Co to jest sztuczna inteligencja i jak działa – definicja, prawo i mapa pojęć
Sztuczna inteligencja to system, który na podstawie danych wejściowych wnioskuje, jak wygenerować wynik – predykcję, treść, rekomendację albo decyzję. To nie definicja publicystyczna, tylko sedno definicji prawnej, która od 2 sierpnia 2026 obowiązuje w całej Unii Europejskiej. W Polsce od 11 sierpnia 2026 działa dodatkowo ustawa krajowa i nowy organ nadzoru. Poniżej znajdziesz jedno i drugie: wyjaśnienie mechanizmu i stan prawny.
Definicja prawna pochodzi z rozporządzenia (UE) 2024/1689, dane o wykorzystaniu AI w polskich firmach z Eurostatu i GUS, informacje o polskiej ustawie z Dziennika Ustaw.
Czym jest sztuczna inteligencja – definicja
Sztuczna inteligencja (AI, od angielskiego artificial intelligence) to dziedzina informatyki zajmująca się budową systemów rozwiązujących zadania, które wymagały dotąd ludzkiego rozumowania – i jednocześnie nazwa samej klasy tych systemów. Kiedy mówimy „sztuczna inteligencja wskazała zmianę na zdjęciu”, mówimy o konkretnym systemie, nie o dyscyplinie naukowej.
Różnica między systemem AI a zwykłym programem sprowadza się do jednego: skąd biorą się reguły.
| Cecha | Klasyczne oprogramowanie | System AI |
|---|---|---|
| Źródło reguł | programista zapisuje je wprost w kodzie | system wyprowadza je z danych treningowych |
| Zachowanie wobec nowych danych | stałe – to samo wejście daje to samo wyjście | statystyczne – wynik jest najbardziej prawdopodobną odpowiedzią |
| Adaptacja | wymaga zmiany kodu przez człowieka | część systemów dostosowuje się po wdrożeniu |
| Wyjaśnialność decyzji | pełna – można wskazać linię kodu | ograniczona – decyzja wynika z milionów parametrów |
Ta ostatnia różnica ma praktyczne konsekwencje. Kalkulator zawsze zwróci cztery, bo tak zapisał to programista. Model językowy zapytany dwa razy o to samo może odpowiedzieć inaczej, bo jego odpowiedź jest wynikiem rachunku prawdopodobieństwa, a nie odczytem z tablicy.
Krótka historia sztucznej inteligencji
Termin „artificial intelligence” wprowadził John McCarthy w propozycji warsztatu badawczego w Dartmouth College w 1956 roku – to wydarzenie uznaje się za moment narodzin dyscypliny. Sześć lat wcześniej Alan Turing opublikował w czasopiśmie „Mind” tekst Computing Machinery and Intelligence, w którym zamiast pytać, czy maszyna myśli, zaproponował test praktyczny: czy człowiek rozpozna, że rozmawia z maszyną.
Kolejne dekady przyniosły dwa okresy zwane zimami AI – momenty, w których finansowanie badań załamało się po niespełnionych obietnicach. Przełom przyszedł z trzema rzeczami naraz: dużymi zbiorami danych, tanią mocą obliczeniową kart graficznych i architekturą transformerową opublikowaną w 2017 roku. Publiczne udostępnienie ChatGPT w listopadzie 2022 roku nie było przełomem naukowym – było momentem, w którym technologia zbudowana wcześniej trafiła do przeglądarki każdego użytkownika.
Jak działa sztuczna inteligencja – od danych do decyzji
System AI uczy się wzorców z danych treningowych, zapisuje je w parametrach modelu, a potem stosuje do nowych danych – i ten trzeci krok nazywa się inferencją. Wszystko, co robisz w czacie AI, dzieje się w kroku trzecim; nauka odbyła się wcześniej, u dostawcy modelu.
Cykl wygląda tak:
- Dane – zbiór przykładów: teksty, obrazy, nagrania, zapisy transakcji.
- Trening – algorytm szuka w tych danych zależności statystycznych i zapisuje je w postaci liczb zwanych wagami. Duże modele językowe mają ich setki miliardów.
- Model – zamrożony wynik treningu: zestaw wag plus architektura, która mówi, jak je stosować.
