O czym jest ten film
- Coraz więcej firm (Coinbase, Cursor, Lindy i inne) przechodzi na modele open source, ale ten materiał nie jest o nich — jest o tym, jak ty masz wybrać właściwy model.
- Główna lekcja z 18-dniowej blokady modelu Fable: nie przywiązuj pracy do jednego modelu — ci, którzy mieli własny „harness”, po prostu przeroutowali ruch gdzie indziej i pracowali dalej.
- Wybór modelu bywa pułapką: ludzie mylą samą czynność wybierania modelu z wykonywaniem realnej pracy.
- Punktem wyjścia jest zawsze zadanie, a nie nazwa modelu — najpierw ustal, co model ma zrobić.
- Do pracy „ze środka rozkładu” (zwykłe PowerPointy, landing page, notatki, powtarzalny kod) świetnie i taniej sprawdza się GLM 5.2 — czasem lepiej niż Claude.
- Do pracy niejasnej, nietypowej, wymagającej gustu i osądu potrzebne są modele frontierowe (Claude, ChatGPT) — tu nie optymalizuje się kosztu, tylko trafność.
- Równie ważny jak inteligencja modelu jest harness — łatwość wprowadzania i wyprowadzania pracy; dlatego autor mniej mówi ostatnio o Gemini (silny model, słaby harness).
- Rekomendacje różnią się w zależności od roli: pracownik firmy, właściciel małego biznesu, lider zespołu, deweloper — każdy inaczej podchodzi do wyboru.
- Modele wyspecjalizowane (obraz: Flux, Z-image, Grok; wideo: LTX, Seed Dance, Grok; live web: Grok) mają sens, gdy dana praca jest sercem biznesu.
- Pięć zasad na koniec: nie kopiuj innych (także autora), pytaj o trudność pracy a nie tylko jej ilość, umiej ocenić jakość, nie rób z wyboru modelu osobnej pracy i nie wybieraj zbyt wielu modeli.
Redakcyjne tłumaczenie
Dlaczego ten materiał jest o tobie, a nie o wielkich firmach
Coinbase, Cursor, Lindy — mnóstwo firm przechodzi dziś na modele open source. Ten film nie jest jednak o nich. Jest o tobie. Ma ci pomóc przebić się przez szum i wybrać model w świecie, w którym liczba dostępnych modeli eksplodowała dosłownie w ciągu ostatnich kilku tygodni.
Weźmy przykład Fable. Model został zablokowany, a w środę 1 lipca Fable 5 wrócił do sieci. Świetnie — ale coś jednak nie wróci. Nie wróci przekonanie, że model, na którym budujesz, na pewno będzie tam jutro. Przez 18 dni wiele firm przekonało się, że może go nie być.
(Informacja dodatkowa: „harness” to warstwa narzędziowa wokół modelu — interfejs, integracje, sposób podawania mu danych i odbierania wyników; w tekście pozostawiamy to słowo, bo autor używa go jako pojęcia technicznego).
Firmy, które potrafiły wzruszyć ramionami na tę blokadę, to te, które od początku nie związały swojej pracy z jednym modelem — bo posiadają własny harness. Po prostu przeroutowały ruch gdzie indziej i pracowały dalej. Wiele firm dokładnie tak zrobiło. Ten film nie jest więc o tym, czy Fable wrócił. Jest o tym, żeby zadbać, by to, że go nie było, w ogóle nie miało dla ciebie znaczenia.
Widzę pułapkę, w którą wpada wielu ludzi: mylą sam akt wyboru modelu z wykonywaniem realnej pracy. Dlatego pokażę ci, jak sam myślę o wyborze modelu — dlaczego tak, jakie elementy trzeba po drodze rozważyć i jakie mam konkretne wskazówki do konkretnych modeli: GLM 5.2, Qwen, Kimi, ChatGPT, Claude. Pokażę też, jak myślę o łączeniu ich ze sobą i jak uprościć wybór w zależności od roli — czy jesteś liderem zespołu, pracownikiem w firmie, właścicielem własnego biznesu, deweloperem, kimkolwiek. Chodzi o to, żeby wybór modelu skupiał cię na pracy, a nie odciągał od niej.
Rama myślenia: od pracy do modelu, nie odwrotnie
Oto rama, której chcę, żebyś używał. Codzienny model roboczy (daily driver) musi być dobry w szerokim zakresie zastosowań, bo sięgasz po niego, zanim zadanie się doprecyzuje. Tani koń pociągowy zasługuje na miejsce wtedy, gdy praca jest znana, powtarzalna i łatwa do zrozumienia.
