Kathrin G. Kind i QubitNexus.AI — od inżynierii samochodów do nowej architektury inteligencji

Materiał redakcyjny na podstawie źródeł wymienionych poniżej. QubitNexus.AI znajduje się wśród partnerów TRUTH, a Kathrin współpracuje z inicjatywami Stowarzyszenia „Just Do It”, wydawcy magazynu. Informacje o rozwiązaniach firmy pochodzą z jej publicznych materiałów. Stan informacji: 27 października 2026 r. Grafiki tematyczne są wizualizacjami redakcyjnymi.

Sztuczna inteligencja weszła do codziennego języka biznesu, lecz jej przyszłość rozstrzyga się także poza ekranem. W architekturze komputerów. W sposobie wykorzystania energii. W jakości danych i decyzjach ludzi, którzy projektują systemy. Właśnie w tej przestrzeni działa Kathrin G. Kind: badaczka, wykładowczyni i współzałożycielka QubitNexus.AI, której zawodowa droga prowadzi przez telekomunikację, przemysł motoryzacyjny, zarządzanie AI i edukację liderów.

Jej historia pozwala spojrzeć na dzisiejszy wyścig technologiczny z perspektywy osoby wychowanej na inżynierii rzeczywistych urządzeń. Samochód musi reagować na otoczenie. Oprogramowanie musi współpracować ze sprzętem. Organizacja musi umieć korzystać z rozwiązania także wtedy, gdy warunki odbiegają od laboratoryjnych. To wymagania, które nadają rozmowie o inteligencji ciężar praktyczny. W przypadku QubitNexus.AI prowadzą do ambitnego pytania: jak połączyć nowe możliwości obliczeniowe z infrastrukturą, która będzie użyteczna poza ośrodkami badawczymi?

Kariera zbudowana na działających systemach

Kathrin rozpoczęła pracę w 1999 roku w Siemensie, zajmując się jakością międzynarodowych sieci komunikacji mobilnej. Później rozwijała funkcje pojazdów w środowisku dostawców Bosch, ZF-TRW i Magneti Marelli oraz producentów BMW, Mercedes-Benz i Audi. Jej doświadczenie obejmuje systemy wspomagania kierowcy, sterowanie silnikiem, układ kierowniczy, hamowanie, infotainment i jazdę autonomiczną. Pracowała również jako Senior Research Scientist w obszarze AI w Volkswagen Group w Wolfsburgu. [2]

Taki zakres pracy uczy myślenia o zależnościach. Czujnik dostarcza sygnał, oprogramowanie nadaje mu znaczenie, a urządzenie wykonuje działanie. Pomiędzy tymi etapami mieszczą się decyzje o czasie reakcji, jakości pomiaru i zachowaniu w sytuacji niepewności. Każdy element ma własne ograniczenia, ale użytkownik doświadcza działania całego systemu. Właśnie dlatego wiedza o jednym algorytmie nigdy nie wyczerpuje problemu inżynierskiego.

W motoryzacji skutki tych zależności są szczególnie namacalne. Funkcja wspomagająca kierowcę uczestniczy w środowisku, w którym zmieniają się oświetlenie, pogoda, ruch i zachowania innych ludzi. Projektowanie wymaga przewidywania wyjątków i pracy zespołów o różnych specjalizacjach. Dla liderki przedsięwzięcia technologicznego jest to ważny rodzaj doświadczenia: pozwala patrzeć na rozwój produktu od strony użytkowania, utrzymania i integracji, a nie tylko pierwszej demonstracji.

Od badań nad AI do kierowania transformacją

Kolejnym etapem kariery była funkcja Chief Data Scientist i AI Director w Cognizant, związana z Global Growth Markets. Jej profil w World Economic Forum opisuje tę rolę jako wcześniejszy etap zawodowy, poprzedzający kierowanie QubitNexus.AI. [9] To przejście od pracy nad systemami do odpowiedzialności za szerszy kierunek technologiczny: zespoły, zastosowania, strategię i przenoszenie rozwiązań pomiędzy organizacjami.

W wywiadzie dla SSBM Kathrin wiąże rozwój własnych zainteresowań AI z analizą danych pochodzących z czujników i elementów wykonawczych. Opisuje następnie pracę nad zastosowaniami uczenia maszynowego w procesach biznesowych, prowadzenie zespołów interdyscyplinarnych i rozwój przedsięwzięć w nowych dziedzinach technologii. [12] W tej drodze widać konsekwencję: informacja ma prowadzić do działania, a działanie powinno rozwiązywać konkretny problem.

