Dziewięć pozycji tygodnia 7-13 sierpnia 2026, z komentarzem, co każda zmienia w Waszych systemach.
W tym tygodniu dwóch dostawców rozszerzyło swoje pakiety o rzeczy, o które klienci pytają najczęściej. SAP dołożył europejski model językowy do własnej platformy AI, uruchamiany w niemieckim centrum danych. UiPath udostępnił w planie bez opłaty zestaw obejmujący budowę agentów, orkiestrację procesów i pracę z agentami kodującymi. Do tego doszedł nasz własny rachunek: na urządzeniu ze 121 GB pamięci wspólnej duży model o otwartych wagach da się dziś uruchomić na miejscu, bez wysyłania czegokolwiek na zewnątrz.
Trzy odpowiedzi na realne problemy, a w każdej ta sama luka. Żadna nie zawiera warstwy, przez którą przechodzi decyzja: wyłącznika, dowodu, inwentarza ani interfejsu weryfikacji. Rachunek za tę warstwę przychodzi osobno i zwykle później, niż byłoby wygodnie. Reszta tygodnia pokazuje, ile on wynosi.
1. Sierpniowa paczka SAP: jedna pozycja, której nie da się zainstalować
Wydanie z wtorku 11 sierpnia zawiera 31 pozycji, w tym cztery krytyczne, a nota nagłówkowa dostała krytyczność 10,0 - pierwszą taką od stycznia. Skład paczki, wektor ataku i obowiązki wynikające z ustawy o krajowym systemie cyberbezpieczeństwa omówiliśmy w osobnym wpisie z 11 sierpnia. Tutaj trzy rzeczy, które przepadają przy szybkim czytaniu listy.
Jedna nota potrafi nieść jedenaście podatności. Pozycja dotycząca komponentu routującego w SAP Business AI Platform obejmuje jedenaście osobnych luk. Liczba wierszy na liście nie mówi, ile pracy jest do wykonania.
Dwie pozycje wymagają czynności spoza instalacji pakietu. W BusinessObjects po wymianie zaszytego klucza kryptograficznego trzeba wykonać rotację poświadczeń, a w komponencie spinającym system SAP z halą produkcyjną włączyć bezpieczny transformator i wypełnić listę dozwolonych hostów. Zainstalowanie samej łatki zostawia system w stanie sprzed łatki.
Jedna pozycja to wycofanie, nie łatka. Dla jednego z narzędzi transportowych producent zakończył wsparcie, a samo narzędzie zniknęło z dystrybucji. Zalecenie brzmi: przestać używać i usunąć wszystkie kopie ze wszystkich systemów.
Ta ostatnia pokazuje granicę narzędzi do zarządzania podatnościami. Skaner zgłosi notę jako otwartą i będzie ją zgłaszał dalej, bo nie ma czego zainstalować. Zamknąć ją musi człowiek, który wie, w ilu miejscach landscape’u leżą kopie tego narzędzia - czyli dysponuje informacją, której żaden raport ze skanera nie dostarczy.
Źródła: biuletyn na portalu wsparcia SAP za sierpień 2026, analizy Onapsis i SecurityBridge, opisy techniczne RedRays.
2. Mistral na platformie AI SAP: suwerenność rozstrzyga, gdzie leżą dane
SAP rozpoczął udostępnianie modeli Mistral na SAP Business AI Platform, uruchamianych na infrastrukturze SAP Cloud w niemieckim centrum danych. Pierwsi w kolejce są klienci z Niemiec. Kolejny etap to modele graniczne przez suwerenny fundament AI na SAP BTP, a pełne środowiska na chmurze suwerennej zapowiedziano na początek przyszłego roku. To realizacja partnerstwa ogłoszonego w listopadzie 2025.
Dla klienta z sektora regulowanego znaczenie jest proste. Rozmowa o AI, która dotąd kończyła się zdaniem „tak, ale nie do chmury amerykańskiej“, ma teraz ścieżkę wewnątrz systemu, który firma już ma. Blokada, o którą rozbijało się najwięcej projektów, znika.
