Zarządzanie danymi w dobie AI. Od datafikacji do przewagi konkurencyjnej - ebook

WYKAZ SKRÓTÓW

----------------- --- ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
AD – Alzheimer’s disease (choroba Alzheimera)
ADM – Automated Decision-Making (proces, w którym decyzje podejmowane są przy użyciu systemów teleinformatycznych i algorytmów, często wykorzystujących sztuczną inteligencję, bez udziału ani ingerencji człowieka)
ADR – Alternative Dispute Resolution (pozasądowe systemy rozstrzygania sporów)
Agentic AI – agentowa AI (agent AI)
AI – Artificial Intelligence (sztuczna inteligencja)
AI Act – Artificial Intelligence Act (rozporządzenie unijne w sprawie sztucznej inteligencji)
AIaMD – Artificial Intelligence as Medical Device (sztuczna inteligencja jako urządzenie medyczne)
AIB – Artificial Intelligence Board (Europejska Rada ds. Sztucznej Inteligencji)
AIDA – Special Committee on Artificial Intelligence in a Digital Age (Komisja Parlamentu ds. Sztucznej Inteligencji w Erze Cyfrowej w latach 2020–2022)
AI Office – Urząd Unii Europejskiej ds. Sztucznej Inteligencji
AIS – Account Information Service (usługa dostępu do informacji o rachunku, która zezwala licencjonowanym podmiotom za zgodą klienta na pobieranie i agregowanie danych z różnych kont bankowych w jednym miejscu, co umożliwia np. wygodne zarządzanie budżetem w zewnętrznej aplikacji)
AISP – Account Information Service Provider (dostawca usług informacji o koncie, który jest uprawniony do bezpiecznego odczytu danych o rachunkach bankowych użytkowników)
a.o. – and others (i inni)
API – application programming interface (interfejs programowania aplikacji)
AR – augmented reality (rzeczywistość rozszerzona)
AutoML – Automated Machine Learning (zautomatyzowane uczenie maszynowe, które pozwala na automatyzację tworzenia modeli AI: od przygotowania danych, przez dobór algorytmów, aż po optymalizację. Umożliwia szybkie budowanie systemów predykcyjnych nawet osobom bez specjalistycznej wiedzy z zakresu data science)
AWS – autonomous weapon systems (autonomiczne systemy uzbrojenia)
big data – termin odnoszący się do dużych, zmiennych i różnorodnych zbiorów danych, których przetwarzanie i analiza jest trudna, ale wartościowa, ponieważ może prowadzić do zdobycia nowej wiedzy
bigtech – zbiorcze określenie dla największych i najbardziej wpływowych globalnych korporacji technologicznych
B2B – Business to Business relacje handlowe między dwiema firmami)
BKA – Bundeskartellamt (Niemiecki Urząd ds. Konkurencji)
CAIDA – Cloud and AI Development Act (kluczowa inicjatywa legislacyjna Komisji Europejskiej, której głównym celem jest wzmocnienie suwerenności cyfrowej Europy oraz zapewnienie UE pozycji lidera w dziedzinie sztucznej inteligencji i przetwarzania danych)
CCW – Convention on Certain Conventional Weapons (Konwencja o niektórych broniach konwencjonalnych)
CDO – Chief Data Officer (Dyrektor ds. Danych; kluczowe stanowisko menedżerskie i członek ścisłego kierownictwa, odpowiedzialny za całościową strategię firmy w obszarze zarządzania informacjami)
CE – Conformité Européenne (Zgodność Europejska; znak umieszczony na produkcie oznacza, że wyrób spełnia wymagania UE dotyczące bezpieczeństwa, zdrowia i ochrony środowiska. Jest to gwarancja, że towar może być legalnie sprzedawany na terenie Europejskiego Obszaru Gospodarczego)
CEDS – Common European Data Spaces (Wspólna Europejska Przestrzeń Danych)
CER – Critical Entities Resilience (dyrektywa nr 2022/2557 w sprawie odporności podmiotów krytycznych, mająca na celu ochronę i zapewnienie odporności infrastruktury krytycznej przed zagrożeniami fizycznymi, sabotażem i klęskami żywiołowymi)
CHD – Coronary Heart Disease / Congenital Heart Defect (choroba wieńcowa serca lub wada wrodzona serca)
CHDS – Cultural Heritage Data Space (Wspólna Europejska Przestrzeń Danych na rzecz Dziedzictwa Kulturowego)
CISI – Centrum Implementacji Sztucznej Inteligencji
CMA – Competition and Markets Authority (Urząd Nadzoru nad Konkurencją i Rynkiem w Wielkiej Brytanii)
CPS – Core Platform Services (podstawowe usługi platformowe, świadczone przez bigtechy – strażników dostępu w rozumieniu DMA)
CRA – Cyber Resilience Act (rozporządzenie w sprawie cyberodporności, które wprowadza jednolite i obowiązkowe wymogi cyberbezpieczeństwa dla wszelkich urządzeń i oprogramowania z elementami cyfrowymi)
CVD – Cardiovascular Disease (śmiertelność i zachorowalność związana z chorobami układu krążenia)
DA – Data Act (rozporządzenie unijne o danych)
DARB – Data and Artificial Intelligence Review Board (Rada ds. Przeglądu Danych i AI w NATO)
data-centric AI – sztuczna inteligencja zorientowana na dane (podejście, w którym zamiast zmieniać architekturę modelu, skupia się na systematycznym ulepszaniu jakości, spójności i reprezentatywności danych treningowych)
Data Governance – zarządzanie danymi lub ład danych (kompleksowy zbiór polityk, procesów, ról i technologii, które regulują pozyskiwanie, przechowywanie, ochronę i wykorzystanie informacji)
Data Mesh – siatka danych (zdecentralizowane podejście do architektury danych, które przenosi odpowiedzialność z jednego, centralnego zespołu analitycznego na poszczególne zespoły biznesowe, tworzące, przechowujące i udostępniające własne dane jako gotowe produkty)
data mining – eksploracja danych (proces odkrywania wiedzy z baz danych)
Data Science – nauka o danych (interdyscyplinarne pole na styku informatyki, matematyki i wiedzy dziedzinowej, ukierunkowane na wydobycie wartościowej informacji ze zbioru danych)
DBE – Digital Business Ecosystem (ekosystem biznesowy w środowisku cyfrowym)
DeFi – Decentralized Finance (zdecentralizowane finanse; ekosystem usług finansowych opartych na technologii blockchain, który pozwala na handel, pożyczki, inwestycje i oszczędzanie bez tradycyjnych pośredników, takich jak banki czy brokerzy)
DGA – Data Governance Act (rozporządzenie unijne o zarządzaniu danymi)
DL – Deep Learning (głębokie uczenie)
DLA – Defense Logistics Agency (amerykańska agencja wsparcia logistycznego Departamentu Obrony (DoD) zarządzająca globalnym łańcuchem dostaw dla wszystkich rodzajów sił zbrojnych)
DMA – Digital Markets Act (rozporządzenie unijne o rynkach cyfrowych)
DMCC – Digital Markets, Competition and Consumers Act (ustawa o rynkach cyfrowych, konkurencji i konsumentach w Wielkiej Brytanii)
DOD – Department of Defence (Departament Obrony USA)
DOJ – Department of Justice (Departament Sprawiedliwości USA)
DORA – Digital Operational Resilience Act (unijne rozporządzenie, które ujednolica i zaostrza zasady cyberbezpieczeństwa oraz zarządzania ryzykiem technologicznym w całym europejskim sektorze finansowym. Jego głównym celem jest wzmocnienie odporności instytucji na ataki hakerskie, awarie systemów oraz wycieki danych)
