Google Cloud Summit Poland 2026: Czas oduczyć się starych ról

Demokratyzacja sztucznej inteligencji zniosła przewagę wynikającą z samego używania modeli LLM. O pozycji polskiego biznesu decydują dziś twarde rygory inżynieryjne: niezawodność systemów fizycznej AI, jakość danych oraz unikalna kultura oduczania się starych nawyków organizacyjnych. Oto kluczowe wnioski dla biznesu płynące z debat i dyskusji zaprezentowanych podczas Google Cloud Summit Poland 2026.
Nie jest tajemnicą, że rynek sztucznej inteligencji wchodzi w nową fazę dojrzałości, w której fascynacja generatywnymi modelami ustępuje miejsca chłodnej kalkulacji. Powszechność rozwiązań chmurowych sprawiła, że potężne narzędzia są dostępne tak samo dla krakowskich startupów, jak i dla globalnych korporacji. W tym nowym otoczeniu o przewadze nie decyduje więc już sam dostęp do technologii, lecz budowa trwałej, technologicznej fosy obronnej (tzw. tech moat), opartej na bezpieczeństwie od Dnia 0 oraz architekturze danych gotowej na automatyzację procesów.
Co więcej, konfrontacja algorytmów z rzeczywistością magazynów i sieci energetycznych także brutalnie weryfikuje dotychczasowe paradygmaty tworzenia oprogramowania. Świat fizycznej AI wymaga niezawodności sięgającej aż 99,9%, co wymusza solidne zredefiniowanie procesów operacyjnych. Zamiast więc tworzyć teoretyczne strategie dla samej strategii, liderzy biznesu muszą raczej skupić się na oduczaniu starych nawyków oraz na pokonaniu rygorystycznych barier suwerenności cyfrowej w Europie.
Od deklaracji do twardej egzekucji operacyjnej
Przez ostatnie lata w wielu organizacjach dominował model zachowawczy: powoływanie komitetów sterujących, tworzenie wielostronicowych strategii cyfryzacji oraz mnożenie niekończących się pilotaży. Dziś ten model definiuje technologiczną stagnację. Dostępność zaawansowanej mocy obliczeniowej oraz najnowszych modeli językowych po równo dla wszystkich podmiotów sprawia, że o rynkowym sukcesie rozstrzyga wyłącznie tempo egzekucji i umiejętność osadzania rozwiązań bezpośrednio w rdzeniu operacyjnym przedsiębiorstwa.
Krzysztof Kaziów, Director Customer Engineering CEE w Google Cloud, zwrócił uwagę na fundamentalne wyrównanie szans technologicznych i konsekwencje braku zdecydowania:
W biznesie mamy ten sam teren, te same modele, tę samą chmurę i moc obliczeniową. Technologia jest dostępna po równo dla każdego – dla startupu z Krakowa i dla wielkiego międzynarodowego banku. A jednak za rok część firm w tej sali będzie miała nową linię przychodów w swoich księgach, a pozostałe pozostaną z 40 pilotami i komitetem sterującym.

Krzysztof Kaziów, Director Customer Engineering CEE w Google Cloud
Ta dychotomia między podejście formalno-komitetowym a pragmatycznym podejściem wdrożeniowym ukazuje priorytety nowej fali transformacji cyfrowej:
| Model tradycyjny | Model pragmatyczny | |
| Architektura decyzji | Wieloetapowe akceptacje, szerokie strategie “AI dla strategii” | Szybka identyfikacja wąskogardłowych procesów i natychmiastowe skalowanie |
| Miernik wartości | Liczba zamkniętych koncepcji i wewnętrznych prezentacji | Nowa linia przychodowa lub twarde oszczędności czasowe w procesie |
| Tolerancja błędu | Wymóg bezbłędności na etapie planowania, paraliż decyzyjny | Przyzwolenie na błędy w zespole technologicznym, rygor 100% dla klienta |
| Osadzenie w biznesie | Dedykowane, odizolowane laby innowacji | Wdrażanie narzędzi bezpośrednio w codzienne środowisko pracy pracowników |
Pragmatyczną perspektywę sektora przemysłowego sformułował Sławomir Staszak, Wiceprezes Zarządu ds. Cyfryzacji w koncernie Orlen. Apelował on o całkowite porzucenie budowania opasłych dokumentów strategicznych na rzecz natychmiastowej analityki procesowej – identyfikowania najbardziej czasochłonnych, powtarzalnych czynności i automatyzowania ich bez zbędnej biurokracji.