Użyteczna odpowiedź zaczyna się od pracy, którą masz przed sobą. Zanim wybierzesz model, zastanów się, co ma on zrobić. Te pytania ważą więcej niż nazwa na karcie modelu. Spytaj, czy potrzebujesz go jako agenta kodującego, czy do robienia PowerPointów albo arkuszy — a dopiero potem przejdź do modelu.
GLM 5.2 i praca „ze środka rozkładu”
Tu robi się ciekawie z GLM 5.2, bo ten model jest dobry w wielu zadaniach ze środka rozkładu — czyli takich, które uważam za normalne i niezbyt ciężkie. Zwykły PowerPoint, szkic landing page’a, podsumowanie spotkania, sporo pracy z kodem o znanych, powtarzalnych kształtach, gdzie można powiedzieć: „oto plik, po prostu nad nim popracuj”.
(Informacja dodatkowa: „środek rozkładu” — center of distribution — to zadania częste i typowe, dobrze reprezentowane w danych treningowych; model widział mnóstwo podobnych przykładów, więc radzi sobie z nimi tanio i pewnie).
To ogromna kategoria pracy. Większość ludzi spędza większość dnia, produkując znane artefakty pod presją czasu. Umiejętność szybkiego zrobienia tabeli, notatki czy odpowiedzi dla klienta tanim, ale mocnym modelem jest tu bezcenna.
Chcę wyraźnie podkreślić część niekodową. Obecna rozmowa o GLM jest mocno „kodowa”, bo kod łatwo zbenchmarkować, a oszczędności są widoczne. Ale praca ze środka rozkładu to również strony WWW, PowerPointy, memy, porządkowanie CRM, rutynowa synteza i wszystkie normalne firmowe artefakty, które ludzie tworzą codziennie. Jeśli kształt zadania jest znany, a jego sprawdzenie łatwe — GLM należy brać pod uwagę.
Kiedy potrzebujesz modelu frontierowego
Modele frontierowe muszą zasłużyć na swoje miejsce gdzie indziej. Nadal chcę najnowszych modeli Claude i ChatGPT wtedy, gdy kształt pracy nie jest jeszcze oczywisty. Jeśli próbuję znaleźć kąt spojrzenia w chaotycznym zbiorze źródeł, jeśli szukam miejsca, w którym liczą się mój gust i osąd przy trudnym problemie, jeśli muszę zdecydować, gdzie popchnąć model w nieznaną wcześniej pracę — nie chcę optymalizować kosztu. Chcę zrobić to dobrze.
Twój codzienny model roboczy powinien być tym, któremu ufasz w chaotycznej, „ludzkiej” pracy następnego kroku. W poprzednim filmie mówiłem, że sam wciąż używam do tego Codeksa — bo jego harness jest tak wygodny, że inteligencja w środku nie jest już najważniejszym elementem. Ale to nie jedyny skuteczny harness. Powinieneś rozglądać się za innymi, które działają dla ciebie — open source’owymi albo zamkniętymi, jak Claude czy Claude Code. Jakikolwiek wybierzesz, upewnij się, że świadomie bierzesz coś, co pomaga ci pracować, a nie rozprasza. Jeśli rozpraszają cię koszty, pomyśl o harnessie dla GLM 5.2. I tak — wydali jeden, nazywa się Z.AI, i powinien być bardzo pomocny.
Zadania „w stylu GLM” kontra problemy „w stylu Fable”
To jest różnica między pracą w stylu GLM a czymś, co nazywam problemem w stylu Fable. W zadaniu typu Fable trudność nie polega na tanim wyprodukowaniu znanego artefaktu. Trudność polega na zrozumieniu, co nowa zdolność oznacza — w poprzek wideo, fizyki, intencji postaci, ekspozycji prawnej, strategii biznesowej. Prosisz model, by pomógł ci odkryć kształt nowego typu problemu. Tu chcę najszerszej, najsilniejszej i najbardziej „dziwnej” generalizacji, jaką mogę dostać, plus harness, który utrzyma cały ten kontekst razem.
Jeśli więc jako pojedyncza osoba chcesz wybrać codzienny model roboczy, to jest tło, jakie bym miał w głowie. Spójrz, gdzie musisz wykonać pracę chaotyczną i złożoną — i powierz ją twórcy modelu frontierowego. Spójrz, gdzie robisz pracę znaną — i rozważ, czy coś takiego jak GLM 5.2 zaoszczędzi ci pieniędzy. Bo może zaoszczędzić.
