rynku bitcoina, gdy popularne wskaźniki sentymentu pokazują ekstremalny pesymizm, a analitycy jednocześnie szacują, że nadchodząca fala IPO spółek AI może sięgnąć nawet kilkunastu bilionów dolarów łącznej kapitalizacji.
Te trzy pozornie odrębne historie układają się w spójny obraz rosnącego rozdźwięku pomiędzy trzema logikami, które coraz silniej kształtują krajobraz technologiczny: logiką etyki i praw człowieka, logiką bezpieczeństwa narodowego i militarną, oraz logiką rynków kapitałowych. Z jednej strony pojawiają się kodeksy postępowania, zasady „AI safety” i deklaracje odpowiedzialności. Z drugiej – twarde interesy państw, presja kontraktów z resortami obrony oraz oczekiwania inwestorów, którzy wyceniają przyszłe zyski z dużym wyprzedzeniem, często bagatelizując ryzyka regulacyjne.
Ten tekst adresowany jest przede wszystkim do inwestorów, prawników technologicznych, etyków AI i osób śledzących regulacje, ale pozostaje świadomie napisany językiem zrozumiałym dla szerokiego odbiorcy. Celem jest pokazanie, jak militarne użycie dużych modeli językowych, skandale deepfake’owe i rozjazdy nastrojów rynkowych mogą w praktyce przełożyć się na wyceny spółek, ryzyko regulacyjne oraz strategie compliance w firmach działających na styku AI i finansów.
Od idealistycznych zasad do wojennej praktyki: przypadek Claude’a i operacji Pentagonu
Anthropic powstał jako jedna z najbardziej „świadomych etycznie” firm w ekosystemie generatywnej sztucznej inteligencji. Założona przez byłych pracowników OpenAI, pozycjonowała się jako podmiot stawiający bezpieczeństwo modeli i ograniczanie ryzyk systemowych ponad agresywne skalowanie. Flagowy model Claude reklamowano jako narzędzie o wysokich kompetencjach analitycznych, ale jednocześnie obudowane twardymi zasadami użycia: zakaz wspierania przemocy, budowy broni, masowego nadzoru czy naruszania praw człowieka.
Polityki użytkowania Anthropic – podobnie jak wielu innych dostawców LLM – zabraniają m.in. projektowania systemów ofensywnych, dostarczania instrukcji ułatwiających popełnianie przestępstw czy angażowania się w działania mogące prowadzić do poważnych szkód fizycznych. Wizerunek spółki jako „bezpieczniejszej alternatywy” wobec największych Big Techów budowano na transparentnych zasadach, publikowaniu analiz ryzyka i angażowaniu ekspertów w dziedzinie etyki AI.
Na tym tle szczególną wagę mają doniesienia zagranicznych mediów, powołujących się na dokumenty i rozmowy z urzędnikami amerykańskiej administracji, według których Claude miał zostać wykorzystany w operacjach Pentagonu wymierzonych w reżim Nicolása Maduro. Według ustaleń dziennikarzy, częściowo opublikowanych m.in. w „Wall Street Journal”, model miał wspierać analitykę wywiadowczą oraz elementy tzw. „kill chain” – łańcucha procesów prowadzących od identyfikacji celu do podjęcia decyzji o uderzeniu, w tym nalotów, w których mogły wystąpić ofiary cywilne.
Dostęp do modelu miał odbywać się kanałem pośrednim, przez platformy analityczne firm takich jak Palantir, od lat współpracujących z resortami obrony i służbami bezpieczeństwa. Anthropic oficjalnie nie komentuje konkretnych operacji militarnych, podkreślając, że kontrakty z sektorem publicznym obejmują „zgodne z prawem zastosowania” i że przestrzeganie zasad użycia jest obowiązkiem wszystkich pośredników. Jednocześnie rynek bardzo poważnie traktuje sygnały, że generatywny model językowy mógł realnie uczestniczyć w procesach decyzyjnych dotyczących użycia siły.
