O czym jest ten film
- Rynek AI wchodzi w fazę konsolidacji: xAI przestało istnieć jako samodzielny podmiot, Stargate trafiło do Anthropic, a zbliżające się debiuty giełdowe OpenAI i Anthropic oznaczają presję na zysk — czyli drożejące tokeny.
- Claude zyskuje nową falę integracji (praca kreatywna, sektor prawny, CFO, KYC), a Opus 4.7 wprowadza nowy tokenizator i jako pierwszy model czołówki blokuje sterowanie temperaturą.
- Pojawia się metodyka pisania publikacji naukowych „dla maszyn” — z dokumentowaniem tego, co nie zadziałało — oraz model neurosymboliczny trenowany przy użyciu ok. 1% typowej mocy obliczeniowej.
- Raport Microsoftu o adopcji AI: Emiraty, Korea i Irlandia w czołówce wzrostów, Stany Zjednoczone dopiero na 13. miejscu, Polska przedostatnia; liczba commitów na GitHubie skoczyła z ok. 248 mln do blisko 380 mln.
- OpenAI pokazuje GPT-Roslina — model dla nauk przyrodniczych i poszukiwania leków (droga od celu leku do zatwierdzenia w FDA to dziś 10–15 lat) — oraz nową wersję modelu obrazów z 99% poprawnością tekstu i rozdzielczością 4K.
- Claude Design wywołuje kolejną falę „Figmy już nie trzeba” — prowadzący oceniają to znacznie chłodniej i omawiają spadek jakości modeli Anthropic.
- Goldman Sachs nie może korzystać z Anthropic w Hongkongu — sygnał, że podobne geo-ograniczenia mogą dotknąć Europę.
- Zwolnienia (Snap, Coinbase) i przemiana ról: PM-owie idą w technologie, technicy w umiejętności miękkie; „Requests for Startups” Y Combinator jako mapa trendów.
- W pytaniach z czatu: wdrożenie AI to change management, nie jedno szkolenie; polskie prawo wymaga RAG-u i człowieka w pętli; branża regulowana zmierza ku modelom lokalnym.
- Temat główny: generowane wideo — spójność do ok. 20 sekund, ponad 50% Shortsów tworzonych automatycznie, śmierć zdjęć stockowych, klonowanie stron „na przerwie na papierosa” i kompletny workflow filmu na lokalnym, otwartym modelu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Opus 4.7 zamyka parametry generowania — zaktualizuj integracje
Na czym polega: Anthropic wyłączyło w API Opusa 4.7 m.in. sterowanie temperaturą. Próba ustawienia parametru kończy się błędem HTTP 400, a przejście na nowy model czyści dotychczasowy cache odpowiedzi. Do tego dochodzi nowy tokenizator, który w niektórych polskich korpusach bywa tańszy niż w wersji 4.6, a w innych po prostu szybszy.
Jak stosować: przed migracją przejrzyj kod pod kątem hardkodowanych parametrów, usuń ustawienia temperatury, zaplanuj ponowne zbudowanie cache’a i przelicz zużycie tokenów na własnych, polskich tekstach — nie na przykładach z dokumentacji.
Na co uważać: na mit, że „temperatura zero” gwarantuje powtarzalność odpowiedzi — ten parametr w tym modelu fizycznie nie istnieje. Tokenizator jest zamknięty, więc liczenie tokenów da się zrobić tylko przez API, a to oznacza realne koszty testów.
2.Ustawodawstwo: wiedza bazowa modelu to zła podstawa
Na czym polega: modele czołówki były trenowane głównie na amerykańskim korpusie, więc polskie kodeksy halucynują. Rozmówcy wskazują rozwiązanie: model open source zasilony danymi (RAG), tak jak zrobił to polski Gajus Lex — Bielik plus setki tysięcy stron ustawodawstwa. Do tego dochodzi specyfika Polski: zapisy kodeksowe bywają sprzeczne z utrwaloną doktryną sądów.
Jak stosować: budując system prawny, twórz RAG na aktualnych przepisach i orzecznictwie, a każde zadanie modelu zamykaj z człowiekiem w pętli (HITL), który zna warunki brzegowe — np. niestosowalność danego paragrafu w konkretnym okręgu.
Na co uważać: na poleganie wyłącznie na treści ustaw; na pomijanie aktualizacji bazy o nowe akty prawne i zmiany szablonów dokumentów sądowych.
3.Wdrożenie AI to change management, nie jednorazowe szkolenie
Na czym polega: firmy masowo kupują szkolenia, ale większość to „podstawy” oderwane od kontekstu biznesowego. Wdrożenie to ciągły proces: seria warsztatów, spotkań, mierzenie, ile osób realnie korzysta z narzędzi, wsparcie odgórne i ambasadorzy w zespołach. Warto też weryfikować kompetencje szkoleniowców — branża pełna osób, które dwa lata temu zajmowały się czymś zupełnie innym.
Jak stosować: zanim podpiszesz umowę na szkolenie, sprawdź, czy program osadzony jest w procesach Twojej firmy i czy przewiduje kontynuację po pierwszym spotkaniu. Szkolenie z generowania obrazków rzadko jest przypadkiem, z którego pracownik skorzysta codziennie — chyba że firma żyje z contentu.
Na co uważać: na materiał, który dezaktualizuje się w pół roku, oraz na dwie reakcje zespołu przy pierwszym kontakcie z zaawansowanym narzędziem: przerażenie i wyparcie. Jedno spotkanie te obie pogłębia zamiast rozbroić.
4.Ceny tokenów będą rosnąć — policz koszt przepięcia zawczasu
Na czym polega: Anthropic podnosi ceny dla przedsiębiorstw, Microsoft podniósł stawki GitHub Copilota, a zbliżające się debiuty giełdowe zmuszają dostawców do zarabiania. Jednocześnie zmiana dostawcy nie jest „przełączeniem” — to utracone miesiące pracy wdrożeniowej, przepisanie parametrów w API i odbudowa cache’a.
Jak stosować: zanim zawiążesz się umową, przetestuj alternatywy (Kimi, modele lokalne, inny dostawca API) i policz całkowity koszt ewentualnej zmiany: czas integracji, parametry, ponowne testy. W dużych organizacjach zaplanuj przegląd dostawcy przed corocznym zatwierdzeniem budżetu, bo potem „tytanik płynie”.
Na co uważać: na złudzenie łatwej zmiany w środowiskach agentowych (Codex, Claude Code, Copilot) — tam przywiązanie do dostawcy jest silniejsze niż w czystym API.