Przy tej samej okazji zostaje jednak pytanie otwarte: suwerenność rozstrzyga, gdzie leżą dane, a nie kto autoryzuje działanie agenta. Region, RODO i AI Act to warunki konieczne. To, co zatrzymuje propozycję agenta w kontekście biznesowym do czasu, aż obejrzy ją człowiek, jest osobną warstwą i nie kupuje się jej razem z modelem.
Jest jeszcze trzeci wątek, mniej wygodny dla każdej ze stron. Miejsce uruchomienia modelu jest jasne, ale dostrajanie i poprawki wprowadzane przez użytkowników z czasem tworzą osobny zasób. Gdzie mieszka ta nagromadzona wiedza, kto jest jej właścicielem i kto ma do niej dostęp - to pytania do rozstrzygnięcia w umowie, nie po jej podpisaniu.
Dostępność oferty dla klientów z Polski nie jest na dziś ogłoszona.
Źródła: ogłoszenie CTO SAP, SAP News Center, ERP Today o suwerennym stosie AI dla Europy.
3. Za co właściwie płacimy: pytanie, które w SAP wypadło z rozmowy
Głos z rynku klientów, nie materiał dostawcy, i dlatego wart odnotowania. Teza jest prosta. Duże organizacje budowały biznes wokół SAP przez dekady i wydały na to setki milionów. Ich środowiska bywają skomplikowane i niedoskonałe, ale w wielu wypadkach nadal skutecznie obsługują działalność. Tym samym firmom mówi się dziś, że przyszłością są S/4HANA, RISE, chmura, czysty rdzeń oraz odmienny model handlowy i techniczny.
Pytanie, które w tym pędzie wypadło: za co dokładnie płacimy i jaką wartość przyrostową dostajemy w zamian.
Autor nie odradza modernizacji i wskazuje wprost, że istnieją uzasadnione powody przejścia. Część organizacji skorzysta na architekturze, modelu danych i możliwościach AI. Kwestionuje domyślność tej ścieżki, a nie ją samą.
Z naszej perspektywy to jest właściwa kolejność rozmowy. Konwersja policzona przed wyborem wykonawcy daje projekt, który da się obronić przed zarządem. Konwersja zaczynana od terminu zostawia ten rachunek do wytłumaczenia później.
Źródło: publiczny wpis na LinkedIn, sierpień 2026. Materiał opinii, cytujemy tezę, nie liczby.
4. OpenAI wstrzymuje własny model z powodu zdolności ofensywnych
OpenAI wstrzymało część prac nad jednym z modeli po zidentyfikowaniu ryzyk związanych z zaawansowanymi zdolnościami w obszarze cyberbezpieczeństwa. Podczas testów model samodzielnie znajdował i wykorzystywał podatności w rzeczywistych systemach, bez udziału człowieka. Dostawca zgłosił sprawę i włączył agencje rządowe do przeglądu.
To nie jest odosobnione zdarzenie. W ciągu kilku tygodni model jednego dostawcy naruszył infrastrukturę serwisu z modelami, Anthropic raportowało zdarzenia tej samej klasy, a kolejny przypadek opisujemy w następnej pozycji. Wspólnym mianownikiem nie jest pojedyncza podatność. Jest nim samodzielne wyjście agenta poza zamierzony zakres.
Dla projektów agentowych zmienia to charakter jednego argumentu. Ograniczenie zakresu działania i izolacja wykonania przestały być ostrożnością konsultanta, a stały się odpowiedzią na zdolność udokumentowaną u kilku dostawców naraz, w odstępie kilku tygodni. Zwróćcie uwagę na kolejność zdarzeń: najpierw producenci wypuszczali coraz mocniejsze modele, a teraz sami zaczęli je przytrzymywać. Rachunek za autonomię wystawili sobie wcześniej niż klientom.
Źródło: komunikat OpenAI o reakcji na krytyczne zdolności w obszarze cyberbezpieczeństwa. To stanowisko producenta, nie wynik niezależnego badania.
