Przegląd AI Lowy Institute stawia USA przed Chinami, ale z zastrzeżeniami

Przegląd AI Lowy Institute plasuje Stany Zjednoczone przed Chinami, mimo przewagi Chin w minerałach i dystrybucji otwartych modeli. Opublikowana 8 listopada 2026 r. ocena porównuje 14 wskaźników dotyczących zasobów, technologii, możliwości AI i adopcji. Jej wniosek podważa powszechne uproszczenie: popularność wśród deweloperów nie przesądza automatycznie o przywództwie na całym rynku AI.

Badacze Jack Sato i Hunter Marston rozróżniają amerykańskie atuty w obliczeniach i dystrybucji konsumenckiej od chińskich przewag w innych obszarach. Ich porównanie daje USA ogólną przewagę, jednocześnie pokazując, dlaczego poszczególne wskaźniki mogą prowadzić do bardzo różnych nagłówków. Żaden z krajów nie kontroluje każdego zasobu, kanału dystrybucji ani źródła wpływu.

Dla deweloperów i nabywców korporacyjnych znaczenie wykracza poza krajowe rankingi. Wybór systemu AI oznacza wybór zależności związanych z infrastrukturą, dostępem do oprogramowania, wymaganiami operacyjnymi i zarządzaniem. Raport stanowi punkt wyjścia do analizy tych zależności. Nie rozstrzyga, który model powinien znaleźć się w procesie pracy każdej organizacji.

Co faktycznie zmienia przegląd AI Lowy Institute

Nowa ocena zmienia przede wszystkim ramy porównania, a nie samą podstawową dynamikę konkurencji.

Porównanie siły AI Lowy łączy wskaźniki, które zwykle pojawiają się w odrębnych debatach. Umieszcza materiały, infrastrukturę, możliwości modeli i dystrybucję w tych samych ramach. Miary otrzymują równą wagę na każdym poziomie, a wyniki wskaźników porównują kraje względem ich łącznych wartości.

Takie podejście przedstawia argument dotyczący rozumienia potęgi technologicznej. Pozycja kraju nie może opierać się wyłącznie na udanym wdrożeniu chatbota. Podobnie same zasoby przemysłowe nie dowodzą, że jego oprogramowanie dociera do większej liczby użytkowników lub działa lepiej.

To rozróżnienie ma znaczenie, ponieważ rywalizacja państw często sprowadza się do serii odizolowanych ogłoszeń. Premiera modelu dostarcza nagłówka o wydajności. Ograniczenie dotyczące chipów — nagłówka o bezpieczeństwie. Rekord pobrań — nagłówka o adopcji. Czytelnicy spotykają się potem z każdym z tych wydarzeń jako dowodem na jednego ogólnego zwycięzcę.

Te wydarzenia odpowiadają na różne pytania. Ich połączenie wymaga wyraźnego osądu co do ich względnej wagi. Lowy ujawnia swoje ramy, pozwalając czytelnikom ocenić ten osąd zamiast traktować go jako niewypowiedziane założenie.

Łączny wynik powinien zatem pełnić funkcję uporządkowanej interpretacji. Nie powinien zastępować analizy podstawowych kategorii. Organizacja wybierająca oprogramowanie potrzebuje innego ważenia niż rząd oceniający podatność przemysłu.

Wyobraźmy sobie zespół oceniający asystenta do poufnej dokumentacji inżynieryjnej. Popularność wśród konsumentów byłaby ograniczonym dowodem na to, czy dany system spełnia jego wymagania. Kontrola nad wdrożeniem, obsługa dokumentów, jakość odpowiedzi i obowiązki związane z utrzymaniem miałyby bardziej bezpośrednie znaczenie.

Firma wprowadzająca asystenta dla klientów musiałaby dokonać innej kalkulacji. Łatwość dostępu, niezawodność odpowiedzi, wsparcie integracji i ciągłość działania mogłyby przeważyć nad możliwością samodzielnego obsługiwania modelu. Żadna z tych decyzji nie przeczy ocenie krajowej. Każda stosuje węższy cel.

Publikacja tworzy również użyteczny punkt odniesienia dla kolejnych analiz. Przyszłe twierdzenia o przywództwie można sprawdzać pod kątem wymiaru, na który faktycznie wpływają. Zysk w dystrybucji powinien aktualizować dyskusję o dystrybucji. Nie powinien po cichu stawać się dowodem równoważnego postępu w produkcji.