Sławomir Staszak, Wiceprezes Zarządu ds. Cyfryzacji w koncernie Orlen (pośrodku)
Na skalę tego zjawiska wskazują dane przedstawione przez Raviego Rajamaniego, Vice President Engineering w Google Cloud: ponad 500 klientów korporacyjnych przetwarza obecnie rocznie ponad bilion tokenów, co świadczy o masowym przejściu od pojedynczych zapytan pracowniczych do wielkoskalowych systemów produkcyjnych.
Zderzenie celów biznesowych z oczekiwaniami rynku ujawnia jednak często istotne pęknięcie w organizacji. Case study wdrożenia asystenta zakupowego w aplikacji logistycznej InPost (obsługującej ponad miliard paczek rocznie na rynku europejskim) doskonale ilustruje ten dylemat. Beata Podleśna-Gumkowska, Director of New Consumer Business w InPost, podkreśliła, że kluczem do sukcesu było zbudowanie wewnątrz zespołu inżynieryjnego kultury przyzwolenia na błędy i ciągłe testowanie („test and learn”), przy jednoczesnym świadomym zarządzaniu faktem, że użytkownik końcowy nie wybacza pomyłek i oczekuje bezbłędnego utrzymania kontekstu oraz 100-procentowej precyzji.
Kultura „unlearningu” i inżynieryjny rygor
Wbrew częstym obawom, główną przeszkodą w głębokiej transformacji technologicznej nie jest poziom skomplikowania algorytmów ani koszt licencji chmurowych, lecz ludzkie przyzwyczajenia i sztywność organizacyjna. W erze, w której narzędzia cyfrowe ewoluują w cyklach kilkumiesięcznych, tradycyjny model kształcenia „wąskich” specjalistów ds. obsługi pojedynczych programów staje się bezużyteczny.
Sławomir Staszak z Orlenu zdefiniował nowy paradygmat kompetencyjny, stawiając zdolność do oduczania się (unlearningu) w centrum wymagań wobec kadr:
Umiejętnością, jakiej będę wymagał od mojego zespołu w ciągu najbliższego czasu, nie jest biegłość w obsłudze konkretnych narzędzi AI, lecz odwaga do kwestionowania swojej dotychczasowej pracy oraz przedefiniowania wszystkiego, co już wiedzą. Nie potrzebuję wąskich specjalistów od jednego narzędzia, bo ono zmienia się w takim tempie, że skupianie się na jednym mija się z celem.
W tym obszarze polski rynek wykazuje unikalną specyfikę. Tara Brady, President EMEA w Google Cloud, wraz z Krzysztofem Kaziowem zauważyli, że polskich inżynierów wyróżnia unikalna w skali europejskiej kultura dociekliwości – chęć zrozumienia głębokich mechanizmów działania systemu zamiast bezrefleksyjnego korzystania z gotowych interfejsów.

Tara Brady, President EMEA w Google Cloud (po lewej)
Ta dociekliwość zderza się z nową formą organizacji pracy, w której systemy AI przestają być pasywnym oprogramowaniem wyszukiwawczym, a stają się podmiotowymi współpracownikami. Matt Maggs, kierujący zespołem rozwoju Google Workspace, zaprezentował koncepcję agenta jako pełnoprawnego członka zespołu (co-worker agent). Cyfrowy współpracownik otrzymuje własną tożsamość w strukturze firmy, indywidualny adres e-mail, kalendarz i status w książce adresowej, uczestnicząc w przepływie pracy na równi z ludźmi.
Potencjał drastycznego skracania cyklu decyzyjnego zademonstrował Prezes Zarządu Głównego Związku Ochotniczych Straży Pożarnych RP, dh gen. Waldemar Pawlak. Podczas technologicznego hackathonu strażacy ochotnicy, wykorzystując agentów AI i modele chmurowe, skonsolidowali rozproszone dane i rozwiązali krytyczny problem decyzyjny w 15 minut – zadanie, które wcześniej, przy użyciu tradycyjnych procedur analogowych, zajmowało analitykom wiele tygodni.