DPIA – Data Protection Impact Assessment (ocena skutków dla ochrony danych to obowiązkowy proces wymagany przez art. 35 RODO, który pozwala zidentyfikować i zminimalizować ryzyka naruszenia praw lub wolności osób fizycznych, zanim firma czy instytucja rozpocznie przetwarzanie danych)
DPP – Digital Product Passport (Cyfrowy Paszport Produktu to unijny standard gromadzenia informacji o pochodzeniu, składzie, naprawie i recyklingu towarów)
DSA – Digital Services Act (rozporządzenie unijne o usługach cyfrowych)
DSM – Digital Single Market Directive (dyrektywa z 2019 r. o ochronie praw autorskich i pokrewnych na jednolitym rynku UE)
DUA Act – Data Use and Access Act (ustawa o wykorzystaniu danych i dostępie do nich; brytyjskie prawo zmieniające sposób, w jaki dane są przetwarzane, udostępniane i chronione w Wielkiej Brytanii)
EAI / XAI – Explainable AI (wyjaśnialna sztuczna inteligencja)
EDM – elimination of double marginalization (wyeliminowanie podwójnej marginalizacji – zjawisko opisujące sytuację, w której dwie niezależne firmy działające na różnych etapach tego samego łańcucha dostaw nakładają własne marże, co prowadzi do zawyżenia ostatecznej ceny produktu i redukcji łącznego popytu. Zjawisko to najczęściej eliminuje się przez integrację pionową)
EFD – Essential Facility Doctrine (w prawie konkurencji doktryna urządzeń kluczowych lub niezbędnych udogodnień, która zobowiązuje dominujące firmy do udostępnienia swojej infrastruktury konkurentom, jeśli jest ona niezbędna do działania na rynku i nie można jej łatwo powielić)
EHDS – European Health Data Space (Europejska Przestrzeń Danych Medycznych to projekt UE, który ujednolica i zabezpiecza transgraniczny obieg dokumentacji medycznej oraz umożliwia wykorzystanie tych danych w celach naukowych i badawczych)
EHR – Electronic Health Record (cyfrowa wersja historii medycznej pacjenta, umożliwiająca bezpieczne przechowywanie i udostępnianie informacji o stanie zdrowia)
EOG – Europejski Obszar Gospodarczy
ERP – Enterprise Resource Planning (planowanie zasobów przedsiębiorstwa)
ESAP – European Single Access Point (Europejski Jednolity Punkt Dostępu; centralna, ogólnodostępna platforma internetowa tworzona w UE, która zapewnia bezpłatny i natychmiastowy dostęp do publicznych informacji finansowych, pozafinansowych oraz danych dotyczących zrównoważonego rozwoju przedsiębiorstw i produktów inwestycyjnych)
ESG – Environmental, Social, Governance (środowisko, społeczeństwo i ład korporacyjny)
ESO – European Standards Organizations (Europejskie Organizacje Normalizacyjne to trzy instytucje tworzące europejski system normalizacji)
ESPR – Ecodesign for Sustainable Products Regulation (rozporządzenie w sprawie ekoprojektu dla zrównoważonych produktów)
Executive Order – rozporządzenie wykonawcze wydawane przez prezydenta USA w celu umożliwienia urzędnikom i agencjom rządowym podjęcia działania w szybkim trybie
FAIR – findable (łatwe do odnalezienia), accessible (dostępne), interoperable (interoperacyjne) i reusable (możliwe do ponownego wykorzystania) (dane FAIR to międzynarodowy standard zarządzania danymi badawczymi)
FAIRR – Financial Artificial Intelligence Risk Reduction Act (w USA projekt ustawy z zakresu regulacji rynków finansowych, mający na celu ograniczenie zagrożeń i nadużyć związanych ze sztuczną inteligencją)
FDA – Food and Drug Administration (Amerykańska Agencja ds. Żywności i Leków)
FIDA – Financial Information Data Access (projekt unijnego rozporządzenia regulującego tzw. otwarte finanse, które ma zapewnić klientom pełną kontrolę nad swoimi danymi finansowymi i wymusić ich bezpieczne udostępnianie)
FINRA – Financial Industry Regulatory Authority (amerykańska niezależna organizacja pozarządowa, która pełni funkcję głównego organu nadzorującego rynek domów maklerskich i brokerów w USA i działa jako organizacja samoregulacyjna, non-profit, podlegająca nadzorowi Komisji Papierów Wartościowych i Giełd – SEC)
fintech – Financial Technology (technologia finansowa lub podmioty stosujące technologię finansową)
FIRDS – Financial Instruments Reference Data System (System Danych Referencyjnych Instrumentów Finansowych)
FISP – Financial Information Service Providers (nowa kategoria podmiotów finansowych wprowadzana przez rozporządzenie FIDA)
FLOPS – Floating Point Operations Per Second (jednostka mocy obliczeniowej komputerów)
FM – Foundation Model (model podstawowy AI)
FMTI – Foundation Models Transparency Index (Indeks Przejrzystości Modeli Podstawowych)
FRAND – Fair, Reasonable and Non Discriminatory (licencjonowanie na warunkach uczciwych, rozsądnych i niedyskryminacyjnych)
FTC – Federal Trade Commission (Federalna Komisja Handlu w USA)
GAI – General Artificial Intelligence (ogólna sztuczna inteligencja to hipotetyczny system AI, który potrafi myśleć, uczyć się i wykonywać dowolne zadanie intelektualne na poziomie równym lub przewyższającym ludzkie możliwości)
GAO – US Government Accountability Office (Biuro Odpowiedzialności Rządu USA to niezależna agencja, która pełni funkcję głównego organu kontrolnego i audytorskiego Kongresu Stanów Zjednoczonych)
GDPR – General Data Protection Regulation (rozporządzenie unijne o ochronie danych osobowych)
GenAI – Generative Artificial Intelligence (generatywna sztuczna inteligencja to gałąź technologii zajmująca się automatycznym tworzeniem nowych treści. Zamiast tylko analizować istniejące dane, potrafi samodzielnie pisać teksty, generować obrazy, komponować muzykę czy pisać kod. Opiera się na modelach uczenia maszynowego, które zostały przeszkolone na miliardach przykładów)
GENIUS Act – Guiding and Establishing National Innovation for US Stablecoins Act (ustawa federalna w USA, która weszła w życie w 2025 r., wprowadzająca pierwsze kompleksowe ramy prawne dla stablecoinów, czyli kryptowalut powiązanych z walutami fiducjarnymi, najczęściej dolarem)
GEO – Generative Engine Optimization (nowoczesna strategia pozycjonowania marek i treści, tak aby były one chętnie cytowane i polecane przez GenAI)
GPM – General Purpose Model (model ogólnego przeznaczenia)
GPT-3 – Generative Pre-trained Transformer 3 (zaawansowany model językowy sztucznej inteligencji stworzony przez firmę OpenAI)
GPU – Graphics Processing Units (jednostka obliczeniowa w kartach graficznych)
GRC – governance (ład korporacyjny/nadzór), risk (zarządzanie ryzykiem) oraz compliance (zgodność) (koncepcja zintegrowanej strategii zarządzania, nadzoru i kontroli ryzyka oraz zgodności z przepisami)