Powstaje fundamentalny konflikt. Z jednej strony mamy formalne zakazy w politykach użycia, zakładające, że model nie może pomagać w zadawaniu przemocy ani eskalacji konfliktów zbrojnych. Z drugiej – rosnącą presję instytucji państwowych, by włączyć zdolności LLM do łańcucha decyzyjnego w operacjach wojskowych i wywiadowczych. Dla wielu decydentów wojskowych generatywna AI jest naturalnym uzupełnieniem systemów rozpoznania, analizy sygnału, fuzji danych satelitarnych czy klasycznych narzędzi analityki big data.
Ten przypadek ma charakter przełomowy, ponieważ nie chodzi już o generowanie raportów czy materiałów szkoleniowych, lecz o uczestnictwo modelu w procesie, którego skutkiem są decyzje o życiu i śmierci. Pojawia się pytanie, jak w takim kontekście rozumieć odpowiedzialność korporacji tworzącej model, dostawcy platformy analitycznej oraz państwowego użytkownika. Międzynarodowe prawo humanitarne, zasady odpowiedzialności za potencjalny współudział w zbrodniach wojennych czy wymogi dokumentowania procesu decyzyjnego w operacjach z zastosowaniem siły – to dziś przede wszystkim obszar pytań, a nie jednoznacznych odpowiedzi.
Dla reputacji Anthropic i jej partnerów to podwójne ostrze. Z jednej strony współpraca z Pentagonem oznacza prestiż, wpływy polityczne i duże przychody. Z drugiej – ryzyko utraty zaufania ze strony klientów międzynarodowych, funduszy kierujących się wytycznymi ESG oraz partnerów biznesowych, którzy chcieli widzieć w spółce symbol odpowiedzialnej alternatywy. Dla inwestorów istotne staje się nie tylko to, czy kontrakty wojskowe rosną, ale także czy nie pociągną za sobą procesów sądowych, śledztw parlamentarnych czy presji ze strony organizacji praw człowieka.
W szerszym kontekście przypadek Claude’a wpisuje się w trwającą od lat debatę o formule „all lawful uses” w kontraktach z wojskiem. Część dostawców AI deklaruje, że ich technologie mogą być wykorzystywane do wszystkich zastosowań legalnych w świetle prawa danego państwa. Inni próbują zastrzegać w umowach dodatkowe ograniczenia dotyczące zastosowań ofensywnych czy systemów autonomicznej broni. Jak pokazują negocjacje Pentagonu z szeregiem firm technologicznych, praktyka bardzo często wyprzedza refleksję prawną, a granice odpowiedzialności kontraktowej są przesuwane przy każdym kolejnym wdrożeniu.
Warto pamiętać, że te same modele, które w środowisku wojskowym mogą wspierać analizę celów, w biznesie służą do optymalizacji kosztów, obsługi klienta czy zarządzania wiedzą. Szczegółowo opisujemy to w przewodniku Large Language Model (LLM) w biznesie: praktyczny przewodnik po możliwościach, kosztach i ryzykach, który dobrze pokazuje „podwójny” charakter tych technologii – od typowo cywilnych zastosowań po potencjalne funkcje militarne.
Kiedy „nieokiełznane” AI wywołuje globalny skandal: xAI, Grok i granice odpowiedzialności za deepfake’i
xAI, założona przez Elona Muska, od początku pozycjonowała się jako alternatywa wobec „nadmiernie cenzurowanych” systemów AI. Flagowy chatbot Grok został przedstawiony jako model „bardziej szczery”, mniej filtrowany, gotowy udzielać odpowiedzi tam, gdzie inne systemy odmawiają. Ten wizerunek „nieokiełznania” miał być przewagą konkurencyjną, przyciągającą użytkowników sfrustrowanych ograniczeniami treści w innych usługach.
W praktyce właśnie ten brak rygorystycznych zabezpieczeń stał się jednym z kluczowych źródeł kryzysu. Jak wynika z analiz badaczy rynku i dziennikarzy technologicznych, integracja Groka z dużą platformą społecznościową umożliwiła stosunkowo łatwe i masowe generowanie niekonsensualnych, seksualizowanych obrazów – w tym materiałów przedstawiających postacie wyglądające na osoby nieletnie. Skala zjawiska liczona była w tysiącach obrazów generowanych w ciągu godziny, a pierwsza faza reakcji operatora systemu okazała się dalece niewystarczająca.