- Inferencja – podajesz nowe dane wejściowe, model liczy najbardziej prawdopodobne wyjście.
- Sprzężenie zwrotne – oceny użytkowników i nowe dane trafiają do kolejnych wersji modelu.
Praktyczny wniosek z tego cyklu: model nie wie nic o świecie po dacie odcięcia danych treningowych. Kiedy asystent AI podaje dzisiejszy kurs waluty, nie robi tego z pamięci – sięga po zewnętrzne narzędzie albo wyszukiwarkę. Bez tego mechanizmu odpowiedź byłaby zgadywaniem najbardziej prawdopodobnej liczby.
Uczenie maszynowe i sieci neuronowe
Uczenie maszynowe (machine learning) to metoda budowania systemów AI, w której model wyprowadza reguły z danych, a sieć neuronowa jest jego najpopularniejszą dziś architekturą. Sieć składa się z warstw prostych jednostek obliczeniowych; każda przekazuje dalej ważoną sumę tego, co dostała na wejściu, a trening polega na korygowaniu tych wag.
Uczenie maszynowe dzieli się na cztery podstawowe tryby:
- nadzorowane – dane mają etykiety, model uczy się odwzorowania wejście → etykieta (rozpoznawanie zmian na zdjęciach radiologicznych)
- nienadzorowane – danych nikt nie opisał, model szuka struktury sam (segmentacja klientów)
- samonadzorowane – etykiety system generuje sam z fragmentów niepodpisanych danych, na przykład ucząc się przewidywać brakujące albo kolejne słowo w zdaniu; to właśnie ten tryb, nie nadzorowany ani nienadzorowany, stoi za wstępnym treningiem dużych modeli językowych na tekstach z internetu
- wzmacniane – model uczy się przez nagrodę za skutek działania (sterowanie robotem, dostrajanie asystentów pod ludzkie preferencje)
Budowę warstw, propagację wsteczną i typy sieci opisuje osobny tekst o sieciach neuronowych.
Architektura transformerowa i tokenizacja
Wszystkie popularne dziś modele językowe opierają się na architekturze transformerowej, a tekst przetwarzają w jednostkach zwanych tokenami, nie w słowach. Token to fragment tekstu – może być całym słowem, cząstką słowa albo znakiem interpunkcyjnym. Polszczyzna dzieli się na tokeny mniej ekonomicznie niż angielski, co przekłada się bezpośrednio na koszt zapytania i szybkość zużywania limitów.
Transformer wprowadził mechanizm, w którym model przy przetwarzaniu każdego tokenu waży jego związek ze wszystkimi pozostałymi w oknie kontekstowym. Dlatego modele radzą sobie z odległymi zależnościami w długim tekście. Mechanizm samouwagi i budowę warstw wyjaśnia tekst o architekturze transformera, a same algorytmy podziału tekstu – materiał o tokenizacji.
Definicja prawna sztucznej inteligencji – co mówi AI Act
Od 2 sierpnia 2026 sztuczna inteligencja ma w Unii Europejskiej definicję ustawową i brzmi ona inaczej niż definicje popularnonaukowe – nie ma w niej ani słowa o naśladowaniu ludzkiego myślenia. Art. 3 pkt 1 rozporządzenia (UE) 2024/1689, znanego jako AI Act, określa system AI jako:
system maszynowy, który został zaprojektowany do działania z różnym poziomem autonomii po jego wdrożeniu oraz który może wykazywać zdolność adaptacji po jego wdrożeniu, a także który – na potrzeby wyraźnych lub dorozumianych celów – wnioskuje, jak generować na podstawie otrzymanych danych wejściowych wyniki, takie jak predykcje, treści, zalecenia lub decyzje, które mogą wpływać na środowisko fizyczne lub wirtualne.