5.Branża regulowana zmierza ku modelom lokalnym
Na czym polega: przy dokumentach wrażliwych dane trzeba zanonimizować przed wysłaniem do jakiegokolwiek dostawcy, a skuteczność anonimizacji musi być niemal stuprocentowa — dział compliance odrzuci deklarację „99%”. Dodatkowym problemem jest re-identyfikacja: treść zeznań potrafi wskazać osobę nawet bez danych w nagłówku dokumentu.
Jak stosować: jeśli pracujesz w finansach, prawie czy ochronie zdrowia, zacznij pilotaż modeli lokalnych na danych oczyszczonych, a proces anonimizacji traktuj jako odrębny, audytowalny etap pipeline’u, nie dodatek.
Na co uważać: na „chodzący koszmar” anonimizacji treści merytorycznej — to tutaj wycieki są najbardziej prawdopodobne.
6.Test syntetycznych arkuszy — sprawdź, czy Twoje dane nie trafiły do modelu
Na czym polega: Piotr podsal prosty audyt: wygeneruj arkusze z danymi syntetycznymi w obszarze, w którym działa Twoja firma. Jeśli model zwraca opisy Waszych produktów z prawdziwymi cenami, ktoś kilka miesięcy wcześniej wrzucił firmowe dane do usługi i trafiły one do treningu.
Jak stosować: wykonuj taki test co kwartał dla kluczowych obszarów (cenniki, katalogi, oferty) i porównuj wyniki; to tańsze niż audyt bezpieczeństwa, a daje konkretne sygnały.
Na co uważać: na interpretację pojedynczego trafienia jako pewnika — szukaj powtarzalności i specyficznych detali, których nie ma w publicznych źródłach.
7.Wideo AI w praktyce: storyboard, JSON i sceny po kilka sekund
Na czym polega: sprawdzony workflow prowadzących: scenariusz → storyboard rozpisany scena po scenie (klatka początkowa + klatka końcowa + opis, co ma się wydarzyć) → szablon w formacie JSON → generowanie ujęć → montaż. Kluczowe triki: seed dla spójności postaci, promptowanie językiem reżysera (szerokie kadry, specjalistyczne słownictwo) i bardzo krótkie sceny — im dłuższe ujęcie, tym więcej artefaktów.
Jak stosować: trzymaj się ujęć od 3 do 10 sekund; każdą scenę definiuj dwiema klatkami brzegowymi i opisem; dźwięk dogrywaj osobno, jeśli model nie dostarcza spójnego audio; poprawki wprowadzaj przez zmianę promptu, nie przez „dorabianie” własnych przymiotników.
Na co uważać: negacje w promptach nie działają, a własne korekty potrafią rozsypać efekt — modele różnie interpretują wyrazy bliskoznaczne.
8.Lokalny, otwarty model wystarczy do materiałów wewnętrznych
Na czym polega: Krzysztof pokazuje film wygenerowany w całości lokalnie: Claude napisał scenariusz z trzech–czterech zdań, stworzył storyboard i serię obrazów (nano banana), sam wyselekcjonował lepsze ujęcia, a klipy wygenerował otwarty model Wan 2.6 w ComfyUI i skleił je przez FFmpeg. Całość zajęła kilkanaście–dwadzieścia minut pracy człowieka.
Jak stosować: do szkoleń, komunikacji wewnętrznej, demonstracji koncepcji — używaj pipeline’u lokalnego; nie wymaga chmury, daje pełną kontrolę nad danymi i kosztuje ułamek komercyjnych usług.
Na co uważać: na jakość „ wysokobudżetową” — to nie materiał na flagową kampanię; ale gdy otwarte modele odstają od czołówki ledwie o pół roku, warto je mieć w warsztacie.
9.Dokumentuj porażki w formacie czytelnym dla maszyn
Na czym polega: nowa metodyka publikacji naukowych proponuje zapisywać także hipotezy i eksperymenty, które nie zadziałały — po to, by agenci analizujący literaturę w przyszłości nie wchodzili w ślepe uliczki. Rozmówcy zauważają, że to samo dotyczy wniosków grantowych (publikujemy 5–10% tych, które przeszły) i wiedzy firmowej.
Jak stosować: w organizacji prowadź rejestry „czego nie próbować”: nieudanych wdrożeń, martwych ścieżek analitycznych, negocjacji, które nie wypaliły — w formie ustrukturyzowanej, którą da się podpiąć do RAG-u.
Na co uważać: na format PDF — jest jednym z najgorszych nośników wiedzy dla maszyn; wybieraj struktury danych, nie dokumenty liniowe.
10.Geo-dostępność modeli to nowy obszar ryzyka
Na czym polega: Goldman Sachs musiał zrezygnować z udostępniania modeli Anthropic pracownikom w Hongkongu —Jurysdykcja zablokowała dostęp, a bank stanął przed wyborem: przestać korzystać albo pozbyć się dostawcy. Rozmówcy traktują to jako zapowiedź podobnych scenariuszy w Europie.
Jak stosować: przy wyborze dostawcy AI mapuj jurysdykcje, w których działa Twoja firma, i miej plan awaryjny (drugi dostawca lub model lokalny) dla każdego krytycznego zastosowania.
Na co uważać: na umowy obejmujące jeden model i jednego dostawcę w procesach, których nie da się szybko przepiąć — zwłaszcza w instytucjach podlegających regulacjom.
Redakcyjne tłumaczenie
Wprowadzenie: od pionierów do prawdziwych wdrożeń
Krzysztof Tutak: Dzień dobry, witam w kolejnym odcinku comiesięcznego przeglądu wydarzeń ze świata sztucznej inteligencji. Prowadzą Krzysztof Tutak, Piotr i Daniel. Zanim zaczniemy, jedna obserwacja: rynek się zmienia. Kończy się etap pasjonatów i „early adopterów”, zaczynają prawdziwe wdrożenia — w firmach przybywa szkoleń i edukacji. Może trochę za późno, ale kierunek jest dobry. Widzicie to samo?
Daniel: Widzę coś jeszcze ciekawszego: działy IT zaczynają budować dla samych siebie. Projekty, które do tej pory szły na zewnątrz, dziś powstają wewnętrznie — cała fala aplikacji tworzonych na własne potrzeby, mikroserwisów i narzędzi tylko dla firmy.
Piotr: Tu bym zachował ostrożność. Patrząc na cenniki, wkrótce na „przepalanie tokenów” pozwolą sobie tylko korporacje. Zbliżają się debiuty giełdowe OpenAI i Anthropic, więc dostawcy w końcu muszą zacząć zarabiać. A konsolidacja już trwa: xAI przestało być niezależnym bytem i zostało wchłonięte jako dywizja, Stargate trafiło do Anthropic, nowego modelu od Muska nie będzie. Do tego gigantyczne nakłady na infrastrukturę w tym roku. Zostanie nam trzech, może czterech graczy — i to oni będą dyktować warunki.
