Szef Microsoftu ostrzega: wynajmowanie modeli AI może zniszczyć przewagę konkurencyjną

Główna teza Nadelli: Firma jako system uczący się

Nadella zaczyna od przedefiniowania, czym w ogóle jest firma. „Moja prosta myśl jest taka, że na świecie powinno być tyle modeli, ile jest firm”, powiedział w wywiadzie z 27 czerwca dla Yasha Patila, współzałożyciela Applied Compute. „Bo ostatecznie, czym jest firma? Firma to system uczący się.”

W tym ujęciu trwała przewaga konkurencyjna w erze AI nie leży w samym modelu, ale w otaczającym go ekosystemie: danych, procesach, ewaluacji i ludzkim feedbacku, które łączą AI z wiedzą instytucjonalną organizacji. Nadella argumentuje, że firmy powinny móc „używać własnego kontekstu, własnych danych” i „własnych śladów” przy wyborze lub dostrajaniu modeli.

Zamiast traktować model jako fosę obronną, wizja Nadelli wskazuje na ciągłe systemy, które doskonalą się poprzez użytkowanie. W rozmowie z Business Today stwierdził, że „organizacje nie mogą outsourcingować samego procesu uczenia się” – można zlecić zadanie, ale nie można zlecić krzywej uczenia się własnej firmy.

Dlaczego outsourcing AI jest ryzykowny: Ostrzeżenie przed „wyniszczaniem przemysłu”

Nadella podał dwa powiązane ze sobą powody, dla których poleganie wyłącznie na modelach zewnętrznych jest niebezpieczne dla przedsiębiorstw.

1. Utrata przewagi konkurencyjnej i drenaż wartości. Nadella ostrzegł, że jeśli firma tylko wynajmuje model i nie buduje wokół niego niczego własnego, to model ten nie jest jej przewagą konkurencyjną – a firma może już tracić grunt. Jego szersze obawy oddaje cytat z eseju: „Ostatnią rzeczą, jakiej ktokolwiek z nas chce, jest świat, w którym każda firma w każdej branży oddaje wartość garstce modeli, które pożerają wszystko, co widzą.”

Twierdzi on, że potężne modele AI stają się niezwykle biegłe w pochłanianiu specjalistycznej wiedzy korporacyjnej, potencjalnie komodytyzując wiedzę fachową całych gałęzi przemysłu i odsprzedając ją firmom, które tę wiedzę wygenerowały. Firmy, które nie zbudują własnych systemów informacji zwrotnej dla AI, ryzykują oddaniem wartości zewnętrznym dostawcom modeli, zamiast pomnażania własnej wiedzy instytucjonalnej.

2. Ryzyko koncentracji i zależność od dostawcy. Poleganie wyłącznie na jednym modelu granicznym naraża przedsiębiorstwa na ograniczenia, ceny i strategiczne decyzje zewnętrznych dostawców. Ramy zaproponowane przez Nadellę kładą nacisk na budowanie wewnętrznych pętli uczenia się – systemów, które mogą zmieniać bazowe modele bez utraty zgromadzonej inteligencji. Jego zdaniem „budowanie infrastruktury AI zoptymalizowanej tylko dla jednego modelu jest ryzykowne”, ponieważ przełom u konkurenta w architekturze modelu może sprawić, że cała inwestycja stanie się przestarzała.

Zgodność z wielomodelową strategią Microsoftu

Argumentacja Nadelli jest wprost zgodna ze strategicznym zwrotem samego Microsoftu. Po latach ścisłej współpracy z OpenAI, firma celowo poszerza swoją strategię dotyczącą modeli AI i wprowadza własne możliwości AI.

Podczas konferencji Microsoft Build 2026 na początku czerwca firma zaprezentowała nowe, autorskie modele AI (rodzina modeli MAI), których celem jest zmniejszenie zależności od OpenAI i obniżenie kosztów dla programistów. Microsoft buduje również własne systemy, takie jak Project Polaris – opisywany jako autorskie AI do kodowania, które do sierpnia 2026 roku ma zastąpić GPT-4 w GitHub Copilot.

Microsoft wprowadził niedrogie modele AI i wielosilnikową platformę Copilot, która obsługuje modele od Anthropic, Meta (Llama), Mistral AI, DeepSeek i Cohere, obok OpenAI – dając użytkownikom możliwość wyboru spośród wielu silników AI. Claude od Anthropic jest teraz opcją pierwszej strony w Azure AI Foundry, obok OpenAI, DeepSeek, Llama i Mistral.

Logika strategiczna jest prosta: jeśli przedsiębiorstwa potrzebują niestandardowych systemów AI połączonych z własnymi danymi, procesami i wiedzą instytucjonalną, platforma chmurowa hostująca ten ekosystem – Azure – staje się strategicznie ważna. Rada Nadelli „zbuduj swoją własną pętlę uczenia się” jest więc zarówno wskazówką architektoniczną, jak i doskonałym dopasowaniem do szerszej platformowej strategii chmury i AI Microsoftu.

Nadella od dawna przewidywał tę komodytyzację. Pod koniec 2025 roku opisał tę dynamikę dosadnie: „Jeśli jesteś firmą modelową, możesz doświadczyć klątwy zwycięzcy… to jedna kopia od bycia skomodytyzowanym.”

Nowy framework dla przedsiębiorstw w erze AI: Kapitał ludzki + kapitał tokenowy

Nadella wprowadził w swoim czerwcowym eseju dwie koncepcje, które stały się centralne dla rozmowy o AI w przedsiębiorstwach: kapitał ludzki (human capital) i kapitał tokenowy (token capital).

