Wiadomości AI – grudzień 2025

Grudzień 2025 w AI upłynął pod znakiem „agentów” (automatyzujących wieloetapowe zadania), intensywnej walki o rynek LLM w wersjach pro/enterprise oraz coraz wyraźniejszego zwrotu ku praktycznym wdrożeniom w firmach i sektorze publicznym. Widać też drugi, równoległy trend: rosnące znaczenie otwartych wag modeli (open-weight) i narzędzi „vibe coding”, które obniżają próg wejścia dla tworzenia oprogramowania. W tle toczyła się dyskusja o bezpieczeństwie i odpowiedzialności (zwłaszcza w kontekście młodszych użytkowników), a w Polsce ważnym sygnałem była próba wprowadzania krajowych rozwiązań LLM do usług publicznych.

 

Wprowadzenie GPT-5.2 (OpenAI) 11.12.2025
https://openai.com/index/introducing-gpt-5-2/
OpenAI ogłosiło GPT-5.2 jako serię modeli nastawioną na profesjonalną pracę i czasochłonne zastosowania agentowe, czyli takie, w których Generative AI ma planować, korzystać z narzędzi i dowozić wieloetapowe projekty. W komunikacie mocno podkreślono poprawę w zadaniach praktycznych: analiza długiego kontekstu, praca na plikach, pisanie kodu oraz automatyzacja pracy biurowej (np. arkusze i prezentacje). Istotne jest też to, że wraz z 5.2 akcent przesuwa się jeszcze bardziej z „pogawędki” na niezawodność w procesach biznesowych, co może przyspieszyć adopcję w organizacjach (w tym akademickich). Dla rynku oznacza to nasilenie konkurencji w segmencie modeli „do pracy” (LLM jako silnik produktywności), a dla użytkowników – wyraźniejszy podział na tryby szybsze i głębiej „myślące”. Z perspektywy nauki i dydaktyki ważna jest też rosnąca rola narzędziowości (tool use), bo to zmienia sposób, w jaki studenci i badacze faktycznie używają modeli w codziennej pracy.

Mistral 3 – europejski zwrot ku otwartym wagom
https://mistral.ai/news/mistral-3
Mistral AI zaprezentował rodzinę Mistral 3, w tym kilka mniejszych modeli gęstych oraz większy wariant MoE, a całość wypuścił na licencji Apache 2.0 (czyli bardzo przyjaznej dla wdrożeń). To ważne, bo „open-weight” w praktyce umożliwia uruchamianie LLM lokalnie (on-prem) – co dla części instytucji (administracja, medycyna, uczelnie) jest kluczowe z punktu widzenia poufności danych i zgodności. Ruch Mistrala wzmacnia europejski ekosystem AI i daje realną alternatywę wobec modeli zamkniętych, co może przyspieszyć rozwój Startupów budujących na własnej infrastrukturze. W warstwie strategicznej to także sygnał, że rynek nie będzie jednobiegunowy: obok modeli „w chmurze” rośnie segment rozwiązań instalowanych i strojonym pod konkretną domenę. Dla społeczności akademickiej to dodatkowo dobra wiadomość, bo otwarte wagi ułatwiają replikację wyników, audyty i eksperymenty badawcze.

Gemini 3 Flash trafia do aplikacji Gemini (Google Workspace)
https://workspaceupdates.googleblog.com/2025/12/gemini-3-flash-for-gemini-app.html
Google ogłosił wdrożenie Gemini 3 Flash do aplikacji Gemini dla klientów Google Workspace, z rolloutem startującym 17 grudnia. Z punktu widzenia użytkownika to „przesunięcie domyślnego silnika” na model, który ma łączyć dobrą jakość rozumowania z niższą latencją, co jest kluczowe dla pracy narzędziowej i zastosowań agentowych. Tego typu zmiany rzadko wyglądają spektakularnie, ale potrafią mocno wpłynąć na adopcję – bo jeśli coś jest szybsze i „wystarczająco dobre”, zaczyna być używane masowo. W efekcie rośnie presja konkurencyjna na innych dostawców LLM, by poprawiać koszt/osiągi i stabilność integracji, a nie tylko „sufit” benchmarków. Dla instytucji (także uczelni) to sygnał, że ekosystem biurowy (mail, dokumenty, kalendarz) staje się naturalnym miejscem, gdzie Generative AI realnie oszczędza czas.