Prezes Zarządu Głównego Związku Ochotniczych Straży Pożarnych RP, dh gen. Waldemar Pawlak
Ekosystem „Made in Poland” a gorset regulacyjny
Polski sektor technologiczny znajduje się w momencie krytycznym. Przez lata krajowy rynek funkcjonował jako sprawne zaplecze inżynieryjne – wysoce wykwalifikowana „fabryka kodu” realizująca zlecenia dla zagranicznych podmiotów. Obecnie następuje wyraźny zwrot w stronę budowania własnych produktów o zasięgu globalnym pod szyldem „Made in Poland”.
Michał Kramarz, Head of Incubation CEE w Google Cloud, wskazał, że sukcesy rynkowe podmiotów takich jak ElevenLabs, ICEYE czy Nomagic dowodzą dojrzałości polskiego ekosystemu do kreowania marek technologicznych pierwszego szeregu. Wypowiedź tę uzupełniła Itxaso Araque, Director Digital Natives w Google Cloud, przypominając, że europejskie startupy generują rocznie ponad 175 miliardów euro przychodów, a polskie zespoły wyróżniają się pragmatyczną orientacją na szybkie osiąganie rentowności i generowanie zysków, w przeciwieństwie do podmiotów skupionych wyłącznie na pompowaniu wirtualnych wycen rynkowych.

Itxaso Araque, Director Digital Natives w Google Cloud
Mimo tych atutów, dalsza ekspansja napotyka na poważne bariery strukturalne, kapitałowe oraz regulacyjne:
Tomasz Konik (CEO Deloitte CEE) powiedział:
Gdy kryteria przyznawania środków publicznych nastawione są na bezpieczne, standardowe projekty, przełomowe innowacje są eliminowane z rankingów. W efekcie założyciele z najbardziej ambitnymi pomysłami rezygnują z państwowych funduszy i szukają kapitału za granicą.
Bartosz Lipnicki (Managing Director Endeavor Poland) dodał natomiast:
Najbardziej wartościowym wczesnym kapitałem dla ekosystemu nie są dotacje, ale ‘Smart Money’ od założycieli, którzy sami zbudowali wielkie firmy i teraz reinwestują własną wiedzę, kontakty i pieniądze w nową generację startupów.

Od lewej: Michał Kramarz, Head of Incubation CEE w Google Cloud; Bartosz Lipnicki oraz Tomasz Konik
Dodatkowym hamulcem dla skali europejskiej staje się sztywny gorset regulacyjny dotyczący suwerenności danych. Tara Brady zwrócił uwagę na niewygodną prawdę biznesową: bezwzględne żądania regulatorów, by dane nie opuszczały terytorium jednego państwa członkowskiego, uniemożliwiają dostawcom chmurowym elastyczne i efektywne kosztowo przesuwanie mocy obliczeniowej między serwerowniami w UE, co bezpośrednio podnosi koszt wdrożeń sztucznej inteligencji dla europejskich przedsiębiorstw.
Architektura danych w erze agentycznej
Trwająca zmiana technologiczna polega na przejściu od prostych modeli konwersacyjnych do autonomicznych agentów realizujących kompleksowe procesy biznesowe w standardzie MCP (Model Context Protocol). Próby wdrażania zaawansowanych agentów w nieprzygotowanym środowisku informatycznym obnażają jednak zaniedbania w warstwie zarządzania wiedzą.
Cyril Cymbler, Managing Director EMEA Data and Analytics w Google Cloud, przedstawił brutalną statystykę dotyczącą przyczyn niepowodzeń projektów technologicznych:
70% wszystkich projektów agentowych nie upada z powodu słabej jakości modelu językowego. Upadają z powodu niedokładnej warstwy danych. To klasyczne ‘garbage in, garbage out’ – możesz mieć najlepszy model na świecie, ale jeśli uruchomisz go na złych danych, wynik będzie marny.

