Nowy model AI premiera 2026: co to zmienia w audycie ISO
Ostatnio wróciłem do notatek z audytu, w którym audytor poprosił o wyciąg z trzech przeglądów zarządzania - i zdałem sobie sprawę, że gdybym miał pod ręką model, który rozumie długi kontekst, zajęłoby mi to kilka minut zamiast dwóch godzin. W 2026 na rynek wchodzi kilka nowych modeli AI - Claude Opus 5, GPT-6, Gemini 3 Ultra, Qwen-VL 3 - i zamiast pytać „który jest najlepszy”, praktyk QMS powinien zapytać, który z nich faktycznie rozumie dokument, a nie tylko go streszcza. Bo najdroższy błąd w audycie to nie brak narzędzia, tylko zaufanie do odpowiedzi, której nikt nie zweryfikował.
Co faktycznie wchodzi na rynek w 2026
Po materiałach, które przejrzałem, obraz jest dość konkretny: Anthropic szykuje Claude Opus 5 jako następcę linii Opus 4.x, pozycjonowany pod „long-horizon agentic tasks” - czyli zadania, w których model pracuje przez wiele kroków, a nie odpowiada jednym akapitem. OpenAI pracuje nad GPT-6, Google nad Gemini 3 Ultra, a Alibaba nad Qwen-VL 3, multimodalnym modelem open-weight z naciskiem na wizję. To nie jest lista „co wybrać na jutro” - to lista „co za chwilę trafi do działów, które i tak używają AI bez pytania działu jakości”.
Równolegle widać zmianę, którą zapoczątkował OpenAI o1: modele zaczęły „myśleć” przed odpowiedzią, generując kroki pośrednie zamiast strzału od razu w finalną odpowiedź. Dla mnie to jest ważniejsze niż sama nazwa modelu - bo jeśli model rozkłada problem na kroki, łatwiej mi wychwycić, gdzie się pomylił. A w audycie ISO pomyłka w kroku drugim potrafi wywrócić całe ustalenie.
Gdzie to realnie boli w QMS
Zastanów się, do czego naprawdę używasz AI w systemie zarządzania jakością: nie do „pisania polityki”, tylko do przeszukania 30 procedur w poszukiwaniu niespójności, do streszczenia zapisów z przeglądu, do sprawdzenia, czy dana niezgodność została zamknięta zgodnie z wymaganiem. Modele z długim kontekstem robią to lepiej niż te z 2024, ale nadal mają jedną wadę, która w QMS jest kosztowna: potrafią wygenerować odpowiedź brzmiącą jak cytat z procedury, której nie ma.
Praktyczna zasada, którą sobie wypracowałem: każde zdanie, które AI zwraca jako „według procedury X”, traktuję jak hipotezę do sprawdzenia, a nie jak dowód. Jeśli model nie potrafi wskazać konkretnego dokumentu i numeru punktu, to nie jest analiza - to parafraza. W audycie wewnętrznym różnica między cytatem a parafrazą to różnica między ustaleniem a niezgodnością.
Przykład z praktyki
Kilka tygodni temu pomagałem zespołowi jakości u dostawcy motoryzacyjnego przygotować się do audytu procesu produkcyjnego. Mieli 12 procedur, 4 instrukcje stanowiskowe i stos zapisów z ostatniego kwartału - i chcieli użyć AI, żeby „sprawdzić, czy wszystko jest spójne”. Wrzucili dokumenty do modelu z długim kontekstem i dostali ładne podsumowanie: wszystko spójne, jedna drobna uwaga. Brzmiało dobrze. Dopóki nie sprawdziliśmy tej jednej uwagi ręcznie - okazało się, że model pomylił dwie wersje instrukcji, bo obie miały ten sam numer i różniły się tylko datą wydania.
To nie jest wina modelu. To wina tego, że dokumenty w firmie nie były wersjonowane konsekwentnie - a AI po prostu wybrało wersję, która „wyglądała” na aktualną. Gdyby zespół oparł się na tym podsumowaniu, na audycie wyszłoby ustalenie o braku kontroli wersji dokumentów, którego wcale by nie było, gdyby najpierw uporządkowali rejestr nadzoru nad dokumentacją. Model pokazał problem, który istniał wcześniej - tylko nikt go nie widział, bo dokumenty były w trzech folderach.
Co z tego wynika
Nie chodzi o to, żeby czekać na Claude Opus 5 czy GPT-6 - chodzi o to, żeby przed wdrożeniem jakiegokolwiek modelu do pracy z dokumentacją QMS najpierw uporządkować to, co model ma czytać: numerację, wersjonowanie, rejestr nadzoru. Jeśli tego nie zrobisz, AI przyspieszy cię w stronę błędnego ustalenia, a nie w stronę spójnego systemu. Zacznij od jednego procesu i jednego pytania audytowego, sprawdź odpowiedź ręcznie, a dopiero potem rozszerzaj.