Na poziomie zarządzania oznacza to konieczność połączenia kilku języków. Inżynier mówi o wydajności i niezawodności. Osoba odpowiedzialna za operacje pyta o ciągłość pracy. Zarząd patrzy na inwestycję, kompetencje i długofalowy rozwój. Lider technologiczny musi przeprowadzić rozmowę pomiędzy nimi i utrzymać wspólny cel. To szczególnie wymagające w projektach, w których narzędzia zmieniają się szybciej niż procedury i przyzwyczajenia ludzi.

Wykształcenie: informatyka, zarządzanie i zmiana

Wykształcenie Kathrin obejmuje doktorat dotyczący zastosowania AI w biznesie, wskazany przez SSBM Geneva wraz z Wydziałem Biznesu Uniwersytetu w Zagrzebiu, MBA w obszarze AI na University of Cumbria, MSc w informatyce i inżynierii oprogramowania na University of Hertfordshire oraz MA in Leading Innovation and Change na York St John University. Uzupełniają je dyplomy podyplomowe z Digitalisation Leadership na Columbia University i Systems Engineering na MIT. [3]

Ten profil łączy warsztat techniczny z wiedzą o organizacjach. Informatyka pomaga zrozumieć strukturę rozwiązania. Zarządzanie prowadzi do pytań o zasoby i sens inwestycji. Studia nad innowacją oraz zmianą kierują uwagę na ludzi, którzy mają przyjąć nowy sposób pracy. Wspólnie tworzą podstawę do zajmowania się problemami przekraczającymi granice jednego działu albo jednej dyscypliny.

Program Executive DBA w SSBM rozpoczęła podczas pandemii, łącząc badania z aktywnością zawodową. W rozmowie z uczelnią podkreśla wzajemny wpływ tych dwóch światów: problemy spotykane w biznesie pobudzają pracę badawczą, a pisanie i analiza naukowa porządkują sposób podejmowania decyzji. [12] To model kariery, w którym uczenie się pozostaje stałą częścią praktyki zawodowej.

W sali wykładowej: przygotować ludzi do kierowania AI

W SSBM Kathrin zajmuje się Applied AI in Emerging Technologies oraz AI Ethics and Society. [4] Paris School of Management przedstawia ją jako profesorkę i członkinię Advisory Board. [5] Jest też członkinią rady doradczej SSBM i prowadziła gościnne wykłady na University of Agder w Norwegii. [3]

Jej wizja edukacji zarządczej opiera się na praktycznej znajomości technologii, krytycznym rozumowaniu i zdolności prowadzenia zespołów. W wywiadzie dla PSM proponuje projekty studenckie rozwiązujące problemy organizacji, bliższą współpracę z przedsiębiorcami oraz pracę nad aktualnymi wyzwaniami firm. AI i analityka mają przenikać nauczanie zarządzania, finansów czy łańcuchów dostaw. [5]

Znaczenie takiego podejścia staje się jasne, kiedy spojrzymy na zadania przyszłego menedżera. Będzie wybierał narzędzia, organizował pracę i odpowiadał na pytania pracowników o ich role. Będzie też musiał ocenić rekomendację systemu, która brzmi przekonująco, lecz wymaga sprawdzenia. Edukacja daje mu możliwość przećwiczenia tych decyzji, zanim staną się decyzjami dotyczącymi klientów, zatrudnienia lub bezpieczeństwa.

Dobra sala wykładowa może być miejscem spotkania wiedzy technicznej z doświadczeniem ludzi. Student informatyki uczy się tłumaczyć swój projekt osobom spoza specjalizacji. Menedżer poznaje pytania, które powinien postawić zespołowi technicznemu. W takim środowisku rodzi się kompetencja potrzebna w całej gospodarce: zdolność świadomego współtworzenia technologii.

Dorobek naukowy: zobaczyć AI tam, gdzie organizacja jej nie dostrzega

Jedną z publikacji Kathrin jest współautorski artykuł „From Shadow IT to Shadow AI–Threats, Risks and Opportunities for Organizations”, opublikowany online 24 czerwca 2025 roku w czasopiśmie Strategic Change wydawnictwa Wiley. Wraz z Mario Siliciem i Dario Siliciem badała niezatwierdzone korzystanie z AI w organizacjach. Badanie połączyło ankiety 140 profesjonalistów z wywiadami z dziesięciorgiem przedstawicieli kadry zarządzającej. [6]

Autorzy opisują rozdźwięk między zasadami a praktyką i luki w odpowiedzialności za wyniki AI. Proponują rejestry narzędzi, szkolenia, audyty i ścieżki zgłaszania problemów. [6] To badania, które kierują uwagę na codzienność przedsiębiorstwa: na decyzje podejmowane przy biurku, często wcześniej niż decyzje strategiczne zapadające w zarządzie.

