gik|iewicz

Pięć modeli frontier w 23 dni. Dziewięćdziesiąt siedem milionów instalacji protokołu, którego rok temu nikt nie znał. I cichy koniec produktu, który miał zmienić wideo. Marzec 2026 nie był kolejnym miesiącem w AI — był miesiącem, w którym kilka trendów jednocześnie osiągnęło punkt krytyczny.

TL;DR: Marzec 2026 przyniósł pięć nowych modeli AI (w tym GPT-5.4, Gemini 3.1 Ultra i Grok 4.20), protokół MCP przekroczył 97 milionów instalacji stając się infrastrukturą, a OpenAI zamknęło API Sora z powodu nieopłacalności. To miesiąc, w którym agentowe AI przeszło z fazy demo do produkcji w Fortune 500.

Co się właściwie wydarzyło w marcu 2026?

Marzec 2026 zaczął się od Mistral Small 4 (3 marca), który od razu objął prowadzenie w benchmarkach open-source. Potem NVIDIA GTC (10-14 marca) przebudowało rozmowę o enterprise AI wokół wdrożeń agentowych — NeMoCLAW, framework do orkiestracji 47-agentowych pipeline’ów, okazał się największym hitem konferencji.

OpenAI odpowiedziało GPT-5.4 w trzech wariantach (17 marca): Standard, Thinking i Pro. Google dorzuciło Gemini 3.1 Ultra z 2-milionowym oknem kontekstowym i natywnym rozumowaniem multimodalnym (20 marca). Grok 4.20 zamknął serię 22 marca z ulepszonym dostępem do danych w czasie rzeczywistym.

Co ważne — te modele nie różnią się tylko benchmarkami. Każdy celuje w inną niszę: GPT-5.4 to niezawodność enterprise, Gemini 3.1 to multimodalność, Grok 4.20 to aktualna wiedza z sieci. Wybór modelu to już nie pytanie „który najlepszy”, ale „który najlepiej pasuje do mojego zadania”. Temat migracji między modelami dokładniej omawiam w porównaniu Claude vs ChatGPT dla biznesu.

Dlaczego GPT-5.4 zmienia zasady gry?

GPT-5.4 to pierwsza wersja, która wyraźnie rozdziela przypadki użycia. Wariant Standard celuje w wysoki przepust dla masowych API — tam, gdzie wcześniej królował GPT-4o. Thinking oferuje rozszerzone wnioskowanie łańcuchowe dla programowania, matematyki i złożonych problemów. Pro to najwyższy tier z rozszerzonym kontekstem i zaawansowanym użyciem narzędzi agentowych.

W praktyce: wariant Thinking potrafi rozwiązywać wieloetapowe problemy programistyczne z dokładnością, która jeszcze pół roku temu wymagała ręcznego iterowania. Różnica między Pro a Standard jest odczuwalna przy długich dokumentach i złożonych workflow agentowych — Pro po prostu nie gubi wątku.

Gemini 3.1 Ultra — multimodalność bez kompromisów?

Google wypuściło model, który od treningu był projektowany jako multimodalny — nie dorobiono mu obrazu i dźwięku po fakcie. Gemini 3.1 Ultra rozumie tekst, obraz, audio i wideo w jednym oknie kontekstowym o rozmiarze 2 milionów tokenów. To oznacza, że możesz wrzucić do niego godzinny film, dokumentację techniczną i zapytanie — i model połączy te informacje bez przełączania kontekstu.

Kluczowa nowość: Code Execution Tool, który pozwala modelowi uruchamiać i testować kod w locie. Dla deweloperów to zmienia pętlę „napisz → przetestuj → popraw” z wielokrotnego iterowania na niemal natychmiastową weryfikację.

Dlaczego OpenAI zamknęło Sora API?

24 marca OpenAI cicho ogłosiło zamknięcie publicznego API Sora z 30-dniowym wyprzedzeniem. Powód? Koszty obliczeniowe generowania jednej minuty wideo jakości Sora przewyższały to, co jakikolwiek klient był w stanie zapłacić w modelu API. Wewnętrznie określono sytuację jako „ekonomicznie nie do pogodzenia”.

To ważna lekcja: nie każda zdolność AI, która działa w skali badawczej, automatycznie staje się opłacalnym produktem komercyjnym. Ekonomia obliczeń tworzy realne ograniczenia — i te ograniczenia faworyzują modalności tanie w inference (tekst, dane strukturalne) nad kosztowne (wideo wysokiej rozdzielczości). Szczegółową analizę kosztów Sora opisuje Digital Applied w marcowym roundupie.

Zamknięcie Sora natychmiast przekierowało budżety enterprise w stronę Runway Gen-4, Pika 2.1 i Google Veo 2. Pytanie nie brzmi „czy AI wideo się uda”, ale „czy ktokolwiek potrafi to sprzedać tak, by się opłacało”. Jak wcześniej opisywałem w analizie premiery ChatGPT z reklamami, monetizacja AI to obecnie kluczowy challenge dla dostawców.

