Eksperci AI nie doceniali tempa rozwoju. Wnioski z raportu FRI

Czym jest raport FRI i kogo pytano

Forecasting Research Institute to organizacja badawcza, która od połowy 2022 roku zbiera prognozy dotyczące sztucznej inteligencji. Raport opracowali Josh Rosenberg, Matt Reynolds, Nadja Flechner i Zack Devlin-Foltz. Zestawia on wyniki kilku projektów, w tym turnieju prognoz XPT z 2022 roku i comiesięcznego panelu LEAP (Longitudinal Expert AI Panel), prowadzonego od połowy 2025 roku.

Prognozy zgłaszały dwie grupy. Pierwsza to eksperci dziedzinowi, na przykład w pierwszym składzie LEAP 339 osób: 76 informatyków, 76 pracowników branży AI, 68 ekonomistów i 119 badaczy polityki AI. Druga to superprognostycy, czyli osoby bez specjalizacji w AI, ale z udokumentowaną wysoką trafnością prognoz w innych dziedzinach.

Raport porównuje mediany prognoz z rozstrzygniętymi wynikami. Gdy pytanie nie zostało jeszcze rozstrzygnięte, FRI zestawia prognozy z bieżącymi danymi albo z projekcją przygotowaną w sierpniu 2026 roku przez model GPT-5.5. Ta druga część ma charakter szacunkowy, co autorzy piszą wprost.

Benchmarki: największe niedoszacowania

Najwyraźniejszy wzór dotyczy testów możliwości modeli. Prognozy z 2022 roku powstały przed premierą ChatGPT, więc ich pomyłki można częściowo tłumaczyć brakiem wiedzy o przełomie w modelach językowych. FRI pokazuje jednak, że ten sam wzór powtarza się w prognozach zbieranych w latach 2025 i 2026.

Poniżej zestawiamy przykłady z raportu. Wartości to mediany prognoz wobec wyniku faktycznego lub bieżącego.

• Olimpiada Matematyczna: eksperci przewidywali złoty medal AI w 2030 roku, superprognostycy w 2035 roku, a stało się to w lipcu 2025 roku.
• Benchmark wirusologiczny VCT: dorównanie zespołowi czołowych wirusologów eksperci przewidywali na 2030 rok, superprognostycy na 2034 rok, a według FRI nastąpiło to prawdopodobnie w kwietniu 2025 roku.
• FrontierMath (poziomy 1-3) na koniec 2025 roku: prognozy 31 proc. i 30 proc., wynik 40,7 proc.
• LiveCodeBench Pro (Hard) na koniec 2026 roku: prognozy 14 proc. i 12 proc., a już w maju 2026 roku najlepszy wynik wynosił 53,8 proc.

Przychody i adopcja AI

W danych ekonomicznych pomyłki są podobnie duże. W badaniu o skutkach gospodarczych AI eksperci od AI prognozowali, że najwyższy roczny przychód powtarzalny (ARR) firmy AI na koniec 2026 roku wyniesie 20 mld USD. Ekonomiści podawali 16 mld USD, a superprognostycy 25 mld USD. Według FRI wartość na 22 września 2026 roku wynosiła prawdopodobnie około 100 mld USD.

Panel LEAP pytany latem 2026 roku o łączne roczne tempo przychodów OpenAI i Anthropic na koniec roku wskazał 70 mld USD (eksperci) i 90 mld USD (superprognostycy). FRI ocenia bieżącą wartość na około 140 mld USD. Pomyłka dotyczy więc prognoz sprzed zaledwie kilku miesięcy.

Przy szerszych wskaźnikach adopcji obraz jest mniej jednoznaczny. Udział godzin pracy w USA wspieranych przez generatywną AI w 2025 roku prognozowano na 4 proc. i 3,6 proc., a wynik wyniósł 5,7 proc. FRI zastrzega jednak, że prognostycy dostali nieaktualną wartość bazową z badania Fed w St. Louis.

Gdzie eksperci przecenili AI

Raport opisuje także przeszacowania. W połowie 2025 roku prognostycy oceniali, jaka część studentów kierunków ścisłych wykona z pomocą modelu językowego trzy zadania laboratoryjne istotne dla bezpieczeństwa biologicznego. Eksperci od biobezpieczeństwa wskazali 22,5 proc., wirusolodzy 40 proc., superprognostycy 16,2 proc. W randomizowanym badaniu udało się to 5,2 proc. uczestników.

Drugi przykład to autonomiczne samochody. Mediana ekspertów zakładała, że w 2027 roku 7,3 proc. przejazdów w usługach przewozowych w USA obsłużą pojazdy autonomiczne. Projekcja FRI wskazuje około 2,5 proc., bliżej mediany superprognostyków wynoszącej 2 proc. Bliskie projekcjom FRI są prognozy dotyczące infrastruktury, na przykład wzrostu centrów danych, a trafna okazała się prognoza nastrojów społecznych: odsetek Amerykanów negatywnie oceniających AI na koniec 2024 roku prognozowano na 33 proc., a wyniósł 32,9 proc.

Ograniczenia analizy

Autorzy sami wskazują, że metoda sprzyja wykrywaniu niedoszacowań. Prognoza zaniżona ujawnia się, gdy tylko rzeczywistość przekroczy próg. Prognozę zawyżoną można ocenić dopiero po terminie rozstrzygnięcia, czasem za kilka lat. Większość pytań z badań FRI nie została jeszcze rozstrzygnięta.

Raport opiera się głównie na medianach, które mogą ukrywać trafniejsze prognozy części uczestników. Część ocen bazuje na projekcjach modelu językowego, a nie na danych końcowych. FRI przedstawia też alternatywną interpretację: benchmarki mogły rosnąć szybciej, bo łatwiej było trenować modele pod konkretne testy. Wtedy postęp w testach nie musiałby przekładać się w tym samym tempie na skutki w gospodarce.

Co z tego wynika dla firm w Polsce

W naszej ocenie raport jest przede wszystkim ostrzeżeniem przed planowaniem na podstawie jednej prognozy. Jeśli firma zakłada w strategii, że dana umiejętność modeli pojawi się za pięć lat, dane FRI pokazują, że termin ten bywał przesunięty nawet o kilka lat w stronę teraźniejszości. Jednocześnie przykłady autonomicznych samochodów i zadań laboratoryjnych pokazują, że wdrożenie w realnym świecie może trwać dłużej niż wynik w teście.

FRI zauważa też, że prognozy zbierane w 2026 roku nie są wyraźnie trafniejsze od wcześniejszych, choć eksperci stopniowo zakładają szybszy postęp. Dla działów strategii, IT i HR oznacza to potrzebę regularnego przeglądu założeń.

• Planuj w scenariuszach: szybkim, bazowym i wolnym, zamiast jednej daty dla możliwości modeli.
• Oddzielaj możliwości modeli w testach od tempa wdrożenia w firmie, które zależy od procesów, danych i regulacji.
• Przeglądaj założenia dotyczące AI co kwartał, a nie raz w roku.
• Przy budżetach sprawdzaj koszt konkretnego zadania, bo ceny i możliwości modeli zmieniają się szybciej niż cykl budżetowy.

Podsumowanie

Raport Forecasting Research Institute pokazuje, że od 2022 roku zarówno eksperci, jak i superprognostycy wyraźnie zaniżali postęp AI w benchmarkach i wzrost przychodów firm AI. Nie oznacza to, że każda prognoza jest zbyt ostrożna, bo w kilku obszarach eksperci przecenili tempo zmian. Wniosek praktyczny jest prostszy: prognozy dotyczące AI wymagają częstej weryfikacji i planowania w kilku wariantach.