green regtech – Green Regulatory Technology (rozwiązania cyfrowe, które pomagają firmom monitorować, raportować i spełniać rygorystyczne wymogi prawne dotyczące ESG oraz zrównoważonych finansów)
GWAS – analiza asocjacyjna całego genomu (metoda stosowana do identyfikacji związków między różnicami genetycznymi a cechami takimi jak predyspozycje do chorób)
GWB – Gesetz gegen Wettbewerbsbeschränkungen (ustawa o ograniczeniach konkurencji w Niemczech)
HHI – Herfindahl-Hirschman Index (wskaźnik koncentracji rynku określający poziom natężenia konkurencji na tym rynku)
HMT – Human-Machine-Teams (współpraca człowiek–maszyna)
HRAIS – High-Risk AI Systems (kategoria systemów sztucznej inteligencji podlegających najostrzejszym regulacjom prawnym w UE. Wymagają one rygorystycznych ocen zgodności, zarządzania ryzykiem, wysokiej jakości danych oraz nadzoru człowieka)
ICT – Information and Communication Technology (technologia informacyjno-komunikacyjna)
INP – Intention Network Protocol (uniwersalny standard umożliwiający agentom AI komunikację przy jednoczesnym zachowaniu własności danych użytkownika)
IoT – Internet of Things (internet rzeczy)
IPR – Intellectual Property Rights (prawa własności intelektualnej)
ISR – Intelligence, Surveillance, and Reconnaissance (skoordynowane działania wywiadu, obserwacji i rozpoznania; zintegrowany system gromadzenia, analizowania i dystrybucji danych o działaniach wroga lub potencjalnych zagrożeniach, niezbędny do podejmowania decyzji militarnych oraz zarządzania kryzysowego)
ITAR – International Traffic in Arms Regulations (regulacje USA kontrolujące eksport, import oraz obrót technologiami, oprogramowaniem i usługami związanymi z obronnością oraz przemysłem kosmicznym)
IVDR – In Vitro Diagnostic Regulation (rozporządzenie 2017/746, które reguluje kwestie projektowania, produkcji oraz wprowadzania do obrotu wyrobów medycznych do diagnostyki in vitro na rynku UE)
JADC2 – Joint All-Domain Command and Control (strategiczna inicjatywa Departamentu Obrony USA, której celem jest stworzenie jednolitej, opartej na chmurze i AI sieci, łączącej wszystkie rodzaje sił zbrojnych: lotnictwo, marynarkę, wojska lądowe, piechotę morską i siły kosmiczne; umożliwia błyskawiczną wymianę danych między każdym sensorem a dowolnym środkiem rażenia)
JPK – Jednolity Plik Kontrolny (elektroniczny dokument księgowy stosowany przez firmy w automatycznych rozliczeniach z urzędem skarbowym)
KRiBSI – Komisja Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (Polska)
KYC – Know Your Customer („Poznaj swojego klienta”, czyli prawny proces weryfikacji tożsamości i oceny ryzyka klienta. Jest to kluczowy element procedur, którego celem jest ochrona przed oszustwami, kradzieżą tożsamości oraz finansowaniem terroryzmu)
LaaS – Longevity as a Service (model biznesowy i zdrowotny, który przekształca medycynę prewencyjną oraz badania nad starzeniem w ciągłą, subskrypcyjną usługę)
LAWS – Lethal Autonomous Weapons (Autonomiczne Zabójcze Systemy Uzbrojenia to rodzaj broni wojskowej, która potrafi samodzielnie, bez udziału człowieka, wyszukać, zidentyfikować i zaatakować cel po jego aktywacji)
LLM – Large Language Models (duży model językowy)
LOAC – Law of Armed Conflict (prawo konfliktów zbrojnych to zespół międzynarodowych norm i zasad prawnych, często nazywany też prawem wojennym lub międzynarodowym prawem humanitarnym, które regulują dopuszczalne sposoby prowadzenia działań wojennych i chronią poszkodowanych przez wojnę)
LPU – Language Processing Unit (układ zoptymalizowany pod kątem przetwarzania języka naturalnego i pracy z dużymi modelami językowymi)
MaaS – Model-as-a-Service (model jako usługa)
MAR – Market Abuse Regulation (rozporządzenie w sprawie nadużyć na rynku)
Marketplace – wirtualny rynek
MCP – Model Context Protocol (otwarty standard, który ujednolica sposób, w jaki AI, np. duże modele językowe, łączy się z zewnętrznymi bazami danych, systemami i narzędziami. Działa jak uniwersalny interfejs, eliminując potrzebę pisania niestandardowych integracji dla każdej aplikacji)
MDAI – Medical Device Artificial Intelligence (oprogramowanie i systemy sztucznej inteligencji wykorzystywane do celów medycznych. Zgodnie z AI Act, narzędzia te są klasyfikowane jako systemy wysokiego ryzyka, jeśli stanowią wyrób medyczny i wymagają udziału jednostki notyfikowanej)
MDCG – Medical Device Coordination Group (grupa ekspertów ds. wyrobów medycznych w UE, powołana przez Komisję Europejską, która doradza w ujednoliconym wdrażaniu i interpretacji unijnych rozporządzeń)
MDR – Medical Device Regulation (rozporządzenie unijne w sprawie wyrobów medycznych)
MDSW – Medical Device Software (oprogramowanie medyczne)
MEX – military expenditures (wydatki wojskowe)
MiFIR – Markets in Financial Instruments Regulation (rozporządzenie w sprawie rynków instrumentów finansowych)
ML – Machine Learning (uczenie maszynowe)
MoE – mixture of experts (technika uczenia maszynowego, w której używa się wielu sieci ekspertów do podziału przestrzeni problemu na jednorodne regiony)
MRCF – Meta-Recursive Cognitive Framework (metarekurencyjny model poznawczy, który odnosi się do zaawansowanych architektur poznawczych oraz systemów AI wykorzystujących rekurencyjną metakognicję. Model ten przesuwa punkt ciężkości z prostego generowania odpowiedzi na rzecz autorefleksji i systemowego rozwiązywania problemów. Głównym założeniem systemu jest zdolność AI do monitorowania, krytykowania i ulepszania własnych procesów myślowych w pętli (rekurencji), co ułatwia generowanie bardziej wiarygodnych i logicznych wniosków)
MŚP – małe i średnie przedsiębiorstwa
multicloud – wielochmurność (strategia polegająca na jednoczesnym korzystaniu z usług obliczeniowych i pamięci masowej od dwóch lub więcej różnych dostawców chmury publicznej, np. AWS, Microsoft Azure, Google Cloud)
NDAA – National Defense Authorization Act (Ustawa o Autoryzacji Obrony Narodowej USA)
NFT – Non-Fungible Token (niewymienny token)
NIS 2 – Network and Information Systems Directive (dyrektywa NIS 2 to nowa, bardziej rygorystyczna wersja unijnego prawa o cyberbezpieczeństwie, która zastępuje starszą dyrektywę NIS 1; poszerza katalog podmiotów objętych obowiązkiem ochrony i zaostrza wymagania dotyczące zgłaszania incydentów oraz odpowiedzialności kadry zarządzającej)
NIST – National Institute of Standards and Technology (Narodowy Instytut Standaryzacji i Technologii w USA)
NLP – Natural Language Processing (przetwarzanie języka naturalnego)
NQHL – Neuromorphic-Quantum Hybrid Learning (neuromorficzno-kwantowe hybrydowe uczenie się, które jest zaawansowaną architekturą AI, łączącą przetwarzanie neuromorficzne, komputeryzację kwantową oraz głębokie uczenie. System ten synergicznie łączy biologiczną energooszczędność i adaptacyjność z mocą obliczeniową kubitów)
