Suwerenność AI – czy policzyłeś, ile wart jest klucz do Twojej inteligencji?

Wtorek, 9:14. Model AI w Twoim banku właśnie przetworzył wniosek kredytowy dochody, historia, dane wrażliwe. Odpowiedź wróciła w 800 milisekund. A teraz pytanie za milion: przez ile serwerów i w ilu jurysdykcjach dane te były przetwarzane w procesie? Jeśli nie znasz odpowiedzi, nie masz kontroli nad AI. Masz jedynie subskrypcję.

Przez ostatnie lata sektor finansowy kupował inteligencję jak prąd z gniazdka. Wygodnie, przez API, „gdzieś w chmurze”. Model działał, koszty były przewidywalne, a pytanie o właściciela technologii spokojnie czekało na lepszy moment. Istotnym jednak jest, że moment ten powinien już był nadejść, i to nie ze strony IT, a biznesu. Bo suwerenność AI to dziś nie tylko temat na konferencję czy prezentację – to krytyczna pozycja w analizie ryzyka. Ale czy na takie pytanie można odpowiedzieć prostym slajdem?

Co stanie się z naszą operacją, gdy dostawca – zgodnie z umową – podniesie cennik o 300%, zablokuje region albo zmieni regulamin z dnia na dzień? Czy jesteśmy w stanie udowodnić regulatorowi, na jakich danych działa model podejmujący decyzje kredytowe? W świecie DORA, AI Act i RODO odpowiedź „musimy zaufać” przestała wystarczać. Uzależnienie od zewnętrznego modelu to już nie wygoda, a ogromne ryzyko wpisane w wymogi odporności operacyjnej.

W Polsce równolegle rozwijane są inicjatywy wzmacniające suwerenność AI, których celem jest utrzymywanie kluczowych kompetencji oraz technologii językowych pod lokalną kontrolą. Jednym z przykładów jest Bielik, zbudowany dzięki współpracy społeczności open source z akademickim zapleczem superkomputerowym. Projekt ten udowodnił, że poza Doliną Krzemową można zbudować model klasy produkcyjnej, który świetnie mówi po polsku. Jest otwarty, trenowany na polskim korpusie i możliwy do uruchomienia we własnej infrastrukturze.
Z kolei PLLuM, Polski Duży Model Językowy rozwijany przez konsorcjum uczelni i instytutów, dokłada transparentność danych i rozwój pod polską jurysdykcją, z myślą o zastosowaniach regulowanych i publicznych. Oba nie są „tańszymi zamiennikami GPT”. To aktywa, które instytucja może posiadać i kontrolować, a w finansach kontrola przekłada się wprost na zaufanie, zgodność i niższe ryzyko. Bo prawda jest taka, że przewaga modelu 94% nad 92% skuteczności znika w tej samej sekundzie, w której compliance pyta, gdzie te dane fizycznie leżą, a my nie potrafimy odpowiedzieć.

W Capgemini obserwujemy tę zmianę na żywo. Rozmowa z klientami z financial services zmienia tory z „który model jest najmądrzejszy?” na „który model mogę audytować, hostować i w razie potrzeby wymienić?”. Suwerenność stała się kryterium zakupowym równie ważnym jak wydajność, bo decyduje nie o jednym projekcie, lecz o niezależności strategicznej całej organizacji.

Przyszłość AI nie będzie należeć wyłącznie do tych z największymi modelami. Będzie należeć do tych, którzy wdrożą je mądrze, lokalnie i w zgodzie z regulacją. Bielik i PLLuM pokazują, że Polska nie jest w tej rozmowie jedynie widzem.

A czy Ty, zadałeś już sobie pytanie czyj jest model, z którym dziś pracujesz? Może warto zastanowić się, zanim rynek lub audytor będą chcieli to zweryfikować.