Piotr: Bo ceny za przetwarzanie tokenów już idą drastycznie w górę. Anthropic zapowiedział podwyżki, Microsoft znacząco podniósł stawki GitHub Copilota.
Daniel: Ale nie zawsze chodzi o same tokeny. Dane, które przy okazji przetwarzamy, bywają dla dostawcy ukrytą wartością — czasem na nich zarabia, nawet jeśli na samych tokenach traci. Poza tym wejście do danego sektora bywa traktowane jak inwestycja: stawki dla strategicznej branży mogą być zupełnie inne niż dla klienta z ulicy. Widać to choćby po serwerach z preinstalowanymi modelami i trzymiesięcznym dostępem przedpremierowym w zamian za partnerstwo i testimonial na stronie.
Co słychać u prowadzących
Daniel: U mnie intensywnie: dużo szkoleń i konferencji, zwłaszcza w firmach produkcyjnych. Trochę się śmiejemy, że im „jaj brakuje”, ale widać, że część rynku przespała cyfryzację — teraz jest duży ruch, żeby to nadrobić. Moja nadzieja: skoro budowanie aplikacji idzie coraz szybciej, zaległości uda się odrobić. Warunek: firmy, które nigdy nie inwestowały w technologie, muszą nauczyć się inwestować — zmusi je do tego rynek. Poza tym rozważałem przejście na okulary XR i całkowicie wirtualne biuro, ale biorę wdech, żeby nie przegiąć. Na cascę organizuję event w Warszawie — o tym na końcu.
Piotr: U mnie standardowo, bez wielkich zmian. Żona przypięła mi łatkę pracoholika — słusznie. Jedyny dylemat: czy do stacji roboczej dołożyć cztery, czy od razu dziewięć monitorów, bo terminale już się nie mieszczą. Docelowo ściana jak na stoisku traderów, inaczej się nie da.
Krzysztof: U mnie dzieje się sporo w kontekście biznesowym, ale na razie nie mogę zdradzać — informacje wyciekną za jakiś czas. Przygotowuję kolejną edycję konferencji AI Miners — 21 maja w Katowicach, z naprawdę mocną ekipą: zobaczycie m.in. Roberta Szewczyka, Tomasza Gąsiora i Konrada Bujaka. Sporo osób mówi, że to najbardziej merytoryczne spotkanie na Śląsku — nie moje słowa, takie opinie krążą po sieci. Jest jeszcze warsztat AI Ninjas o lokalnych modelach w praktycznych, biznesowych zastosowaniach. Linki podeślę. A jeśli to, co robimy, Wam się podoba — zostawcie ślad: subskrypcja, lajk, komentarz. Algorytm podobno uwielbia kilka losowych słów.
Newsy Piotra: Claude, Opus 4.7, nauka dla maszyn i neurosymbolika
Nowa fala integracji Claude’a — droga do „Claude OS”?
Piotr: W kwietniu standardowo „zabito” kilka setek startupów samym faktem, że Claude ogłosił nową rundę integracji. Powstają kolejne konektory: do pracy kreatywnej już są ogłoszone, toczą się rozmowy o sektorze prawnym i o finansach (CFO). Wczoraj pojawił się ciekawy plugin — KYC, czyli sprawdzanie klienta na rynku amerykańskim. Połączone z aplikacjami na pulpicie wszystko zaczyna się spinać w jedno miejsce, w którym zbieramy informacje. I sooner or later pojawi się pytanie o „Claude OS” — warstwę Claude’a w naszym systemie operacyjnym. Czytaj: spełnienie marzeń Microsoftu. Zobaczymy, w którą stronę to pójdzie.
Opus 4.7: nowy tokenizator i koniec sterowania temperaturą
Piotr: Z Opusem 4.7 każdy ma swoje przeboje: model potrafił mi kazać iść spać i odmówić współpracy „dbając o mój dobrostan”, bywa też oporny w korzystaniu z narzędzi. Ale o czym naprawdę chcę powiedzieć: to pierwszy model tej klasy z dwiema istotnymi zmianami technicznymi. Po pierwsze, zaktualizowano tokenizator. Po drugie — wyłączono sterowanie temperaturą i pokrewnymi parametrami. Próba ich ustawienia kończy się błędem HTTP 400 i na tym się kończy.
Jeśli więc wierzyliście, że „temperatura zero” daje powtarzalne odpowiedzi — tej opcji już nie ma. Sam tokenizator jest intrygujący: użytkownicy (m.in. z Reddita) donoszą, że model pracuje wyraźnie szybciej. Macie okazję — przećwiczcie go na alfabetach nieanglosaskich: w niektórych korpusach polszczyzna zużywa mniej tokenów niż na Opusie 4.6. Uwaga na dwie pułapki: migracja na 4.7 czyści cache odpowiedzi, a tokenizator jest zamknięty — liczbę tokenów sprawdzimy wyłącznie przez API, więc testy będą kosztować.
Ciekawy paradoks: produkt z jednej strony otwiera się nowymi integracjami, z drugiej zamyka infrastrukturalnie. Ten mechanizm będę obserwował u wszystkich dostawców w kolejnych miesiącach.
Dokumenty naukowe pisane przez LLM-y dla LLM-ów
Piotr: Pojawiła się metodyka pisania dokumentów naukowych już nie pod ludzi, ale pod modele — z pełnym opisem hipotez, badań i tego, co nie zadziałało. Skoro powiemy maszynom, które ścieżki są martwe, kolejni agenci pracujący z literaturą nie będą do nich podchodzić. Zwolennicy dodają, że PDF-y to i tak jeden z najgorszych sposobów publikowania wiedzy — każdy, kto próbował z nich cokolwiek wyciągnąć, wie, o czym mowa. Warto obserwować.
Daniel: W nauce zawsze brakowało miejsca na publikowanie tego, co nie wyszło — każdy chwali się sukcesami. A to może być ogromny zasób: badania nad komórkami, terapie genowe, nowe materiały.
Piotr: To samo z wnioskami grantowymi: publikujemy te 5–10%, które dostały finansowanie, a 90% odrzuconych — na których można by się uczyć — znika w szufladzie.
Daniel: Od pokoleń uczymy się od mistrzów: „młody, nie rób tak, bo zrobisz sobie krzywdę”. Młody zwykle raz zrobił i już wiedział, że starszy miał rację. Zaimplementujmy to dla maszyn — tylko przyspieszy cały proces.
