VentureBeat Research opublikowało 10 lipca 2026 roku wyniki ankiety przeprowadzonej w czerwcu wśród 573 liderów technicznych w firmach zatrudniających co najmniej 100 pracowników. Badanie obejmowało pięć równoległych ankiet dotyczących różnych warstw tzw. agentic stack?agentic stack: Zestaw warstw oprogramowania potrzebnych do budowy, wdrażania i kontroli agentów AI — od modelu, przez orkiestrację, po monitorowanie.. Centralny wniosek: firmy wdrażają agentów AI zanim zbudują mechanizmy kontroli potrzebne do ich zarządzania — i robią to świadomie.
Najważniejsze w skrócie
- 86% przedsiębiorstw posiadających własne GPU raportuje ich wykorzystanie na poziomie 50% lub niższym
- Tylko 44% rygorystycznie śledzi rzeczywiste koszty i zwrot z inwestycji w obliczenia AI
- Połowa firm wdrożyła agenta AI, który zdał testy wewnętrzne, a następnie spowodował awarię po stronie klienta
- 69% firm dopuszcza współdzielenie poświadczeń przez agentów — firmy z tą praktyką odnotowują incydenty bezpieczeństwa niemal dwukrotnie częściej
- 57% firm powiązało co najmniej jedną pewną, ale błędną odpowiedź agenta z brakującym lub niespójnym kontekstem biznesowym
Najdroższy sprzęt stoi bezczynny
Osiemdziesiąt sześć procent przedsiębiorstw eksploatujących własne GPU raportuje ich wykorzystanie na poziomie 50% lub niższym. To pomiar po stronie kupujących — od firm, które same poniosły koszty zakupu i utrzymania tego sprzętu. Dane wchodzą w bezpośredni dialog z toczącą się od kwartałów debatą na Wall Street o tym, czy budowa infrastruktury AI nie jest nadmiarowa.
Problem pogłębia luka pomiarowa: tylko 44% firm rygorystycznie śledzi, ile faktycznie kosztuje i przynosi każda operacja obliczeniowa AI. Reszta pracuje na szacunkach. Mimo to proces zakupowy trwa: 45% badanych wskazuje chmurę wyspecjalizowaną w AI (CoreWeave, Lambda, Crusoe, Nebius) jako opcję, którą najchętniej przeanalizują w ciągu 12 miesięcy — choć dziś faktycznie korzysta z tych platform mniej niż 2% respondentów. Równocześnie 32% firm rozważa akceleratory spoza ekosystemu NVIDIA (AWS Trainium, Google TPU, AMD), a 28% — następną generację kart NVIDIA. Dane sugerują jeden wniosek: przed podpisaniem kolejnych kontraktów warto najpierw zmierzyć, ile kosztuje obliczenie na sprzęcie, który już stoi w serwerowni.
Agenci czy chatboty w przebraniu?
Siedemdziesiąt jeden procent przedsiębiorstw przyznaje, że nie więcej niż jedna czwarta ich wdrożonych "agentów" potrafi samodzielnie zrealizować zadanie wieloetapowe — reszta to chatboty reagujące na pojedyncze zapytania. Tylko 10% firm twierdzi, że prawdziwe agenty stanowią większość ich wdrożeń produkcyjnych.
Dane są istotne, bo popularnie cytowane badania branżowe rysują zupełnie inny obraz: Gartner prognozuje, że 40% aplikacji enterprise będzie zintegrowanych z agentami zadaniowymi do końca 2026 roku, a ankieta Writer z tego samego roku podaje, że 97% kadry zarządzającej twierdzi, że wdrożyła agentów AI w ciągu ostatnich 12 miesięcy. Kluczowa różnica: tamte badania pytały, czy firma wdrożyła cokolwiek, co nazywa się agentem. Badanie VentureBeat pytało o zdolność do autonomicznego wykonania wieloetapowego zadania. Różnica między tymi definicjami decyduje o tym, jakie mechanizmy kontroli są faktycznie potrzebne — i jakie rachunki będą wystawiane.