MCP — od eksperymentu do infrastruktury

Model Context Protocol osiągnął 97 milionów instalacji w marcu. Opublikowano ponad 4000 serwerów MCP — od integracji SaaS przez systemy enterprise po specjalistyczne źródła danych. Każdy dostawca AI (OpenAI, Google, xAI, Mistral, Cohere) obsługuje MCP w swoich API.

Grupa robocza MCP wydała Security Standard v1.1, który adresuje injection przez wyjścia narzędzi, wymagania autentykacji serwerów i wzorce ograniczania scope. Główne wdrożenia enterprise MCP przyjęły v1.1 jako bazę bezpieczeństwa.

Dla deweloperów to sygnał: MCP przestał być eksperymentem. Jeśli budujesz agentowe systemy AI, MCP jest teraz standardem infrastrukturalnym — podobnie jak REST API był standardem dla web services. Anthropic szczegółowo opisuje ekosystem MCP w oficjalnej dokumentacji Model Context Protocol.

NVIDIA GTC 2026 — agenci wkraczają do produkcji

Konferencja NVIDIA GTC (10-14 marca) potwierdziła coś, o którym mówiono od lat: agentowe AI przeszło z demo do produkcji. Pięć firm Fortune 500 zaprezentowało systemy agentowe w produkcji — logistyka, farmacja, finanse, produkcja i ochrona zdrowia.

Framework NeMoCLAW (enterprise) i jego open-source’owy odpowiednik OpenCLAW (Apache 2.0) zdominowały dyskusję. Demo z 47-agentowym pipeline’em obsługującym pełen proces procurement dla producenta pokazało, że agentowe systemy radzą sobie ze złożonymi procesami biznesowymi.

Czy to oznacza, że agentowe AI jest gotowe dla każdej firmy? Nie. Ale pokazuje, że dla dużych organizacji z odpowiednią infrastrukturą GPU — już tak.

Regulacje przyspieszają — co to oznacza dla biznesu?

Marzec 2026 to też miesiąc regulacyjny. EU AI Act wydało 12 pierwszych formalnych zapytań egzekucyjnych. Trzy amerykańskie stany (Kalifornia, Nowy Jork, Illinois) uchwaliły prawa o transparentności AI. Brytyjski AI Safety Institute opublikował ewaluacje 7 modeli frontier. Tempo regulacyjne przyspieszyło zauważalnie.

Dla firm oznacza to koniec ery „wdrażaj bez zastanowienia”. Kiedy benchmarki przestają być jedynym kryterium wyboru modelu, a compliance staje się wymogiem — strategia AI musi uwzględniać nie tylko wydajność, ale i ryzyko regulacyjne. Temat etyki AI w kontekście wyboru dostawcy poruszałem w analizie rywalizacji Anthropic i OpenAI o kontrakt Pentagonu.

Często zadawane pytania

Który nowy model z marca 2026 jest najlepszy do programowania?

GPT-5.4 Thinking wygrywa w złożonych zadaniach programistycznych dzięki rozszerzonemu wnioskowaniu łańcuchowemu. Gemini 3.1 Ultra z Code Execution Tool to silna alternatywa, jeśli potrzebujesz natychmiastowego testowania kodu. Dla codziennych zadań wystarczy GPT-5.4 Standard.

Czy MCP jest gotowy do produkcji enterprise?

Tak. MCP przekroczył 97 milionów instalacji, ma Security Standard v1.1 i wsparcie wszystkich głównych dostawców AI. Ponad 4000 serwerów MCP obejmuje integracje z głównymi platformami enterprise.

Dlaczego Sora zostało zamknięte?

Koszty obliczeniowe generowania minuty wideo jakości Sora przewyższały ceny, które klienci API byli skłonni zapłacić. OpenAI uznało model ekonomiczny za „nie do pogodzenia” i zamknęło publiczne API z 30-dniowym wyprzedzeniem.

Co to jest NeMoCLAW?

To framework NVIDIA do orkiestracji systemów wieloagentowych w środowiskach enterprise. Jego open-source’owy odpowiednik to OpenCLAW (licencja Apache 2.0). Na GTC 2026 zaprezentowano demo z 47-agentowym pipeline’em dla procesów procurement.

Czy agentowe AI jest gotowe dla małych firm?

Na razie produkcyjne wdrożenia agentowe są domeną Fortune 500 z odpowiednią infrastrukturą GPU. Małe firmy mogą eksperymentować z OpenCLAW i narzędziami MCP, ale pełna produkcja wymaga zasobów, które na razie są poza zasięgiem SMB.

Podsumowanie

Marzec 2026 to miesiąc, w którym:

• Modele AI przestały być „lepsze od poprzednich” — każdy ma wyraźną niszę
• Infrastruktura (MCP) stała się standardem de facto z 97M instalacji
• Ekonomia AI pokazała swoje granice (Sora)
• Enterprise przeszło od słów do czynów (GTC, agenci w produkcji)
• Regulacje przestały być teorią (EU AI Act, amerykańskie ustawy stanowe)

Kto nie zaczął budować strategii AI wokół agentowych systemów i MCP, ma teraz sygnał: pociąg odjechał, ale następny jest za Corner. Pytanie nie brzmi „czy AI zmieni branżę”, ale „jak szybko to nastąpi”.