Warto rozłożyć tę definicję na elementy, bo każdy jest w niej osobną przesłanką. Dokładnie tak, sekcja po sekcji, robi to też oficjalny dokument interpretacyjny – wytyczne Komisji Europejskiej z 6 lutego 2025 roku w sprawie definicji systemu AI. To wykładnia niewiążąca (soft law), ale to jedyny oficjalny punkt odniesienia, dopóki nie wypowie się w tej sprawie Trybunał Sprawiedliwości UE:
| Element definicji | Co znaczy w praktyce |
|---|---|
| system oparty na maszynie | działa na sprzęcie i oprogramowaniu, nie jest procedurą organizacyjną |
| różny poziom autonomii | działa bez pełnej kontroli człowieka nad każdym krokiem, choć może wymagać danych wejściowych podanych przez człowieka |
| możliwa zdolność adaptacji | może zmieniać zachowanie po wdrożeniu, ale nie musi – to jedyna przesłanka opcjonalna w całej definicji |
| cel wyraźny lub dorozumiany | system dąży do celu zapisanego wprost w konstrukcji albo wynikającego z niej pośrednio |
| wnioskowanie z danych wejściowych | element kluczowy – obejmuje techniki uczenia maszynowego oraz podejścia oparte na logice i regułach wiedzy, odróżnia AI od oprogramowania z regułami zapisanymi wprost przez człowieka |
| wynik wpływający na środowisko | predykcja, treść, rekomendacja lub decyzja, która oddziałuje na otoczenie fizyczne albo cyfrowe |
Jedna uwaga terminologiczna: prawnicze „wnioskowanie” z tej definicji to pojęcie szersze niż „inferencja” z cyklu uczenia maszynowego opisanego wyżej – obejmuje też samą fazę budowy systemu, czyli dobór technik (uczenie maszynowe, reguły, logika), które w ogóle umożliwiają wyprowadzanie wyniku z danych, a nie tylko moment, w którym gotowy model liczy odpowiedź na nowe pytanie.
Dlaczego to rozróżnienie ma znaczenie dla firm. Arkusz kalkulacyjny z formułą liczącą prowizję nie jest systemem AI – wytyczne Komisji wprost wskazują, że oprogramowanie biurowe i podstawowe przetwarzanie danych zostają poza zakresem definicji, bo mają ograniczoną zdolność do analizowania wzorców i samodzielnego dostosowywania wyniku. Model, który sam wyprowadził z historii sprzedaży, komu warto zaproponować rabat – już jest systemem AI, bo tę regułę wyprowadził algorytm, a nie programista. Od tej klasyfikacji zależą obowiązki: informacyjne, dokumentacyjne, a w kategorii wysokiego ryzyka także techniczne.
Harmonogram AI Act rozpisany jest na kilka lat:
| Data | Co zaczyna obowiązywać |
|---|---|
| 2 sierpnia 2026 | obowiązki przejrzystości z art. 50: informowanie o interakcji z AI, oznaczanie treści generowanych przez AI, ujawnianie deepfake’ów |
| 2 grudnia 2026 | koniec dodatkowego czasu dla dostawców systemów generujących treści syntetyczne, wprowadzonych do obrotu przed 2 sierpnia 2026 |
| 2 grudnia 2027 | wymogi dla systemów wysokiego ryzyka: biometria, infrastruktura krytyczna, edukacja, zatrudnienie |
| 2 sierpnia 2028 | Załącznik I, czyli systemy objęte równolegle unijnymi przepisami o bezpieczeństwie produktów |
Obowiązek oznaczania treści generowanych przez AI to najbardziej odczuwalny skutek tego kalendarza dla zwykłego użytkownika i twórcy treści. Standardy techniczne, które mu służą, opisuje materiał o wykrywaniu i oznaczaniu treści AI.
Jak Polska wdraża AI Act – ustawa i KRiBSI
Polska ma własną ustawę o systemach sztucznej inteligencji, która weszła w życie 11 sierpnia 2026, oraz nowy organ nadzoru – Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI). Rozporządzenie unijne obowiązuje bezpośrednio, ale nie wskazuje krajowych organów ani trybu postępowania – to musiało dopisać państwo członkowskie.
Ustawa została opublikowana w Dzienniku Ustaw 27 lipca 2026 pod pozycją 1003. Jej rola jest organizacyjna: powołuje organ nadzoru rynku, ustala tryb postępowań i sankcje, wskazuje sposób zgłaszania poważnych incydentów.
