Ustawa o AI wchodzi w życie. Czy Polska będzie tylko klientem wielkich koncernów?

Polska właśnie dostała prawo, które ma pomóc nadzorować sztuczną inteligencję. Sam nadzór jednak nie wystarczy. Polska musi wiedzieć, jak odnaleźć się na rynku AI jako państwo średniej wielkości. Jak nie przepalać pieniędzy podatników, lecz w ramach publicznych inwestycji tworzyć dobro wspólne. Tylko wtedy będziemy w stanie powalczyć chociaż o pozycję technologicznego lidera w Europie Środkowo-Wschodniej.

Nadzór nad rynkiem nie wystarczy. Państwo musi realnie współtworzyć rynek

11 sierpnia 2026 r. weszła w życie zasadnicza część ustawy z 3 lipca 2026 r. o systemach sztucznej inteligencji. Kolejny etap, obejmujący między innymi przepisy o opiniach indywidualnych, nadzorze i sankcjach, rozpocznie się 28 października. Od tego dnia przedsiębiorcy będą mogli wnioskować o opinie indywidualne, a organy nadzoru uzyskają prawo kontroli i nakładania kar.

Ustawa powołuje Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji, tworzy ramy dla piaskownic regulacyjnych (czyli nadzorowanych środowisk testowych, w których firma może sprawdzać nowe rozwiązanie na warunkach uzgodnionych wcześniej z regulatorem).

Zobowiązuje także ministra właściwego do spraw informatyzacji (czyli, mówiąc w skrócie, ministra cyfryzacji), by co roku informował o zasobach obliczeniowych potrzebnych w skali całego kraju, a nie tylko w administracji, oraz o prognozowanym zużyciu energii.

Warto odnotować, że powstanie takiego organu postulowano na łamach Klubu Jagiellońskiego kilka tygodni przed uchwaleniem ustawy. Michał Radziszewski i Sebastian Wijas przekonywali, że skoro nie wygramy wyścigu z Doliną Krzemową, powinniśmy zająć niszę AI governance i stać się państwem, które eksportuje standardy, procedury i ramy etyczne, zamiast topić miliardy w mocy obliczeniowej.

Diagnoza była trafna i częściowo już się spełniła. Eksport standardów nie zastąpi jednak odpowiedzi na pytanie, gdzie w łańcuchu AI zostaje marża. Można wiarygodnie audytować cudzą technologię i wciąż być jej klientem, który więcej za nią płaci, niż na niej zarabia.

Reguły użycia AI to obszar, w którym Polska może zdobyć prestiż, jednak pieniądze powstają gdzie indziej. Sama zgodność z unijnym AI Act nie tworzy zdolności technologicznej, państwo może bowiem kupić dużą moc obliczeniową, której nie będzie potrafiło przełożyć na produkty, wdrożenia i kompetencje.

Nadzór to nie to samo, co posiadanie własnych zdolności technologicznych do jego egzekwowania. Można sprawnie klasyfikować systemy, wydawać decyzje i nakładać kary, a zarazem pozostawać zależnym od cudzych modeli, cudzej chmury i cudzych procesorów, które pozostają pod pełną kontrolą innych podmiotów.

Dlatego ustawa powinna otworzyć nad Wisłą debatę nie tylko o nadzorze, lecz przede wszystkim o polskiej tokenomice AI, czyli o tym, gdzie powstaje wartość, kto kontroluje dane i procesy, za co płaci administracja oraz które zależności da się realnie ograniczyć.

Token to najmniejsza porcja danych przetwarzana przez model, zwykle fragment słowa. Tokenomika nie oznacza jednak prostego cennika za tokeny. To całkowity koszt wykonania zadania przez AI oraz sposób podziału wartości między dostawców modeli, infrastruktury, danych, integracji i aplikacji.

Nowy regulator dostaje instrumenty, które mogą wytwarzać wiedzę o tym, gdzie w łańcuchu AI zostaje wartość. Zapisane w ustawie opinie indywidualne, czyli rozstrzygnięcia wydawane na wniosek konkretnego przedsiębiorcy, na podobieństwo interpretacji podatkowych, mają ograniczać niepewność prawną. Publikowane po anonimizacji, mogą z czasem złożyć się na publiczny zasób praktycznych rozstrzygnięć.

