Włoski regulator ochrony danych (Garante) zapytał OpenAI wprost: jak dokładnie przetwarzacie dane użytkowników ChatGPT? To był marzec 2023, chwilę po premierze narzędzia, gdy nikt jeszcze nie miał gotowych odpowiedzi na takie pytania. Odpowiedź OpenAI nie była wystarczająco jasna — więc Włochy jako pierwszy kraj na świecie zablokowały ChatGPT. Na miesiąc.

Luca Tamburrano, Chief Architect for AI w Qlik, opowiedział tę historię na zamknięcie swojej ostatniej sesji w Katowicach — tej, która miała spiąć wszystko, o czym mówiono tego dnia: agentów, MCP, jakość danych, chmurę kontra on-premise. „Technologia wyprzedziła regulacje” — tak to podsumował. I to zdanie jest chyba najkrótszym opisem tego, w jakim momencie jesteśmy z AI w analityce danych.

Teza wyjściowa całej prezentacji brzmiała nieprzyjemnie konkretnie: 40 procent inicjatyw AI skończy się porażką. Nie dlatego, że modele są słabe. Dlatego, że organizacje nie rozumieją, co się właśnie zmieniło pod spodem.

Co się właściwie zmieniło

Klasyczny model — polecenia płyną z góry na dół, informacja z dołu do góry — przestał działać, bo dane przestały być gromadzone w jednym miejscu. Żyją w chmurze, na dysku, w aplikacji, teoretycznie nawet w lodówce (Luca akurat żartował, ale niedługo pewnie przestanie).

Do tego doszli agenci, którzy — inaczej niż tradycyjne systemy — domagają się autonomii. Mogą być dostawcami danych i ich konsumentami jednocześnie. To przesuwa granice ról tak mocno, że nawet programowanie się zmienia. Tamburrano opisał to zjawisko jako „vibe coding”: programista przestaje pisać kod linijka po linijce, a zaczyna funkcjonować jak koordynator roju agentów, które kodują za niego. Sam się do tego przyznał — dalej pisze Pythona, ale coraz rzadziej samodzielnie.

Z tego chaosu Tamburrano i zespół Qlika wyłuskali dwanaście trendów, rozłożonych na cztery obszary (dane, agenci, wykonanie, kolejny poziom infrastruktury) i trzy warstwy — fundamentalną, integracyjną i innowacyjną. Można by to opisać jako matrycę, ale bez owijania w bawełnę: chodzi o odpowiedź na pytanie, co dzisiaj naprawdę się liczy przy budowaniu czegokolwiek z AI.

Kilka z tych obserwacji warto zapamiętać.

Konsolidacja dostawców a lock-in. Duzi gracze — AWS, Microsoft i inni — coraz częściej mierzą sukces ilością przechowywanych i przetwarzanych przez siebie danych. Efekt: platformy zaczynają pokrywać coraz więcej warstw stosu danych naraz. Wygodne, dopóki nie okaże się, że to, co działało wczoraj, przestaje działać jutro — a wyjście z platformy jest drogie i bolesne.

Powrót lokalnych obliczeń. Przez lata mówiło się: wszystko w chmurze. Teraz coraz więcej zadań opłaca się liczyć lokalnie — szybciej i taniej. Tamburrano podał własny przykład: miesiąc, w którym rachunek za wywołania modeli w chmurze wyniósł 1200 dolarów, bo jeden prosty prompt kończył się ponad 150 wywołaniami API przy testowaniu prostych agentów. Po tym doświadczeniu zaczął dzielić obciążenie — generowanie obrazów zostawił chmurze, bo lokalnie się jeszcze nie da, ale streszczenia, konspekty i wiele innych rzeczy przeniósł na własny sprzęt. Wniosek nie jest „chmura albo lokalnie”, tylko: znajdź balans, bo inaczej zapłacisz za nadgorliwość agentów.

Odwrócona logika BI. Przez lata AI dokładało coś do business intelligence. Teraz jest odwrotnie — BI staje się narzędziem, z którego korzysta AI, żeby odpowiadać na pytania. Modele językowe są kiepskie w liczeniu i mają skłonność do zmyślania, kiedy czegoś nie wiedzą. Więc zamiast każąc LLM-owi liczyć, każe mu się sięgnąć po silnik BI, który policzy poprawnie, a LLM tylko sformułuje odpowiedź po ludzku.

Sześć zasad, nie sześć sloganów

Cała reszta prezentacji to w gruncie rzeczy sprowadzenie tych obserwacji do praktycznej listy — sześciu rzeczy, które odróżniają organizacje wpadające w te 40 procent porażek od tych, które przez nie przechodzą bez szwanku.

• Jakość danych na pierwszym miejscu — bo prognozy mówią, że ponad 80 procent czasu przy projektach agentowych pójdzie właśnie na porządkowanie danych, nie na budowanie samych agentów.
• Potem kontekst — nie tylko dane, ale też metadane i treści nieustrukturyzowane, bo te ostatnie to podobno ponad 80 procent tego, co w ogóle istnieje w sieci, a większość firm ich nie dotyka.
• Balans chmura-lokalnie — już był wyżej.
• Otwartość platform, żeby nie dać się zamknąć w jednym ekosystemie.
• Governance na poziomie źródła danych, nie tylko końcowego jeziora danych — bo agenci, dla efektywności, będą chcieli sięgać bezpośrednio do źródeł, a to rodzi problemy z bezpieczeństwem, jeśli nikt tego nie pilnuje.
• I na końcu interoperacyjność — zdolność, żeby systemy i agenci rozmawiały ze sobą i z zewnętrznym światem, zamiast siedzieć każdy w swojej silosowej wieży.

Żadna z tych sześciu rzeczy osobno nie jest odkrywcza. Razem składają się w coś, co brzmi mniej jak checklist konferencyjny, a bardziej jak lista rzeczy, które ktoś odhaczał już po fakcie, patrząc na projekt, który się wywrócił.

Ciekawe w tym wszystkim jest to, że im więcej dowodów zbiera się na to, jak bardzo AI wszystko zmienia, tym bardziej sprowadza się to do rzeczy, które branża danych powtarza od dekady: dbaj o jakość danych, nie zamykaj się w jednym dostawcy, pilnuj governance u źródła. AI nie wymyśliło nowych problemów. Ono po prostu uczyniło stare problemy dużo bardziej kosztownymi, jeśli je zignorujesz.

---

Artykuł powstał na podstawie sesji Qlik Meet the Experts, Katowice, marzec 2026. To część serii — pozostałe teksty znajdziesz w tym biuletynie 🙂