To kluczowy wkład przeglądu AI Lowy Institute: utrudnia ignorowanie konkurujących definicji przywództwa. Ocena faworyzuje ogólnie Stany Zjednoczone, pozostawiając jednocześnie miejsce na chińskie przewagi istotne dla konkretnych użytkowników i branż.

Czytelnicy powinni zachować obie części tego wniosku. Usunięcie ogólnej konkluzji zaniża argument raportu. Usunięcie nierównomierności przekształca ramy analityczne w ogłoszenie zwycięstwa, którego dowody nie są w stanie poprzeć.

Rywalizacja USA i Chin w AI przebiega przez różne kanały dystrybucji

Zdobywanie uwagi deweloperów i docieranie do codziennych użytkowników to powiązane osiągnięcia, lecz mierzą różne rodzaje wpływu.

Lowy podaje, że chińskie modele stanowiły 78% łącznych pobrań modeli z USA i Chin w jego porównaniu. Amerykańskie modele przyciągnęły ponad 90% łącznego ruchu na stronach internetowych i ponad 80% mierzonego wykorzystania aplikacji. Liczby te opisują odrębne kanały, a nie wymienne szacunki całkowitego udziału w rynku.

Model o otwartych wagach udostępnia wyuczone parametry do pobrania, zgodnie z warunkami licencji. Taka dostępność pozwala innej organizacji uruchamiać go lub dostosowywać. Hostowany asystent zapewnia natomiast dostęp przez infrastrukturę zarządzaną przez dostawcę usługi.

Ta różnica zmienia relację między twórcą modelu a jego końcowym użytkownikiem. Osoba korzystająca z hostowanego asystenta zwykle styka się z rozpoznawalnym produktem. Ktoś korzystający z aplikacji zbudowanej wokół pobranych wag modelu może nigdy nie zobaczyć nazwy pierwotnego twórcy.

Adopcja AI w Chinach może zatem rosnąć bez odpowiadającego jej wzrostu liczby odwiedzin chińskich stron chatbotów. Działa to również w drugą stronę. Duży ruch w amerykańskim asystencie nie dowodzi, że amerykańskie modele do pobrania dominują w niezależnych wdrożeniach.

Pobrania wymagają jednak ostrożnej interpretacji. Zasady zliczania pobrań Hugging Face wyjaśniają, że ich statystyki zliczają żądania dotyczące wyznaczonych plików. Nie liczą bezpośrednio unikalnych osób, aktywnych organizacji ani ukończonych wdrożeń produkcyjnych. Sposób zliczania różni się także w zależności od formatów plików i bibliotek.

To ograniczenie nie czyni statystyk pobrań bez znaczenia. Dostarczają one dowodów aktywności wokół dystrybucji modeli. Błąd pojawia się wtedy, gdy zdarzenie dystrybucyjne bez dodatkowych dowodów staje się twierdzeniem o trwałym wykorzystaniu operacyjnym.

Pobrany model może służyć do oceny, eksperymentowania, adaptacji lub obsługi wdrożonej usługi. Działania te mają różne konsekwencje handlowe i strategiczne. Sama liczba pobrań nie pozwala wiarygodnie ich rozróżnić.

Ruch na stronie internetowej również ma ograniczenia. Wizyta nie dowodzi, że ktoś wykonał użyteczną pracę, regularnie wracał ani wybrał płatną usługę. Aktywność w aplikacji wymaga podobnej ostrożności, gdy porównania korzystają z różnych systemów pomiaru lub warunków dostępu.

Istotne pytanie brzmi, co umożliwia każdy kanał. Dystrybucja hostowana daje dostawcom bezpośrednią relację z użytkownikami i kontrolę nad aktualizacjami produktu. Modele do pobrania dają operatorom niższego szczebla większą odpowiedzialność za wdrożenie i większe możliwości kształtowania otaczającej aplikacji.

Żadne z tych rozwiązań nie gwarantuje lepszych rezultatów. Samodzielne uruchamianie modelu wiąże się z obowiązkami w zakresie utrzymania i bezpieczeństwa. Zależność od hostowanej usługi oznacza narażenie na zmiany dostępności, zachowania produktu i warunków dostępu.

Dla deweloperów wniosek jest praktyczny. Nagłówek o krajowej adopcji nie powinien rozstrzygać wyboru technicznego. Istotne porównanie dotyczy tego, czy konkretne rozwiązanie dystrybucyjne wspiera wymagania aplikacji w dłuższym czasie.