Piaskownice będą pozwalały obserwować, które i dlaczego projekty zatrzymują się na fazie rozwoju pomiędzy prototypem a wdrożeniem. Jeśli ta wiedza pozostanie w obiegu wyłącznie prawnym, ustawa stanie się sprawną maszyną do obsługi zgodności z przepisami. Jeśli zostanie połączona z planowaniem infrastruktury, polityką danych i zamówieniami publicznymi – wówczas państwo ma szansę zacząć kształtować rynek, a nie tylko go nadzorować.

Otwarte i zamknięte modele AI, czyli gdzie naprawdę zostaje marża

Żeby odpowiedzieć na to pytanie, trzeba porzucić najpopularniejszą oś sporu dotyczącą „otwartych” i „zamkniętych” modeli AI. W debacie publicznej „otwarty model” oznacza dziś co najmniej trzy różne rzeczy, a różnica między nimi ma charakter przede wszystkim finansowy.

Model zamknięty pozostaje pod pełną kontrolą jego dostawcy, który decyduje o cenie, limitach i wycofywaniu kolejnych wersji. Model z otwartymi wagami udostępnia wyuczone parametry, czyli miliardy liczb, w których zapisana jest „wiedza” modelu i dzięki czemu można uruchomić go na własnej infrastrukturze.

Pełny open source, zgodnie z definicją Open Source Initiative, wymaga dodatkowo swobody badania i modyfikowania oraz informacji o procesie powstania modelu. Przy czym, otwarta licencja nie oznacza jeszcze taniego wdrożenia.

Dla przykładu, chiński model DeepSeek-V3 dysponuje 671 mld parametrów, a przy generowaniu odpowiedzi wykorzystuje tylko część z nich (ok. 37 mld). Mimo to cały model musi być przechowywany w pamięci i rozdzielony między wiele procesorów.

Model może więc być dostępny do pobrania, a jednocześnie pozostawać poza zasięgiem większości organizacji. Użytkownik musiałby dysponować olbrzymią mocą obliczeniową, by móc uruchomić i modyfikować cały model. Dotyczy to również rodzin PLLuM i Bielik, które udostępniają wagi, ale poszczególne wydania różnią się licencjami i zakresem dopuszczalnego użycia.

Otwartość jest więc decyzją biznesową, a nie ideową. Chodzi o to, które piętro łańcucha (model, infrastrukturę, dane czy integrację) oddać tanio, żeby zarobić na kolejnym. Chińska strategia wspierania otwartych ekosystemów AI polega na tym, by oddać model, a zarabiać na wszystkim wokół niego.

Za przykład może posłużyć Model Studio Alibaby, czyli platforma, na której obok własnych modeli Qwen dostępne są rozwiązania konkurencji. Program napisany wcześniej pod interfejs OpenAI można do niej podłączyć po niewielkich zmianach, bo interfejsy są ze sobą zgodne. Niska cena dostępu przyciąga programistów i instytucje, natomiast pieniądze zarabia się na mocy obliczeniowej, chmurze, wdrożeniach i utrzymaniu.

Amerykanie odpowiadają strategią hybrydową, w której OpenAI utrzymuje najbardziej zaawansowane modele jako usługę, ale zarazem udostępnia rodzinę gpt-oss z otwartymi wagami. Rząd USA wzmacnia ją dodatkowo programem eksportu pełnych pakietów technologicznych obejmujących procesory, serwery, centra danych, usługi chmurowe, modele i zabezpieczenia.

Eksportuje się więc całą infrastrukturę, a wraz z nią długotrwałą zależność od standardów i decyzji politycznych dostawcy. Kraj przyjmujący taki pakiet dostaje technologię od razu i płaci za nią przez dekadę.

Sami Amerykanie odkryli zresztą, gdzie leży granica tego układu. Gdy Anthropic, twórca modelu Claude, nie zgodziło się na zniesienie ograniczeń dotyczących masowej inwigilacji obywateli i w pełni autonomicznej broni, Pentagon uznał firmę za ryzyko dla łańcucha dostaw, a sprawa trafiła do sądu. Była to pierwsza taka kwalifikacja wobec amerykańskiej firmy (dotąd rezerwowano ją dla podmiotów z państw uznanych za wrogie, jak chiński Huawei).