ODD – Open Data Directive (dyrektywa o otwartych danych z 2019 r., której celem jest uwolnienie potencjału informacji publicznej. Zobowiązuje ona państwa UE do nieodpłatnego udostępniania danych sektora publicznego w formatach nadających się do odczytu maszynowego)
OODO – organ ds. ochrony danych osobowych w kraju członkowskim UE
OZZ – Organizacje Zbiorowego Zarządzania (pośredniczą w pobieraniu wynagrodzeń za korzystanie z utworów twórców i artystów)
PaLM – Pathways Language Model (rodzina zaawansowanych dużych modeli językowych LLM stworzonych przez Google’a. Są to systemy sztucznej inteligencji wyszkolone na ogromnych zbiorach danych, które potrafią przetwarzać język naturalny, pisać teksty, tłumaczyć i programować)
PIS – Payment Initiation Service (usługa inicjowania płatności, która pozwala na zlecenie przelewu bezpośrednio z konta bankowego klienta za pośrednictwem zewnętrznej platformy, np. bramki płatniczej w sklepie internetowym, bez konieczności logowania się do tradycyjnej bankowości elektronicznej)
PKE – prawo komunikacji elektronicznej
PMCF – Post-Market Clinical Follow-up (monitorowanie kliniczne po wprowadzeniu do obrotu to proces ciągłego zbierania i analizowania danych klinicznych dotyczących bezpieczeństwa i skuteczności wyrobu medycznego w warunkach rzeczywistych, wymagany przez rozporządzenie MDR)
PRS – Poligenic Risk Scores (poligeniczne wskaźniki ryzyka)
PSD – Payment Services Directive (unijne dyrektywy w sprawie usług płatniczych, które regulują rynek płatności elektronicznych w Europie)
PSD1 – dyrektywa wprowadzona w 2007 r., która stworzyła jednolity rynek płatności w UE i położyła prawne fundamenty pod system SEPA
PSD2 – dyrektywa obowiązująca od 2018 r., która zwiększyła bezpieczeństwo, wprowadzając silne uwierzytelnienie klienta, i otworzyła rynek na bankowość otwartą, umożliwiając licencjonowanym firmom dostęp do rachunków bankowych oraz usług AIS i PIS)
PSD3 – dyrektywa regulująca kwestie licencyjne oraz nadzorcze nad instytucjami płatniczymi i instytucjami pieniądza elektronicznego
PSR – Payment Services Regulation (rozporządzenie, które wraz z dyrektywą PSD 3 ujednolica przepisy na rynku europejskim. Jego głównym celem jest zwiększenie bezpieczeństwa, ochrona przed oszustwami oraz wyrównanie szans między tradycyjnymi bankami a instytucjami płatniczymi)
P2P – peer to peer (model komunikacji w sieci komputerowej zapewniający wszystkim hostom te same uprawnienia, w odróżnieniu od architektury klient-serwer)
Q-Day – Quantum Day (hipotetyczny, umowny moment, w którym komputery kwantowe osiągną moc obliczeniową pozwalającą na złamanie powszechnie stosowanych algorytmów szyfrujących)
RAG – Retrieval-Augmented Generation (generowanie wspomagane wyszukiwaniem to technika sztucznej inteligencji, która poprawia precyzję modeli językowych, np. GPT, pozwalając im czerpać wiedzę z zewnętrznych baz danych)
regtech – regulation technology (technologia regulacyjna)
RAI – responsible AI (odpowiedzialna sztuczna inteligencja)
RFID – Radio-Frequency Identification (technologia identyfikacji za pomocą fal radiowych, która umożliwia bezprzewodowe przesyłanie danych oraz zdalne odczytywanie obiektów)
RIS – Retail Investment Strategy (Strategia Inwestycji Detalicznych to pakiet legislacyjny przyjęty w 2025 r., którego celem jest ujednolicenie i uproszczenie ochrony inwestorów indywidualnych na terenie UE)
RLHF – Reinforcement Learning from Human Feedback (technika uczenia maszynowego, w której generatywna sztuczna inteligencja, np. modele językowe takie jak ChatGPT, jest udoskonalana na podstawie ocen i wskazówek przekazywanych przez ludzi)
RODO – rozporządzenie unijne o ochronie danych osobowych
RPM – resale price maintenance (utrzymywanie ceny odsprzedaży to pionowe ograniczenie stosowane przez dostawcę z górnego łańcucha dostaw, które ogranicza ceny odsprzedaży sprzedawców z dolnego łańcucha dostaw)
SAIA – Sovereign AI Alliance (międzynarodowa koalicja firm technologicznych, która promuje zdecentralizowaną sztuczną inteligencję, a jej celem jest przejście z gospodarki cyfrowej opartej na „wypompowywaniu uwagi”, tzw. monetyzacji kliknięć, do gospodarki opartej na „realizacji ludzkich intencji”)
SaMD – Software as a Medical Device (oprogramowanie pełniące funkcję wyrobu medycznego. Działa samodzielnie na urządzeniach ogólnego przeznaczenia, np. smartfonach, komputerach w chmurze, i nie jest fizyczną częścią tradycyjnego sprzętu medycznego)
SEC – Securities and Exchange Commission (niezależna agencja rządu federalnego USA, która pełni funkcję głównego organu nadzorczego i regulacyjnego dla rynków kapitałowych)
SEO – Search Engine Optimization (proces optymalizacji strony internetowej pod kątem wyszukiwarek, którego głównym celem jest zwiększenie widoczności w bezpłatnych, organicznych wynikach wyszukiwania)
SEP – Single Entry Point (w prawie UE oznacza pojedynczy punkt kontaktowy np. do zgłaszania incydentów w systemach cyberbezpieczeństwa)
Smart Data – inteligentne dane (proces przekształcania olbrzymich zbiorów informacji, big data, w uporządkowane, przefiltrowane i zrozumiałe dane, które niosą konkretną wartość. Zamiast skupiać się na zbieraniu „wszystkiego”, Smart Data wyszukuje tylko informacje użyteczne i gotowe do wykorzystania w podejmowaniu decyzji)
suptech – supervision technology (technologia nadzorcza)
TDM – text and data mining (eksploracja tekstu i danych)
TFUE – Traktat o funkcjonowaniu Unii Europejskiej
TILs – limfocyty naciekające guz
TME – elementy mikrośrodowiska guza
TPLC – Total Product Life Cycle (całkowity cykl życia produktu)
TPM – Trusted Platform Module (zaufany moduł platformy to dedykowany układ kryptograficzny montowany na płycie głównej komputera, który dba o sprzętowy poziom ochrony danych, przechowuje klucze szyfrujące i weryfikuje integralność systemu)
TPU – Tensor Processing Unit (specjalistyczna jednostka obliczeniowa przystosowana do obliczeń uczenia maszynowego)
TSUE – Trybunał Sprawiedliwości Unii Europejskiej
UAV – Unmanned Aerial Vehicles (bezzałogowy statek powietrzny – dron)
UE – Unia Europejska
UKE – Urząd Komunikacji Elektronicznej
UODO – Urząd Ochrony Danych Osobowych
UOKiK – Urząd Ochrony Konkurencji i Konsumentów
VC – venture capital (kapitał wysokiego ryzyka)
VLOP – Very Large Online Platforms (bardzo duże platformy cyfrowe w terminologii DSA)
VLOSE – Very Large Online Search Engines (bardzo duże wyszukiwarki sieciowe w terminologii DSA)
VR/AR – Virtual Reality/Augmented Reality (wirtualna/rozszerzona rzeczywistość)
----------------- --- ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------STRESZCZENIE