Waga tego tematu polega na zmianie perspektywy. Rozwój technologii odbywa się równocześnie w laboratoriach, działach zakupowych i na komputerach zwykłych użytkowników. Osoba szukająca szybszego sposobu wykonania zadania może stać się pierwszym eksperymentatorem w swojej firmie. Zrozumienie jej motywacji pomaga projektować środowisko pracy, w którym pomysłowość idzie w parze z odpowiedzialnością za informacje.

Dla nauki o zarządzaniu to wartościowy punkt styku człowieka i systemu. Dla praktyki biznesowej — przypomnienie, że udane wdrożenie zaczyna się od poznania sposobu pracy zespołu. Technologia zyskuje znaczenie wtedy, gdy człowiek rzeczywiście może jej użyć do rozwiązania problemu i rozumie konsekwencje tego użycia.

Książka o świecie urządzeń, danych i inteligentnych sieci

Kathrin jest współredaktorką naukową tomu „Data-Driven IoT Ecosystems: Integrating Device, Edge, and Cloud Paradigms”, przygotowanego z Subratą Chowdhurym, J. Naskath, Joanną Rosak-Szyrocką i Soumi Duttą dla CRC Press. Katalog wskazuje premierę 30 października 2026 roku. Publikacja dotyczy integracji urządzeń, przetwarzania brzegowego i chmury oraz wykorzystania danych i uczenia maszynowego w takich środowiskach. [7][8]

Tematyka książki dobrze pokazuje skalę współczesnego zadania inżynierskiego. Inteligentny system zaczyna się od kontaktu ze światem: pomiaru temperatury, ruchu, obrazu lub stanu urządzenia. Następnie trzeba zdecydować, gdzie przetworzyć informację, jak ją przesłać i komu udostępnić wynik. Każda z tych decyzji wpływa na to, czy końcowa aplikacja odpowiada na rzeczywistą potrzebę.

Wspólna publikacja naukowa jest również formą budowania języka pomiędzy specjalizacjami. Ekspert od urządzeń, analityk danych i projektant infrastruktury patrzą na ten sam proces z różnych stron. Zebrane w jednym opracowaniu perspektywy pomagają dostrzec miejsca, w których rozwiązania muszą ze sobą współpracować. To szczególnie ważne w obszarach rozwijających się jednocześnie w przemyśle i na uczelniach.

QubitNexus.AI: firma na styku trzech światów obliczeń

QubitNexus.AI, współtworzone i kierowane przez Kathrin, oferuje doradztwo, projektowanie architektury i komputerów, oprogramowanie kwantowe oraz szkolenia. Firma opisuje się jako finansowane ze środków własnych przedsięwzięcie łączące AI, obliczenia kwantowe i klasyczne. [1] Jej kierunek można odczytać jako próbę przeniesienia myślenia o inteligencji z poziomu pojedynczej aplikacji na poziom całego środowiska obliczeniowego.

W takim modelu architektura jest kluczową decyzją biznesową. Określa, jakie zadania zostaną wykonane lokalnie, jakie trafią do większego ośrodka obliczeniowego i w jaki sposób poszczególne części będą wymieniać dane. Wpływa na rozwój produktu, jego utrzymanie i możliwość późniejszej rozbudowy. Pozwala również wybrać narzędzia odpowiednie do zadania, zamiast podporządkowywać każde zadanie jednej technologii.

Siła podejścia hybrydowego tkwi w specjalizacji. Różne zasoby mogą wykonywać odmienne etapy pracy: przygotowanie danych, obliczenia, analizę wyniku i komunikację z użytkownikiem. Projektant ustala granice tych etapów oraz zasady współpracy pomiędzy nimi. Z perspektywy klienta liczy się sprawny proces od początku do końca — taki, który da się włączyć w działalność organizacji.

W tym miejscu doświadczenie przemysłowe Kathrin spotyka się z ambicją QubitNexus.AI. Rozwiązanie technologiczne potrzebuje drogi od idei do powtarzalnej pracy. Potrzebuje ludzi, którzy potrafią przeprowadzić je przez projektowanie, integrację i rozwój kompetencji użytkowników. Historia jej kariery daje kontekst do zrozumienia, dlaczego właśnie połączenie nauki z zastosowaniem zajmuje w tej firmie tak ważne miejsce.