Dla czytelnika mniej zaznajomionego z tematem warto wyjaśnić, czym są deepfake’i. To treści – najczęściej wideo lub obrazy – wygenerowane lub istotnie zmodyfikowane przez algorytmy sztucznej inteligencji, które realistycznie przedstawiają osoby robiące lub mówiące rzeczy, których w rzeczywistości nigdy nie zrobiły ani nie powiedziały. W przypadku porno‑deepfake’ów mamy do czynienia z cyfrowym nałożeniem twarzy konkretnej osoby na ciało występujące w materiale pornograficznym, często bez jakiejkolwiek zgody czy wiedzy ofiary.
Przypadek Groka jest szczególnie groźny z kilku powodów. Po pierwsze, mówimy o narzędziu zintegrowanym z masową platformą komunikacji, gdzie generowane treści mogą błyskawicznie się rozpowszechniać. Po drugie, granica między „zabawą” a systematycznym nękaniem czy szantażem ofiar jest niezwykle cienka – deepfake może stać się narzędziem przemocy psychicznej, ekonomicznej, a nawet politycznej. Po trzecie, relatywnie niewielka bariera wejścia – wystarczy konto użytkownika, bez specjalistycznej wiedzy technicznej – powoduje, że zagrożenie ma charakter masowy.
Wraz z narastającymi doniesieniami o skali nadużyć, regulatorzy w kilku jurysdykcjach wszczęli postępowania wyjaśniające, a organizacje broniące praw człowieka i praw cyfrowych zaczęły wzywać do zablokowania najbardziej ryzykownych funkcji. Reklamodawcy, obawiając się skojarzenia marek z treściami przemocowymi i nielegalnymi, zaczęli sygnalizować możliwość ograniczenia współpracy. W odpowiedzi xAI i powiązane z nią podmioty zaczęły wprowadzać ostrzejsze mechanizmy moderacji, ograniczenia w generowaniu obrazów oraz elementy weryfikacji użytkowników, w tym rozwiązania typu paywall.
Płatne konta tworzą tzw. „papierowy ślad” – utrudniają całkowitą anonimowość i pozwalają lepiej egzekwować regulaminy, jednak nie rozwiązują problemu u źródła. Rdzeniem konfliktu pozostaje napięcie między obietnicą „wolności słowa” i braku cenzury a obowiązkiem ochrony ofiar, odpowiedzialnością prawną i ryzykiem finansowym ponoszonym przez akcjonariuszy. Każdy kolejny skandal deepfake’owy zwiększa prawdopodobieństwo pozwów zbiorowych, interwencji prokuratorów generalnych czy zaostrzenia prawa na poziomie ponadnarodowym.
Kontrastem dla modelu rozwoju opartego na „nieokiełznaniu” są projekty, w których założenia dotyczące bezpieczeństwa i prywatności wpisano w architekturę usługi od samego początku. Dobrym przykładem jest opisywany przez nas system ChatGPT Atlas – jak konwersacyjna przeglądarka z AI zmienia sposób korzystania z internetu, który pokazuje alternatywną ścieżkę rozwoju interfejsów AI: silniejsze nadzory, jasne ograniczenia funkcji i projektowanie prywatności jako wartości biznesowej, a nie wyłącznie regulacyjnego wymogu.
Spór o Groka jest w istocie sporem o to, gdzie przebiega granica odpowiedzialności twórców modelu za treści generowane przez użytkowników. Dotychczasowa logika wielu platform internetowych – „dostarczamy tylko narzędzie, nie odpowiadamy za sposób wykorzystania” – staje się coraz mniej akceptowalna, gdy narzędzie umożliwia nie tylko publikację, ale także tworzenie wysoce realistycznych, szkodliwych fałszywek. Dla inwestorów oznacza to, że ocena ryzyk prawnych i reputacyjnych powinna być nieodłączną częścią analizy modeli biznesowych firm rozwijających generatywne AI.