OpenAI aktualizuje „Model Spec”
https://help.openai.com/en/articles/9624314-model-release-notes
OpenAI zaktualizowało Model Spec, dodając wyraźnie wydzielone zasady Under-18 (U18), czyli ramy zachowania modelu wobec nastolatków. W praktyce to sygnał, że „bezpieczeństwo i dobrostan” przestają być dodatkiem marketingowym, a stają się formalizowanym elementem specyfikacji produktu. Dla edukacji (szkoły, uczelnie, kursy) ma to znaczenie podwójne: po pierwsze – wpływa na to, jak LLM odpowiadają na wrażliwe tematy; po drugie – ułatwia budowanie polityk korzystania z narzędzi AI w instytucjach. W tle widać też rosnącą presję regulacyjną i społeczną, aby Generative AI nie „wciągała” młodych w ryzykowne interakcje (np. eskalację przemocy, autodestrukcję, izolację). To nie rozwiązuje wszystkich problemów, ale pokazuje kierunek: od ogólnych deklaracji do konkretnych, audytowalnych zasad działania.

Anthropic: Claude Code integruje się ze Slackiem
https://www.theverge.com/news/839817/anthropic-claude-code-slack-integration
Anthropic uruchomiło integrację Claude Code ze Slackiem, czyli przeniosło funkcje „AI-asystenta do kodu” bliżej codziennego przepływu pracy zespołów. To ważne, bo wiele organizacji nie chce kolejnego osobnego narzędzia – chcą, by agent był tam, gdzie już dzieje się praca: w komunikatorze i wątku projektu. W praktyce taka integracja może przyspieszyć triage błędów, zbieranie kontekstu z rozmów i automatyzować drobne zadania programistyczne, ale też rodzi pytania o bezpieczeństwo (jakie kanały i dane agent widzi, jak to jest logowane). Trend jest czytelny: narzędzia do „vibe coding” i agentowego wytwarzania software’u przesuwają się z fazy ciekawostki do normalnej infrastruktury pracy. Dla rynku oznacza to dalszą polaryzację: wygrywają ci, którzy mają nie tylko mocny LLM, ale też najlepsze integracje i kontrolę uprawnień.

Disney inwestuje 1 mld USD w OpenAI i licencjonuje postacie do Sora
https://www.reuters.com/business/media-telecom/disney-makes-1-billion-investment-openai-brings-characters-sora-2025-12-11/
Reuters opisał umowę, w której Disney inwestuje 1 mld USD w OpenAI i wchodzi w licencjonowanie postaci (m.in. z dużych franczyz) do generowania wideo w Sora. To przełomowe biznesowo, bo po raz pierwszy tak duży właściciel IP otwarcie „wchodzi do środka” narzędzia generatywnego, zamiast wyłącznie bronić się pozwami. Konsekwencje są dwojakie: z jednej strony otwiera to nowy rynek legalnej, kontrolowanej kreatywności użytkowników; z drugiej – ustawia poprzeczkę dla całej branży pod kątem zabezpieczeń przed nadużyciami i ochrony wizerunku twórców. W praktyce można się spodziewać wysypu podobnych umów (media ↔ modele), bo to sposób na monetyzację i odzyskanie kontroli nad Generative AI. Dla ekosystemu LLM to też sygnał, że przewagę buduje się nie tylko jakością modelu, ale partnerstwami i prawami do danych/treści.

IBM przejmuje Confluent – platforma pod GenAI i agentów
https://www.bankier.pl/wiadomosc/IBM-przejmuje-Confluent-To-jedna-z-najwiekszych-transakcji-w-historii-giganta-9052152.html
IBM ogłosiło zamiar przejęcia Confluent za ok. 11 mld USD, komunikując to wprost jako ruch pod budowę kompleksowej platformy danych dla wdrożeń GenAI i agentów. Sens tej transakcji jest prosty: firmy coraz częściej odkrywają, że największym „wąskim gardłem” AI nie jest sam LLM, tylko dane – ich jakość, świeżość, katalogowanie, uprawnienia i strumieniowanie do aplikacji. Jeśli IBM dobrze zintegruje komponenty, może zaoferować przedsiębiorstwom bardziej spójny „kręgosłup danych” do aplikacji agentowych, co jest szczególnie ważne przy skalowaniu i audycie. Dla rynku to kolejny sygnał konsolidacji: duzi gracze wolą kupić element infrastruktury niż budować go od zera, bo okno na przewagę konkurencyjną szybko się zamyka. Dla uczelni i laboratoriów badawczych to też lekcja praktyczna: wdrożenia LLM na serio wymagają inżynierii danych, a nie tylko „dostępu do API”.

