480 MLD DOLARÓW „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 r. • 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 r., indeks STAR 50, odzwierciedlający dynamikę czołowych firm technologiczno-innowacyjnych szanghajskiej giełdy, stracił około 40% w niecałe cztery miesiące. Spadek łącznej wartości rynkowej oszacowano na około 480 mld dolarów. Już 27 października indeks zamknął się na poziomie 1252,28 pkt, a spadek w ciągu dnia wyniósł 4,81%. [1–2]

Warto tu dodać dwa doprecyzowania. STAR 50 to nie lista 50 największych chińskich firm czysto AI, lecz indeks segmentu technologiczno-innowacyjnego, w którym wiele firm jest powiązanych z półprzewodnikami i AI. I 480 mld dolarów nie „zniknęło” z rachunków bankowych przedsiębiorstw: chodzi o spadek giełdowej wyceny pakietu akcji.

Skala korekty nie staje się jednak przez to mniejsza. Reuters podaje przykłady spadków kursów akcji niektórych 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

Na szczycie wzrostów wskaźnik cena/zysk (C/Z) dla indeksu STAR 50 zbliżał się, według szacunków Reutersa, 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 różnej strukturze, jednak różnica pokazuje, ile przyszłego wzrostu inwestorzy zdążyli już uwzględnić w chińskich notowaniach. [1]

Do drogich wycen dołączyły wątpliwości co do tempa popytu na sprzęt dla AI, możliwe ograniczenia eksportowe, czynniki podatkowe i ryzyko 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 anuluje już osiągniętego efektu technologicznego.

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

Czy AI naprawdę przyspiesza pracę człowieka: co udowodniono, a co tylko obiecuje się

Jako badacz uważam, że sztuczną inteligencję należy 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 wykonania 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 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 zautomatyzowany przegląd abstraktów skracał się 5–6 razy, a nakład pracy ręcznej przy 95% kompletności wykrywania materiałów — zmniejszał się 6–10 razy. Chodzi przede wszystkim o poszczególne etapy selekcji, a nie o całą drogę od pomysłu do zweryfikowanego wniosku. [5]

Jest też zastrzeżenie. W randomizowanym eksperymencie METR z 2025 roku 16 doświadczonych programistów, którzy wykonywali 246 rzeczywistych zadań, z ówczesnymi narzędziami AI pracowali średnio o 19% dłużej, choć sami uważali, że pracują szybciej. 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 na jednostkę czasu.

Jeden przykład, który zmienia skalę: 100 tysięcy dokumentów

Wyobraźmy sobie organizację, która musi dokonać wstępnego przeglądu 100 000 dokumentów — umów, publikacji naukowych, raportów, zgłoszeń obywateli lub materiałów dotyczących odbudowy. Jeśli na każdy dokument poświęcić zaledwie trzy minuty, to otrzymujemy 5 000 roboczogodzin, 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 ograniczyć 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.

Ale wyjaśnia, skąd bierze się prawdziwa wartość: ekspert nie musi już ręcznie przeglądać każdej jednostki informacji, jeśli automatyczna selekcja wykazała wymaganą dokładność. Przechodzi od masowego czytania do pogłębionej pracy nad 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 zdobędą ci, którzy potrafią udowodnić ekonomiczną skuteczność 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 musi zawsze pozostać priorytetem.

W ankiecie European Business Association przeprowadzonej w lutym 2026 roku wśród 131 menedżerów wyższego szczebla firm członkowskich Stowarzyszenia, 45% respondentów wskazało wstrzymanie pracy podczas alarmów powietrznych wśród powszechnych ograniczeń, a 82% wskazało 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 hipotetyczny projekt, który wymaga 100 produktywnych godzin analitycznych. Jeśli faktyczna dostępność czasu pracy wynosi 70%, do jego realizacji potrzeba będzie około 143 godzin planowego zasobu pracy. W zamodelowanym 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. Rzeczywisty efekt zależeć będzie od charakteru zadań, przygotowania danych i architektury systemu.

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

Dla Ukrainy korzystanie ze sztucznej inteligencji to nie tylko chęć bycia technologicznie nowoczesnym. To kwestia odporności. Człowiek ma prawo do bezpieczeństwa, odpoczynku i ochrony w czasie wojny. Jednocześnie właściwie 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 następna 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 z góry dozwoloną bezpieczną czynność.

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 części reagowania. Jednocześnie takie systemy wymagają stałej konfiguracji, testowania i kwalifikowanego 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 nietypowa zmiana w dokumentacji przetargowej — wygenerować sygnał dla audytora. Ale 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 zdarzenia. Sztuczna inteligencja może pomagać w wykrywaniu anomalii, ich weryfikacji i uruchamianiu uzgodnionych wcześniej scenariuszy reagowania. Ale 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 musi rozróżniać szybkość przetwarzania maszynowego od wiarygodności 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 systematyzowanie danych, lecz nie znosi to konieczności weryfikacji źródeł, sprawdzenia metodologii i odtwarzalności wyników.

Czy chiński krach powtórzy się w USA?

To pytanie, które dziś pada najgłośniej. Jednak 40-procentowy spadek chińskiego STAR 50 nie oznacza automatycznie 40-procentowego spadku amerykańskich akcji. 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. Ale stopień podatności każdej firmy zależy od jej zysków, przepływów pieniężnych, zadłużenia, klientów i kosztu kapitału.

Moim zdaniem kluczowe pytanie dla rynków już się zmieniło: nie „kto głośniej mówił o AI”, lecz „komu udało się przekształcić technologię w sprawdzony wynik ekonomiczny”. W tej logice spadek spekulacyjnych wycen może nawet skłonić biznes do bardziej zdyscyplinowanych inwestycji.

Co proponuję ukraińskim organizacjom

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

1. Zmierzyć obecny proces: czas trwania operacji, koszty, 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 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, uzależnienie od dostawcy i odporność na awarie.
5. Policzyć pełną ekonomię: licencje, moc obliczeniowa, integracje, utrzymanie, szkolenie zespołu — oraz wartość zaoszczędzonego czasu.

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

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 szumie.

Jeśli automatyzacja skraca czas rozpatrywania zgłoszeń, pomaga w porę wykrywać ryzyka, wspiera 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. Potrzeba sprawdzonej wiedzy, odpornych organizacji i terminowych decyzji — nie.

Źródła i uwagi metodologiczne

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

[2] Investing.com. SSE STAR 50: historical data, zamknięcie z 27 października 2026 r. 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 w Ukrainie”, 24 lutego 2026 r. Źródło

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

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