Cyril Cymbler, Managing Director EMEA Data and Analytics w Google Cloud
Odpowiedzią na to wyzwanie jest koncepcja Agentic Data Cloud, oparta na tzw. zintegrowanym Katalogu Wiedzy (Knowledge Catalog). Rozwiązanie to znosi tradycyjny podział na dane strukturyzowane (z baz operacyjnych ERP/CRM) i niestrukturyzowane (pliki PDF, wiadomości e-mail, dokumentacja techniczna), tworząc bezgraniczny lakehouse dostępny dla modeli językowych bez konieczności powolnej i kosztownej migracji danych.
Ravi Rajamani (Vice President, Engineering, Applied AI w Google Cloud) wyjaśnił, że agent nowej generacji nie realizuje wyłącznie sztywnych skryptów. Po zaprogramowaniu celu biznesowego agent samodzielnie dobiera wymagane narzędzia i biblioteki umiejętności, wykonując zadania w odizolowanym środowisku Virtual Private Cloud z zachowaniem pełnej przejrzystości audytowej i tożsamości wykonawczej. Bez uporządkowanej i zweryfikowanej bazy wiedzy autonomiczność agenta staje się jednak źródłem powielania błędów w skali całej organizacji.

Ravi Rajamani, Vice President, Engineering, Applied AI w Google Cloud
Fizyczna AI i reżim 99,9 procent
O ile w przestrzeni cyfrowej błąd algorytmu lub halucynacja modelu językowego sprowadza się do wygenerowania niewłaściwej odpowiedzi w czacie, o tyle wdrożenie AI w środowisku fizycznym nie wybacza pomyłek. W logistyce magazynowej czy infrastrukturze energetycznej każdy błąd oznacza fizyczne zniszczenie towaru, zagrożenie dla ludzi lub kosztowny przestój produkcyjny.
Zderzenie specyfiki oprogramowania cyfrowego z rygorem robotyki magazynowej ukazuje przepaść dzielącą te dwa światy:
- Oprogramowanie cyfrowe: Błąd aplikacji rozwiązuje się ponownym zapytaniem lub cichym zalogowaniem wyjątku w systemie.
- Robotyka i automatyka fizyczna: Błąd ramienia robotycznego oznacza upuszczenie palety, uszkodzenie infrastruktury lub zatrzymanie całej linii pakującej.
Kacper Nowicki, CEO i współzałożyciel Nomagic, oraz Filip Grządkowski, VP of Engineering w Nomagic, wykazali, że w obliczu starzenia się społeczeństw Europy automatyzacja pracy manualnej staje się koniecznością biznesową. Wymaga jednak zupełnie innego reżimu inżynieryjnego. Nowicki zaznaczył, że jeśli człowiek musi interweniować i pomagać robotowi co 10 minut, całe wdrożenie traci uzasadnienie biznesowe – systemy robotyczne muszą osiągać minimum 99,9% bezawaryjności operacyjnej.

Kacper Nowicki, CEO i współzałożyciel Nomagic
Aby sprostać tym wymaganiom, Nomagic od pierwszego dnia zbiera pełne dane telemetryczne ze stanowisk pracy, budując tzw. „Bibliotekę Chaosu” (Library of Chaos) – unikalną bazę fizycznych błędów i odchyleń sprzętowych. Pozwala to na ciągłe doskonalenie modeli wizyjnych i ruchowych w trudnych, nieprzewidywalnych warunkach magazynowych. Filip Grządkowski dodał przy tym, że klienci korporacyjni nie kupują robotyki z fascynacji innowacją – to w 100% twarda kalkulacja stopy zwrotu z inwestycji (ROI) oraz zaufania do stabilności oprogramowania.
W analogiczny sposób rygor danych fizycznych wykorzystuje koncern Orlen. Sławomir Staszak opisał wykorzystanie modeli predykcyjnych do ciągłego bilansowania zmiennych warunków pogodowych ze stałym zapotrzebowaniem sieci energetycznej przy projekcie morskiej farmy wiatrowej Baltic Power, gdzie precyzja estymacji decyduje o stabilności dostaw prądu.