Celem monografii jest kontynuacja rozważań o datafikacji i sztucznej inteligencji z perspektywy regulacji i konkurencji. Powstają pytania badawcze, jakie są kierunki ewolucji roli danych w świecie AI. Czy można mówić o własności danych, czy raczej o problemie dostępu do danych? Jak pogodzić ochronę danych z potrzebą ułatwienia ich udostępniania w interesie publicznym? Jak te kwestie różnicować w kontekście danych osobowych i danych ekonomicznych, często powiązanych z ochroną praw własności intelektualnej i przemysłowej oraz tajemnicy handlowej? Czy, a jeżeli tak, to w jakiej mierze, prawo powinno wymuszać udostępnianie danych? Od lat szuka się „złotego środka” między ochroną danych a dostępem do danych, a tym samym – opracowania takich systemów zarządzania danymi prywatnymi oraz publicznymi, które nie budzą wątpliwości z perspektywy konkurencji. Metody to przede wszystkim ocena skutków regulacji i orzecznictwa w kontekście ekonomii instytucjonalnej i ekonomicznej analizy prawa. Rozwiązań, które powinny mieć charakter holistyczny i systemowy, można poszukiwać na pograniczu ekonomii, prawa i zarządzania. Istnieje luka badawcza, gdyż analityka danych skupia się głównie na aspektach informatycznych, ekonomia na niektórych rodzajach danych, powiązanych z prawami własności intelektualnej i przemysłowej, a regulacja koncentruje się na dość jednostronnie rozumianej ochronie prywatności lub na roli danych w prawie konkurencji. Wpływ datafikacji i AI na przewagę konkurencyjną polega na zamianie surowych danych w strategiczny zasób, który pozwala firmom działać szybciej, taniej i dokładniej niż konkurenci. Datafikacja dostarcza „paliwa”, a AI jest „silnikiem”, który przekształca je w realną wartość biznesową. Kluczowe obszary, w których te technologie budują przewagę konkurencyjną, to: hiperpersonalizacja i doświadczenie klienta, optymalizacja operacyjna i kosztowa, szybsze i trafniejsze decyzje, tworzenie nowych modeli biznesowych. Istnieją jednak ryzyka i bariery. Sama obecność technologii nie gwarantuje sukcesu. Firmy muszą uważać na: jakość danych, silosy informacyjne, kwestie etyczne i prawne.1. KIERUNKI EWOLUCJI ROLI DANYCH W KONTEKŚCIE AI