Neurosymbolika: wyniki przy użyciu ok. 1% mocy obliczeniowej
Piotr: I mój konik: neurosymbolika. Wytrenowano model, który do porównywalnych wyników potrzebował rzędu jednego procenta mocy obliczeniowej. Wszystkie duże laboratoria w tym grzebią, choć oficjalnie mówią, że nie przynosi efektów. Nie traćcie tego z radaru: przy problemach z energią i sytuacji geopolitycznej to kierunek, w którym powinniśmy iść.
Newsy Daniela: raport o adopcji, ceny, zwolnienia i lista życzeń Y Combinatora
Raport Microsoftu: kto naprawdę wdraża AI
Daniel: Świeżutki raport Microsoftu o adopcji AI na świecie. Lubię te raporty — dużo danych. Zacznę od Stanów: adopcja wzrosła z 28% w 2025 roku do 31%. Czyli kraj, który inwestuje w AI najwięcej, nie wdraża najszybciej — Stany są dopiero na 13. miejscu. Czołówka wzrostów: Emiraty (ponad 60 punktów), Korea (mocny kraj technologiczny, około 4% PKB na badania i rozwój), Irlandia — zapewne dzięki centralom wielkich firm technologicznych — i zaskakująca Francja. Tajwan i Japonia wciąż nisko, choć z wyraźnym wzrostem o 3–4 punkty. Norwegia ciekawa: trzecia miejsce w podsumowaniu; znajomy opowiadał mi o tamtejszych projektach — chmura i modele wizyjne przy hodowli łososia, ogromny przemysł. Izrael spadł — parę lat wojny zrobiło swoje, także z startupami.
Piotr: A Chiny? Gdzie są Chiny? Nie ma ich w danych. Trzeba umieć zbierać dane — a tam roboty fruwają po ulicach.
Krzysztof: Po polskich ulicach też już śmigają roboty kurierskie. Na AGH kupili niedawno robota humanoidalnego — w rozmowie padało imię Barbara.
Daniel: Polska ma zaszczytne przedostatnie miejsce; pod nami tylko Włochy — u nich jak było, tak jest. Druga rzecz: liczba commitów na GitHubie wzrosła z ok. 248 mln rok temu do blisko 380 mln. Widać, że generowanego kodu przybywa w zawrotnym tempie. Całość warto przejrzeć — o parę danych można by się kłócić, ale taki los raportów.
Ceny rosną, a vendor lock-in zaczyna boleć
Daniel: Anthropic podnosi ceny dla przedsiębiorstw. To klasyczny mechanizm: najpierw sprzedajemy super taniutko, robimy pełne wdrożenie, pokazujemy, jak fajnie jest — a potem „wybaczcie, musimy zarabiać”.
Krzysztof: Jaki lock-in? W AI zabierasz zabawki i idziesz do konkurencji.
Piotr: No właśnie — po co, skoro pół roku albo rok pracy wdrożeniowej właśnie poszedł do kosza?
Krzysztof: Ale o jakiej barierze mówimy, między Codexem a Claude Code?
Piotr: Chociażby po API: na jednym modelu jedziesz na parametrach domyślnych, na drugim musisz ustawiać temperaturę. Trzeba przepisywać kod.
Daniel: Większość osób pracuje w środowisku agentowym — Codex, GitHub Copilot, Claude Code. Po API to inna zabawa.
Krzysztof: Czuję, że dojdziemy do momentu, w którym te rozwiązania będą dostępne tylko dla korporacji, a przeciętny zjadacz chleba będzie przyglądał się z boku. A prognozy? Tu kupuję, tu sprzedaję: ceny będą raczej rosły.
Piotr: Będą rosły ceny energii, więc i ceny tokenów. Nie przeszkoczymy tego — stanie się to naszym chlebem powszednim.
Zwolnienia i transformacja ról
Daniel: Krótko: na rynku widać kolejne cięcia. Snap ograniczył 16% etatów (w firmie liczącej około 1300 osób), CEO Coinbasa publicznie ogłosił redukcję około 14%. Coraz częściej firmy komunikują wprost, jak zmieniają się role. Rozmawiałem o tym z dobrym znajomym CO: PM-owie muszą przechodzić w stronę technologii i rozumieć, jak ona działa, a osoby techniczne — nabywać umiejętności miękkich. Całkowita transformacja ról w biznesie.
Piotr: Niektóre firmy idą dalej i ogłaszają, że PM-ów w ogóle nie potrzebują. Zresztą to starszy trend: technicy od lat wychodzili do biznesu, a ci z dobrym warsztatem miękkim są przesuwani w tę stronę.
Daniel: Ale ilu znasz ludzi świetnych jednocześnie w technologii i w biznesie? Ja się uczę tego świata od paru lat i wyliczę ich garstkę. Zobaczymy — zmiana będzie bolesna.
Requests for Startups — mapa trendów od Y Combinatora
Daniel: Na koniec coś dla przedsiębiorczych: Y Combinator co kwartał publikuje „Requests for Startups” — listę zapotrzebowania na startupy. Świetne miejsce, by sprawdzić, czego szukają inwestorzy, zobaczyć opisane problemy i rozwiązania, a czasem konkretne przykłady firm. Co jest na liście teraz? AI dla rolnictwa — projektowanie nowych oprysków z minimum chemii. Silniki odkrywania napędzane AI — pętla hipoteza, eksperyment, weryfikacja, uczenie się na własnych błędach, także w edukacji. Firmy usługowe „AI-native”, które robią usługi wyraźnie szybciej niż konkurencja. Medycyna spersonalizowana: terapie genowe, diagnostyka, dane z urządzeń noszonych. „Mózg firmy” — jedno źródło prawdy zamiast danych rozrzuconych po systemach. Obrona przed rojami dronów. Dynamiczne interfejsy — UI generowane przez AI pod konkretnego użytkownika, bez angażowania deweloperów, jak spersonalizowana strona Netflixa. Dalej astronautyka, łańcuchy dostaw sprzętu, chipy zaprojektowane pod workflow agentów, wyzwanie dla SaaS-ów i — bardzo ciekawe — software dla agentów: przepisywanie narzędzi pod maszyny, z API, MCP i CLI zamiast interfejsu graficznego.
Piotr: Przy „mózgu firmy” firmy pomijają integracje — maile, Slack, bazy danych — i skupiają się na notatkach oraz dokumentach. To błąd.
Krzysztof: Ja już gadam z firmami, które odchodzą od SaaS-ów i budują własne narzędzia pod konkretne zadania. Ciekawe, kto to później utrzyma.
Piętnaście sekund Piotra: Goldman Sachs w Hongkongu
Piotr: Mój news jest pod powierzchnią, a dotyczy odcinania od modeli. Goldman Sachs dowiedział się, że nie może korzystać z Anthropic w Hongkongu. Udostępniali modele pracownikom w sieci wewnętrznej i stanęli przed wyborem: przestają albo pozbywają się Anthropic. To wskazówka, co może wydarzyć się w Europie. Dziękuję.