Wydane w czerwcu 2026 r. memorandum Białego Domu ujęło problem szerzej i poszło w dwie strony. Żadnemu dostawcy komercyjnemu nie wolno bez zgody władz ani zablokować, ani istotnie zmienić systemu wykorzystywanego w zadaniach państwa, a same modele mają pochodzić od wielu dostawców naraz.

Jeżeli rząd supermocarstwa uznaje za konieczne zabezpieczenie się przed jednostronną decyzją firmy, która działa na jego terytorium, to państwo średniej wielkości (jak Polska) nie ma powodu, by zakładać, że jego dostawcy zachowają się inaczej.

Kierunek, w którym przesuwa się wartość, wyznacza dziś routing, czyli automatyczne kierowanie zadań do różnych modeli w zależności od ich trudności i kosztu. Kto rozdziela zadania, ten decyduje, ile kosztuje ich wykonanie i komu przypada marża.

Brzmi technicznie, a jest to decyzja finansowa. Planowanie i końcową weryfikację można powierzyć systemowi premium, a wyszukiwanie, klasyfikację czy streszczanie zlecić tańszemu modelowi uruchomionemu lokalnie.

Najlepszy model pozostanie potrzebny, ale coraz częściej będzie używany punktowo, jako element procesu, a nie platforma przejmująca całą jego wartość. W efekcie przywództwo technologiczne przestaje być tożsame z przywództwem ekonomicznym. Dla państwa takiego jak Polska zmienia to rachunek opłacalności, bo taniej wychodzi kupować rozsądnie dostęp do modeli, niż budować wszystko samemu.

Jak Polska może wygrać jako państwo średniej wielkości

Zacznijmy od rachunku, którego w Polsce nikt nie prowadzi. Każde zapytanie polskiej firmy czy urzędu wysłane do amerykańskiego lub chińskiego modelu jest importem, i to importem, który rośnie wraz z każdym udanym wdrożeniem.

Polska ma dziś „tokenowy deficyt handlowy”. Po prostu kupujemy usługi dostarczane przez największych światowych graczy, sprzedajemy niewiele, a nasze dane stają się przy okazji surowcem dla cudzych modeli.

Sam deficyt nie jest jeszcze problemem. Import technologii nie jest patologią, kupujemy przecież również procesory, samochody czy oprogramowanie i nikt tego nie kwestionuje.

Problemem staje się wtedy, gdy nie towarzyszy mu żaden eksport i gdy nie wiemy, w którym miejscu łańcucha moglibyśmy zacząć zarabiać. Pytanie o polską tokenomikę jest więc pytaniem o to, co Polska ma w tej wymianie do sprzedania.

Odpowiedzią nie będzie model frontier (własny system ze światowej czołówki), ponieważ Polska jest zbyt mała, by kontrolować wszystkie poziomy rozwoju AI, i zarazem zbyt duża, by uzależnić kluczowe procesy państwa od kilku zagranicznych dostawców.

Nasz podstawowy dylemat nie jest więc wyborem pomiędzy „narodowym ChatGPT” albo „gotową usługą”, ale dotyczy tego, które zdolności musimy kontrolować, a gdzie możemy przyjąć zależność, oczywiście pod warunkiem, że będzie przejrzysta, odwracalna i zastępowalna.

Dlatego obszarem, w którym najbardziej realistycznie możemy zdobyć przewagę, jest środkowa warstwa stosu technologicznego między modelem bazowym a końcowym zastosowaniem. Obszar ten obejmuje przygotowanie danych i dostrajanie modeli, testowanie jakości i bezpieczny hosting, integrację z systemami administracji i przemysłu, budowę agentów oraz ich monitoring i utrzymanie.

To warstwa, w której marża jest niższa niż przy modelach frontier, ale znacznie trwalsza, bo nie zależy od jednego przełomu badawczego, lecz od znajomości języka, prawa i realiów konkretnego sektora. Takich kompetencji nie da się kupić razem z licencją. Państwo średniej wielkości nie wygrywa tam, gdzie decyduje kapitał, lecz tam, gdzie decyduje kontekst.

To także jedyna warstwa, w której Polska ma realną szansę na eksport. Model wytrenowany na polskich danych medycznych czy prawniczych nie zainteresuje „Kalifornii”. Ale procedura jego walidacji, architektura wdrożenia w publicznej ochronie zdrowia i doświadczenie z integracją w administracji mają wartość w każdym państwie naszego regionu o zbliżonej skali i podobnym zaufaniu do instytucji.