Temperatura pokojowa: zmiana warunków, w których działa technologia

QubitNexus.AI opisuje oprogramowanie dla układu partnera pracującego w temperaturze pokojowej, bez chłodzenia kriogenicznego. [1] To najbardziej charakterystyczny element przedstawianego kierunku: ograniczenie wymagań infrastrukturalnych związanych z ekstremalnym chłodzeniem i otwarcie drogi do innych sposobów wykorzystania zaawansowanych obliczeń.

Rewolucyjny potencjał takiego podejścia można rozpatrywać przez dostępność. Sposób instalacji urządzenia, wymagania jego otoczenia i codzienna obsługa wpływają na to, kto może korzystać z technologii. Każde uproszczenie tych warunków może przybliżać obliczenia do miejsca powstawania danych i do ludzi, którzy potrzebują wyniku. To perspektywa szczególnie interesująca dla przemysłu, w którym rozwiązanie musi znaleźć miejsce w istniejącym zakładzie i istniejącym rytmie pracy.

Obliczenia kwantowe wykorzystują właściwości fizyczne pozwalające inaczej reprezentować i przetwarzać wybrane problemy. Ich rozwój obejmuje zarówno sprzęt, jak i algorytmy oraz współpracę z komputerami klasycznymi. [13] W praktyce otwiera to pole do projektowania wyspecjalizowanych układów pracy. Przygotowanie danych, wykonanie określonego zadania i wykorzystanie odpowiedzi mogą tworzyć jeden proces obejmujący kilka rodzajów zasobów.

Wizja pracy w temperaturze pokojowej nadaje tej dyskusji wymiar infrastrukturalny. Pytanie o przyszłość obliczeń dotyczy wówczas jednocześnie możliwości matematycznych i fizycznych warunków ich wykorzystania. Dla odbiorcy przemysłowego te dwa poziomy są nierozerwalne: wynik musi powstać tam, gdzie można go uzyskać, odebrać i zastosować.

TongueChow.AI i własny język Q11L

Według firmy TongueChow.AI, rozwijane od 2024 roku w języku Q11L, służy korekcji błędów kwantowych; rozwiązanie jest oferowane do demonstracji. [1] Ten projekt dodaje do opowieści o sprzęcie konkretny wątek programistyczny. Oprogramowanie staje się narzędziem pracy nad wiarygodnością i użytecznością obliczeń.

Znaczenie korekcji błędów wynika z podstawowego celu każdego systemu: wynik powinien zachowywać sens w warunkach, w których urządzenie rzeczywiście pracuje. W projektowaniu technologii trzeba zatem myśleć równocześnie o możliwości wykonania zadania i sposobie radzenia sobie z zakłóceniami. To obszar, w którym niewidoczna dla użytkownika praca techniczna może decydować o wartości całego rozwiązania.

Własny język programowania nadaje przedsięwzięciu dodatkowy wymiar. Język wyznacza sposób opisywania problemów i budowania procedur, a wraz z narzędziami wpływa na pracę programisty. Dla firmy rozwijającej nowe podejście obliczeniowe jest to droga do kształtowania własnego środowiska technologicznego — od sposobu zapisu zadania po jego wykonanie i ocenę wyniku.

Inteligencja blisko źródła danych

Przetwarzanie brzegowe, czyli edge computing, umieszcza część pracy obliczeniowej bliżej urządzeń i danych. Może skrócić drogę informacji do wyniku oraz ograniczyć konieczność przesyłania całego strumienia do odległej infrastruktury. [14] W połączeniu z AI tworzy przestrzeń dla systemów reagujących w miejscu, w którym pojawia się zdarzenie.

Wyobraźmy sobie organizację obsługującą wiele lokalizacji. Każda z nich zbiera informacje potrzebne do bieżącej pracy, lecz dopiero zestawienie doświadczeń pozwala planować rozwój całej sieci. Architekturę można więc zaprojektować tak, aby lokalne zadania były wykonywane blisko użytkownika, a analiza długofalowa korzystała ze wspólnego zasobu. Tak rozumiana współpraca warstw daje projektantowi więcej możliwości dopasowania systemu do procesu.

