Branża telekomunikacyjna w epicentrum rewolucji AI ze względu na wzrost nowego typu komunikacji.

W 2025 roku na rynkach CSP i ISP technologie AI zostały uznane za wyjątkową okazję na pozytywne zmiany warunków prowadzenia działalności. Pozwoliły m.in. na zwiększanie przychodów, przejmując popyt na ruch od i z DC AI oraz zapewniły szereg korzyści operacyjnych wynikających z adaptacji sztucznej inteligencji.

Rynek zaczął dostrzegać korzyści nie tylko z zastosowań AI wykorzystywanych do celów algorytmicznych, wdrażania automatyzacji czy wspomaganych operacji, ale także w generowaniu ogromnej liczby modyfikatorów kodu lub wdrażaniu nowych i wymagających rozwiązań w domenie cyberbezpieczeństwa.

Wszechobecny entuzjazm do testowania sztucznej inteligencji w niemal każdym obszarze sektora telekomunikacyjnego i IT w 2025 był duży. Ale jeszcze większy dotyczył nowych szans biznesowych wynikających z ruchu generowanego przez ogromną liczbę aplikacji wykorzystujących AI. Tu przetwarzanie danych klientów, zwłaszcza treści takich, jak muzyka czy wideo, następuje na dedykowanych rozwiązaniach web-scalerów, co powoduje bardziej symetryczne wykorzystanie sieci niż w przypadku wcześniejszych aplikacji.

Bardzo ciekawe podsumowanie tego zjawiska wraz z 10-letnią prognozą zostało przedstawione w raporcie OMDIA AI.

W 2025 roku mieliśmy bardzo często do czynienia z sytuacjami, w których zarządy firm, środowiska naukowe czy instytucje publiczne zachęcały do próbowania „tego wszystkiego naraz”. Jak często bywa w takich przypadkach szybko pojawiła się potrzeba standaryzacji. Nie tylko w celu „dopasowania słownikowego”, ale także oceny obecnego stanu rzeczy i zdolności do zaplanowania przyszłości, zwanej Sieciami Autonomicznymi. Taką potrzebę poparła duża liczba głównych graczy rynku ICT – w tym Nokia – poprzez przystąpienie w 2025 roku do Manifestu Autonomicznej Sieci moderowanego przez Telemanagement Forum.

Dzięki temu, dzisiaj swobodnie i z dużą precyzją możemy rozmawiać o poziomach autonomii sieci oraz metodach ich wprowadzania. Jest to już coś oczywistego i naturalnego, zatem warto przypomnieć o fundamentach tego uporządkowanego sposobu myślenia oraz poświęcić chwilę na zapoznanie się z tym, co będzie zapewne służyło nam przez następne kilka lat, jako punkt odniesienia.

Droga do autonomicznych sieci jest zazwyczaj podzielona na pięć poziomów (L0-L5), gdzie każdy oznacza rosnącą autonomię i mniejszą potrzebę na obciążanie procesów manualnymi aktywnościami. Definicje poziomów w uproszczeniu wyglądają tak:

Osiągnięcie poziomu L4 oznacza sieć, która w dużej mierze samodzielnie zarządza cyklem swojego życia – od planowania i wdrożenia po optymalizację i naprawę, przy minimalnym nadzorze ludzkim. Przekłada się to na bezprecedensową efektywność operacyjną, zmniejszenie błędów oraz szybszy czas wprowadzenia nowych usług na rynek. Oczywiście, im wyższy poziom autonomiczności tym bardziej przechodzimy do modelu Operacji AI ujętego na poniższym schemacie firmy Nokia.

Droga w kierunku sieci autonomicznych

Pojawiło się już sporo przykładów praktycznych zastosowań i wdrożeń AI.

Blue Planet podzieliło się z rynkiem opinią, że nacisk na modernizację systemów operacyjnych wokół AI musi unikać „AI przyklejonej taśmą do starszych OSS”. Zamiast tego powinien przyjąć postać agenta AI, stworzonego specjalnie dla telekomunikacji, opierającego się na spójnym, czystym modelu danych.

Telecom TV podkreślał, że sztuczna inteligencja agentowa jest siłą transformującą rynek telko, umożliwiając dostawcom usług komunikacyjnych (CSP) ewolucję od procesów ręcznych do bardziej autonomicznych sieci. Niektóre aplikacje umożliwiają przejście od operacji skoncentrowanych na sieciach do operacji skoncentrowanych na doświadczeniu, ze szczególnym naciskiem na sieci poprawiające doświadczenie użytkownika, a nie tylko infrastrukturę. Przykładem są usługi typu premium mogące reagować na rzeczywiste sytuacje (masowe zdarzenia, sytuacje awaryjne, SLA przedsiębiorstwa), w których aplikacje AI mogą generować zróżnicowane doświadczenia takich usług w stosunku do reszty sieci.