Rynek między strachem a euforią: bitcoin w historycznej „strefie strachu” i wielka fala IPO AI
Z perspektywy rynków kapitałowych ostatnie miesiące przyniosły rzadko spotykany dysonans. Popularne indeksy sentymentu dla bitcoina, takie jak Fear & Greed Index, przez długi czas pozostawały w obszarze określanym jako „ekstremalny strach”. Oznacza to, że przeważająca część inwestorów albo wycofuje się z rynku, albo działa w warunkach wysokiej niepewności, unikając podejmowania ryzyka. Historycznie takie okresy bywały kojarzone z tzw. kapitulacją inwestorów detalicznych – momentem, w którym wielu uczestników rynku sprzedaje aktywa po znacznych spadkach, zniechęconych długotrwałą zmiennością.
Jednocześnie rośnie zmienność kursu oraz wrażliwość na informacje makroekonomiczne i regulacyjne. Każdy sygnał dotyczący możliwych zakazów, zwiększonego nadzoru podatkowego czy niekorzystnych orzeczeń sądów potrafi wywołać gwałtowne reakcje cenowe. Dla wielu instytucji bitcoin i szerzej rynek kryptowalut pozostają symbolem „starego ryzyka spekulacyjnego”: instrumentem obiecującym wysokie stopy zwrotu, ale obarczonym ogromną niepewnością regulacyjną i trudną do przewidzenia dynamiką popytu.
Paradoks polega na tym, że w tym samym czasie, gdy sentyment wokół bitcoina oscyluje wokół historycznie niskich poziomów, analitycy banków inwestycyjnych i mediów finansowych coraz częściej mówią o nadchodzącej fali IPO spółek AI, której łączna potencjalna kapitalizacja liczona jest w bilionach dolarów. W niektórych szacunkach, szeroko cytowanych w prasie branżowej oraz tytułach regionalnych, łączna wycena największych podmiotów przygotowujących się do wejścia na giełdę może sięgnąć nawet 15 bilionów dolarów w horyzoncie kilku lat.
Trzeba podkreślić, że są to wartości szacunkowe, oparte na projekcjach przychodów, multiplikatorach przyjętych przez analityków oraz obecnych wycenach porównywalnych spółek. Jednak sam fakt, że rynek gotów jest w takiej skali dyskontować przyszłe zyski z technologii, które dopiero dojrzewają pod względem regulacyjnym i operacyjnym, mówi wiele o dominującej narracji. Dla części inwestorów kapitał odpływa z aktywów postrzeganych jako „czysta spekulacja” do nowej fali innowacji – choć obiektywne ryzyka etyczne i prawne związane z AI są co najmniej porównywalne.
Mechanika tego przesunięcia jest dobrze znana z poprzednich cykli. W czasie bańki dotcomowej kapitał z tradycyjnych sektorów płynął do spółek internetowych, które w wielu przypadkach nie miały jeszcze stabilnych modeli biznesowych. W późniejszym boomie mediów społecznościowych inwestorzy premiowali skalę użytkowników i zaangażowanie, często kosztem analizy długoterminowych ryzyk związanych z dezinformacją czy ochroną danych. Dziś „paliwem” narracji stały się systemy AI, które jednocześnie obsługują armie, są w centrum sporów sądowych o deepfake’i i napędzają algorytmy rekomendacyjne kształtujące przestrzeń informacyjną społeczeństw.
Dla inwestorów instytucjonalnych oznacza to konieczność nowego rodzaju analityki. Nie wystarczy już ocenić tempo wzrostu przychodów czy przewagi technologicznej. Coraz ważniejsze staje się zrozumienie, jak bardzo model biznesowy danej spółki jest wrażliwy na skandale regulacyjne, jakie ma ekspozycje na sektor militarny, w jaki sposób zarząd zarządza ryzykiem reputacyjnym i jakie zabezpieczenia etyczne są wbudowane w produkty. Pomocą w takiej analizie może być wspomniany już przewodnik Large Language Model (LLM) w biznesie, który porządkuje kluczowe źródła kosztów, ryzyk i przewag konkurencyjnych w projektach opartych na LLM.