Czym jest KRiBSI. To organ kolegialny, obsługiwany organizacyjnie przez Ministerstwo Cyfryzacji, w którego składzie zasiadają przedstawiciele czterech instytucji nadzorczych:
- Prezesa Urzędu Ochrony Konkurencji i Konsumentów (UOKiK)
- Komisji Nadzoru Finansowego (KNF)
- Krajowej Rady Radiofonii i Telewizji (KRRiT)
- Prezesa Urzędu Komunikacji Elektronicznej (UKE)
Taki skład nie jest przypadkiem – systemy AI wchodzą jednocześnie w prawo konsumenckie, rynek finansowy, media i telekomunikację. Przewodniczącego Komisji powołuje Sejm za zgodą Senatu na pięcioletnią kadencję, co ma dać organowi niezależność od zmian w rządzie.
Co to znaczy dla polskiej firmy używającej AI. Adresatem zgłoszeń i kontroli nie jest abstrakcyjny organ unijny, lecz krajowa komisja z konkretnymi kompetencjami. Obowiązki wynikają z rozporządzenia, ale postępowanie toczy się w Polsce, po polsku i według krajowej procedury.
Mapa pojęć – AI, uczenie maszynowe, deep learning, GenAI, LLM i agent
Sztuczna inteligencja zawiera w sobie uczenie maszynowe, uczenie maszynowe zawiera głębokie uczenie, a generatywna AI i modele językowe są zastosowaniami głębokiego uczenia – to nie synonimy i nie warianty tego samego. Poniższa tabela porządkuje pojęcia, które w tekstach publicystycznych występują wymiennie.
| Pojęcie | Zakres | Relacja do pozostałych |
|---|---|---|
| Sztuczna inteligencja (AI) | cała dziedzina i klasa systemów wnioskujących z danych | pojęcie najszersze, obejmuje wszystkie poniższe |
| Uczenie maszynowe (ML) | metoda: reguły wyprowadzane z danych, nie zapisywane ręcznie | podzbiór AI |
| Głębokie uczenie (deep learning) | uczenie maszynowe na wielowarstwowych sieciach neuronowych | podzbiór uczenia maszynowego |
| Generatywna AI (GenAI) | systemy tworzące nowe treści: tekst, obraz, dźwięk, wideo | zastosowanie głębokiego uczenia |
| Duży model językowy (LLM) | model trenowany na tekście, przewidujący kolejne tokeny | konkretny typ modelu generatywnego |
| Agent AI | system, który sam planuje kroki i używa narzędzi, by wykonać zadanie | warstwa nad modelem, nie inny rodzaj modelu |
Najczęstszy błąd w potocznym użyciu to stawianie znaku równości między sztuczną inteligencją a ChatGPT. Filtr antyspamowy w skrzynce mailowej też jest systemem AI – tylko nie generuje treści, więc nie jest widowiskowy.
Duże i małe modele językowe (LLM, SLM)
Duży model językowy to model trenowany na ogromnych zbiorach tekstu, którego jedynym zadaniem jest przewidywanie kolejnego tokenu – cała reszta, od tłumaczenia po pisanie kodu, wynika z tej jednej umiejętności. Rodziny modeli, o których słyszysz najczęściej, to GPT, Gemini, Claude i Llama; modelem trenowanym pod polszczyznę jest Bielik.
Obok nich rozwija się kategoria małych modeli językowych (SLM), projektowanych pod działanie na laptopie albo telefonie, bez wysyłania danych do chmury. Ich możliwości i wymagania zestawia przewodnik po małych modelach językowych. Działanie konkretnego asystenta od strony użytkownika wyjaśnia tekst o tym, jak działa ChatGPT.
Jak modele korzystają z wiedzy – RAG i embeddingi
Model językowy nie ma dostępu do dokumentów twojej firmy, dopóki nie poda mu się ich w kontekście – i temu służy RAG, czyli generowanie wspomagane wyszukiwaniem. W tym podejściu system najpierw znajduje fragmenty dokumentów pasujące do pytania, a potem dołącza je do zapytania wysyłanego do modelu.
Wyszukiwanie działa na embeddingach – liczbowych reprezentacjach znaczenia tekstu, w których zdania o podobnym sensie leżą blisko siebie. Mechanizm tych reprezentacji opisuje tekst o embeddingach, a wybór między RAG a dostrajaniem modelu na własnych danych – porównanie obu metod.