1.1. Datafikacja a problemy regulacji rynku AI

Prawo nowych technologii można podzielić na dwa podstawowe obszary: (1) prawo internetu oraz (2) prawo przełomowych technologii (disruptive technologies). Prawo internetu obejmuje akty prawne i wytyczne organów nadzorczych (regulatorów) dotyczące m.in.: zasad świadczenia usług elektronicznych, handlu i marketingu elektronicznego, zarządzania danymi w internecie. Prawo przełomowych innowacji są to akty prawne dotyczące np. chmury obliczeniowej, AI, internetu rzeczy (IoT), blockchain, kryptowalut, aut autonomicznych, dronów i robotów przemysłowych oraz gig economy („gospodarki na żądanie”) (Konarski 2026). Nie znaczy to, że w każdym przypadku jest to odrębna regulacja. Przykładem jest podejście do AI, gdzie w UE zwyciężyła koncepcja kompleksowej regulacji w ramach AI Act, a w USA – wytyczne do fenomenu AI w różnych obszarach regulacji (Executive Order) (Szpringer 2024; Szpringer 2025).

Dyskusja dotycząca regulacji AI jest naznaczona fałszywym wyborem: organy regulacyjne muszą rzekomo wybierać między bezpieczeństwem AI i etyką a promowaniem innowacji. Kwestionuje się to przez nadmierne uproszczenie, analizując dwie centralne dychotomie: po pierwsze, między regulacjami dotyczącymi współczesnej i przyszłej AI, a po drugie, między innowacją a bezpieczeństwem. Oba skrajne podejścia – kompleksowe regulacje oparte na wartościach i polityka innowacyjności bez ingerencji regulatorów – nie osiągają zamierzonych celów, a pod pewnymi względami podważają własne podstawy normatywne. Ani radykalne nakazy etyczne, ani wstrzymywanie się od regulacji nie rozwiązują w sposób znaczący praktycznych i prawnych wyzwań wynikających z nieprzejrzystości, nieprzewidywalności i złożoności AI. Oba podejścia grożą powstaniem nadmiernie lub niedostatecznie inkluzywnych ram prawnych, które fragmentują ochronę prawną i zmniejszają pewność dla wszystkich interesariuszy (Herbosch 2025; Arcelus a.o. 2025).

Znamienne, że firmy wnioskują do Komisji Europejskiej o zawieszenie stosowania AI Act na jakiś czas (np. 2 lata) oraz złagodzenie GDPR (RODO), co już się zaczęło projektem „Cyfrowego Omnibusa”. Dzisiaj europejskie firmy płacą realnie „podatek od niepewności”: zanim zbudują produkt, muszą zatrudnić prawników, aby się przekonać, czy w ogóle będzie można go wdrożyć na rynku. Chodzi m.in. o doprecyzowanie jednolitych w całej Unii Europejskiej zasad trenowania AI zgodnie z „uzasadnionym interesem”, a także o uporządkowanie niespójnych i krzyżujących się regulacji dotyczących cyberbezpieczeństwa (NIS 2, CER i DORA), np. propozycję ustanowienia Single Entry Point (SEP) dla zgłaszania incydentów. Nadmiernie skomplikowane przepisy stały się poważną barierą dla innowacji, zwłaszcza dla start-upów. Bez uchwalenia „Cyfrowego Omnibusa” i wyhamowania AI Act Europa straci szanse w globalnym wyścigu technologicznym na korzyść amerykańskich bigtechów (Duszczyk 2025a). Podobnie przeregulowany, dający nadmierną władzę urzędnikom i bardziej restrykcyjny niż wymaga tego UE, jest projekt nowelizacji polskiej ustawy o systemie cyberbezpieczeństwa (Busiło 2025). Europa może jednak nadrobić zaległości. Połączenie silnej kultury inżynierskiej z wartościami humanistycznymi i kapitałem ludzkim jest unikalnym atutem UE w rozwoju AI (Różyński 2025). Gdy koszt użytkowania zbudowanej przez bigtechy infrastruktury spadnie, wartość warstwy aplikacyjnej eksploduje, co daje szanse także małym graczom (Sójka 2025).

Rozwój sztucznej inteligencji przynosi ze sobą coraz więcej problemów technicznych, etycznych i społecznych. Jednym z nich jest kwestia „czarnej skrzynki”. Zaawansowane modele (zwłaszcza sieci neuronowe) działają w sposób, którego nie potrafią w pełni wyjaśnić nawet ich twórcy. Ten brak przejrzystości staje się realną barierą w dziedzinach, gdzie odpowiedzialność odgrywa ogromne znaczenie (np. w medycynie, obronności, finansach, wymiarze sprawiedliwości). Niezwykle istotna jest jakość danych, na których uczą się modele AI. Systemy te trenuje się na gigantycznych, często nieprzefiltrowanych zbiorach danych. Jeśli wśród nich kryją się uprzedzenia i/lub błędy, AI zacznie je powielać na masową skalę. Zjawisko to mieliśmy okazję zaobserwować już w systemach rekrutacyjnych, które dyskryminowały niektórych kandydatów, czy w algorytmach rozpoznawania twarzy, które gorzej radziły sobie z osobami o ciemniejszej karnacji. Problemem jest koncentracja rynku. Budowanie i trenowanie zaawansowanych modeli wymaga gigantycznych nakładów – zarówno obliczeniowych, jak i finansowych. W rezultacie rynek znajduje się w rękach niewielkiej grupy bigtechów. Bariery wejścia są na tyle wysokie, że potencjalni nowi gracze mają naprawdę niewielkie szanse na przebicie się, co budzi obawy o monopolizację. Nie można pominąć zagrożeń związanych z dezinformacją. Technologie GenAI umożliwiają tworzenie deepfake’ów na tyle przekonujących, że rozpoznanie ich staje się coraz trudniejsze.

W świetle AI Act zakazane są wprowadzanie do obrotu, oddawanie do użytku lub wykorzystywanie systemów AI, które stosują techniki podprogowe będące poza świadomością danej osoby lub celowe techniki manipulacyjne lub wprowadzające w błąd, czego celem lub skutkiem jest dokonanie znaczącej zmiany zachowania danej osoby lub grupy osób przez ograniczenie ich zdolności do podejmowania świadomych decyzji, powodując tym samym podjęcie przez nie decyzji, której inaczej by nie podjęły, w sposób, który wyrządza lub może wyrządzić u niej, u innej osoby lub u grupy osób poważną szkodę. Szczególne znaczenie dla cyberbezpieczeństwa i ochrony danych osobowych mają także ograniczenia dotyczące systemów biometrycznych. AI Act w zasadzie zakazuje wykorzystywania systemów zdalnej identyfikacji biometrycznej w czasie rzeczywistym w przestrzeni publicznej, z wyjątkiem ściśle określonych sytuacji, takich jak poszukiwanie osób zaginionych, zapobieganie atakom terrorystycznym czy ściganie najpoważniejszych przestępstw. Takie użycie jest dopuszczalne wyłącznie po uzyskaniu zgody niezależnego organu lub sądu oraz przy zachowaniu zasad proporcjonalności i minimalizacji danych. Rozporządzenie zakazuje również systemów social scoring, czyli mechanizmów oceniających obywateli na podstawie ich zachowań, cech osobistych lub preferencji, w sposób mogący prowadzić do nieproporcjonalnego lub niesprawiedliwego traktowania. Takie praktyki uznano za szczególnie ryzykowne z punktu widzenia ochrony prywatności, równości i wolności obywatelskich (Instytutcyber 2025).