Zapowiadana fala IPO spółek AI i utrzymujący się strach na rynku bitcoina to dwie strony tej samej opowieści: o tym, jak kapitał poszukuje nowych obietnic wzrostu, jednocześnie unikając sfer, które postrzegane są jako politycznie lub regulacyjnie „zużyte”. W kolejnych częściach tego tekstu widać będzie, że te rozjazdy sentymentu przenoszą się także na decyzje regulatorów i kształtują tempo, w jakim powstają nowe ramy prawne dla AI.
Trzy fronty jednego konfliktu: jak etyka, bezpieczeństwo narodowe i wyceny giełdowe wciągają AI w „strefę szarego prawa”
Militarne użycie Claude’a, skandal deepfake’owy wokół Groka i rozdźwięk między strachem na rynku bitcoina a euforią wokół IPO spółek AI mają wspólny mianownik. Wszystkie trzy ilustrują, jak generatywna sztuczna inteligencja została wciągnięta jednocześnie na trzy fronty konfliktu: etyczno‑prawny, bezpieczeństwa oraz finansowy.
Na froncie etyczno‑prawnym stawką są prawa człowieka, prywatność, zgoda i ochrona ofiar. Porno‑deepfake’i generowane w oparciu o modele obrazowe to skrajny przykład sytuacji, w której technologia umożliwia głęboką ingerencję w integralność osobistą jednostki przy minimalnym koszcie wejścia. W kontekście militarnym pojawiają się pytania o zgodność z międzynarodowym prawem humanitarnym, zasadami proporcjonalności czy wymogami prowadzenia śledztw w sprawie potencjalnych zbrodni wojennych, gdy w łańcuchu decyzyjnym pojawiają się systemy AI.
Na froncie bezpieczeństwa – obejmującym wojsko, policję, wywiad – kluczowe jest zwiększanie efektywności operacyjnej. Państwa chcą szybciej analizować dane, lepiej wykrywać zagrożenia, szybciej reagować na kryzysy. Dla nich generatywna AI jest narzędziem przewagi strategicznej. Z perspektywy bezpieczeństwa narodowego argument „jeśli my nie użyjemy tej technologii, zrobią to inni” jest niezwykle silny. To on napędza wyścig zbrojeń w zakresie algorytmów – od systemów rozpoznania obrazu po modele językowe wspierające analitykę i operacje informacyjne.
Na froncie finansowym – obejmującym kapitał spekulacyjny i długoterminowy, IPO oraz rynek krypto – dominuje logika wyceny przyszłych przepływów pieniężnych i zarządzania portfelem ryzyka. Inwestorzy nagradzają spółki AI za szybkie zdobywanie udziałów w rynku, skalowanie liczby użytkowników i ekspansję w nowe sektory, często w mniejszym stopniu premiując konsekwencję etyczną. Z kolei rynek kryptowalut bywa karany za samą percepcję „starej bańki”, nawet jeśli niektóre rozwiązania blockchainowe próbują odpowiedzieć na realne problemy związane z weryfikacją treści czy identyfikacją deepfake’ów.
Brak jasnych, egzekwowalnych ram regulacyjnych sprawia, że pomiędzy tymi trzema frontami powstaje rozległa „strefa szarego prawa”. Firmy deklarują w politykach użytkowania daleko idące ograniczenia, ale kontrakty z rządami i praktyka operacyjna potrafią te granice przesuwać. Twórcy modeli oferują „mniej cenzury”, dopóki reakcja regulatora lub protesty społeczne nie wymuszą zaostrzenia filtrów. Inwestorzy premiują wzrost przychodów i szybką ekspansję, a dopiero po skandalu zaczynają w wycenach uwzględniać ryzyko procesów i kar administracyjnych.