Agent AI – warstwa nad modelem językowym
Agent AI różni się od czatu tym, że nie odpowiada na pytanie, lecz wykonuje zadanie: rozbija je na kroki, sięga po narzędzia i sprawdza wynik. Model językowy jest w tym układzie silnikiem decyzyjnym, a nie całym systemem – obok niego działa pętla planowania, pamięć i zestaw narzędzi, z których agent może korzystać.
Architekturę takiego systemu i warunki, w których agent ma sens biznesowy, omawia materiał o agentach AI.
Rodzaje sztucznej inteligencji – wąska, ogólna i silna
Cała sztuczna inteligencja, z której dziś korzystasz, jest wąska (ANI) – działa w jednej klasie zadań. Sztuczna inteligencja ogólna (AGI) pozostaje pojęciem teoretycznym i nie istnieje w żadnym produkcie. Ten podział jest ważny, bo w debacie publicznej właściwości AGI regularnie przypisuje się dzisiejszym modelom. Sam termin nie ma zresztą jednej uzgodnionej definicji – spór o to, czym dokładnie AGI miałaby być i po czym poznać jej osiągnięcie, toczy się także między laboratoriami badawczymi, co dodatkowo utrudnia ocenę, czy jakikolwiek istniejący system się do niej zbliżył.
| Typ | Nazwa angielska | Status | Przykład |
|---|---|---|---|
| AI wąska | Artificial Narrow Intelligence (ANI) | działa, jest wszędzie | asystent tekstowy, filtr antyspamowy, rozpoznawanie mowy |
| AI ogólna | Artificial General Intelligence (AGI) | koncepcja badawcza | system uczący się dowolnego nowego zadania jak człowiek |
| AI silna, superinteligencja | Artificial Superintelligence (ASI) | hipoteza | system przewyższający ludzi we wszystkich dziedzinach |
Wąskość dzisiejszych systemów nie oznacza słabości. Model językowy pisze tekst, tłumaczy i generuje kod, ale wszystkie te zadania są jednym typem operacji – przewidywaniem ciągu tokenów. Zdolność do samodzielnego postawienia sobie zupełnie nowego celu poza tym zakresem to już cecha AGI, a nie jej zapowiedź.
Do czego służy sztuczna inteligencja – zastosowania
Sztuczna inteligencja jest dziś codziennym narzędziem w czterech obszarach: pracy z tekstem, analizie obrazu, prognozowaniu i automatyzacji procesów. Poniżej po jednym konkretnym zastosowaniu z każdego, żeby nie zostać na poziomie „AI zmienia wszystko”.
Praca z tekstem. Pisanie, tłumaczenie, streszczanie dokumentów, odpowiadanie na pytania z bazy wiedzy. To najszybciej przyjęte zastosowanie, bo nie wymaga wdrożenia – wystarczy przeglądarka. Dostępne narzędzia zestawia porównanie czatów AI.
Analiza obrazu. W medycynie systemy wspierają odczyt badań obrazowych, wskazując radiologowi obszary wymagające uwagi – opisuje to materiał o sztucznej inteligencji w radiologii. Decyzja diagnostyczna zostaje po stronie lekarza, bo AI Act klasyfikuje takie zastosowania jako wysokiego ryzyka.
Prognozowanie i praca na danych liczbowych. Przewidywanie popytu, wykrywanie nadużyć w transakcjach, klasyfikacja dokumentów księgowych. Przykład wdrożenia w polskich warunkach opisuje tekst o AI w księgowości.
Automatyzacja procesów. Obsługa powtarzalnych zgłoszeń, uzupełnianie systemów, przygotowywanie raportów. Tu wchodzą już agenci, którzy nie tylko odpowiadają, lecz wykonują kolejne kroki procesu.