SoftBank kupuje DigitalBridge – wyścig o infrastrukturę AI
https://www.reuters.com/business/media-telecom/softbank-nears-deal-data-center-investment-firm-digitalbridge-bloomberg-news-2025-12-29/
Reuters poinformował, że SoftBank planuje zakup DigitalBridge za ok. 4 mld USD, wiążąc transakcję z szerszym pchnięciem rynku w stronę infrastruktury pod AI. W praktyce to element „nowej gorączki złota”: centra danych, łączność i energia stają się tak samo strategiczne jak same algorytmy. Ten ruch ma znaczenie giełdowe i biznesowe, bo pokazuje, że kapitał coraz chętniej płynie do „kilofów i łopat” ery AI – czyli infrastruktury, bez której LLM i agentowe aplikacje nie będą miały czym działać. Dla Europy (w tym Polski) to także ostrzeżenie: jeśli nie będzie inwestycji w moc obliczeniową i sieci, część innowacji pozostanie zależna od zewnętrznych dostawców. Jednocześnie rośnie ryzyko przeinwestowania (bańki), jeśli realne zastosowania nie nadążą za tempem budowy.

Lovable: 330 mln USD finansowania i wycena 6,6 mld USD – boom na „AI coding”
https://www.reuters.com/business/finance/lovable-valued-66-billion-latest-funding-round-ai-coding-demand-surges-2025-12-18/
Reuters opisał rundę finansowania Lovable (330 mln USD, wycena 6,6 mld USD), wskazując na rosnący popyt na narzędzia do tworzenia oprogramowania przy minimalnym „ręcznym” kodowaniu. To kolejny dowód, że rynek developer tools przesuwa się w stronę rozwiązań agentowych, gdzie użytkownik opisuje cel, a system generuje i iteruje produkt (tzw. vibe coding). Dla Startupów i małych zespołów to potencjalnie ogromna zmiana ekonomiki: szybciej testuje się pomysły, a bariera wejścia spada. Dla profesjonalnych inżynierów software’u oznacza to z kolei przesunięcie kompetencji: mniej „klepania kodu”, więcej architektury, przeglądu jakości, bezpieczeństwa i integracji. Giełdowo to paliwo dla narracji „AI zwiększa produktywność”, ale jednocześnie podbija oczekiwania inwestorów, które trzeba będzie dowieźć realnymi wdrożeniami.

Asystent AI w aplikacji mObywatel oparty o model PLLuM
https://www.gov.pl/web/cyfryzacja/nowa-usluga-w-mobywatelu-wirtualny-asystent-ulatwi-korzystanie-z-uslug-publicznych
Ministerstwo Cyfryzacji komunikowało, że w mObywatelu ma pojawić się wirtualny asystent oparty o polski model językowy rozwijany przez NASK (PLLuM). To istotne z perspektywy suwerenności technologicznej: zamiast wyłącznie polegać na rozwiązaniach globalnych, administracja testuje model tworzony i kontrolowany lokalnie w Polsce. Jeśli takie wdrożenie będzie stabilne, może realnie skrócić ścieżkę „od pytania do załatwienia sprawy”, zwłaszcza dla osób mniej biegłych w procedurach urzędowych. Jednocześnie to obszar wrażliwy: jakość odpowiedzi, ryzyko halucynacji i ochrona danych użytkownika muszą być potraktowane priorytetowo, bo mObywatel jest aplikacją masową. Dla rynku to również sygnał popytowy: rośnie zapotrzebowanie na polskojęzyczne LLM, które rozumieją realia prawa i usług publicznych.