Krzysztof: Bomba zrzucona i poszedł. Daniel, musisz się uczyć od Piotrka punktualności.
Newsy Krzysztofa: leki, obrazy i czy Figma naprawdę umarła
GPT-Rosalin: AI w poszukiwaniu leków
Krzysztof: Zagadka: ile średnio trwa droga od odkrycia celu leku do zatwierdzenia przez FDA?
Piotr: 10–15 lat, jeśli dobrze pamiętam. I to w dobrym scenariuszu.
Krzysztof: Dokładnie. Ten kawałek tortu chce zająć OpenAI, ogłaszając model GPT-Rosalin — nazwany na cześć badaczki Rosalind Franklin. To model dedykowany naukom przyrodniczym: rozumowanie o cząsteczkach, białkach, genach i ścieżkach biologicznych; przeglądanie literatury i tworzenie syntezy dowodów; planowanie eksperymentów i analiza danych. Ma dostęp do ponad pięćdziesięciu publicznych baz danych. Benchmarki wypadają wyraźnie lepiej niż GPT-5.4, Grok 4.2 czy Gemini 3.1 Pro. Wokół modelu zebrało się sporo partnerów — zapowiada się ciekawie.
Nowy model obrazów w ChatGPT: dogonić nano bananę
Krzysztof: Jest też głośno o drugiej wersji modelu obrazów w ChatGPT. Co się zmieniło? Teksty na grafikach renderowane są z dokładnością 99% na poziomie znaków — znacząca poprawa względem pierwszej wersji. Mocno poprawiono polski, chiński i hindi. Doszła rozdzielczość 4K i generowanie do ośmiu obrazów z jednego prompta. Model „myśli” przed generowaniem i weryfikuje własny efekt — czyli nie mamy zwykłego generowania, tylko sieć agentową, podobnie jak u nano banana. Dostał też dostęp do internetu w trakcie pracy. Zachęcam do zabawy — można tworzyć naprawdę fajnej jakości obrazki. OpenAI w końcu dogoniło nano bananę.
Piotr: Przegoniło.
Krzysztof: Czy ja wiem… W większości moich przypadków nano banana wciąż daje lepsze rezultaty, choć wygenerowałem na nowym modelu dopiero trzydzieści obrazków.
(Informacja dodatkowa: „nano banana” to potoczna nazwa modelu obrazowego Google — Gemini 2.5 Flash Image — cenionego za wierność tekstu i spójność przy edycji grafik.)
Claude Design — i czy Figma naprawdę umarła
Krzysztof: Anthropic wydał Claude Design i internet, jak co release, zalała fala „Figma umarła, Canva niepotrzebna”. Narzędzie pozwala otwierać prototypy, prezentacje, projektować UI, tworzyć wireframe’y i makiety — wbudowane rozwiązania pozwalają skupić się na designie i osiągać wysoką jakość. Ale bym był daleki od tezy, że Figmy i Canvy już nie trzeba.
Piotr: Zobaczcie wykres akcji Figmy.
Daniel: No i co? To tylko wirtualna wycena. Minus 50% od początku roku, minus 82% w skali roku.
Piotr: To jest wirtualna, jak spadły 82% w ciągu roku… Rynek tak widzi przyszłość. Choć firmy wciąż korzystają z Figmy, a ona sama wprowadza rozwiązania AI. Testowałem Claude Design — chciałem usprawnić stronę personalną. Limity tokenów zjedzone w godzinę, reset dopiero po tygodniu. Może Colossus 1 to zmieni.
Krzysztof: Colossus 1 — centrum danych Elona Muska, wynajęte (niektórzy mówią: kupione) przez Anthropic. Jeśli przejęcie się potwierdzi, moc obliczeniowa powinna poprawić pracę z Claude’em — bo od dwóch miesięcy jakość modeli Anthropic mocno spadła.
Piotr: Nie mieli mocy, ludzie się wściekali, więc dokręcili śrubę. Teraz może poluzują. Trzymajmy kciuki. Zresztą GPT‑5.5 nie jest zły — to też tajemnica poliszynela.
Krzysztof: Jestem ciekaw, czy Claude wróci do formy. Wszystko wskazuje, że najpierw pojawi się wersja 4.8, a potem w pipeline Mythos. Mythos Slide będzie publiczny dla wszystkich; sam Mythos raczej dla firm. Pojawiła się też inicjatywa w Stanach — executive order lub akt wykonawczy — zgodnie z którą administracja może mieć pierwszeństwo do nowych modeli i decydować, czy trafią na rynek. I mamy rozdwojenie jaźni: modele Anthropic w teorii wciąż są traktowane jako zagrożenie narodowe — teoretycznie nie wejdą do Pentagonu, a w praktyce, jak żartobliwie mówimy, „zarządzają konfliktem w Iranie”. Do sieci szóstej i siódmej kategorii w Pentagonie podpisało się sześć największych firm amerykańskich. Anthropic nie ma na liście.
Piotr: Chcą być etyczni — odbija się to czkawką. Zagrają kartą etycznego dostawcy AI przed debiutem giełdowym. Google i OpenAI współpracują z Pentagonem w sieciach najwyższych klauzul.
Pytania z czatu
Jak naprawdę wdrażać AI w firmach
Krzysztof: Komentarz: „Wdrażanie w firmach już się zaczyna, tylko sposób jest tak kiepski, że szkoda mówić. Poziom wiedzy leży. Jak to dobrze robić?” Po pierwsze: korzystajcie z firm i osób, które się na tym znają — a nie z tych, które dwa lata temu zajmowały się fotografią, a dziś „wdrażają AI”. I gdy ktoś oferuje szkolenie z generowania obrazków, zastanówcie się, czy to na pewno przypadek biznesowy, z którego pracownik skorzysta na co dzień. Chyba że firma żyje z contentu — wtedy tak.
Piotr: Dużo szkoleń to „podstawy” kompletnie oderwane od kontekstu firmy. A edukacja to proces stały: dodatkowe spotkania, mastermindy, warsztaty techniczne. Do tego wsparcie odgórne, ktoś musi za tym stać, potrzebni są ambasadorzy. To nie proces zero-jedynkowy, to change management. Firms często kończą na jednym szkoleniu — i nic z tego nie będzie.
Krzysztof: Kłóciłem się kiedyś z panią z HR: „my wdrożyliśmy AI”. Pytam: co to oznacza? „Mamy dostęp do Copilota”. Przepraszam bardzo — to nie jest wdrożenie. Wdrożenie to seria szkoleń, webinary, sprawdzenie, ile osób realnie korzysta. A do tego materiał szkoleniowy dezaktualizuje się w pół roku.