Ile firm w Polsce korzysta ze sztucznej inteligencji
Zależy, kogo pytasz: według Eurostatu AI używa 8,4% polskich firm, według raportu branżowego – 48%. Obie liczby policzono poprawnie i obie dotyczą czegoś innego. Ta rozbieżność jest ważniejsza niż każda z liczb osobno, bo pokazuje, jak łatwo w tym temacie o mylącą statystykę.
| Źródło | Wynik dla Polski | Rok danych | Metodologia |
|---|---|---|---|
| Eurostat | 8,4% | 2025, publikacja 11.12.2025 | statystyka publiczna, firmy od 10 pracowników, zamknięta lista technologii AI |
| GUS | 5,9% | 2024 | krajowe badanie statystyczne, inny próg i zakres niż Eurostat |
| Strand Partners dla AWS | 48% | maj 2026 | badanie ankietowe, deklaracja respondenta o korzystaniu z AI |
Skąd taka różnica. Statystyka publiczna liczy udokumentowane wykorzystanie konkretnych technologii w firmie od dziesięciu pracowników. Badanie ankietowe liczy odpowiedzi „tak” na pytanie o korzystanie z AI – a pracownik używający darmowego czatu do pisania maili odpowie „tak”, choć firma nie wdrożyła niczego.
Dla porządku: średnia unijna w danych Eurostatu za 2025 rok to 20,0% przedsiębiorstw, wobec 13,5% rok wcześniej. Polska z wynikiem 8,4% jest w ogonie stawki – niżej są Rumunia i Bułgaria, a na czele Dania (42,0%), Finlandia (37,8%) i Szwecja (35,0%). Wewnątrz Polski rozwarstwienie jest jednak większe niż dystans do zagranicy: 42% dużych firm wobec 6,1% małych. Średnia krajowa mówi więc mniej niż wielkość firmy.
Ograniczenia i zagrożenia sztucznej inteligencji
Trzy ograniczenia dzisiejszych systemów AI wynikają z ich konstrukcji, a nie są błędami do naprawienia w kolejnej wersji: zmyślanie faktów, zależność od jakości danych i brak wyjaśnialności decyzji.
Halucynacje. Model językowy zwraca odpowiedź najbardziej prawdopodobną, nie sprawdzoną. Kiedy brakuje danych, prawdopodobna odpowiedź bywa fałszywa, a przy tym sformułowana pewnym tonem. Mechanizm zjawiska i sposoby ograniczania go opisuje tekst o halucynacjach AI.
Uprzedzenia w danych. Model uczy się z materiału, który dostał. Jeśli w danych historycznych pewna grupa była traktowana gorzej, model odtworzy ten wzorzec jako regułę. Dlatego AI Act obłożył obowiązkami zastosowania w rekrutacji, edukacji i ocenie zdolności kredytowej.
Brak wyjaśnialności. Nie da się wskazać jednej reguły odpowiedzialnej za konkretną decyzję modelu, bo wynika ona z rozkładu setek miliardów parametrów. Tam, gdzie decyzja dotyczy człowieka, jest to problem prawny, nie tylko techniczny.
Wpływ na pracę. Nie polega na zniknięciu zawodów, lecz na przesunięciu zadań w ich obrębie. Które kompetencje realnie zmieniają wartość, analizuje materiał o wpływie AI na pracę.
Czym sztuczna inteligencja nie jest – cztery mity
AI nie ma świadomości ani subiektywnego przeżywania treści, którą przetwarza – a obie te cechy przypisuje się jej codziennie. Cztery najczęstsze nieporozumienia:
Mit 1: AI myśli jak człowiek. Model trenowany jest do jednego celu: liczenia prawdopodobieństwa kolejnego tokenu. Badania nad interpretowalnością dużych modeli językowych (m.in. zespołu Anthropic) pokazują, że w drodze do tego celu model buduje wewnętrzne reprezentacje pojęć i coś na kształt planowania kilka kroków naprzód – na przykład dobiera słowo rymujące się z końcem wiersza, zanim napisze linijkę, która do niego prowadzi. To więcej niż sucha statystyka, ale wciąż nie jest to rozumienie w ludzkim sensie: nie ma tu podmiotu, intencji ani świadomości treści – jest mechanizm wyuczony do przewidywania języka, który przy okazji tego zadania wykształcił użyteczne skróty myślowe.
Mit 2: AI zawsze mówi prawdę, bo opiera się na danych. Opiera się na wzorcach z danych, a te zawierają również błędy i sprzeczności. Zdanie fałszywe może być statystycznie prawdopodobne.
Mit 3: sztuczna inteligencja to jedna technologia. To zbiór metod: uczenie maszynowe, głębokie uczenie, systemy regułowe, modele generatywne. Filtr antyspamowy i generator obrazów mają wspólną kategorię, nie wspólny mechanizm.
