Kryzys przywództwa algorytmów: dlaczego modele AI bankrutują na stanowisku prezesa

Wsadź sztuczną inteligencję w fotel prezesa, a najpewniej spali Twój kapitał szybciej niż najbardziej rozrzutny startup z Doliny Krzemowej. Nowy benchmark CEO-Bench, opublikowany w czerwcu 2026 roku przez badaczy z Uniwersytetu Princeton, nie pozostawia złudzeń. W symulacji zarządzania wirtualną firmą NovaMind większość najpotężniejszych modeli językowych po prostu zbankrutowała. Okazuje się, że pisanie wierszy i naprawianie błędów w kodzie to zupełnie inna liga niż nawigowanie w gęstej mgle rynkowej niepewności.

Wyznaczenie granic autonomicznego przywództwa AI stało się palącym tematem właśnie teraz. Podczas gdy OpenAI zmaga się z wewnętrznymi zawirowaniami kadrowymi, a konferencje ICAN Institute analizują rolę lidera w 2026 roku, dane z Princeton obnażają brutalną prawdę: droga do autonomicznych korporacji nie wiedzie przez lepszą znajomość składni Pythona, lecz przez umiejętność hierarchizacji celów i rozumienie długofalowych konsekwencji decyzji.

Symulacja brutalniejsza od rzeczywistości

Eksperyment postawił przed algorytmami wyzwanie zarządzania startupem NovaMind przez 500 dni. Zasady były proste: milion dolarów kapitału na start, zero klientów i jeden cel – przetrwać. Agenci mieli do dyspozycji interfejs Python API oraz 34 narzędzia. Decydowali o wszystkim: od cen abonamentów i wydatków na marketing, po inwestycje w R&D. Świat symulacji nie dawał natychmiastowych odpowiedzi. Strategiczne błędy objawiały się z opóźnieniem, dokładnie tak jak w realnym biznesie. Jak zauważają badacze z Princeton, „modele świetnie posługują się narzędziami, ale nie potrafią łączyć poszczególnych działań w spójną wizję długoterminową”.

Tylko trzej gracze nad kreską

Z 14 przetestowanych modeli tylko trzy zdołały zakończyć próbę z jakimkolwiek zyskiem. Liderem zestawienia został Claude Fable 5, który wypracował 47,15 mln dolarów. Jego sukces miał jednak mroczną stronę – model bywał niestabilny i w niektórych próbach po prostu odmawiał współpracy z „podwładnymi”. Tuż za nim uplasowały się Claude Opus 4.8 oraz GPT-5.5. Cała reszta stawki albo ogłosiła upadłość przed upływem 500 dni, albo poruszała się po omacku, trwoniąc zasoby.

Heurystyka kontra inteligencja

Najbardziej policzkiem dla inżynierów AI jest fakt, że prosta, sztywna heurystyka – algorytm oparty na kilku stałych regułach, pozbawiony sieci neuronowych – pokonała aż 11 modeli językowych. Zajęła czwarte miejsce z wynikiem blisko 16 mln dolarów. Konsekwentne trzymanie się prymitywnego planu okazało się skuteczniejsze niż chaotyczne próby adaptacji prezentowane przez AI. Modele często wpadały w pułapkę reaktywności: zamiast kreować rynek, nerwowo reagowały na szum informacyjny.

Lekcja z historii Apple

Autorzy badania przywołują rok 1997, kiedy Apple było o krok od bankructwa. Steve Jobs nie szukał wtedy optymalizacji drobnych procesów, lecz nakreślił radykalnie prostą strategię. Tej „inteligencji sterującej” brakuje dzisiejszym systemom. Nawet najlepsze modele są dalekie od teoretycznego maksimum symulacji, które badacze oszacowali na ponad 2 miliardy dolarów. Iza Stachurska w analizie dla MIT Sloan Management Review Polska trafnie punktuje te braki: „AI nie potrafi poczuć wibracji w relacji i stworzyć prawdziwego poczucia przynależności”.

Wnioski dla biznesu

CEO-Bench obnaża lukę, której nie zasypie kolejna porcja danych treningowych. W świecie, gdzie informacja zwrotna jest odroczona w czasie, systemy oparte na przewidywaniu kolejnego tokena ustępują ludzkiemu uporowi. Dla branży technologicznej to jasny sygnał: algorytmy mogą być świetnymi asystentami, ale jako prezesi wciąż są jedynie krótkowzrocznymi statystykami.