Co się właściwie wydarzyło w Google DeepMind
Sierpień 2026 roku przyniósł trzęsienie ziemi w strukturach badawczych Google. Demis Hassabis, dotychczasowy CEO Google DeepMind, przekazał stery operacyjne i objął rolę przewodniczącego oraz głównego naukowca Alphabetu. Jeff Dean — legendarny główny naukowiec, przez lata twarz Google w świecie AI — odszedł po 27 latach, żeby założyć własny startup Discovery Loop, zabierając ze sobą kilku wybitnych inżynierów.
Nowym szefem jednostki został Koray Kavukcuoglu, awansowany do rangi Senior Vice President. Ważny detal: raportuje teraz bezpośrednio do CEO Google, Sundara Pichaia — a nie do Hassabisa. DeepMind traci tym samym status niezależnej jednostki z własnym CEO. To nie jest kosmetyczna zmiana w schemacie organizacyjnym. To koniec pewnej ery.
Reakcja rynku była natychmiastowa — akcje Alphabetu spadły o ponad 5%. Ale prawdziwy problem nie tkwi w odejściach gwiazd, lecz gdzie indziej.
Google ma roczne opóźnienie
Nagłówki o talentach odciągają uwagę od sedna. Google wyraźnie zeszło z frontu wyścigu o najbardziej zaawansowane modele. Model Gemini 3.5 Pro utknął w martwym punkcie — pracownicy DeepMind musieli zresetować i przebudować model bazowy po tym, jak zawiódł w zadaniach programistycznych. Opóźnienia liczone w miesiącach obnażyły niskie morale w zespole.
Prognozy są jeszcze gorsze. Szacuje się, że Gemini 4 ukaże się dopiero w połowie 2027 roku. Oznacza to, że Google jest obecnie około 12 miesięcy za prawdziwą stawką rozwoju AI, za którą uznaje się nadchodzące modele takie jak GPT-6. Na rynku, który zmienia się co kwartał, rok różnicy to przepaść.
Dla firm planujących wdrożenia oparte na najnowszych modelach Google to nie jednorazowy zgrzyt — to trend. Opóźnienia są regułą, a nie odchyleniem.
Dlaczego odejścia gwiazd nie niszczą laboratoriów
Media rozpisywały się na temat fali odejść — Jeff Dean, Noam Shazeer (do OpenAI), John Jumper (noblista, do Anthropic). Sensacja gotowa. Ale historyczne dane empiryczne pokazują coś innego.
Badania nad 157 wydaniami modeli frontier i 171 ruchami personalnymi wykazują, że laboratoria, z których odchodzili najwięksi naukowcy, i tak tworzyły później lepsze modele niż ich konkurenci z tej samej ligi. Prawdziwą fosą obronną nie są nazwiska z pierwszych stron gazet. To infrastruktura treningowa i setki inżynierów, których nazwiska nigdy nie trafiają do prasy.
Problem Google nie polega na braku kadr. Polega na tym, że pojedyncze osoby w AI mają obecnie asymetrycznie dużą wagę strategiczną. Odejście lidera może zresetować harmonogram o rok — co na rynku zmieniającym się co kwartał bywa krytyczne.
Prawdziwa rola Google: rentier infrastrukturalny
Gdy Gemini notuje opóźnienia, prawdziwym motorem napędowym Google staje się chmura. Dział Google Cloud odnotował wzrost przychodów o 82% rok do roku do 24,8 mld USD w ostatnim kwartale. Firma planuje wydatki kapitałowe rzędu 205 mld USD w 2026 roku. A jej głównym klientem w obszarze sztucznej inteligencji stają się... bezpośredni konkurenci.
Najlepszym dowodem na tę zmianę jest Anthropic. Startup ten zobowiązał się wydać około 200 mld USD na Google Cloud w ciągu najbliższych pięciu lat. Według prognoz istnieje 60% prawdopodobieństwa, że roczne wydatki Anthropic na chmurę Google przewyższą przychody Alphabetu z własnego API Gemini i subskrypcji konsumenckich jeszcze przed 2028 rokiem. Dla porównania: obecne roczne przychody z API Gemini szacuje się na zaledwie około 15 mld USD.
Google przestaje być liderem w modelach na rzecz bycia hostingiem dla rywali. To brutalna, ale logiczna strategia biznesowa — tyle że dla Twojej firmy oznacza coś zupełnie innego niż zakładano jeszcze rok temu.
Koniec czerwonych linii i militarna ewolucja
Reorganizacja ma też głębsze implikacje. Od 2014 roku DeepMind funkcjonowało z pewną dozą niezależności — z gwarancjami, że jeśli technologia zostanie wykorzystana do celów militarnych, kontrolę nad nią przejmie niezależny zarząd etyczny. W 2025 roku te czerwone linie zostały oficjalnie usunięte z zasad Google.