Ten przypadek zastosowano nawet w rzeczywistym komercyjnym wdrożeniu sieci AI na brzegu (tzw. edge) przez firmę Nokia w Telefónica Spain. Widać tu, jak operatorzy telekomunikacyjni przeprojektowują infrastrukturę wokół rozproszonych centrów danych edge, aby wspierać trenowanie modeli i wnioskowanie AI oraz usługi cyfrowe. Fundamentem rozwiązania są sieci centrów danych gotowych na sztuczną inteligencję. Wszystko odbywa się bardzo blisko użytkowników, a węzły brzegowe są pozycjonowane jako suwerenna, wysokowydajna infrastruktura cyfrowa dla sektorów takich, jak opieka zdrowotna, edukacja, przemysł czy sektor publiczny. To doskonały przykład przejścia od statycznych, odizolowanych sieci w kierunku napędzanej AI, autonomicznej i wspierającej poprawę doświadczeń infrastruktury cyfrowej, obejmującej sieci dostępowe (Radio i Fix), transportowe, rdzeniowe oraz centra danych w jednolitej infrastrukturze gotowej na AI.

W 2025 roku skutecznie dowiedziono, że sieci autonomiczne potrzebują AI, a AI potrzebuje sieci autonomicznych. Sieci bliskie czwartemu poziomowi sieci autonomicznej, wykraczają poza dzisiejszą automatyzację, lecz wykorzystują jej możliwości, poprzez agentową sztuczną inteligencję.

Zaplecze agentowej AI: dane, koordynacja i wykonanie

Przez lata automatyzacja sieci koncentrowała się na usprawnianiu powtarzalnych zadań poprzez zdefiniowane skrypty i systemy oparte na regułach. Choć skuteczne, takie podejście zmaga się dość często z nieprzewidzianymi okolicznościami, złożonymi współzależnościami oraz ogromną skalą nowoczesnych technik wchodzących do sieci. Właśnie tutaj pojawia się automatyzacja agentowa.

W przeciwieństwie do swoich poprzedników wykorzystuje ona zaawansowane agentowe AI zdolne do:

• Zachowań zorientowanych na cel: Agenci otrzymują cele na wysokim poziomie (np. „utrzymać 99,999% dostępności dla usługi 5G slicing X”).
• Percepcji i zrozumienia („od ogółu do szczegółu”): Agenci nieustannie monitorują stan sieci, zbierają dane i interpretują złożone sytuacje.
• Planowania i rozumowania: Agenci mogą opracować wieloetapowe plany osiągnięcia swoich celów, uwzględniając różne ograniczenia i potencjalne wyniki działań.
• Wykonywania i działania: Agenci oddziałują na elementy sieci, konfigurują urządzenia i inicjują niezbędne zmiany.
• Samokorekty i nauki: Agenci potrafią monitorować wpływ swoich działań, dostosowywać bieżące plany i uczyć się, by poprawić przyszłe wyniki.

Właśnie ta zmiana paradygmatu, przesuwa nas od automatyzacji zadań do automatyzacji podejmowania decyzji oraz rozwiązywania problemów, umożliwiających sieciom inteligentne i proaktywne reagowanie.

Oczekujemy, że 2026 rok będzie kluczowym okresem dojrzewania automatyzacji agentowej, bezpośrednio przyspieszając drogę do AN L4. Wpłynie na to kilka czynników:

Postępy w modelach podstawowych: Szybka ewolucja dużych modeli językowych (LLM) i innych podstawowych modeli AI, które zapewnią kręgosłup poznawczy dla bardziej zaawansowanego rozumowania agentowego i interakcji języka naturalnego z elementami sieci.

Współpraca open-source: Rozwijający się ekosystem otwarto-źródłowych i spójnych działań agentów AI oraz zestawów narzędzi, będzie sprzyjać szybkim eksperymentom i standaryzacji, umożliwiając operatorom efektywniejsze budowanie i testowanie agentów.

Zwiększona moc obliczeniowa i dostępność danych: Dostępność potężnych, opłacalnych zasobów obliczeniowych oraz ogromnych zbiorów danych z sieci operacyjnych już teraz napędza trenowanie i wdrażanie złożonych agentów AI.