Piotr: I uwaga na dwie reakcje, gdy pokazujesz zaawansowaną technologię ludziom, którzy widzą ją pierwszy raz: przerażenie albo wyparcie. Jak zaczynają się klocki układać — „to robi to, co ja robię codziennie przez 99% czasu” — twarze mówią wszystko. Piramida się odwróciła: dziś cenniejsi dla firm są seniorzy. Oni wiedzą, kiedy maszyna zmyśla, znają procedury i swoją firmę od środka.
Daniel: Ze „znaniem procedur” bywa różnie. Duża część wiedzy w firmie siedzi w głowach — stąd cała ta transformacja. Nie wiemy, jak pracownik, który odszedł, dogadywał się z kluczowym klientem, bo nic nie zostało zapisane. W arkuszach jest wtopa, której nikt nie wyłapał, bo obroty były duże. I teraz przychodzi agent z modelem sprzedażowym skonstruowanym inaczej — i zaczyna się jazda bez trzymanki.
Piotr: I jeszcze jedno: gdy pokażesz AI ekspertowi, który ma wiedzę w głowie, tym bardziej będzie ją chronił, żeby jej nie przekazać.
Daniel: To zależy. Duża część ekspertów widzi, że narzędzie im pomaga, i rozumie, że nikt ich nie ruszy — wiedza zostaje w ich głowach. Czynności, które zajmowały godziny, schodzą do minut, a oni ruszają z zaległym backlogiem. Tylko uwaga: automatyzacja odkopuje zaniedbania sprzed sześciu lat i to generuje tarcie w innych miejscach firmy. Taka jest konsekwencja.
Claude a polskie prawo: RAG, Bielik i sędziowie
Krzysztof: Komentarz: „Claude fajnie działa z prawem, ale halucynuje kodeksami. Buduję system AI-low i wciąż jesteśmy daleko od Harveya”. Mnie to nie dziwi — modele były trenowane na prawie amerykańskim. Ja nigdy nie polegałbym na wiedzy bazowej modelu w ustawodawstwie. Rozwiązanie: wziąć model open source i zasilić go danymi. Tak zrobili chłopaki z Gajus Lex — wzięli polskiego Bielika, wrzucili setki tysięcy stron ustawodawstwa i przygotowali go pod research prawny. Czyli klasyczny RAG.
Piotr: Dorzucę anegdotę od szefowej legalu w jednej korporacji. Zwróciłem uwagę, że w polskim prawie zapisy kodeksowe potrafią być sprzeczne z doktryną przyjętą w sądach — co innego w kodeksach, co innego w orzecznictwie. Ona z uśmiechem: „To nie jest wyjątek, to norma”. Samo oparcie się na przepisach nie ma prawa zadziałać. Tworzysz RAG-a, dostosowujesz system do celu — interpretacja, dokumenty, research — i zawsze musisz mieć człowieka w pętli. System ma pobrać paragraf czwarty, ale „pamiętać”, że jest niestosowalny w Poznaniu, a stosowalny w Warszawie — i takich warunków brzegowych jest mnóstwo.
Krzysztof: Jest nawet polski startup analizujący wyroki sądowe — jak który sędzia interpretuje poszczególne przepisy — żebyś wchodząc na salę wiedział, jakich argumentów użyć.
Daniel: W krajach anglosaskich jest to prostsze: prawo precedensu, asystenci przeszukiwali akta i powoływali się na decyzje innych sędziów. U nas precedens nie obowiązuje, interpretacja ma być „sprawdziwa”, a o wyroku współdefiniuje to, co dzieje się na sali.
Piotr: Pamiętajcie o aferze z dwunastoma ciężarówek akt — jeden sędzia będzie się z nimi zapoznawał trzy lata. RAG-i powinny być dla sędziów: przeglądanie w czasie rzeczywistym, cofnięcie się do tomu osiemdziesiątego, strony czterdzieste. Ja ich szanuję za wiedzę, ale dziś to kosmos.
(Informacja dodatkowa: RAG — generowanie wspomagane wyszukiwaniem — to architektura, w której model odpowiada na podstawie dokumentów podpiętych do systemu, a nie własnej pamięci; HITL, human in the loop, oznacza obowiązkową weryfikację decyzji maszyny przez człowieka.)
Koszty, przepinanie się i modele lokalne
Krzysztof: Komentarz: „Anthropic popsuł nam finanse, przepinamy się na OpenAI plus Kimi albo model lokalny”. W branży regulowanej i tak pójdziesz w kierunku modeli lokalnych — dokumenty trzeba zanonimizować, zanim wyślą się je gdziekolwiek.
Piotr: I tu pies pogrzebany. Musisz mieć pewność anonimizacji, a dział compliance powie wprost: 99% skuteczności to „no go”. I jeszcze jedna rzecz: nie chodzi tylko o dane w nagłówkach umów. Jeśli na podstawie treści zeznań da się powiązać dokument z konkretną osobą, to anonimizacja staje się chodzącym koszmarem. Dosłownie.
Gemini: błędy, ale i zastosowania
Krzysztof: Komentarz: „Coraz bardziej mnie irytuje, że Gemini popełnia coraz więcej błędów”. Gadaliśmy o tym — modele mają ostatnio ciężki czas, brakuje mocy. Ja używam Gemini w konkretnych zadaniach: transkrypcje, analizy materiałów z YouTube, analizy rozmów.
Daniel: Ja wrzucam całe podcasty — godzina, dziesięć minut — i potem oglądam materiał, wyciągam streszczenie i dyskutuję z nim.
Piotr: „Godzina dziesięć” to spore przymrużenie oka. Po 40–45 minutach zaczyna mocno halucynować. Za dużo wartości na raz dostaje.
Krzysztof: Content tworzy u mnie Claude — wyjątkiem jest nano banana od Google. Ale centrum pracy to wciąż Claude Code i to przez niego zaprzęgam Gemini do pomocy.
Duże firmy: umowy i tytanik
Krzysztof: Komentarz o umowach: w dużych firmach podpisane kontrakty i skala to prawdziwy problem; hobbysta przełączy się w pięć minut, korporacja nie.
Piotr: Jak jesteś tytanikiem, to tytanik płynie. Budżet zatwierdza się na kolejny rok — zapomnij o gwałtownych zwrotach. Zresztą patrzcie: my tu rozmawiamy o AI, a Krzysztof żartuje, że Piotr nadaje „z USS Nostromo” — bo mam w tle ekran generowane nowym modelem obrazów OpenAI. Kiedyś używałem zdjęć stockowych, już nie.
Krzysztof: I to jest w gruncie rzeczy przerażające.