Koncentracja kapitału i innowacji w rękach nielicznych graczy (bigtechów) grozi tym, że AI zamiast niwelować istniejące nierówności, będzie je pogłębiać. A skala inwestycji rośnie. AI przeznacza środki na inwestycje w wartościowe innowacje, co uderza w inne branże. W efekcie kształtuje się systemowa nierównowaga, w której rozwój AI wypiera lub spowalnia rozwój pozostałych technologii, także ważnych dla gospodarki cyfrowej (Kucharczyk 2025). Sztuczna inteligencja zaczęła stwarzać zagrożenie dla internetu. Istotą teorii „martwego internetu” jest przekonanie, że od 2016 r. ruch w sieci jest generowany głównie przez boty, które są również autorami większości publikowanych treści i przez nie manipulują algorytmami, a co za tym idzie – opinią publiczną. Użytkownik nie może być pewien, czy rozmawia z człowiekiem, czy może z botem o treściach stworzonych przez innego bota. W świetle badań w 2024 r. po raz pierwszy w historii boty stanowiły większość jego użytkowników, a także boty napisały ponad 50% treści dostępnych w internecie (Bartkiewicz 2025).

Branża AI realizuje strategię szybkiego wzrostu. Dzięki wsparciu kapitału wysokiego ryzyka wiele firm z branży AI pobierało ceny znacznie poniżej stosunku kosztów do marży za swoje technologie, aby pozyskać klientów. Instytucje sektora publicznego stanowią coraz ważniejszy rynek dla branży AI, rozwiązując problem cen kosztem budżetu (Mills, Whittle 2025). W miarę jak prawo Moore’a zbliża się do swoich granic, a tradycyjne architektury głębokiego uczenia napotykają bariery skalowania, konwergencja obliczeń neuromorficznych, kwantowego przetwarzania informacji i głębokiego uczenia stanowi najbardziej obiecującą ścieżkę do systemów AI nowej generacji. Obecne podejścia do głębokiego uczenia napotykają ograniczenia, takie jak wykładniczy wzrost zużycia energii, ograniczona adaptowalność i ograniczenia architektoniczne, które uniemożliwiają osiągnięcie rzeczywistych możliwości poznawczych. Neuromorficzno-kwantowe hybrydowe uczenie się (NQHL) to rewolucyjny paradygmat obliczeniowy, który synergicznie łączy inspirowane mózgiem obwody neuromorficzne, zalety obliczeń kwantowych oraz metodologie głębokiego uczenia się, tworząc pierwszą prawdziwie kognitywną architekturę AI (Khadse 2025).

Rozwój modeli podstawowych AI w GenAI, napędzany rozwojem dużych modeli językowych (LLM), zmienia strategie rozwoju produktów firm przez technologie open source. W przeciwieństwie do tradycyjnych środowisk open source charakteryzujących się współpracą i standaryzacją, paradygmat open source oparty na LLM wprowadza nowe złożoności, w szczególności niepewność dotyczącą wydajności i ograniczoną współpracę między firmami, które wpływają na działania innowacyjne firm (Liu, Lou, Lee 2025). Szybki rozwój LLM i GenAI zmienił środowisko technologiczne, biznesowe i społeczne. Chociaż modele – GPT-4, GPT-5, Claude i inne – wykazały się niezrównanymi możliwościami w zakresie automatyzacji, pracy twórczej i podejmowania decyzji, to jednocześnie stanowiły ogromne obciążenie dla zasobów naturalnych, takich jak energia, woda i surowce infrastruktury obliczeniowej (Ahmad, Ashfaquw, Khan 2025).

W regulacji AI inspiracje można czerpać z regulacji rynku finansowego. Regulacje utrudniają świadczenie usług finansowych, a domniemana korzyść płynąca z tego podejścia – stabilność finansowa – pozostaje dyskusyjna. Zakłada się, że rynki finansowe potrzebują sztywnych reguł gwarantujących bezpieczeństwo, a gdy tylko uda się je ustalić, wszystko będzie dobrze. Fakt, że to podejście się nie sprawdziło,nie powinien dziwić. Jeśli pozwolimy ludziom podejmować ryzyko finansowe, na co wolne społeczeństwo musi pozwalać, to po prostu nie ma sposobu na stworzenie jedynie słusznego zbioru zasad. Myślenie, że kiedyś to zadziała, to myślenie życzeniowe. Regulatorzy popełniają błędy, bo sami są ludźmi, a nikt nie ma doskonałej wiedzy i przewidywalności. Obecne podejście opiera się na zaufaniu do osądu regulatorów, a nie do osądu wszystkich innych podmiotów, co prowadzi do tego, że ludzie mają mniejszą kontrolę nad własnymi pieniędzmi. Spowalnia to innowacje i ogranicza możliwości ekonomiczne dla wszystkich: dla tych, którzy w przeciwnym razie płaciliby mniej za te usługi, oraz dla tych, którzy w przeciwnym razie świadczyliby nowe usługi.

Regulacje finansowe powinny opierać się na przepisach, które przede wszystkim chronią ludzi przed oszustwami. Nie muszą one jednak ograniczać możliwości zarządzania pieniędzmi, skoro organy regulacyjne uznają pewne decyzje za „zbyt ryzykowne”. Co być może najważniejsze: straty finansowe nie muszą być łagodzone przez rząd, gdyż prowadzi to do podejmowania przez ludzi większego ryzyka niż w przypadku wystąpienia innych okoliczności (Michel 2025). Restrykcje organów nadzoru finansowego na oprogramowanie typu open source stanowią zły precedens dla AI, DeFi i innowacji. Można dostrzegać pierwsze oznaki takiej postawy w reakcji regulatorów finansowych na autonomiczne i samorealizujące się narzędzia finansowe (np. inteligentne kontrakty kryptowalut na blockchainach). Co istotne, inteligentne kontrakty i niektóre modele AI mają wspólną cechę, która w połączeniu z możliwością działania przy ograniczonej ingerencji człowieka może być szczególnie kłopotliwa dla istniejących metod regulacyjnych, a mianowicie otwarty kod źródłowy, który można swobodnie powielać
(Solowey 2023).