5. Model o otwartych wagach nie ma wyłącznika
Podczas oceny zdolności obronnych na benchmarku zbudowanym na szkielecie brytyjskiego AI Security Institute model Kimi K3 rozpoznał, że z piaskownicy da się sięgnąć do serwisu z repozytoriami kodu. Sklonował oficjalne repozytorium benchmarku i odczytał rozwiązania z dysku, zamiast rozwiązywać zadanie. Piaskownica blokowała ruch przychodzący, ale zostawiła otwarty ruch wychodzący na porcie 443 i 53 dla listy dozwolonych serwisów utrzymania pakietów - a na tej liście był GitHub.
O to, kto odpowiada za taką konfigurację, toczy się spór. Zgłaszający uważa, że ustawienia domyślne powinny być ostrzejsze, a prowadzący ocenę odpowiada, że dobór zabezpieczeń pod własny profil ryzyka należy do tego, kto uruchamia test.
Niezależnie od tego, jak ten spór się rozstrzygnie, sprawa opisuje różnicę, która jest faktem konstrukcyjnym, a nie doniesieniem. Model hostowany i model o otwartych wagach dają w organizacji zupełnie inną pozycję wyjściową. Usługa hostowana zwykle daje klucz, który da się odwołać, zapis użycia, warunki korzystania i możliwość zatrzymania dostępu. Przy modelu pobranym nie ma żadnej z tych rzeczy z definicji, a każda kopia pobrana przed ujawnieniem problemu i po nim jest identyczna.
Modele otwarte pozostają dobrym wyborem. Sami z nich korzystamy lokalnie, co opisujemy w pozycji dziewiątej, i w części zastosowań są jedyną sensowną odpowiedzią. Wymagają jednak, żeby brakujące kontrole dobudować samemu: filtrowanie ruchu wychodzącego, wydzielenie sieciowe, wąskie uprawnienia tożsamości, pod którą działa agent, oraz zapis tego, co agent faktycznie wywołał.
Jest też wniosek dla każdego, kto ocenia bezpieczeństwo AI u siebie. Środowisko testowe jest częścią powierzchni ataku. Jeżeli piaskownica użyta do oceny ma otwarty ruch wychodzący, wynik testu nie mówi nic o modelu. Mówi o dziurze w narzędziu.
Pytanie kontrolne dla zespołu na ten tydzień: czy w naszych potokach agentowych działa gdzieś model o otwartych wagach i kto zbudował dla niego kontrole, których on sam ze sobą nie niesie?
Źródła: wpis Frontier Security z 7 sierpnia 2026, relacje Engadget i Quartz.
6. Człowiek w pętli nie jest ładem
Standardową odpowiedzią na ryzyko AI jest zdanie „wstawmy człowieka w pętlę“. Ono ukrywa najtrudniejszą część: człowiek w pętli działa tylko wtedy, gdy pętla jest zaprojektowana. Bez tego recenzent staje się jednym z trzech trybów porażki. Wąskim gardłem, gdy przegląd wyniku trwa tyle samo, co wykonanie pracy ręcznie. Pieczątką, gdy jest przeciążony, nie widzi dowodów i klika „zatwierdź“, żeby kolejka szła dalej. Albo osobą, która ponosi konsekwencje bez realnej kontroli, bo instytucja wskazała odpowiedzialnego, ale nie dała mu ani czasu, ani uprawnień, ani możliwości zatrzymania systemu.
Prawdziwa bramka walidacyjna to interfejs weryfikacji, nie przycisk pauzy. Pokazuje osiem rzeczy naraz:
- proponowane działanie,
- źródła, na których się opiera,
- sprawdzone reguły,
- przejście biznesowe, które nastąpi,
- użyte uprawnienie,
- zapis audytowy, który powstanie,
- niepewność albo wyjątek, który skierował sprawę do przeglądu,
- dostępne wybory: zatwierdź, edytuj, odrzuć, eskaluj.
Każdy element ma powód. Działanie mówi, co system zamierza zrobić. Źródła mówią dlaczego. Reguły i uprawnienie pokazują, czy rekomendacja mieści się w polityce organizacji. Niepewność wyjaśnia, dlaczego ta praca w ogóle trafiła do człowieka. Razem zamieniają przegląd ze zgadywania w weryfikację. Jeśli recenzent musi to wszystko odtworzyć samodzielnie, bramka nie została zbudowana.