Branża skupiona na przypadkach użycia: Operatorzy telekomunikacyjni wychodzą poza teoretyczne dyskusje, aktywnie pilotując rozwiązania agentowe dla konkretnych, wartościowych przypadków użycia, takich jak proaktywne przewidywanie usterek, dynamiczna alokacja i optymalizacja posiadanych lub planowanych zasobów. Takie właśnie rzeczywiste wdrożenia dostarczają bezcennych informacji służących udoskonalaniu i planowaniu struktur i architektury dla systemów agentowych AI.

Raport firmy NVidia o użyciu AI w telekomunikacji wskazuje:

Eksperymenty te nie dotyczą tylko izolowanych agentów; to tworzenie warstw orkiestracji, które pozwalają wielu agentom współpracować, negocjować i rozwiązywać.

Przed nami czas eksperymentowania w zakresie autonomii agentowej na poziomie przedsiębiorstwa. Obecnie udoskonalane ramy agentowe są planami samorządnych sieci jutra. Dzięki inteligentnym, celowym agentom wykraczamy poza automatyzację reaktywną na rzecz proaktywnych, predykcyjnych i naprawdę autonomicznych operacji.

Dla branży telekomunikacyjnej zrozumienie tej zmiany jest kluczowe. Sukces AN L4 będzie zależał od solidnych, bezpiecznych i skalowalnych architektur agentowych. Sieci nie tylko będą zautomatyzowane, ale naprawdę inteligentne i samoświadome.

Nokia od lat tworzy automatyzacje zamkniętej pętli, która jest fundamentem skutecznej automatyzacji agentowej.

Podstawowe elementy zamkniętej pętli automatyzacji stają się teraz narzędziami oraz bezcennymi barierami zabezpieczającymi automatyzację opartą na agentach. Umożliwiają nową, złożoną automatyzację przy jednoczesnym zmniejszaniu ryzyka halucynacji agentów lub ochrony własności intelektualnej i bezpieczeństwa danych. Organizacje, które nie posiadają doświadczeń automatyzacji zamkniętej pętli będą narażone na duże ryzyko inwestycyjne związane z brakiem procesów i tzw. barier bezpieczeństwa dla automatyzacji agentowej.

Przestrzeganie kilku zasad staje się normą dla szybkiego wdrożenia tzw. Agentic Framework.

1. Podstawa to dobre dane: „z AI nie możesz zrobić tego, czego nie widzisz”
Skuteczni agenci potrzebują czystych danych o sieciach w każdej z domen. Blue Planet od dekady buduje uporządkowaną strukturę danych jako jednego źródła prawdy dla orkiestracji, automatyzacji i gwarancji działania AI. Ta struktura danych przełamuje przestarzałe silosy i umożliwia agentom działanie w odpowiednim kontekście i odpowiedniej domenie.

2. Koordynacja agentów i automatyzacja izolowana
Wiele rozwiązań oferuje agentów AI dla poszczególnych domen lub zadań, gdzie mogą pozostać odseparowane. Jednym z warunków jest wymienialność kluczowych dla operacji informacji strukturalnych. Ramy Agentic AI celują w skoordynowanych, celowo ukierunkowanych agentów, którzy:

• działają z intencją, kontekstem i strategicznym rozumowaniem,
• współpracują w różnych dziedzinach (inwentaryzacja, orkiestracja, wykonanie i sprawdzenie),
• dostosowują działania do szerszego kontekstu sieci i priorytetów biznesowych.

W ramach takiego systemu agenci mogą korzystać z ujednoliconego modelu danych i realizują zadania w sposób zorganizowany, efektywny i zgodny z celami operatora sieci.

3. Natywne tworzenie i realizacja operacji w oparciu o AI
Nowa koncepcja dostarczana przez Agentic AI, musi pasować i być zintegrowana w całym cyklu życia sieci lub usługi: od rozwoju i realizacji po operacje. Często powoli przechodząc od sposobu, w jaki zespoły obecnie obsługują różne części procesów, do autonomicznego tworzenia i poprawiana operacji, gdzie agenci:

• są budowani przy użyciu odpowiednich zbiorów danych i procesów,
• są wdrażani bezpośrednio w procesach inwentaryzacji, orkiestracji i automatyzacji (wykorzystując wieloletnie już istniejące i działające sprawnie rozwiązania.