Obecnie, gdy DeepMind stało się jednostką podlegającą Senior Vice President bez statusu CEO, bariery dla komercjalizacji w sektorze obronnym praktycznie zniknęły. Google podpisało już klasyfikowaną umowę z Pentagonem. Prawdopodobieństwo, że do końca 2027 roku modele z rodziny Gemini zostaną oficjalnie zaangażowane w systemy celowania lub broni, prognozowane jest na aż 66%.
Dla biznesu oznacza to konieczność oceny ryzyka korzystania z modeli o kulturze skrajnie zorientowanej na zysk i zobowiązaniach kontraktowych rządu USA. Nie mówię tu o regulacjach — mówię o tym, czy dostawca Twoich krytycznych procesów AI ma inne priorytety niż jakość modelu, który Ci dostarcza.
Co konkretnie zrobić, gdy harmonogramy Google się przesuwają
Z perspektywy polskiego rynku opieranie strategii cyfrowej na jednym dostawcy — zwłaszcza takim, który resetuje swoje produkty z roku na rok — staje się skrajnie ryzykowne. Jak podkreśla CEO Superblocks, wkrótce każdy CIO, który stawia na jednego dostawcę modeli, zostanie zwolniony.
Oto zalecane kroki:
Wdrażaj strategię multi-model z warstwą abstrakcji
Unikaj zaszywania wywołań do API jednego dostawcy. Integracje prowadź przez wewnętrzny interfejs — bramkę AI (np Open Router), która umożliwia podmianę modelu z OpenAI na Anthropic albo na modele open-source bez przebudowy aplikacji. W lipcu modele open-source stanowiły już 29% całego ruchu w niektórych bramkach AI. To nie ciekawostka — to realna opcja rezerwowa.
Przetestuj alternatywy zamiast czekać na Gemini
Nie czekaj na opóźnianego Gemini 3.5 Pro ani Gemini 4. Jeśli decydujesz o wdrożeniach w 2026 roku, testuj obecne modele frontier od OpenAI lub Anthropic. Przygotuj własne zestawy ewaluacyjne, żeby porównać jakość modeli w specyficznych dla Twojego biznesu przypadkach użycia. Nie ufaj ogólnym rankingom, które ulegają ciągłym zmianom kadrowym u dostawców.
Minimalizuj uzależnienie od dostawcy i optymalizuj koszty
Zablokowanie się na rozwiązaniach własnościowych jednego dostawcy — na przykład unikalne funkcje RAG od Google — rodzi ryzyko rosnących kosztów zmiany dostawcy. Zachowaj portfel otwartych modeli jako opcję rezerwową dla określonych zadań. To całkowicie eliminuje ryzyko zablokowania u jednego wendora.
Zaplanuj migrację jako proces, nie wydarzenie
Migracja między dostawcami LLM to nie weekendowy projekt. To proces, który wymaga ewaluacji modeli, adaptacji promptów, testów regresyjnych i monitorowania kosztów. Włącz go w roadmapę już teraz — nie wtedy, gdy Google ogłosi kolejne opóźnienie.
Co dalej?
Reorganizacja Google DeepMind to rynkowy dowód na to, że nawet giganci nie utrzymają monopolu na talenty potrzebne do trenowania modeli frontier. Zmiana modelu biznesowego Google na infrastrukturę chmurową pokazuje, że prawdziwa wartość AI leży dziś w mocy obliczeniowej i procesach — nie tylko w samych nazwiskach twórców modeli.
Dla biznesu sygnał jest jasny: portfel dostawców LLM musi być tak płynny, jak płynna jest obecnie rywalizacja między laboratoriami AI. Nie buduj strategii na założeniu, że jeden dostawca dowiezie model na czas i utrzyma jakość. Buduj na założeniu, że dostawcy będą się zmieniać — i zrób to, zanim zmiana wymusi ją na Tobie.
W Kodiwo pomagamy firmom projektować architekturę AI niezależną od jednego wendora — od bramek multi-model po ewaluację i migrację. Jeśli zastanawiasz się, jak zabezpieczyć swoje wdrożenie przed przesuwającymi się harmonogramami, porozmawiajmy.
Reorganizacja Google DeepMind to koniec pewnej ery — ale nie katastrofa samego laboratorium. To raczej dowód, że rynek AI dojrzał do punktu, w którym żaden dostawca nie gwarantuje stabilności harmonogramów ani jakości. Pytanie nie brzmi „czy zmienić dostawcę", lecz „kiedy i jak przygotować się do zmiany". Jeśli chcesz wiedzieć, jak zbudować architekturę AI odporną na reorganizacje u wendorów — porozmawiajmy.