Ambicją powinno być pierwsze miejsce w dostawach środkowej warstwy dla Europy Środkowej. Dwudziestym rynkiem dla amerykańskich modeli zostaniemy i tak, nawet bez żadnej strategii. Taką pozycję można zbudować w kilka lat z budżetem, którym Polska realnie dysponuje.

Zaplecze obliczeniowe dla takiej strategii już się buduje w postaci tzw. fabryk AI: PIAST-AI w Poznaniu, Gaia AI Factory w Krakowie, a w większej skali będzie nim gigafabryka, dla której rząd zagwarantował zakup usług o wartości 100 mln euro w latach 2028-2033. Wzmacnia je przynależność do europejskiej sieci fabryk AI i unijna strategia Apply AI, skupiona właśnie na upowszechnianiu zastosowań, a nie na budowie kolejnych modeli.

Co jednak trzeba podkreślić, fabryki AI są zapleczem tej specjalizacji, ale nie mogą być celem polityki technologicznej samym w sobie. Infrastruktura bez stałej grupy użytkowników staje się drogim i niewykorzystanym zasobem, podobnie jak otwarty model bez aktualizacji, wsparcia i integratorów pozostaje projektem badawczym zamkniętym w laboratorium. Europa dostarczy Polsce moc obliczeniową i reguły przenoszenia danych, klientów musimy znaleźć sami.

Technologia jest dostępna. Problemem jest zdolność jej wchłonięcia. Już siedem lat temu Bartosz Paszcza pisał, że sztuczna inteligencja nie zbawi polskiej gospodarki, bo rozwój sektora IT nie przekłada się automatycznie na cyfrową transformację reszty gospodarki. Dane potwierdzają, że ta diagnoza się nie zestarzała.

Według Eurostatu za 2025 r. przynajmniej jedną technologię AI wykorzystywało 8,4% polskich przedsiębiorstw zatrudniających co najmniej 10 osób, wobec średnio 20% w Unii. Do tego czerwcowe badanie CBOS pokazało, że 64% respondentów nie korzystało z generatywnej AI w ostatnich trzech miesiącach, wskazując najczęściej brak potrzeby, nieumiejętność i obawy o prywatność.

Polacy nie boją się tej technologii. Czekają na dowód, że jest im do czegoś potrzebna i że ich dane są bezpieczne. Dodajmy w tym miejscu, że Bank Światowy wyznacza dla Polski przedział od 1,3 do 12,1% dodatkowego realnego PKB do 2035 r. dzięki wdrożeniu AI. Tak duża rozpiętość sama jest komunikatem, bo o wyniku zdecydują nie procesory, lecz inwestycje firm, kompetencje pracowników i jakość polityk publicznych.

Cztery pytania, na których polityka AI się wykłada

Polską tokenomikę można przetestować na cztery sposoby. Pierwszy test stanowić będą zamówienia publiczne, bo to w nich państwo faktycznie ustala, komu płaci. Analiza oparta na danych platformy OpenRouter wykazała, że badane modele otwarte osiągały średnio 89,6% wyników systemów zamkniętych przy cenie około 0,23 dolara za milion tokenów wobec 1,86 dolara, czyli ośmiokrotnie taniej, a lepsze kierowanie zadań mogłoby obniżyć wydatki o ponad 70%.

Nie jest to uniwersalna reguła, bo rachunek nie obejmuje kosztów integracji i zapewnienia ciągłości działania. Pokazuje jednak, dlaczego państwo powinno kupować mierzalny rezultat, a nie pakiet tokenów ani dostęp do konkretnej marki.

Równie ważne jest to, co zostaje po wdrożeniu, a więc zbiory testowe, parametry dostrojenia, instrukcje systemowe, bazy wiedzy i dokumentacja. Jeżeli pozostaną wyłącznie u wykonawcy, instytucja publiczna będzie wprawdzie korzystać z otwartego modelu, ale nadal pozostanie zależna od jedynego integratora, który potrafi ten system utrzymać.

To dokładnie ta forma władzy, którą Maciej Witkowski opisywał jako arbitralną dominację nieznającą odwołania. W zamówieniach publicznych republikańska wolność jako nie-dominacja ma bardzo prozaiczną formę w postaci klauzuli wyjścia, prawa do danych połączonej z realną możliwością zmiany wykonawcy.