Z perspektywy prawnika technologicznego to pole minowe. Coraz bardziej realne stają się pozwy zbiorowe w sprawach deepfake’ów, w których ofiary mogą argumentować, że twórca modelu i operator platformy zaniedbali obowiązek należytej staranności w projektowaniu zabezpieczeń. W kontekście militarnym pojawia się pytanie o odpowiedzialność dostawców AI za szkody wyrządzone przy użyciu ich technologii – czy i kiedy można mówić o współodpowiedzialności za naruszenia prawa wojennego. Dodatkowo rośnie znaczenie odpowiedzialności zarządów za nadzór nad produktami AI, co może stać się przedmiotem dochodzeń ze strony nadzorców rynków kapitałowych.
Etycy AI z kolei zwracają uwagę na dylemat „dostęp vs. kontrola”. Zbyt rygorystyczne ograniczenia w popularnych, scentralizowanych modelach mogą paradoksalnie wypychać najbardziej zdeterminowanych użytkowników do korzystania z mniej bezpiecznych, zdecentralizowanych lub w pełni otwartoźródłowych rozwiązań. Przykładem tej dynamiki jest rozwój coraz potężniejszych otwartych modeli, takich jak opisywany przez nas system Xiaomi MiMo‑V2‑Flash, który zmienia układ sił między największymi dostawcami usług AI. Open‑source jest kluczowe dla innowacji, ale dodatkowo komplikuje krajobraz kontroli i odpowiedzialności.
Regulatorzy reagują na te napięcia w sposób fragmentaryczny. Pojawiają się przepisy dotyczące oznaczania deepfake’ów, wytyczne w sprawie przejrzystości modeli, postępowania antymonopolowe wobec największych graczy czy śledztwa dotyczące konkretnych incydentów. Tymczasem rynek kapitałowy już dziś wycenia przepływy pieniężne ze spółek AI w horyzoncie dekad. Ta asynchroniczność między tempem regulacji a tempem wyceny innowacji jest jednym z głównych źródeł ryzyka systemowego.
Scenariusze na kolejną dekadę: co militaryzacja AI i afery deepfake’owe znaczą dla inwestorów i regulatorów
W obliczu tak złożonego krajobrazu potrzebne są narzędzia scenariuszowego myślenia. Nie po to, by „przewidzieć przyszłość”, lecz by lepiej zrozumieć, jakie kierunki rozwoju są realistyczne i jakie konsekwencje mogą mieć dla inwestorów, regulatorów i samych twórców technologii.
Pierwszy możliwy scenariusz to „twarda regulacja”. Po serii skandali – kolejnych afer deepfake’owych, ujawnionych incydentach militarnych z udziałem systemów AI, głośnych błędach modeli w obszarach krytycznych – ustawodawcy przyjmują zdecydowanie ostrzejsze przepisy. Pojawiają się obowiązkowe licencje dla dostawców potężnych modeli, ograniczenia w zastosowaniach militarnych, jasne zasady odpowiedzialności za szkody wywołane deepfake’ami, a także wymogi szczegółowego raportowania incydentów. Wyceny najbardziej agresywnych, „nieokiełznanych” spółek AI mogą w takim świecie ulec znacznemu obniżeniu, natomiast relatywnie zyskują firmy, które od początku inwestowały w compliance, audyty bezpieczeństwa modeli i przejrzystość. Dla prawników i działów compliance rośnie znaczenie kompetencji łączących prawo nowych technologii, prawo wojenne, ochronę danych i regulacje rynków kapitałowych.
Drugi scenariusz to „regulacja pozorna”. Ustawa o AI powstaje, ale jest pełna luk lub słabo egzekwowana. Firmy formalnie deklarują zgodność, w praktyce oferując „nieokiełznane” funkcje w mniej transparentnych kanałach lub jurysdykcjach o łagodnym nadzorze. Ryzyko przerzuca się na użytkowników i ofiary nadużyć, a pozwy toczą się latami. W tym układzie wyceny spółek AI mogą pozostawać wysokie, ale inwestorzy muszą liczyć się z nagłymi, skokowymi korektami po każdym większym skandalu. Działy compliance funkcjonują w trybie „gaszenia pożarów”, a prawnicy zajmują się przede wszystkim obroną w bieżących sporach, zamiast projektować prewencyjne ramy.