To także pole spotkania technologii z odpowiedzialnością za dane. Decyzja o miejscu przetwarzania wpływa na dostęp, przepływ informacji i sposób utrzymania rozwiązania. Dla lidera projektu jest zatem częścią strategii, a dla inżyniera — częścią architektury. Dorobek związany z urządzeniami i tematyką IoT dobrze wpisuje się w taką rozmowę o przyszłości inteligentnych usług.

Energia jako element projektu

Jeżeli zaawansowane obliczenia mają stawać się coraz powszechniejsze, sposób korzystania z zasobów musi być uwzględniany już podczas projektowania. Każda decyzja o przesyłaniu, przechowywaniu i przetwarzaniu danych tworzy konsekwencje dla całego systemu. Wydajność można więc rozumieć szerzej: jako zdolność wykonania użytecznej pracy przy rozsądnie dobranych wymaganiach technicznych.

Z takiej perspektywy architekt ma wpływ na więcej niż czas odpowiedzi aplikacji. Może zastanowić się, czy dane trzeba analizować ponownie, które zadania wymagają największej mocy i jak rozłożyć pracę pomiędzy dostępnymi zasobami. Te wybory łączą informatykę z organizacją procesu. Dają również przestrzeń do innowacji tam, gdzie wcześniej dostrzegano jedynie koszt utrzymania infrastruktury.

W naszym odczytaniu to właśnie tutaj tkwi znaczenie kierunku obranego przez QubitNexus.AI. Firma wprowadza do rozmowy o inteligencji pytanie o warunki jej działania. Potencjał nowych metod obliczeniowych spotyka się z potrzebą projektowania środowiska, które można rozwijać i wykorzystywać w praktyce. Dla czytelnika oznacza to szersze spojrzenie na rewolucję AI: jej materialną podstawę stanowią także urządzenia, energia i praca ludzi.

Międzynarodowa obecność i wymiana wiedzy

Dorobek Kathrin obejmuje również działalność konferencyjną. Oficjalny biuletyn BITS Pilani Dubai Campus wymienia ją wśród keynote speakers konferencji ICAIN 2025, która odbyła się 6–7 października 2025 roku we współpracy z IIIT Allahabad. [16] Program niezależnej konferencji unDavos 2026 umieszcza ją w dyskusji o przedsiębiorstwach w epoce AGI i reorganizacji firm wokół AI. [10]

W 2024 roku otrzymała wyróżnienie Forttuna Global Excellence Awards: Business Woman of the Year, Norway, w kategorii SME. [11] Jej aktywność łączy więc środowiska przemysłowe, edukacyjne i publiczną debatę o technologii. To ważne obszary spotkania, ponieważ przyszłość AI będzie zależała także od zdolności porozumienia pomiędzy osobami o bardzo różnych zadaniach i doświadczeniach.

Konferencja naukowa wnosi pytania badawcze, uczelnia — czas na ich uporządkowanie, a przedsiębiorstwo — presję zastosowania. Osoba poruszająca się między tymi środowiskami może pomagać przenosić wiedzę i nazywać problemy, które w jednym miejscu są oczywiste, a w innym jeszcze niewidoczne. Właśnie taki wielokierunkowy obieg doświadczenia stanowi istotny motyw zawodowej drogi Kathrin.

Przywództwo w epoce inteligentnych systemów

Zarządzanie AI obejmuje procesy, zasady i nadzór towarzyszące rozwojowi oraz stosowaniu systemów. [15] W praktyce jest pracą nad relacją technologii z człowiekiem: kto podejmuje decyzję, kto rozumie jej podstawy i kto może zareagować na problem. Dla organizacji rozwijającej AI te pytania są równie konkretne jak wybór infrastruktury czy przygotowanie danych.

W działalności Kathrin powracają trzy powiązane perspektywy. Inżynierska każe patrzeć na cały system. Akademicka zachęca do badania zjawisk i dzielenia się wiedzą. Menedżerska wymaga przełożenia możliwości na działanie zespołu. Razem tworzą portret liderki pracującej na styku dyscyplin — tam, gdzie często zaczynają się najtrudniejsze i najbardziej interesujące projekty.

QubitNexus.AI nadaje tej drodze nowy kierunek. Otwiera temat obliczeń w temperaturze pokojowej, własnego środowiska programistycznego i integracji różnych metod pracy z danymi. Ambicja jest duża: uczynić zaawansowaną inteligencję częścią użytecznej infrastruktury. Historia Kathrin pokazuje, dlaczego realizacja takiej wizji wymaga jednocześnie nauki, doświadczenia przemysłowego i umiejętności prowadzenia ludzi. To właśnie w ich połączeniu warto szukać przyszłości technologii.