Kontrola traci z tempem wdrożeń
Trzydzieści cztery procent firm już teraz pozwala agentom AI na wdrażanie zmian w środowisku produkcyjnym wyłącznie na podstawie automatycznych testów, bez udziału człowieka. Kolejne 33% aktywnie buduje takie procesy na najbliższe 12 miesięcy. Paradoks: tylko 5% respondentów w pełni ufa automatycznym testom, które mają podejmować tę decyzję.
Nieufność jest uzasadniona. Połowa badanych firm wdrożyła agenta, który przeszedł wewnętrzne testy, a następnie spowodował awarię po stronie klienta — i co czwarta firma była świadkiem tego scenariusza więcej niż raz. Najczęściej wskazywana słabość obecnych systemów oceny: "słaba zgodność z rzeczywistymi wynikami produkcyjnymi" — 29% odpowiedzi. Co więcej, po wdrożeniu agenta na produkcji jedynie 23% firm prowadzi bieżące testy jakości odpowiedzi generowanych przez system.
Bezpieczeństwo: kto ma klucze, ten niesie ryzyko
Sześćdziesiąt dziewięć procent firm dopuszcza gdzieś w swojej flocie agentów współdzielenie poświadczeń — wiele agentów operuje pod jednym kluczem API lub kontem serwisowym. Korelacja z incydentami bezpieczeństwa jest wyraźna: w firmach ze współdzielonymi poświadczeniami incydenty lub prawie-incydenty bezpieczeństwa zdarzały się w 63,5% przypadków, wobec 40,9% w firmach, gdzie każdy agent ma własną, zawężoną tożsamość.
Dlaczego to ważne?
Badanie VentureBeat dostarcza rzadkiego pomiaru od strony faktycznych użytkowników — nie od dostawców technologii ani analityków. Stwierdza ono coś, co branżowe prognozy konsekwentnie ukrywają: przepaść między deklarowanym wdrożeniem agentów a ich realną autonomicznością jest ogromna, a kosztowa i operacyjna dyscyplina za tempem wdrożeń zdecydowanie nie nadąża.
Dla firm inwestujących w GPU ta liczba — 86% wykorzystania na poziomie 50% lub poniżej — jest bezpośrednią informacją zarządczą: przed kolejnymi zakupami sprzętu warto wiedzieć, ile kosztuje każde wnioskowanie na infrastrukturze, którą już się posiada. Dla firm budujących procesy z agentami: luka ewaluacyjna między testami wewnętrznymi a wynikami produkcyjnymi ma wymiar finansowy i reputacyjny — połowa z nich już to odczuła.
Wyniki potwierdzają też strukturalny problem branży: nie ma ugruntowanych dostawców narzędzi kontroli dla agentów AI. W każdej z pięciu warstw technicznych najczęstszą odpowiedzią były wbudowane narzędzia dostarczyciela modelu (Anthropic, OpenAI, Google, Microsoft, AWS) lub brak dedykowanych narzędzi. Oznacza to, że rynek narzędzi kontroli nad agentami wciąż jest w dużej mierze otwarty.
Co dalej?
- VentureBeat zaprezentuje pełne raporty ze wszystkich pięciu trackerów podczas konferencji VB Transform, 14–15 lipca 2026 w Menlo Park — wyniki będą obejmować rekomendacje działań dla każdej warstwy agentic stack
- Kolejna fala badania (Q3 2026) zmierzy, czy firmy zrealizowały zadeklarowane plany: przypisanie odrębnych tożsamości agentom, testy ewaluacyjne na danych produkcyjnych, wzrost wykorzystania GPU
- Rosnąca dostępność modeli open-weight?open-weight: Model, którego wagi są publicznie dostępne do pobrania i uruchomienia, choć licencja może ograniczać sposób wykorzystania. (GLM-5.2 pod MIT, Hy3 pod Apache 2.0) może zmienić dynamikę zależności od dostawców — 51% firm oczekuje do końca 2026 roku przejścia na model hybrydowy zamiast czysto provider-zarządzanego