Trzeci scenariusz to „militarny priorytet”. W warunkach narastających napięć geopolitycznych państwa otwarcie przyznają, że wojskowe wykorzystanie AI ma pierwszeństwo przed cywilnymi ograniczeniami. Kontrakty obronne stają się głównym źródłem przychodów dla części dostawców, a formuła „all lawful uses” staje się standardem. Spółki, które odmawiają współpracy z wojskiem, są marginalizowane na rynku, ale zyskują w oczach niektórych funduszy ESG i organizacji pozarządowych. Ryzyko dla wycen jest dwojakie: z jednej strony rosną przychody z kontraktów państwowych, z drugiej – zwiększa się ekspozycja na potencjalne sankcje międzynarodowe, bojkot konsumencki czy odpowiedzialność za naruszenia prawa humanitarnego. Prawnicy i etycy muszą coraz częściej mierzyć się z pytaniem, gdzie przebiega granica akceptowalnej współpracy z aparatem państwowym.
Czwarty, bardziej optymistyczny scenariusz można określić jako „odpowiedzialny wzrost”. Rosnąca świadomość inwestorów instytucjonalnych, naciski ze strony klientów i pracowników oraz rola standardów branżowych prowadzą do wypracowania mechanizmów, które nie blokują innowacji, ale nadają jej ramy. Pojawiają się obowiązkowe audyty bezpieczeństwa modeli, branżowe kodeksy postępowania, standardy raportowania o wpływie na prawa człowieka i mechanizmy szybkiego wycofywania funkcji generujących nadmierne ryzyka. Spółki, które konsekwentnie inwestują w bezpieczeństwo i transparentność, cieszą się premią w wycenach, ponieważ inwestorzy lepiej rozumieją ich profil ryzyka.
W każdym z tych scenariuszy zmienia się atrakcyjność IPO spółek AI oraz profil wymagań wobec firm. Podmioty budujące silne polityki etyczne mogą w krótkim okresie wyglądać na wolniej rosnące, ale w dłuższej perspektywie stają się „bezpieczniejszym” wyborem dla dużych funduszy, które muszą uwzględniać kryteria ESG i reputacyjne. Z kolei spółki bagatelizujące kwestie bezpieczeństwa i odpowiedzialności mogą doświadczać wyższej zmienności kursu, trudniejszego dostępu do kapitału i rosnących kosztów prawnych.
Dla prawników technologicznych i działów compliance oznacza to konieczność rozwijania interdyscyplinarnych kompetencji. Już dziś kluczowe stają się umowy regulujące dopuszczalne scenariusze użycia modeli, klauzule „human in the loop” w procesach decyzyjnych, wymogi przejrzystości i audytu, a także zdolność do oceny wpływu AI na prawa człowieka. Szczegółowo omawiamy ten obszar w tekście Large Language Model (LLM) w biznesie, który pokazuje, jak przekuć ogólne wytyczne w konkretne zapisy kontraktowe i procesy nadzorcze.
Scenariusze te nie są prognozą, lecz narzędziem planowania. Każda organizacja – niezależnie od tego, czy jest inwestorem instytucjonalnym, spółką technologiczną czy instytucją publiczną – powinna zadać sobie pytanie, gdzie dziś się znajduje na tej osi oraz jakie działania musi podjąć, by nie być zaskoczoną przez gwałtowną zmianę otoczenia regulacyjnego lub reputacyjnego.
Jak przygotować się na erę „podwójnego ryzyka” AI: rekomendacje dla inwestorów, prawników i etyków
Wchodzimy w okres, który można określić jako erę „podwójnego ryzyka” AI. Z jednej strony mamy ryzyko operacyjne – błędy modeli, incydenty militarne, nadużycia deepfake’owe, podatność na manipulacje i ataki. Z drugiej – ryzyko regulacyjno‑wizerunkowe: pozwy, kary administracyjne, utratę reputacji, bojkoty konsumenckie. Traktowanie któregoś z tych wymiarów jako drugorzędnego jest krótkowzroczne i może prowadzić do poważnych strat finansowych.