W ten właśnie sposób można wykorzystać agentów AI do typowych problemów operacyjnych oraz przygotowywania i programowania narzędzi i procedur low/nocode, jednocześnie dostarczając własne modele lub duże modele językowe, aby sprostać wymaganiom zgodności i bezpieczeństwa.

Przykłady infrastruktury już wykorzystującej AI

W 2025 wykonano kilka wdrożeń, które są dobrymi przykładami wykorzystania AI w infrastrukturze sieciowej i centrach danych.

Przykład 1. Sieci centrów danych
(Nokia – Telefónica Hiszpania)

Telefónica wdrożyła 17 węzłów centrów danych edge w całej Hiszpanii, wspieranych wyłącznie przez rozwiązania sieciowe Nokia (oparte o urządzeniai Nokia 7220 oraz 7750). Rola takich węzłów brzegowych to:

• zapewnienie wysokiej prędkości, ultra niskich opóźnień i niezawodnej łączności,
• wsparcie do trenowania modeli AI i wnioskowanie na krawędzi,
• wsparcie dla usług z sektora sieci korporacyjnych i publicznych.

Projekt został wdrożony jako:

• ogólnokrajowa rozproszona architektura brzegowa,
• kluczowy element strategii operatora, która ma uczynić Edge Cloud i AI kluczowymi filarami wzrostu nowych modeli operacyjnych,
• krok milowy w kierunku suwerennej infrastruktury cyfrowej z głęboką automatyzacją i integracją z wieloma chmurami.

Przykład takiej infrastruktury sieciowej, przechodzącej od koncepcji do wdrożenia na dużą skalę, pomaga zrozumieć jak projektować sieci pod kątem wymagań AI i architektury rozproszonych Data Center AI.

Przykład 2. Agentic AI na potrzeby 5G Advanced slicing (w partnerstwie Nokia i AWS dla Du i Orange)

Współpraca Nokia z AWS, Du i Orange zaowocowała agentową sztuczną inteligencją w działającej sieci 5G, opartej o intencje, agentic AI i wykorzystanie modułów sieciowych zintegrowanych z platformą Amazon Bedrock AI, hostowaną na AWS. Agenci AI działają tutaj w wielu trybach (chat bot, usługa na żądanie, harmonogramowanie, autonomiczne AI) i współpracują z Bedrock za pomocą API. System dynamicznie reaguje, na rzeczywiste zdarzenia, takie jak przeskoki ruchu, sytuacje awaryjne i masowe zgromadzenia w całej sieci od dostępu radiowego poprzez transport do sieci rdzeniowej i DC na brzegu sieci.

Przypadki użycia powyższego rozwiązania:

• segment korporacyjny i przemysłowy: ciągłe monitorowanie sieci (bitrate, opóźnienia) i autonomiczne dostosowywanie polityk przydziału zasobów sieci radiowej, spełniającego SLA dla produkcji, IoT, dronów, inteligentnych miast, szpitali, energii, transportu i portów,
• slicing na żądanie w sytuacjach awaryjnych: zwiększanie wydajności konkretnych stacji bazowych 5G dla ratowników lub użytkowników priorytetowych podczas incydentów,
• wsparcie dla wydarzeń masowych: planowanie i dynamiczna optymalizacja pojemności sieci na potrzeby koncertów i wydarzeń sportowych, priorytetowe traktowanie VIP-ów, płatności lub zaangażowanych kibiców w transmisje i operacje.

Te przykłady pokazują, że agentyczna sztuczna inteligencja przechodzi od koncepcji do produkcji o wysokiej wartości. Otwiera możliwości nowych usług jak intent-cast slicing, usługi brzegowe oraz kontekstowa łączność premium.

Współtworzenie ekosystemu AI: przykłady współpracy i modeli operacyjnych

W 2025 roku zobaczyliśmy w jaki sposób dostawcy rozwiązań sieciowych oraz chmurowych współpracują ze sobą, aby realizować bardziej autonomiczne sieci napędzane AI.

1. Otwarte, sieciowe ramy agentowe

Operacje AI powoli stają się centralnym układem nerwowym transformacji cyfrowej, charakteryzując się:

• otwartymi, holistycznymi ramami, zamiast oddzielonych od siebie automatyzacji,
• zbieżnymi modelami danych jako fundamentami autonomii,
• wbudowaną i zabezpieczoną wiedzą agentową, która kieruje działaniami agentów w zakresie inwentaryzacji, orkiestracji i zapewnionego dostarczania.