Dla decydentów wniosek jest inny. Wpływ może kumulować się poprzez markowe produkty konsumenckie albo poprzez bazowe komponenty wbudowane w inne systemy. Użyteczna ocena musi badać obie ścieżki, nie udając, że ich miary aktywności opisują tę samą populację.

Przewaga Ameryki w mocy obliczeniowej nadal zależy od fizycznych nakładów

Przewaga w oprogramowaniu AI nie eliminuje zależności od systemów przemysłowych, które umożliwiają jego działanie.

Moc obliczeniowa oznacza zasoby przetwarzania wykorzystywane do trenowania i uruchamiania systemów AI. Lowy szacuje, że amerykańskie centra danych AI dysponują niemal 40 razy większą łączną mocą obliczeniową niż Chiny. Stwierdza również, że Chiny przodują w produkcji 30 minerałów z amerykańskiej listy minerałów krytycznych, w porównaniu z ośmioma w przypadku Stanów Zjednoczonych.

Lista minerałów krytycznych obejmuje 60 materiałów uznawanych za kluczowe dla gospodarki i bezpieczeństwa narodowego USA. Jej cel dotyczy podatności dostaw w całej gospodarce. Nie jest rankingiem materiałów według ich indywidualnego znaczenia dla AI.

To rozróżnienie zapobiega kolejnemu mylącemu uproszczeniu. Wiodąca produkcja większej liczby minerałów z listy nie przekłada się automatycznie na równoważną przewagę w gotowych systemach AI. Materiały muszą przejść przez produkcję, wyposażenie, infrastrukturę i procesy operacyjne, zanim wesprą użyteczne zasoby obliczeniowe.

Jednak przeciwne uproszczenie jest równie słabe. Lepsze modele nie sprawiają, że zależności na wcześniejszych etapach łańcucha znikają. Dostawca może zajmować ważną pozycję, nie produkując najbardziej widocznego produktu końcowego.

Tworzy to trwałe napięcie w rywalizacji USA i Chin w AI. Różni uczestnicy mogą wpływać na różne etapy tego samego systemu przemysłowego. Przywództwo na poziomie aplikacji nie daje automatycznej ochrony przed ograniczeniami w innych obszarach.

Energia elektryczna dodaje kolejną zależność. Prognoza energetyczna AI Międzynarodowej Agencji Energetycznej przewiduje wzrost zużycia energii elektrycznej przez centra danych z 485 terawatogodzin w 2025 r. do 950 w 2030 r. Wskazuje wąskie gardła w sprzęcie energetycznym i innej infrastrukturze jako ograniczenia krótkoterminowej ekspansji.

Terawatogodzina mierzy energię elektryczną zużytą w czasie. Nie mierzy jakości modelu AI ani użyteczności jego odpowiedzi. Prognoza energetyczna wyjaśnia jednak, dlaczego zainstalowanego sprzętu obliczeniowego nie można oceniać niezależnie od systemów, które go zasilają.

Należy odrębnie traktować ogłoszoną infrastrukturę i działającą infrastrukturę. Proponowany obiekt nadal potrzebuje warunków fizycznych i handlowych niezbędnych do świadczenia niezawodnej usługi. Traktowanie każdego ogłoszenia jako natychmiast dostępnej mocy zacierałoby te warunki.

Dla klienta korporacyjnego ta przemysłowa dyskusja ma znaczenie poprzez zobowiązania usługowe. Pytanie operacyjne dotyczy niezawodnego dostępu, gdy obciążenia rosną lub dostawcy zmieniają swoją ofertę. Krajowy szacunek mocy nie może odpowiedzieć na to pytanie w odniesieniu do konkretnej umowy.

Dla rządów pytanie dotyczy odporności w powiązanych zależnościach. Rozbudowa jednego elementu może ujawnić inne ograniczenie. Większa ilość sprzętu daje ograniczone korzyści, jeśli otaczająca infrastruktura nie może go obsłużyć. Zróżnicowana baza dostawców wymaga również praktycznych alternatyw, a nie tylko nazw w dokumencie politycznym.

Przegląd AI Lowy Institute jest tutaj najbardziej użyteczny jako przypomnienie, by śledzić łańcuch zależności. Jego kategorie wskazują różne źródła siły. Czytelnicy nadal potrzebują dowodów na to, jak te atuty łączą się w rzeczywistej produkcji i wdrożeniach.

Obraz konkurencji opiera się więc prostemu rozdzieleniu oprogramowania od przemysłu. Każde zależy od drugiego, a poprawa w jednym obszarze może pozostawić nierozwiązane słabości w innym.

