😼 Crystal Ball: Otwarte modele przejmują dev do 2027

Mój zakład na najbliższe dwadzieścia miesięcy: do grudnia 2027 roku modele open-weight będą obsługiwać 80% produkcyjnych zadań dev — generowanie kodu, code review, refactoring, testowanie, dokumentacja — działając na sprzęcie firmowym lub tanich cloud instancjach, nie przez API do Anthropic czy OpenAI.

Nie dlatego że open modele będą mądrzejsze. Dlatego że równanie zaufania się odwróciło.

😸 Zapaść zaufania, której nikt nie wycenia.

Dzisiaj pisaliśmy o drugim wycieku source code Anthropic — i to jeszcze nie jest najgorsze. Pentagon wpisuje AI providerów na czarną listę z powodów bezpieczeństwa. OpenAI zabił Sorę po tym, jak nie mógł zatrzymać generowania treści objętych prawem autorskim. To nie są izolowane incydenty. To wzorzec: firmy proszące cię o przepychanie firmowej codebase przez ich API nie mogą nawet utrzymać własnego source code w tajemnicy.

Gdy twój AI provider wycieka własne sekrety dwa razy w ciągu tygodnia, pytanie przestaje brzmieć czy otwarta alternatywa jest wystarczająco dobra, a staje się: po co w ogóle wysyłamy nasz kod do ludzi, którzy nie mogą zabezpieczyć swojego?

😼 A otwarte modele właśnie stały się wystarczająco dobre, żeby to pytanie brzmiało poważnie.

Google wypuścił Gemma 4 na licencji Apache 2.0 — jego gęsty model 31B zajął #3 miejsce na Arena AI, bijąc modele własnościowe dwadzieścia razy większe. Qwen 3.5 Alibaby dorównuje GPT-5-mini na benchmarkach za jedną trzydziestą kosztów. DeepSeek V4 przepisał swój training stack pod krzem Huawei, udowadniając że nawet NVIDIA nie jest konieczna do gry. Społeczność LocalLLaMA już odpala Gemma 4 na MacBookach — wyniki mieszane, ale trajektoria jest jasna.

Dwie siły zbiegające się: własnościowi providerzy tracą zaufanie dokładnie w tym momencie, gdy otwarte alternatywy zamykają performance gap. Dla 80% zadań dev — rutynowej pracy, która nie wymaga frontier reasoning — fine-tuned model 30B na maszynie za $3.000 bije wywołanie API za $0.003 za token pod względem latencji, prywatności i całkowitego kosztu posiadania.

😹 Co by to potwierdziło.

Obserwujcie Fortune 500 ogłaszające strategie niezależności od modeli. Obserwujcie wojny cenowe na API, które sprawią że obecne stawki będą wyglądać śmiesznie. Obserwujcie GitHub Copilot oferujący tier bring your own model. Dowolne dwa z trzech i jesteśmy przed harmonogramem.

Uczciwe prawdopodobieństwo: 55%.

Pozostałe 20% zadań — trudny reasoning, nowe decyzje architektoniczne, momenty wyjaśnij mi tę codebase, której nigdy nie widziałem — te wciąż wymagają frontier models. I pewnie niedoszacowuję jak szybko własnościowe laby będą ciąć ceny żeby konkurować. Ale kierunek? 😼 Kierunek to żelazna pewność.

Domino, którego nikt nie obserwuje: mniej więcej $300 miliardów venture funding jest teraz postawionych na założeniu, że własnościowe AI moaty się utrzymają. Jeśli otwarte modele pochłoną rutynowe 80%, ten moat nie tylko się kurczy — zapada się w cienką premium warstwę dla frontier reasoning. Masa obecnych wycen jest skalkulowana pod mamy model, gdy rynek zmierza ku mamy dane i deployment. To przeszacowanie będzie gwałtowne.

Era płacenia za token za rutynową pracę dobiega końca. Jedyne pytanie to czy skończy się w 2027 czy 2028.