2. Współpraca telekomunikacyjna z chmurą

Wspomniane już rozwiązanie slicingu sieci Nokia i AWS jest przykładem głębokiej integracji telekomunikacyjno-chmurowej, gdzie:

• logika agentic AI jest hostowana i orkiestrowana na platformach AWS,
• funkcje sieciowego slicingu obejmują domeny telekomunikacyjne, ale opierają się na chmurze AI i usługach danych,
• CSP takie jak Du i Orange weryfikują te rozwiązania w komercyjnych sieciach.

Mamy coraz więcej podobnych przykładów współpracy AI z wieloma agentami oraz komponentami typu cloudnative (Amazon EKS, Amazon EC2, Amazon Bedrock), które automatyzują cykl życia 5G.

3. Strategiczne partnerstwa operator – dostawca dla infrastruktury AI ready

Wybór jednego dostawcy sieci centrów danych na brzegu (Nokia) przez Telefónikę odzwierciedla strategię mającą na celu:

• uproszczenie operacji i ujednolicenie architektury,
• bezpieczne, ogólnokrajowe wdrożenie łączności na potrzeby AI ready,
• stworzenie suwerennej, bezpiecznej infrastruktury cyfrowej z wysoką automatyzacją.

4. Od urządzeń sieciowych po zintegrowane platformy

W 2025 roku widzieliśmy coraz więcej projektów TM Forum Catalyst, takich jak generatywna AI, które pokazują drogę od innowacji do:

• zintegrowanych ram agentowych,
• gotowych przypadków użycia AI,
• rozwoju natywnych narzędzi AI dla zespołów operacyjnych CSP.

W ramach tego typu wdrożeń wspólnym modelem operacyjnym jest platforma i ramy dla skoordynowanych agentów, współdzielonych struktur danych, chmurowej sztucznej inteligencji oraz ściśle zintegrowanych domen API między sieciami. Pamiętajmy o tych ramach przy planowaniu naszej pierwszej drogi do Autonomii czwartego poziomu.

Co dalej: przejście od AI i integracji systemów do sieci agentowych oraz większej autonomiczności

Integracja systemu ewoluuje w kierunku integracji agentowej

Zamiast dużych, dedykowanych projektów integrujących skrupulatnie i dość kosztownie systemy, Integracja Agentowa pozwala na:

• projektowanie agentowego AI z czystymi, federacyjnymi danymi i API,
• definiowanie intencji, polityk i barier zabezpieczających, które agenci stosują do podejmowania decyzji,
• osadzanie rozwoju i realizacji AI na platformach w przedsiębiorstwie.

Taka integracja polega na zarządzaniu agentami i wymianą danych między domenami i partnerami, a nie tylko budowaniu interfejsów. Powracanie do skrupulatnej integracji systemowej staje się niepotrzebne.

Postępowe dążenie do wyższych poziomów autonomii

Nasze pierwsze wdrożenia Agentic AI, jako narzędzia do zapewnienia bardziej autonomicznych sieci, dostarczyły nie tylko lepszą analitykę, ale umożliwiły także ewolucję w kierunku sieci, które:

• interpretują intencje (na przykład premium SLA, reagowanie kryzysowe, masowe zdarzenia),
• rozumieją kontekst (ruch, zdarzenia, geografia, ograniczenia i wzorce optymalizacji),
• działają autonomicznie w określonych granicach (korekty polityk, dynamiczny slicing, zautomatyzowany cykl życia, optymalizacja zasobów).

Zmiana podejścia operacyjnego wewnątrz CSP

CSP, którzy obierają dzisiaj kierunek AI powinni zwrócić szczególną uwagę na kilka zasad, wynikających zarówno z przytoczonych wdrożeń oraz obowiązujących obecnie standardów:

• traktuj jakość danych i federację jako strategiczne aktywa,
• rozwijaj umiejętności w zakresie AI, zarządzania polityką i autonomią, równolegle z inżynierią sieci,
• oceniaj AI oraz dostępne platformy operacji sieciowych nie tylko pod kątem funkcjonalności, ale także otwartości, bezpieczeństwa i zarządzania,
• hierarchia OSS rozpadnie się wraz z federacjami Agentów platform, stąd organizacyjne izolacje spowolnią innowacje.

Kolejnym etapem jest przejście od dyskretnych funkcji AI i tradycyjnej integracji systemów do integracji agentowej, AI OPS, native AI oraz centrów danych i sieci AI ready.

Autorzy: Jérôme Lacour, Optical Networks Product Line Manager Nokia i Adam Grodecki, Head of Optical Networks Professional Services Nokia

Zobacz także:

• Raport o rynku operatorskim w Polsce 2026