Czym jest kapitał tokenowy?

Kapitał tokenowy to „zdolność AI, którą firma buduje i posiada”, wykorzystując własne procesy, dane, ewaluacje i zgromadzoną wiedzę specjalistyczną. Jest to zastrzeżony zasób AI, który firma rozwija wokół własnego systemu operacyjnego – a nie tylko wynajmuje ogólną zdolność od zewnętrznych dostawców. Kapitał tokenowy obejmuje systemy, modele, podpowiedzi, ewaluacje i dostrojone procesy, które firma rozwija w czasie. Nadella opisuje, że rośnie on jak „odsetki składane” w samo-wzmacniającej się pętli uczenia się.

Kapitał ludzki staje się bardziej wartościowy, a nie mniej

Przeciwnie do intuicji, Nadella twierdzi, że wraz ze wzrostem możliwości AI (kapitału tokenowego) wartość kapitału ludzkiego rośnie, a nie maleje. Kapitał ludzki obejmuje wiedzę, osąd, relacje, kreatywność i zdolność rozpoznawania wzorców pracowników firmy.

Jego argumentacja: bez ludzkiego kierunku „masz obliczenia kręcące się w kółko.” Wiedza ekspercka ludzi jest tym, co kieruje pętlą uczenia się, ocenia wyniki i zamienia możliwości AI w użyteczną przewagę organizacyjną. Nadella przedstawia to jako przejście do „prawdziwej pętli poznawczej między ludźmi a systemami cyfrowymi” – fundamentalne odejście od poprzednich rewolucji technologicznych, gdzie systemy cyfrowe były używane jedynie do zwiększania produktywności ludzi.

Pętla uczenia się, która się pomnaża

Nadella opisuje idealny stan jako „budowanie pętli uczenia się na szczycie modeli, gdzie kapitał ludzki i kapitał tokenowy się pomnażają.” W tej pętli:

• Kapitał ludzki (wiedza ekspercka, osąd) kieruje tworzeniem i oceną wyników AI
• Kapitał tokenowy (posiadane możliwości AI) przechwytuje i operacjonalizuje tę wiedzę ekspercką
• Każde wzmocnienie czyni obie strony bardziej wartościowymi w czasie

Jeśli nie możesz wymienić ogólnego modelu bez utraty zgromadzonej inteligencji, to nie posiadasz swojej pętli uczenia się – tylko ją wynajmujesz.

Praktyczne implikacje dla wdrażania AI w przedsiębiorstwach

Infrastruktura: elastyczne, wielomodelowe platformy

Przedsiębiorstwa nie mogą już traktować pojedynczego modelu granicznego jako całej strategii AI. Potrzebują elastycznej infrastruktury, która może obsługiwać wiele rodzin modeli, zastrzeżone połączenia danych, integrację z procesami i ciągłe pętle informacji zwrotnej. Framework Nadelli implikuje, że zwycięską infrastrukturą jest platforma, która pomaga firmom budować i obsługiwać te ekosystemy – i właśnie w ten sposób Microsoft pozycjonuje Azure i swoje usługi Copilot.

Kapitał ludzki: głębsze inwestycje w ludzi

Argumentacja Nadelli stoi w sprzeczności z narracją stawiającą automatyzację na pierwszym miejscu. Jeśli ludzki osąd staje się bardziej wartościowy wraz ze wzrostem możliwości AI, firmy muszą inwestować więcej w wiedzę pracowników, wiedzę dziedzinową i kreatywne podejmowanie decyzji – a nie mniej. W 2026 roku zlikwidowano około 117 000 miejsc pracy w branży technologicznej, a AI wskazywano jako jeden z czynników – trend, przed którym framework Nadelli pośrednio ostrzega, jeśli pozbawia on firmy kapitału ludzkiego niezbędnego do kierowania pętlami uczenia się.

Kapitał tokenowy: budowanie, a nie tylko kupowanie

Kluczową zmianą strategiczną jest przejście od konsumowania AI do posiadania możliwości AI. Oznacza to rozwijanie zastrzeżonych modeli, dostrajanie ich na wewnętrznych danych, budowanie systemów ewaluacji i tworzenie procesów, które przechwytują wiedzę organizacyjną w formie nadającej się do ponownego wykorzystania. Firmy, które po prostu subskrybują najlepszy model graniczny i na tym poprzestają, ryzykują „wyniszczeniem” – ponieważ ich trwała przewaga nie będzie pochodzić z wynajętego modelu, ale z zastrzeżonej pętli uczenia się, którą wokół niego zbudują.

Strategicznym podsumowaniem

Dla liderów przedsiębiorstw Nadella argumentuje, że firma w erze AI musi inwestować jednocześnie w:

• Infrastrukturę: elastyczne, wielomodelowe platformy chmurowe, które pozwalają na budowanie niestandardowych systemów AI wokół zastrzeżonych procesów i danych.
• Kapitał ludzki: głębsze inwestycje w osąd pracowników, relacje, kreatywność i wiedzę dziedzinową – teraz ważniejsze niż kiedykolwiek, a nie mniej.
• Kapitał tokenowy: zastrzeżone możliwości AI, trenowane i ulepszane dzięki unikalnym danym firmy, pętlom informacji zwrotnej i procesom operacyjnym.

Przekaz jest jednoznaczny: jeśli Twoja strategia AI zaczyna i kończy się na wyborze dostawcy modelu granicznego, możesz już tracić przewagę konkurencyjną na rzecz firm, które posiadają swoje pętle uczenia się, zamiast je wynajmować.