Mit 4: AGI jest za rogiem. Sztuczna inteligencja ogólna nie istnieje w żadnym produkcie na rynku. Każdy dostępny dziś system jest wąski i nawet bardzo sprawny model językowy nie wychodzi poza swój typ zadania.
FAQ
To system, który zamiast wykonywać reguły zapisane przez programistę, wyprowadza je z danych i na tej podstawie generuje wynik: predykcję, treść, rekomendację lub decyzję. Tak definiuje ją też art. 3 rozporządzenia (UE) 2024/1689.
W trzech krokach: trening na danych, zapis wzorców w parametrach modelu, inferencja – czyli zastosowanie tych wzorców do nowego pytania. Odpowiedź jest najbardziej prawdopodobnym wynikiem, a nie odczytem z bazy faktów.
Uczenie maszynowe jest metodą, sztuczna inteligencja całą dziedziną. Każdy system uczenia maszynowego jest systemem AI, ale nie każdy system AI korzysta z uczenia maszynowego – starsze rozwiązania działały na regułach wpisanych ręcznie.
Tak. Przepisy o przejrzystości obowiązują od 2 sierpnia 2026, a polska ustawa o systemach sztucznej inteligencji weszła w życie 11 sierpnia 2026. Wymogi dla systemów wysokiego ryzyka zaczną obowiązywać 2 grudnia 2027.
Komisja Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI) – organ kolegialny z przedstawicielami UOKiK, KNF, KRRiT i UKE, obsługiwany przez Ministerstwo Cyfryzacji. Przewodniczącego powołuje Sejm za zgodą Senatu na pięcioletnią kadencję.
Według Eurostatu 8,4% firm zatrudniających od dziesięciu osób, dane za 2025 rok, przy średniej unijnej 20,0%. Badania ankietowe podają wartości kilkukrotnie wyższe, bo liczą deklarację korzystania, a nie udokumentowane wdrożenie.
Jako dyscyplina w 1956 roku, na warsztacie w Dartmouth College, gdzie John McCarthy użył terminu „artificial intelligence”. Podstawę pojęciową dał wcześniej Alan Turing tekstem Computing Machinery and Intelligence z 1950 roku.
Realne ryzyka są dziś prozaiczne: zmyślone fakty podane pewnym tonem, uprzedzenia odtworzone z danych historycznych i decyzje, których nie da się wyjaśnić. Właśnie te trzy obszary reguluje AI Act, a nie hipotetyczną superinteligencję.
Źródła
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 (AI Act), art. 3 pkt 1, EUR-Lex – dostęp 05.09.2026
- Commission Guidelines on the definition of an artificial intelligence system, Komisja Europejska – publikacja 06.02.2025, dostęp 05.09.2026
- Tracing the thoughts of a large language model, Anthropic – publikacja 27.03.2025, dostęp 05.09.2026
- Machine learning types, IBM Think – dostęp 05.09.2026
- Ustawa o systemach sztucznej inteligencji, Dz.U. 2026 poz. 1003, Dziennik Ustaw RP – dostęp 05.09.2026
- AI Act: od 2 sierpnia 2026 r. obowiązują nowe zasady transparentności, Naczelna Rada Adwokacka – dostęp 05.09.2026
- Digital Omnibus dał więcej czasu, ale nie zawiesił AI Act, Prawo.pl – dostęp 05.09.2026
- 20% of EU enterprises used AI technologies in 2025, Eurostat – publikacja 11.12.2025, dostęp 05.09.2026
- Use of artificial intelligence in enterprises, Eurostat Statistics Explained – dostęp 05.09.2026
- Blisko połowa polskich firm korzysta ze sztucznej inteligencji – ale czy są gotowe na kolejną falę AI?, About Amazon Polska (raport Strand Partners dla AWS) – publikacja 06.05.2026, dostęp 05.09.2026
Zastrzeżenie prawne. Materiał ma charakter informacyjny i nie stanowi porady prawnej w rozumieniu przepisów o radcach prawnych i adwokaturze. Stan prawny oraz warunki licencyjne dostawców mogą się zmienić, a ocena konkretnego przypadku zależy od jej okoliczności. W sprawach rodzących skutki prawne skonsultuj się z radcą prawnym lub adwokatem.