Przewaga w możliwościach nie gwarantuje przewagi we wdrożeniach

Najsilniejszy model ogólnego przeznaczenia nie staje się automatycznie najodpowiedniejszym systemem dla każdego zadania operacyjnego.

Scenariusze przywództwa w AI opracowane przez Anthropic rozróżniają inteligencję modeli, krajową adopcję, globalną dystrybucję i odporność społeczną. Firma twierdzi, że możliwości mają kluczowe znaczenie, jednocześnie przyznając, że skuteczne wdrożenie może zrekompensować słabszą inteligencję.

Ta perspektywa wspiera szersze spojrzenie na konkurencję, ale wymaga właściwego przypisania. Anthropic tworzy modele AI i uczestniczy w analizowanym przez siebie rynku. Jego ocena strategiczna stanowi świadomy punkt widzenia, a nie niezależne potwierdzenie każdego twierdzenia dotyczącego konkurencji.

Podstawowe rozróżnienie pozostaje użyteczne. Możliwości modelu dotyczą tego, co system potrafi zrobić w określonych warunkach. Wdrożenie dotyczy tego, czy organizacja potrafi uczynić te możliwości użytecznymi w swoich procesach.

Benchmark, czyli standaryzowana ocena służąca do porównywania systemów, może rzucić światło na określony zestaw umiejętności. Nie może jednak automatycznie potwierdzić skuteczności w każdym miejscu pracy. Zadania, dokumenty, ograniczenia operacyjne i konsekwencje błędów są różne.

Rozważmy hipotetyczny zespół inżynierski porównujący asystentów z własną dokumentacją wewnętrzną. Jeden system może tworzyć bardziej płynne wyjaśnienia, ale cytować niewłaściwą wersję specyfikacji technicznej. Inny może oferować mniej dopracowaną prozę, za to konsekwentnie odnajdywać właściwy dokument.

Ten przykład nie dowodzi, że konkretna rodzina modeli z danego kraju działa lepiej. Pokazuje, dlaczego ocena kupującego musi łączyć możliwości z rzeczywistym zadaniem. Ogólny ranking pozostawia to połączenie niedokończone.

Kontrola nad wdrożeniem tworzy kolejną kwestię do rozważenia. Zespół pracujący z poufnymi materiałami może preferować rozwiązanie, które utrzymuje przetwarzanie w zatwierdzonym środowisku. Inny zespół może przedkładać zarządzane operacje, ponieważ nie ma personelu do utrzymania własnej infrastruktury modelowej.

Wybory te wiążą się z kosztami wysiłku, odpowiedzialności i elastyczności, nawet gdy porównanie subskrypcji nie jest częścią dyskusji. Niezależne działanie wymaga, by ktoś zarządzał aktualizacjami i badał awarie. Dostęp zarządzany wymaga, by ktoś oceniał polityki dostawcy i jego zobowiązania dotyczące usług.

Adopcję AI w Chinach należy analizować przez ten operacyjny pryzmat. Zainteresowanie modelami do pobrania może odzwierciedlać zapotrzebowanie na elastyczność i kontrolę. Nie dowodzi, że każdy pobrany system trafia do produkcji lub zastępuje istniejącą usługę.

Zasięg amerykańskich produktów konsumenckich także wymaga spojrzenia operacyjnego. Rozpoznawalność może pomóc we wprowadzeniu produktu do organizacji. Sama znajomość produktu nie może jednak potwierdzić jego przydatności do pracy poufnej, specjalistycznych dokumentów ani decyzji wymagających wiarygodnych dowodów.

Dla pracowników wiedzy związek ten jest szczególnie bezpośredni. Użyteczność asystenta często zależy od materiałów, które może odzyskać, oraz od dowodów, które zachowuje. Silniejszy model ogólny nie zrekompensuje brakujących lub nieaktualnych dokumentów źródłowych.

Zespoły oceniające bazę wiedzy AI powinny zatem analizować dostęp do informacji obok wyboru modelu. Rywalizacja między państwami zapewnia kontekst, podczas gdy własne dowody organizacji decydują o tym, czy asystent dostarcza użyteczne wyniki.

To miejsce, w którym możliwości i adopcja spotykają się, nie stając się tym samym. Lepsze modele poszerzają zakres możliwych zastosowań. Udane wdrożenie określa, które możliwości stają się niezawodną pracą. Relacjonowanie powinno śledzić postęp w obu obszarach i opierać się uznawaniu jednego z nich za pełny substytut drugiego.