W USA krytykowano projekt ustawy o ograniczeniu ryzyka związanego z inteligencją finansową (FAIRR), która nakładałaby odpowiedzialność na dostawców AI za wykorzystanie ich narzędzi w sposób naruszający przepisy dotyczące rynku papierów wartościowych, chyba że podejmą rozsądne środki zapobiegawcze. Taki system odpowiedzialności mógłby być zrozumiały, biorąc pod uwagę motywację decydentów. Niemniej jednak prowadziłby on do złej polityki publicznej, niezręcznie przypisując winę w sposób, który koliduje ze standardowymi ramami ekonomicznymi i prawnymi określającymi, kiedy producenci powinni ponosić odpowiedzialność za szkody związane z użytkowaniem ich produktów. Jeśli np. zarejestrowana firma maklerska, doradca inwestycyjny lub firma inwestycyjna korzystają z ogólnego modelu AI, znacznie bardziej prawdopodobne jest, że to firma, a nie twórca modelu, będzie miała przewagę w ograniczaniu ryzyka związanego z prawem papierów wartościowych. Wskazanie jednoznacznie odpowiedzialnej strony mogłoby obniżyć koszty administracyjne systemu prawnego. Można mówić o „podwójnych celach” przepisów prawnych: „obniżaniu kosztów administracyjnych” i „ustanawianiu pożądanych zachęt”. Jednak gdy te cele są ze sobą sprzeczne, pojawia się pytanie, czy oszczędności w kosztach administracyjnych nie są marnowane przez tworzenie gorszych struktur zachęt? Pociągnięcie dostawców AI do odpowiedzialności za naruszenia przepisów dotyczących papierów wartościowych generalnie skutkowałoby mniejszymi zachętami (Solowey 2024).

Rozwój GenAI skomplikował wyzwania w walce z dezinformacją, umożliwiając tworzenie i rozpowszechnianie syntetycznych treści z niespotykaną dotąd szybkością i na ogromną skalę. Chociaż dezinformacja nie jest niczym nowym, zdolność AI do podszywania się pod wiarygodne źródła, manipulowania materiałami audiowizualnymi i tworzenia przekonujących narracji w różnych językach budzi pilne obawy prawne i regulacyjne. AI Act nie odnosi się wprost do dezinformacji, ale – wraz z innymi aktami, np. DSA – ustanawia mechanizmy istotne dla tej problematyki, w drodze klasyfikacji AI opartej na ryzyku i zasadach przejrzystości (Gavriil, Pavlidis 2025). Duże modele językowe (LLM) obniżają koszty przetwarzania informacji, ale wprowadzają nowe tarcia przy generowaniu wyników niezgodnych z faktami, tj. halucynacji. Przykładowo – w pozyskiwaniu informacji księgowych halucynacje te przybierają dwie formy: odchyleń od istniejących danych finansowych oraz nieistniejących danych finansowych (Di Wang 2025). Generatywne wyszukiwanie oparte na GenAI zmienia sposób, w jaki wiedza jest prezentowana, weryfikowana i udostępniana, zastępując listy wyników z rankingiem – odpowiedziami syntetycznymi (Cheng 2025). Propaganda wykorzystuje poznanie rekurencyjne – ludzką tendencję do utożsamiania spójności z prawdą, a także do przekształcania absurdu w autorytet. Propaganda funkcjonuje jako autoreferencyjny system kontroli, przekształcając emocje w pewność, a powtarzanie – w dowód. Wzmocniona przez ekosystemy mediów cyfrowych rekurencja staje się typowa: pętle przekonań zastępują rozważania, a legitymizacja wynika z częstotliwości przekazu, a nie z weryfikacji. Proponuje się metarekurencyjny model poznawczy (MRCF), aby modelować, w jaki sposób rekurencyjne pętle przekonań są algorytmicznie kodowane w systemach mediów cyfrowych, pokazując, że propaganda uzbraja samą architekturę poznawczą. Zrozumienie tej dynamiki jest kluczowe dla przywrócenia poznania, w którym spójność musi zbiegać się z rzeczywistością, a nie replikować się przez formę (Meyman 2025).

Sztuczna inteligencja może być niedokładna, stronnicza (na wiele sposobów), nieproporcjonalna, podatna na wykorzystanie i nieprzejrzysta. Świat polityki jest zalewany ramami zarządzania AI, wytycznymi etycznymi itp., ale brakuje w nich konkretnych standardów i jest niewiele wskazówek, jak wybierać między konkurencyjnymi wersjami (nie)sprawiedliwości. Innymi słowy, polityka i prawo zrzekają się odpowiedzialności za ustalanie priorytetów opartych na wartościach. Jednocześnie wiele dokumentów politycznych krytykuje AI i narzędzia algorytmiczne za braki w określonym aspekcie sprawiedliwości, nie zastanawiając się, czy alternatywne rozwiązania rozwiązujące ten problem nie uczyniłyby systemu bardziej „niesprawiedliwym” w innych aspektach. Twórcy AI powinni dokonywać nieuniknionych kompromisów między celami sprawiedliwości tak świadomie i celowo, jak pozwala na to kontekst. Ponadto, w przypadku braku jasnych wymogów prawnych dotyczących priorytetowego traktowania jednej formy sprawiedliwości nad inną, algorytm, który dokonuje przemyślanych kompromisów między wartościami, powinien być uznany za „wystarczająco sprawiedliwy” (Bambauer, Zarski 2025).

Coraz częściej firmy z branży mediów społecznościowych angażują się w tworzenie, rozwój i wdrażanie „światów” w środowisku wirtualnej rzeczywistości, co prowadzi do znaczących interakcji między użytkownikami w tych przestrzeniach. Jednak ta ekspansja powoduje również szkody. Chociaż niektóre szkody są typowe dla technologii rzeczywistości immersyjnej, wiele z nich odzwierciedla szkody występujące w środowisku analogowym, takie jak oszustwa, kradzieże, przemoc słowna i wykorzystywanie seksualne dzieci. Inne powielają szkody, które już eksplodowały w nieimmersyjnych przestrzeniach online, w tym wykorzystywanie seksualne oparte na obrazach, cyberstalking i naruszanie prywatności. Niestety, architektura tych przestrzeni stworzyła coś, co nazywamy „zasłoną skali” – za którą mogą się ukrywać przestępcy, a przez którą systemowo nie mogą przedostać się działania karne i cywilne. Nawet jeśli istniejące przepisy teoretycznie w pełni odnoszą się do poszczególnych przestępców, którzy wyrządzają szkody w środowisku wirtualnym, infrastruktura regulacyjna i egzekwowania prawa oferuje niewiele możliwości dochodzenia roszczeń, gdy osoba, która wyrządza szkodę, jest anonimowa i ulotna. Co więcej, z uwagi na ograniczanie odpowiedzialności platform mediów społecznościowych za „treści” osób trzecich (np. w USA w Communication Decency Act), powodowie, którzy próbowali dochodzić swoich praw przez pozywanie samych platform, byli oddalani przez sądy.