Polski startup Jutro Medical pozyskuje 24 mln EUR na innowacje zdrowotne oparte o AI
https://www.eu-startups.com/2025/12/warsaws-ai-first-primary-healthcare-startup-jutro-medical-raises-e24-million-series-a-extension-round/
EU-Startups opisał pozyskanie 24 mln EUR przez Jutro Medical na rozwój innowacji w ochronie zdrowia wspieranych przez AI. Tego typu finansowanie pokazuje, że Generative AI i modele predykcyjne coraz częściej są „wpinane” w procesy medyczne (np. obsługa pacjenta, wsparcie decyzji, organizacja opieki), choć wdrożenia muszą respektować rygor kliniczny. Dla ekosystemu Polska-AI to ważna wiadomość wizerunkowo: rośnie liczba spółek, które potrafią pozyskać kapitał na rozwiązania w trudnych, regulowanych branżach. Jednocześnie to segment wysokiego ryzyka – walidacja, odpowiedzialność i integracja z systemem ochrony zdrowia są bardziej złożone niż w typowych aplikacjach SaaS. W szerszym ujęciu to sygnał, że europejskie Startupy w AI nie muszą ograniczać się do „chatbotów”, tylko mogą budować głębokie produkty w obszarze Nauka i zdrowie.

scPEFT – „parameter-efficient fine-tuning” dla single-cell LLM
https://www.nature.com/articles/s42256-025-01170-z
W Nature Machine Intelligence opublikowano pracę o scPEFT, czyli podejściu do efektywnego strojenia (fine-tuning) modeli językowych dla danych single-cell w biologii. Klucz jest w „parameter-efficient” podejściu: zamiast trenować cały model od zera, dostraja się tylko wybrane, małe komponenty, co obniża koszt i ułatwia adaptację do nowych kontekstów. To ważne, bo biologia i medycyna są pełne danych „z innej dystrybucji” (inne choroby, terapie, typy komórek), a modele zero-shot potrafią tam zawodzić. Z perspektywy translacyjnej Nauki to potencjalny krok w stronę praktycznego wykorzystania foundation models w diagnostyce i badaniach – bez konieczności posiadania gigantycznej infrastruktury GPU w każdym zespole. Dla świata LLM to także kolejny przykład, że techniki z NLP stają się „językiem wspólnym” dla nauk przyrodniczych: modele uczą się reprezentacji, które da się przenosić między zadaniami i laboratoriami.

ML łączy MRI i analizę krwi, ujawniając odmienne typy stwardnienia rozsianego
https://academic.oup.com/brain/article/148/12/4578/8321558
W czasopiśmie Brain opublikowano pracę, w której połączono obrazowanie MRI i analizę surowicy krwi, by lepiej różnicować typy stwardnienia rozsianego. Z punktu widzenia AI istotne jest tu podejście wielomodalne: model/algorytm czerpie sygnał zarówno z danych obrazowych, jak i biomarkerów, co zwiększa szansę na bardziej trafną stratyfikację pacjentów. To może mieć konsekwencje kliniczne, bo lepsze „podtypowanie” choroby bywa fundamentem doboru terapii i prognozy przebiegu. W tle widać szerszy trend: AI w medycynie coraz rzadziej polega na pojedynczym źródle danych – rośnie znaczenie fuzji modalności, jakości danych i replikowalności. Dla środowiska akademickiego to dobry przykład, jak Nauka może wykorzystywać metody uczenia maszynowego do pytań o realny wpływ na zdrowie, a nie tylko do poprawiania metryk na benchmarkach.

ARTEMIS automatyzuje „strojenie” agentów opartych o LLM
https://arxiv.org/abs/2512.09108
Na arXiv opublikowano pracę o ARTEMIS – platformie, która automatyzuje optymalizację agentów LLM (np. promptów, opisów narzędzi i parametrów) metodami ewolucyjnymi, bez konieczności ręcznego dłubania tygodniami. To ważne, bo wraz z popularyzacją agentów rośnie „koszt konfiguracji”: wiele systemów jest wrażliwych na szczegóły i trudno je ustabilizować. Autorzy raportują poprawy na różnych benchmarkach agentowych (w tym w zadaniach programistycznych), co sugeruje, że sama konfiguracja potrafi być równie ważna jak wybór LLM. W praktyce to może przyspieszyć komercjalizację agentów: firmy zamiast zatrudniać zespoły do ręcznego prompt-engineeringu, będą w większym stopniu automatyzować tuning. Dla badaczy to też ciekawy kierunek metodologiczny: „uczenie” przenosi się na poziom systemu-agenta, a nie tylko pojedynczego modelu, co otwiera nowe pytania o ocenę, bezpieczeństwo i reprodukowalność.