Zaufania publicznego nie można wywnioskować z przywództwa technicznego

Tworzenie powszechnie używanych systemów AI nie daje automatycznie uprawnienia do pisania zasad nimi rządzących.

Kwestia zarządzania dotyczy tego, kto ustanawia dopuszczalne praktyki, odpowiedzialność i nadzór. Różni się od pytania, który kraj tworzy najbardziej zaawansowany model. Użytkownicy mogą polegać na produkcie, jednocześnie nie ufając instytucjom z nim związanym.

Badanie regulacji AI przeprowadzone przez Pew Research Center we wrześniu 2026 r. wykazało medianę zaufania na poziomie 43% dla Chin, 35% dla Stanów Zjednoczonych i 34% dla Unii Europejskiej. Wyniki pochodziły z 12 badanych krajów, głównie gospodarek o średnich dochodach.

Zakres badania ma znaczenie równie duże jak wartości procentowe. Pew zadał powiązane pytania innej grupie 25 krajów w 2025 r. Zmiana wyników zbiorczych między tymi próbami sama w sobie nie dowodzi, że te same populacje zmieniły swoje poglądy.

Ta ostrożność metodologiczna ma konsekwencje dla przeglądu AI Lowy Institute. Jego omówienie zarządzania powinno skłaniać do dokładniejszego badania postaw w różnych krajach. Nie powinno zachęcać do uniwersalnego twierdzenia o światowej opinii publicznej.

Zaufanie jest też specyficzne dla zadanego pytania. Przekonanie, że rząd potrafi regulować AI, nie oznacza preferencji dla jego produktów komercyjnych. Korzystanie z zagranicznego asystenta nie musi też wyrażać aprobaty dla polityki jego rządu.

Dla kupujących korporacyjnych zarządzanie staje się konkretne poprzez odpowiedzialność. Ktoś musi zdecydować, do jakich informacji asystent może uzyskać dostęp. Ktoś musi badać szkodliwe lub błędne wyniki. Ktoś musi określić, kiedy obowiązkowa jest weryfikacja przez człowieka.

Tych decyzji nie można delegować na krajowy ranking. Organizacja potrzebuje rozwiązań, które pozostają zrozumiałe, gdy coś pójdzie nie tak. Istotne dowody obejmują procedury operacyjne, egzekwowalne zobowiązania i jasno przypisaną odpowiedzialność.

Dla rządów spoza Stanów Zjednoczonych i Chin to samo rozróżnienie tworzy przestrzeń do niezależnych wyborów. Mogą oceniać importowane systemy względem krajowych wymagań, nie traktując zamówień jako bezwarunkowego poparcia dla kraju dostawcy.

Nie czyni to tych wyborów politycznie prostymi. Zależności technologiczne i relacje polityczne mogą na siebie oddziaływać. Mimo to traktowanie każdego zakupu jako pełnego geopolitycznego sojuszu zacierałoby praktyczne różnice między zastosowaniami a instytucjami.

Istnieje również ograniczenie w ogólnej strukturze przeglądu. Równe wagi czynią ramy łatwiejszymi do odczytania, lecz stanowią wybór analityczny. Nie dowodzą, że każda kategoria ma równy wpływ na przyszłe wyniki.

Rząd stojący w obliczu zakłóceń dostaw może przywiązywać większą wagę do wkładów przemysłowych. Firma programistyczna rozszerzająca działalność międzynarodową może kłaść nacisk na dystrybucję. Agencja publiczna obsługująca wrażliwe rejestry może priorytetowo traktować odpowiedzialność i kontrolę operacyjną.

Żaden z tych priorytetów nie podważa raportu. Pokazują one, dlaczego czytelnicy powinni oddzielać jego ogólną ocenę od własnych kryteriów decyzyjnych. Ramy wspierają krytyczną analizę, gdy ich założenia pozostają widoczne.

Sceptyczny wniosek jest więc konkretny: przegląd porządkuje dowody dotyczące przywództwa, pozostawiając ważne pytania o wyniki bez rozstrzygnięcia. Nie dowodzi uniwersalnej wyższości produktów, nieuchronnej przyszłej dominacji ani międzynarodowo uznanego prawa do rządzenia AI.

Na co zwracać uwagę po przeglądzie AI Lowy Institute

Kolejne użyteczne dowody połączą twierdzenia o konkurencji z trwałym użyciem, działającą infrastrukturą i egzekwowalnymi wyborami operacyjnymi.