Drugim testem jest energia elektryczna i zgoda lokalnych społeczności. W scenariuszu planistycznym PSE wskazano, że moc krajowych centrów danych wzrośnie z 200 MW w 2024 r. do 3,1 GW w 2036 r. i 5 GW w 2040 r.

Oznaczałoby to, że około 7,5% krajowego zużycia energii elektrycznej w 2036 r. i 11% w 2040 r. przeznaczymy na zastosowania związane z zaawansowanymi technologiami i sztuczną inteligencją. Warto dodać, że rosnące zapotrzebowanie to w przeważającej części nie trenowanie modeli, lecz ich bieżące używanie, czyli obsługa zapytań użytkowników, firm i urzędów.

W Stanach Zjednoczonych, gdzie ekspansja AI zaczęła się najwcześniej, w badaniu Gallupa z marca 2026 r. 71% respondentów sprzeciwiało się budowie centrum danych AI w swojej okolicy, wobec 53% w przypadku elektrowni jądrowej.

W Polsce zapowiedź podobnych konfliktów przyniósł spór o kampus centrum danych w podwarszawskich Regułach, gdzie mieszkańcy domagają się oceny skumulowanego oddziaływania inwestycji prowadzonej w czterech odrębnych postępowaniach środowiskowych.

Wąskim gardłem polskiej polityki AI może okazać się nie brak procesorów, lecz brak zgody na ich uruchomienie. Polityka lokalizacyjna powinna od początku określać, kto finansuje przyłącza i modernizację sieci oraz jakie korzyści zostają w społeczności przyjmującej inwestycję. W praktyce o losie inwestycji rozstrzyga się na sesji rady gminy, a nie w ministerstwie.

Trzecim testem jest bezpieczeństwo rozumiane jako profil ryzyka, a nie kraj pochodzenia dostawcy. Chiński model uruchomiony na polskiej infrastrukturze, bez przesyłania danych do producenta, ogranicza część zagrożeń związanych z obcą jurysdykcją i możliwością odcięcia usługi.

Nadal wymaga jednak sprawdzenia kodu, zależności programowych i warunków aktualizacji. Zamknięty system amerykański w zagranicznej chmurze niesie ryzyka innego rodzaju związane z ograniczonym audytem, obcym prawodawstwem oraz jednostronną zmianą ceny i zasad dostępu.

Pochodzenie dostawcy pozostaje ważnym kryterium, ale nie może być jedynym. Liczy się bowiem miejsce przetwarzania danych, jurysdykcja, łańcuch dostaw oprogramowania i realna możliwość zastąpienia technologii, zgodnie z logiką ram cyberbezpieczeństwa AI opracowanych przez ENISA oraz zasad przenośności danych, które wzmacnia unijny Data Act.

Z tej samej perspektywy warto zadać pytanie, którego w polskiej debacie brakuje. Skoro licencja DeepSeek-R1 wprost dopuszcza użytek komercyjny, modyfikacje i destylację, dlaczego polskie ośrodki rozwijające Bielika czy PLLuM nie miałyby legalnie wykorzystywać takich modeli jako jednego z modeli-nauczycieli, czyli źródeł, z których uczy się model własny, obok innych, w połączeniu z polskimi danymi i audytem licencji?

Nie chodzi o to, by zamienić zależność od Waszyngtonu na zależność od Pekinu, lecz po to, by nie płacić za trenowanie od podstaw tego, co jest legalnie dostępne.

Czwarty test jest najkrótszy i dotyczy odporności na korektę. Kolej przed 1873 r. i internet przed pęknięciem bańki dot-comów (załamania się wycen pierwszych firm technologicznych w USA w 2000 r. – red.) pokazały, że inwestycje mogą rosnąć szybciej niż popyt, a technologia i tak zostaje.

AI może trwale podnieść produktywność i zarazem rozczarować rynek, jeśli przychody, których spodziewają się inwestorzy, pojawią się później, niż zaczną wygasać terminy spłaty pożyczek na budowę centrów danych. Ostrzegają przed tym instytucje, których zadaniem jest pilnowanie stabilności finansowej, m.in. Międzynarodowy Fundusz Walutowy, OECD i Bank Anglii – ten ostatni wskazuje, że wysokie wyceny opierają się na niepewnych założeniach dotyczących zysków i tempa adopcji.