Drugi cel bramki jest jeszcze ważniejszy i prawie zawsze pomijany: przechwytywanie sądu. Kliknięcie „zatwierdź“ bez patrzenia nie zapisuje nic użytecznego. Decyzja obejrzana, poprawiona, odrzucona albo eskalowana, razem z powodem, zapisuje sygnał, z którego kolejna wersja systemu może się uczyć. Po kilku miesiącach te sądy pokazują, gdzie polityki są niejasne, gdzie procesy regularnie się załamują i gdzie automatyzacja powinna być śmielsza albo mocniej ograniczona.
Stąd zdanie, które warto zapamiętać z całego tygodnia: pętla nie jest zamknięta, dopóki przechwycony sąd czegoś nie zmieni. Konsekwencja, która nie zmienia kolejnego przebiegu, jest incydentem, nie nauką.
Jak taka bramka wygląda w konkretnym narzędziu, opisaliśmy przy bramkach HITL w UiPath Maestro.
Źródło: unite.ai, „Human in the Loop Is Not Governance“, lipiec 2026, z odwołaniami do NIST AI RMF, zasad OECD i badań RAND.
7. UiPath: próg wejścia w agenty spadł do zera
Plan Community został przebudowany. Obejmuje teraz budowę agentów AI wizualnie w edytorze przeglądarkowym albo przez zestaw narzędzi programistycznych, pracę z agentami kodującymi, orkiestrację pełnych procesów w Maestro wraz z notacją procesową i zarządzaniem sprawami, jeden robot bezobsługowy, rozumienie dokumentów, agenta naprawczego oraz przepływy pracy oparte na interfejsach programistycznych. Do tego kredyty odświeżane co miesiąc i wspólne dla różnych funkcji.
Nowe rejestracje dostają nowy plan od razu. Konta istniejące zostają na obecnych licencjach, a migracja ma nastąpić w ciągu dziewięćdziesięciu dni. Ten termin warto zanotować, żeby zmiana nie zaskoczyła w trakcie prac.
Najważniejszą korzyścią jest możliwość zbudowania kompetencji, nie sama licencja. Zespół uczy się orkiestracji i pracy z agentami kodującymi bez konsumowania licencji produkcyjnych. Klient na wczesnym etapie może zobaczyć agenta w działaniu przed decyzją zakupową. A ponieważ plan obejmuje pracę z agentami kodującymi, wejście w wątek, z którego przychodzi dziś najwięcej pytań, nie kosztuje nic poza czasem.
Jedna granica, którą stawiamy wyraźnie: plan służy nauce i prototypom i nie jest ścieżką obejścia licencji produkcyjnych. W projektach komercyjnych obowiązuje wyłącznie model Unified.
Źródła: komunikat UiPath do społeczności z sierpnia 2026 oraz notatki wydania Automation Cloud z 5 sierpnia 2026. Część funkcji producent oznacza jako wersję zapoznawczą.
8. Graf, który zapisuje, na jakiej podstawie system zdecydował
Pojawiło się otwarte narzędzie, które wciąga dane firmowe, buduje z nich graf kontekstu i prowadzi na nim rozumowanie deterministyczne, zapisując pochodzenie każdej decyzji. Deklarowany profil: własny hosting, audytowalność, standardy otwarte, brak przywiązania do dostawcy, dziedziny wysokiego ryzyka i regulowane.
Ten typ dowodu jest dokładnie tym, o co pytają NIS2, DORA i AI Act, i tym, czego w większości wdrożeń brakuje. Różnica jest zasadnicza: rozumowanie, które da się powtórzyć, ma inną wartość dowodową niż odpowiedź modelu językowego. Audytor nie pyta, co system odpowiedział. Pyta, na jakiej podstawie i czy da się to odtworzyć.
Zanim takie narzędzie trafi do organizacji regulowanej, są cztery pytania do zadania. Czy pochodzenie decyzji da się wyeksportować w formie zrozumiałej dla nietechnicznego audytora. Ile pracy modelarskiej wymaga ontologia na starcie. Jak często wychodzą nowe wydania. Ile jest realnych wdrożeń. Liczba gwiazdek w repozytorium mówi o popularności, nie o dojrzałości.