Pierwszy sygnał dotyczy adopcji wykraczającej poza początkowe zainteresowanie. W nadchodzących miesiącach premiery modeli i aktualizacje dystrybucji zasługują na uwagę, gdy obejmują dowody ciągłego wdrażania. Łączna liczba pobrań pozostaje użyteczna, ale dowody na powtarzalne użycie operacyjne wzmocniłyby twierdzenia o trwałym wpływie.

W przypadku chińskich modeli do pobrania kluczowe rozróżnienie dotyczy eksperymentowania i stałej zależności. Model testowany podczas rozwoju zajmuje inną pozycję niż model wspierający regularne operacje organizacji. Relacjonowanie dokumentujące tę zmianę wyjaśniłoby znaczenie zysków w dystrybucji.

Ten sam standard należy stosować wobec usług amerykańskich. Wzrost zainteresowania nie musi oznaczać trwałej użyteczności. Dowody ciągłego użycia organizacyjnego lepiej wspierałyby twierdzenia, że zasięg konsumencki przekłada się na trwały wpływ operacyjny.

Ten sygnał wzmocniłby interpretację Lowy, gdyby amerykańska przewaga w dystrybucji utrzymała się, podczas gdy aktywność chińskich modeli otwartych pozostawałaby skoncentrowana na eksperymentowaniu. Osłabiłby proste odczytanie tej interpretacji, gdyby chińskie modele zdobyły udokumentowane, trwałe zastosowanie w niezależnie obsługiwanych aplikacjach.

Drugi sygnał dotyczy infrastruktury wchodzącej do użytku. Aktualizacje firm i publiczne ujawnienia powinny rozróżniać proponowane obiekty od działającej mocy. Dowody dotyczące dostępu do energii elektrycznej, dostępności sprzętu i uruchamiania pomogłyby wyjaśnić, czy zapowiadana rozbudowa staje się użyteczną mocą obliczeniową.

Dowody te mają znaczenie po obu stronach konkurencji. Dodatkowa działająca infrastruktura wzmocniłaby pozycję ekosystemu, który potrafi ją skutecznie wykorzystać. Opóźnienia osłabiłyby wnioski opierające się na założeniu, że ogłoszona moc pojawi się zgodnie z oczekiwaniami.

Trzeci sygnał dotyczy przechodzenia zarządzania do praktyki operacyjnej. Warto obserwować wymagania zakupowe, wdrożone zabezpieczenia i opublikowane oceny, które zmieniają sposób wdrażania AI przez organizacje. Ogłoszenia członkostwa i ogólne deklaracje polityczne dostarczają mniej dowodów niż zasady o zdefiniowanej odpowiedzialności.

Ten sygnał podważyłby założenie, że przywództwo techniczne automatycznie określa wpływ na zarządzanie. Instytucje spoza krajów wiodących w produkcji modeli nadal mogą kształtować praktyczne wymagania. Ich wpływ staje się wyraźniejszy, gdy wymagania te oddziałują na rzeczywiste wdrożenia.

Dla czytelników śledzących konkurencję AI między USA a Chinami sygnały te oferują zdyscyplinowaną alternatywę dla reagowania na każde twierdzenie o przywództwie. Każdy z nich pyta, czy mierzalny rozwój zmienia relację między możliwościami, dystrybucją i zależnością.

Zachowuj oryginalne dowody przy każdej kolejnej aktualizacji. Odnotowuj, jaką populację obejmuje statystyka adopcji, na jakim etapie jest projekt infrastrukturalny oraz jakie obowiązki tworzy ogłoszenie dotyczące zarządzania. Taki zapis czyni późniejsze porównania bardziej użytecznymi.

Przed kolejnym zakupem lub wdrożeniem AI przełóż przegląd AI Lowy Institute na pytania o własną ekspozycję. Który dostawca kontroluje dostęp do systemu? Z jakich dokumentów może korzystać? Co się dzieje, gdy jego zachowanie się zmienia? Kto obsługuje awarie i jak łatwo organizacja może przenieść swoją pracę?

Porównuj systemy kandydujące, używając reprezentatywnych zadań i jasnych wymagań operacyjnych. Zachowuj wyniki, aby nowa wersja mogła przejść tę samą ocenę. Śledź krajową konkurencję dla kontekstu, a następnie wymagaj dowodów na poziomie, na którym rzeczywiście działa Twoja organizacja. Którą zależność najtrudniej byłoby zastąpić, gdyby układ konkurencyjny się zmienił?