Projekty infrastrukturalne powinny być więc dzielone na etapy i powiązane z zakontraktowanym popytem, a wsparcie publiczne kierowane tam, gdzie wartość zostaje po korekcie, czyli na przyłącza energetyczne, dane i kompetencje. Jeżeli państwo będzie budowało centra danych, które później nie zostaną odpowiednio wykorzystane, to polscy podatnicy zapłacą za to, że ktoś przeszacował popyt na tego typu obiekty.

Polski model językowy, czyli jak publiczne pieniądze wytworzyły dobro wspólne

Pierwszy rok obowiązywania ustawy nie powinien sprowadzić się do powołania organów i uruchomienia procedur. Potrzebne są wspólne kryteria ewaluacji modeli, wzorcowe wymagania zakupowe i klauzule umowne wyprowadzone z anonimizowanych opinii indywidualnych, a także trwałe połączenie piaskownic regulacyjnych z fabrykami AI i zamówieniami publicznymi.

Potrzebny jest też pilotaż wielomodelowej bramy dla administracji, czyli jeden punkt dostępu do kilku modeli, oparty na wspólnych standardach, a nie na jednym obowiązkowym systemie centralnym.

Przewidziana w ustawie coroczna informacja o zasobach obliczeniowych i zużyciu energii powinna osobno ujmować trenowanie, dostrajanie i bieżące używanie modeli. Dopiero taki podział pokaże, czy rozwój AI blokuje niedobór procesorów, energii, danych i kompetencji, czy raczej brak popytu. Inaczej kolejne dokumenty strategiczne pozostaną tym, czym w ocenie Małgorzaty Fraser była dotychczasowa polityka cyfryzacji, czyli medialnymi fajerwerkami zamiast konkretów.

Zasada rozliczania po rezultacie, a nie po nakładach, musi dotyczyć również naszych krajowych modeli. O PLLuM i Bieliku najwięcej powie koszt i jakość wykonania konkretnych polskich zadań. Pozycja w globalnych rankingach osiągów modeli AI jest tu wskaźnikiem trzeciorzędnym. Infrastrukturę należy zaś rozliczać liczbą wdrożeń i wartością pozostającą w kraju, a nie liczbą akceleratorów.

PLLuM jest przy tym przykładem podejścia, które warto uczynić wzorcem postępowania z technologią, bo znaczna część modeli została udostępniona na otwartych licencjach wraz z wagami i dokumentacją. Dzięki temu stworzono zasób dostępny dla różnych instytucji i firm, a nie pojedynczą usługę za zewnętrznym interfejsem. Publiczne pieniądze wytworzyły dobro wspólne. Konsekwentnie tę samą zasadę należy rozciągnąć na wszystko, co powstaje przy okazji wdrożeń finansowanych ze środków publicznych.

Ze sztuczną inteligencją jest jak z licznikiem prądu

W debacie o polskiej AI powtarza się teza, że kluczowe pytanie nie brzmi, jak szybciej zbudować własne procesory, lecz: kim chcemy być jako społeczeństwo w gospodarce zarządzającej naszą uwagą i pochłaniającej nasz czas?

Ta hierarchia pytań jest trafna, z jednym zastrzeżeniem. Odpowiedzi na pytanie „kim chcemy być” udziela się z jakiejś pozycji, a pozycja państwa, które nie wie, gdzie w łańcuchu wartości zostają jego pieniądze, jest pozycją klienta.

Suwerenność ponadtechnologiczna potrzebuje materialnej podstawy, potrzebuje kompetencji pozwalających ocenić kupowaną technologię, danych, które zostają w kraju, i realnej możliwości powiedzenia dostawcy „nie”. Nowa tokenomika AI premiuje bowiem nie właścicieli największego modelu, lecz tych, którzy potrafią rozdzielać zadania i kontrolować cały proces.

Państwo, które poprzestanie na regulacji, pozostanie klientem cudzych technologii. Państwo, które sfinansuje samą moc obliczeniową, ryzykuje kosztowną i słabo wykorzystaną infrastrukturę. Zdolność strategiczna powstanie dopiero wtedy, gdy prawo, modele, dane, energia, zamówienia i kompetencje zaczną działać jako jeden system.

Ze sztuczną inteligencją jest bowiem jak z prądem. Nie musimy mieć udziałów w każdej elektrowni, ale musimy wiedzieć, gdzie znajduje się licznik i móc zmienić dostawcę, zanim ktoś inny ustali za nas cenę.