Piotr: Cały model biznesowy zdjęć stockowych po prostu zdechł.
RAG w praktyce: czyszczenie i aktualizacja danych
Krzysztof: Ostatni komentarz na ten temat: „Problem nie w Claude, tylko w przygotowaniu długich dokumentów i procesie RAG — czyszczenie, strukturyzacja. Mniej seksowne, ale daje efekty”.
Piotr: Dokładnie. Bez czyszczenia danych, bez przygotowania struktur i odpowiedniego sczytywania — „no go”. Plus aktualizacja bazy na bieżąco: nowe ustawodawstwo, zmiana szablonów w sądach — nagle ktoś przechodzi z układu jednokolumnowego na dwukolumnowy albo dopisuje komentarze wprost w dokumentach. Trzeba na to reagować: pobierać nie tylko źródła, ale i formularze oraz kilkanaście innych rzeczy, o których większość nie pomyśli.
Temat główny: czy to już WALL-E?
Krzysztof: Zanim wejdziemy w główny temat, miniobserwacja: wiele podcastów dobija teraz do półtorej godziny — m.in. dlatego, że działają limity kontekstu, a potem NotebookLM i tak wygeneruje dziesięciominutowe streszczenie. Intryguje mnie, jak to przełoży się na monetyzację całego rynku. Bo patrząc na generowanie obrazu i wideo: spójność wideo trwa mniej więcej do 20 sekund, potem trzeba kombinować z klatkami. Jeden z modeli chwali się 60 sekundami, ale już z artefaktami. Z kolei spójność między poszczególnymi obrazami działa już naprawdę fajnie — a skoro działa, pójdziemy w bardzo ciekawym kierunku.
Daniel: Dochodzimy do generowania scen. Sceny w filmach pełnometrażowych trwają zwykle od 30 do 90 sekund — czyli dojdziemy do momentu, w którym z wygenerowanych scen będziemy składać cały film.
Krzysztof: Ostatnio badałem znaki wodne i wyszło mi, że na YouTube Shorts ponad 50% treści jest generowanych automatycznie. Większość tego, co oglądacie, to ktoś, kto wpadł na pomysł, by zaprząc kilka kart graficznych do produkcji contentu. Szansa, że zobaczycie żywego człowieka, spada poniżej połowy.
Piotr: Dlatego do łask wracają konferencje, spotkania, meetupy. Dopiero tam masz pewność, że druga osoba nie jest awatarem. Zresztą spójrzmy na obrazy: 99% poprawności tekstu oznacza, że zdjęcia stockowe są zastępowane jeden do jednego. Po co robić zdjęcie produktu, skoro możesz podrzucić pierwsze zdjęcie i kazać zmienić otoczenie? Pojawiają się problemy z IP: w Europie treść wygenerowana przez AI nie ma ochrony prawnoautorskiej, więc trzeba kombinować — dobierać prompty, planować udział człowieka, który potem edytuje.
Krzysztof: Albo założyć spółkę w Chinach. (śmiech)
Piotr: Poważnie: fotograf, którego część dochodów to były sesje „trzy tysiące produktów dla sklepu”. Robota małpy, ale stały chleb powszedni. Ten model biznesowy właśnie umiera. I już mamy Groka na telefonie — i całkiem nieźle sobie radzi. Tylko pytanie: gdzie my biegniemy?
Daniel: Opowiem coś z wczoraj: rozmawiałem z kolegą w Poznaniu, który był u znajomego z branży i obejrzał, jak na przerwie na papierosa powstaje klon strony jego restauracji — czegoś, co do tej pory zajmowało tygodnie. Wystarczy adres URL albo kilka zdjęć i narzędzie typu Antigravity. Wracasz do domu zdołowany.
Krzysztof: Z punktu widzenia grafika to i tragedia, i szansa. Pracuję z bardzo dobrym UX-owcem — genialny warsztat — ale on dłużej rysuje projekt, niż ja potrafię go odwzorować w kodzie. Tempo jest masakryczne.
Granica między generowanym a prawdziwym światem znika
Krzysztof: Wracając do wideo: fizyka obiektów, naturalne oświetlenie, płynny ruch kamery — modele opanowały to w takim stopniu, że gołym okiem nie odróżnisz nagrania od generacji. Odtwarzam materiał, którym podzieliił się podekscytowany Elon: Grok dołączył do czołówki.
(Materiał pokazuje samouczek: postać wygenerowana przez model stoi na wirtualnej zieleni, którą można podmienić na dowolne tło; twórca demonstruje wtyczkę do programu montażowego, pozwalającą nakładać taką postać na własne nagrania — a generowany bohater na koniec „przejmuje” tutorial, komentując z zaciętością, że to odwet za próbę odebrania mu show.)
Piotr: Tylko że Grok ma fatalną prasę przez zdjęcia „rozbierane”. Ta historia zrobiła im ogromną krzywdę. Porównałbym to do wpadki Google’a z żołnierzami Wehrmachtu w generowanych obrazach — przejdzie i pojedzie dalej. Zdroworozsądkowo: nic oficjalnie nie potwierdzono, ale bardzo prawdopodobne, że dane z systemów autonomicznej jazdy Tesli służą do nauczenia modeli, jak działa świat i fizyka.
Krzysztof: Z drugiej strony — że tak powiem — to „bonus”: z takim modelem łatwo zarobisz na OnlyFans, popularny ostatnio trend. Był zresztą spór prawny o dane treningowe z portali dla dorosłych. Ale czy my trochę się nie gubimy, skoro nawet najstarszy zawód świata ulega cyfryzacji i idzie w maszyny? Nikt nikomu nic nie zrobi przymusem, ale nie wiemy już, co jest po drugiej stronie cyfrowego medium.
Daniel: Mówił mi ktoś o ludziach, którzy na kasie, między zeskanowaniem a wydaniem reszty, oglądają cztery rolki. Dziwię się, że nie wyrobiliśmy sobie odruchu przewijania palcem w rozmowie.
Produkcja filmowa, studia i anime
Krzysztof: Od szefa marketingu usłyszałem wczoraj o kampanii, w której na planie miały pojawić się zwierzęta — kwestie etyczne przechyliły szalę ku AI. Ale koszt AI plus najlepsi specjaliści od tej technologii to kosmos: ci, którzy umieją, potrafią się cenić. Firma uniknęła backlashu i idzie w tym kierunku. Ciekawostka z rynku: ceny w ofercie były porównywalne, wygenerowanie przez AI wyszło nawet drożej — choć sam w to nie do końca wierzę.