Dla inwestorów naturalnym krokiem jest włączenie pytań o zarządzanie AI do standardowej analizy spółek. Przed podjęciem decyzji inwestycyjnej warto zadać zarządowi kilka kluczowych pytań. Jak wygląda struktura governance dla AI – czy istnieje wyodrębniony komitet ds. etyki i bezpieczeństwa, kto wchodzi w jego skład, jakie ma realne kompetencje decyzyjne? Jakie procedury obowiązują przy reagowaniu na incydenty – czy firma ma plan kryzysowy na wypadek skandalu deepfake’owego lub incydentu militarnego z udziałem jej technologii? Jak kształtują się relacje z sektorem publicznym i militarnym, jaka część przychodów pochodzi z kontraktów obronnych lub organów ścigania? W jakim stopniu model biznesowy opiera się na kontrowersyjnych use‑case’ach, takich jak generowanie obrazów, profile predykcyjne czy systemy scoringowe?
Te pytania warto włączyć do szerszych analiz ESG. Kryteria AI‑safety i odpowiedzialności mogą stać się jednym z filarów oceny „S” (social) i „G” (governance), wpływając na decyzje o alokacji kapitału. Fundusze, które w porę uwzględnią te czynniki, mają szansę lepiej zarządzać ryzykiem ogonowym – rzadkich, ale bardzo kosztownych zdarzeń, takich jak wielomiliardowe pozwy zbiorowe czy masowe wycofanie się kluczowych klientów.
Dla prawników technologicznych i działów compliance kluczowe będzie łączenie perspektyw dotąd często traktowanych osobno. Znajomość prawa ochrony danych osobowych, regulacji rynku finansowego czy ogólnych zasad odpowiedzialności za produkt to dziś za mało. Potrzebne są kompetencje sięgające także prawa humanitarnego, międzynarodowego prawa karnego, przepisów dotyczących usług cyfrowych i nadzoru nad rynkami kapitałowymi. Coraz większą rolę będą odgrywać umowy precyzyjnie regulujące dopuszczalne przypadki użycia modeli, obowiązek zachowania człowieka w pętli decyzyjnej w kluczowych obszarach oraz mechanizmy audytu i audytowalności.
Etycy AI i osoby śledzące procesy regulacyjne stoją przed zadaniem kształtowania standardów, które będą praktyczne, a jednocześnie ambitne. Chodzi o tworzenie wytycznych dotyczących zastosowań militarnych, procedur oceny wpływu AI na prawa człowieka, minimalnych wymogów bezpieczeństwa w modelach generatywnych czy zasad odpowiedzialnego projektowania interfejsów. Pozytywnych przykładów nie brakuje – od rozwiązań nastawionych na bezpieczeństwo i użyteczność w stylu wspomnianego ChatGPT Atlas, po otwartoźródłowe projekty takie jak MiMo‑V2‑Flash, gdzie społeczność aktywnie pracuje nad wbudowanymi zabezpieczeniami.
Kluczowe jest, by zarówno inwestorzy, jak i regulatorzy dostrzegli, że przyszłość AI nie jest zdeterminowana wyłącznie przez kolejne przełomy technologiczne. To, w jakim kierunku rozwinie się ekosystem, zależy w dużej mierze od kompromisów, które zaakceptujemy dziś – między etyką a efektywnością, między bezpieczeństwem narodowym a prawami jednostki, między krótkoterminową euforią giełdową a długoterminową stabilnością systemu. W świecie, w którym ten sam model potrafi jednocześnie napędzać kampanię marketingową, wspierać naloty wojskowe i generować deepfake’i, świadome decyzje podejmowane teraz zadecydują o tym, czy za dekadę będziemy mówić o „złotej erze AI”, czy o kolejnym rozczarowaniu technologicznej bańki.