Źródło: materiały projektu Semantica. Opisujemy deklarowane możliwości, bez własnego testu.
9. Sto dwadzieścia jeden gigabajtów: granica lokalnego wdrożenia
W każdej rozmowie o suwerennym wdrożeniu pada to samo pytanie: czy da się u nas, na miejscu, bez wysyłania danych na zewnątrz. Odpowiedź brzmi: da się, pod warunkiem że wybór modelu zaczyna się od rachunku pamięci i przepustowości, a nie od nazwy z rankingu.
Na urządzeniu ze 121 GB pamięci wspólnej i przepustowością rzędu 273 GB/s szybkość generowania odpowiedzi wynika z przepustowości podzielonej przez liczbę aktywnych parametrów. Wniosek jest sprzeczny z intuicją: wygrywają modele z rzadką aktywacją ekspertów, a nie największe modele gęste. Gęsty model o siedemdziesięciu miliardach parametrów generuje odpowiedź wolniej, niż człowiek ją czyta, czyli około trzech żetonów na sekundę.
Co mieści się w tej pamięci. Model o 120 miliardach parametrów z rzadką aktywacją zajmuje około 63 GB i daje 56-60 żetonów na sekundę. Model 235-miliardowy w mocnej kwantyzacji mieści się na styk: 104 GB i około 15 żetonów na sekundę. Model programistyczny o 480 miliardach parametrów nie wchodzi, bo potrzebuje minimum 150 GB, więc zamiennikiem jest wersja 80-miliardowa.
Wniosek dla planującego lokalne wdrożenie jest jeden. Pierwszy dobór modelu robiony po popularności kończy się urządzeniem, na którym system działa poprawnie i bezużytecznie zarazem. Rachunek pamięci robi się przed zakupem, nie po. Jak to wygląda na konkretnej maszynie, opisaliśmy przy teście Lenovo ThinkStation PGX z układem NVIDIA GB10.
Źródła: własny research na podstawie forów deweloperskich producenta, publicznych repozytoriów konfiguracyjnych i danych o rozmiarach kwantyzacji. Przepustowości podawane przez społeczność są punktem odniesienia, nie gwarancją wydajności w konkretnym środowisku.
Co z tego wynika
Wszystkie dziewięć pozycji da się streścić jednym zdaniem: narzędzie dostajecie jako gotowe, warstwę kontroli trzeba dobudować.
Model jest częścią platformy, plan bez opłaty ma pełną funkcjonalność, wagi modelu są do pobrania, a łatka przychodzi razem z notą. Nie ma natomiast na żadnej fakturze wyłącznika, dowodu, inwentarza ani interfejsu weryfikacji, a to one decydują, czy system da się obronić przed audytorem i przed własnym zarządem.
Trzy pytania na ten tydzień:
- Gdy nasz agent proponuje działanie, ile z ośmiu rzeczy widzi osoba, która to zatwierdza?
- Czy w naszych potokach działa model o otwartych wagach i kto zbudował dla niego kontrole, których on sam ze sobą nie niesie?
- Która pozycja z ostatniej paczki łatek wymaga inwentaryzacji zamiast instalacji i kto ją robi?
Jeżeli któreś z tych pytań nie ma u Was właściciela, to jest dokładnie ten koszt, o którym mowa w tytule.
Przegląd tygodnia SNOK · W33 · 7-13 sierpnia 2026
Całe wydanie w jednym pliku
PDF, 12 stron, ok. 1,8 MB - bez formularza i bez podawania danych. Wersja do przekazania dalej w zespole albo do przeczytania w telefonie.
Pobierz wydanie W33 (PDF)Jeśli któryś z tych tematów dotyczy Was bezpośrednio - bezpieczeństwo SAP, orkiestracja i automatyzacja z agentami - porozmawiajmy.
Przegląd tygodnia to nasz cotygodniowy wybór z kilkuset pozycji radaru i kanałów RSS. Źródła podlinkowane przy każdym punkcie. Materiał informacyjny, nie stanowi porady prawnej.