Daniel: Ja też patrzę na to sceptycznie, wiedząc, że budżety filmowe liczy się w setkach milionów dolarów. Ale byłem niedawno na nagraniach z reżyserami produkującymi dla Netflixa: ramiona robotów za pół miliona dolców, dziesiątki tysięcy dolarów kosztu dziennie — a z generowaniem wideo koszty spadają dosłownie do paru groszy. Dni nagraniowe: zamiast dziesięciu studiów jedno, przygotowane specjalnie. I jest jeszcze cały przemysł sprzętu fotograficznego — kamery, światła, lampy — który też może podupaść. Netflix nie miał rozbudowanej bazy studiów jak HBO czy Amazon i na tym cierpiał; teraz będzie ciekawie.
Krzysztof: A Japonia i anime? Ogromne pieniądze, kultura i gospodarka w jednym — według szacunków z rozmowy nawet dwucyfrowy procent PKB. Animacje generowane są już jakości produkcyjnej, choć drogie. I przepaść kosztowa między „wygenerowanym anime” a tradycyjną produkcją jest ogromna.
Piotr: Widziałem ostatnio world model, w którym biegasz w świecie anime w czasie rzeczywistym, a treść przygotowuje się na bieżąco. Mignął mi też pierwszy agent grający samodzielnie w sieciówe — to już nie automatyzacja, on podejmuje własne decyzje. Specjaliści od gamingu powiedzieliby o tym więcej.
Workflow Krzysztofa: cały film lokalnym modelem w kilkanaście minut
Krzysztof: Na LinkedIn przed wejściem na antenę pytanie: jak selekcjonować elementy procesu, żeby uniknąć wiecznych testów i faktycznie dowozić jakość w wideo? Od siebie dorzucę dwie rzeczy: szablon w formacie JSON do generowania obrazów i wideo oraz storyboard — scena po scenie, z klatką początkową, klatką końcową i opisem tego, co ma się wydarzyć. Na tak przygotowanym materiale generujesz ujęcia; niektórzy robią trzy–cztery ujęcia na scenę i montują tradycyjnie albo przez agenta.
I pokażę film wygenerowany w całości przez Claude’a w modelu Wan 2.6. Proces wyglądał tak: napisałem z Claude’em scenariusz — trzy, cztery zdania, jakieś dziesięć–piętnaście minut. Potem pięć minut na dopracowanie prompta. Claude wygenerował serię obrazów w nano bananie — kilkadziesiąt sztuk — ułożył storyboard, sam wyselekcjonował lepsze ujęcia i mniej więcej połowę odrzucił. Przygotował szablony w formacie JSON, a klipy wygenerował uruchomiony lokalnie Wan 2.6 w ComfyUI; całość skleił FFmpeg. Mój wkład pracy: kilkanaście do dwadzieścia minut. Jakościowo to nie jest produkcja high-end — dlatego nie poszła na social media — ale powstała lokalnie, na otwartym modelu, który do Sory, Klinga i Veo wyraźnie odstaje. Boję się myśleć, co zrobi czołówka za pół roku.
Piotr: Dorzucę swoje rady z praktyki. Po pierwsze: negacje nie działają. Po drugie: seed — jeśli model daje taką możliwość, pozwala trzymać dokładnie tę samą postać. Po trzecie: promptuj jak reżyser — szerokie kadry i cała specjalistyczna terminologia znana w branży. Własne „poprawki” potrafią cały efekt rozsypać i nawet nie wiem dlaczego — wygląda na to, że modele zupełnie inaczej interpretują wyrazy bliskoznaczne. Krótkie sceny: naprawdę krótkie. Im dłuższe wideo, tym więcej artefaktów — trzymałbym się maksymalnie dziesięciu sekund, a najlepiej trzech–czterech, żeby mieć pełną kontrolę. Plus klatka początkowa i końcowa. I audio: jeśli model nie dostarcza dźwięku, podkładamy go osobno.
A na odchodne — coś dosłownie sprzed chwili.
(Prowadzący odtwarzają krótkie wideo ze znaną aktorką, wygenerowane jednym z nowych modeli; jakość detali wywołuje w studio komentarze: „pamiętajcie, co było rok temu — i zapytajcie siebie, co będzie za pół roku”.)
Piotr: Zresztą rynek się zaraz zmieni ponownie: ElevenLabs rozszerzył się o generowanie wideo — dogadali się z twórcami modeli otwartych i nowych, plus podkładanie dźwięku. Wychodzi też nowe audio od OpenAI, zobaczymy, w którą stronę poszli. A, i właśnie zauważyłem: Claude’a można podpiąć pod Outlooka. Kto by się przejmował. Pomaga pisać w Wordzie, w PowerPointie też generuje ładnie. Z ciekawości: kiedy ostatnio ręcznie tworzyliście ankietę albo arkusz w Excelu?
Krzysztof: Excel zdarza się wypełnić ręcznie, ale dane syntetyczne robią już modele. Co ciekawe, to całkiem dobry test: wygenerujcie syntetyczne arkusze w swoim obszarze. Jeśli model zwróci opisy Waszych własnych produktów z prawdziwymi cenami — znaczy ktoś trzy miesiące temu wrzucił firmowe dane do sieci, a model zdążył je zapamiętać. My ten postęp „goimy” w tempie, które jest po prostu masakrą: prezentacje i dokumenty robię już przez Apps Script albo HTML z konwersją do PNG czy PDF. Ręczne tworzenie dokumentów zeszło do lamusa — nie pamiętam nawet, kiedy ostatnio tak robiłem.
Zapowiedzi i pożegnanie
Krzysztof: Przypominamka dla dołączających: jeśli to, co tworzymy, jest dla Was ciekawe — odwdzięczcie się subskrypcją, lajkiem, komentarzem. A dla spragnionych kontaktu na żywo: 21 maja AI Miners w Katowicach — praktyczne AI w biznesie, z mięsistymi prezentacjami Roberta Szewczyka, Tomasza Gąsiora czy Konrada Bujaka. I 14 maja warsztat AI Ninjas: lokalne modele w biznesowych zadaniach — klasyfikacje, przetwarzanie dokumentów i podobne rzeczy.
Daniel: A 9–10 czerwca zapraszam do Warszawy, na otwarte forum AI w SGH. Pierwszy dzień w formule Chatham House — bez nagrywania, rozmawiamy w wąskim gronie o kierunkach rozwoju AI. Drugi dzień: warsztaty i prelekcje na konkretne tematy. Lineup dogramy w przyszłym tygodniu, bo wciąż mamy otwarte call for papers. Wstęp po godzinach pracy.
(Informacja dodatkowa: zasada Chatham House oznacza spotkanie, na którym treść rozmowy można swobodnie cytować, ale bez ujawniania tożsamości mówców.)
Krzysztof: Wielkie dzięki, panowie. Widzimy się za miesiąc — do usłyszenia!