Filip Grządkowski, VP of Engineering w Nomagic
Maszynowa obrona kontra LLM Jacking
Wraz ze wzrostem złożoności systemów sztucznej inteligencji nastąpiła głęboka transformacja krajobrazu zagrożeń cyfrowych. Tradycyjne metody ataków zostały wzbogacone o wektory wymierzone bezpośrednio w infrastrukturę chmurową oraz asystentów programistycznych.
Jamie Collier (Lead Threat Intelligence Advisor w Google Threat Intelligence Group) podczas spotkania zorganizowanego dla mediów zwrócił uwagę na gwałtownie narastające zjawisko LLM jackingu. Cyberprzestępcy porzucili nieefektywne przejmowanie serwerów w celu kopania kryptowalut – zamiast tego kradną moce obliczeniowe zorientowane na AI, uruchamiając na koszt poszkodowanych firm własne, niezwykle kosztowne modele i generując rachunki sięgające od kilkudziesięciu tysięcy do miliona dolarów. Równolegle obserwuje się zatruwanie otwartych bibliotek oprogramowania oraz próby manipulacji kodem źródłowym generowanym przez AI.
Mimo rosnącego skomplikowania ataków, Jamie Collier obalił utrwalony w branży mit o nieuniknionej przewadze hakera:
Rozprzestrzenia się mit, że ‘haker zawsze musi mieć rację tylko raz, a obrońca cały czas’. W rzeczywistości to obrońcy kontrolują własną sieć, tożsamości i uprawnienia. Dzięki automatyzacji operacji bezpieczeństwa działającej z prędkością maszynową to my możemy dyktować warunki i wyprzedzić atakujących.

Jamie Collier, Lead Threat Intelligence Advisor w Google Threat Intelligence Group
Współczesna ochrona wymaga jednak przewartościowania podejścia do architektury systemów. Diana Nanova, Head of Customer Engineering w Google Cloud, podkreśliła, że w erze, w której generowanie kodu stało się powszechnie dostępne, głównym wyróżnikiem i „fosą obronną” przedsiębiorstwa staje się bezpieczeństwo i zaufanie. Kwestie cyberochrony, prywatności oraz weryfikacji tożsamości agentów nie mogą być traktowane jako dodatek wdrażany w późniejszym etapie („Dzień 2”), lecz muszą stanowić fundament architektury od pierwszego dnia projektowania systemu („Dzień 0”).

Diana Nanova, Head of Customer Engineering w Google Cloud
Podsumowanie
Nadchodzące miesiące doprowadzą do brutalnego przewartościowywania projektów technologicznych na polskim i europejskim rynku. Zwycięstwo w wyścigu innowacji nie przypadnie podmiotom, które dysponują największymi budżetami na zakupy gotowych licencji czy tworzenie widowiskowych pokazów slajdów. O rynkowym przywództwie zadecyduje zdolność do integracji autonomicznych agentów z uporządkowaną, czystą warstwą danych, umiejętność budowania systemów odpornych na ataki z prędkością maszynową oraz odwaga kadry zarządzającej do kwestionowania własnej dotychczasowej wiedzy i oduczania się nieefektywnych schematów pracy. Polska, łącząc potężne inżynieryjne DNA z rosnącym kapitałem Smart Money, stoi przed realną szansą, by stać się dostawcą technologii o zasięgu globalnym – pod warunkiem, że zdoła przełamać biurokratyczny gorset i zredukować tarcia regulacyjne, stawiając na bezkompromisowy rygor wykonawczy.







