Testuj model na własnej pracy
Gdy już masz kandydata na codzienny model roboczy, zabierz go na przejażdżkę. Przetestuj. Wprowadź te dane, na których ci zależy — arkusze, PowerPointy, dokumenty, PDF-y, kod. Nie zatwierdzaj modelu jako codziennego, dopóki naprawdę nie przepuścisz przez niego zadań, które są dla ciebie ważne. Właśnie wtedy dowiesz się, jak złożone są w rzeczywistości twoje prośby. My, ludzie, bywamy lepsi w szacowaniu złożoności po wykonaniu zadania niż przed nim. Więc testuj.
Gdy pracujesz wewnątrz firmy
Jeśli używasz AI w firmie, pierwszym filtrem będzie uprawnienie. Możesz nie mieć swobody wyboru. Jeśli jednak masz do dyspozycji więcej niż jeden model — Microsoft Copilot, Claude Teams, Gemini, ChatGPT Enterprise — zastosuj ten sam proces myślowy. Bierz swoją realną pracę, rzetelnie testuj ją na różnych modelach i wybierz codzienny model tam, gdzie faktyczna użyteczność odpowiada twoim potrzebom.
A tam, gdzie nie odpowiada — jeśli jesteś w firmie — to sygnał, żeby powiedzieć: „Potrzebuję mocniejszego modelu. Muszę popracować z działem IT, żeby podnieść poziom modeli, bo spójrzcie na wynik, który dostaję. To nie kwestia mojego promptowania — to model, który nie jest w stanie wykonać tej pracy”.
Gdy prowadzisz mały biznes lub zespół
Jeśli prowadzisz mały biznes albo masz mały zespół, masz nieco więcej elastyczności — i powinieneś dużo myśleć o tym, ile energii wkładasz w pracę, żeby dojść do wyników naprawdę wysokiej jakości dla klientów. Twoja zdolność zaspokajania potrzeb klientów i skalowania jest funkcją tego, jak sprawnie twój zespół potrafi pracować z modelami.
Zapytaj więc sam siebie: czy chcesz systemu routującego między dwudziestoma modelami, czy raczej wybrać pięć powracających artefaktów najważniejszych dla klientów i poprowadzić prostą linię do wartości — tak, by wygenerowanie tego artefaktu z pomocą AI było jak najczystsze i najprostsze? Tak o tym myślę. Jaki jest najprostszy sposób, żeby przygotować brief do sprawy? Jaki jest najprostszy sposób, żeby ten kod trafił przed klienta? Jak najczyściej zaprezentować ten PowerPoint? Jako właściciel małego biznesu powinieneś mieć swobodę doboru zestawu modeli, który działa dla ciebie, nie przytłaczając zespołu.
Kiedy wchodzą modele wyspecjalizowane
Tu zaczynają grać specjaliści. Jeśli nieustannie robisz reklamy, miniatury albo makiety, pojawiają się nazwy takie jak Flux, Z-image i Grok image. Nie musisz znać tych nazw pierwszego dnia — musisz znać zadanie. „Potrzebuję obrazów, referencji, lokalnej kontroli i tanich API, żeby nie przepalać tokenów, bo to ciężka część mojego biznesu” — i od tego dochodzisz do nazwy modelu.
Z wideo działa ta sama logika. Lokalne narzędzie jak LTX ma znaczenie, gdy chcesz lokalnych iteracji; wysokiej klasy model API jak Seed Dance — gdy poprzeczka jakości jest bardzo wysoko; tani szlak API jak Grok — gdy chodzi o szybkie i jednorazowe klipy. Lepsze pytanie brzmi: jaki rodzaj wideo robisz i jaka jest najszybsza, najprostsza droga do wartości dla klienta?
Ta sama logika dotyczy informacji na żywo. Jeśli praca zależy od bieżących informacji z sieci, spróbuj Grok do żywych postów na X. X wypuścił niedawno API, które każdy może podpiąć pod dowolny model AI, ale to sprawa z ostatnich kilku dni — trzeba zobaczyć, jak dobra. Sedno jest takie: musisz zobaczyć wartość dla klienta, którą chcesz stworzyć, spojrzeć, jak model musi przetwarzać pliki lub żywą sieć, by tę wartość dostarczyć, i zapytać: jaka jest najprostsza możliwa droga do tej wartości?
Czasem prawdziwym blokerem nie jest model, tylko to, że zespół nie jest wystarczająco biegły w AI — i nie da się użyć specjalisty jak Seed Dance, bo zespół nie jest gotowy. Wtedy trzeba uprościć stos do samego, na przykład, Claude’a, bo szersza paleta zespół tylko przytłoczy. To są uczciwe kompromisy, o których liderzy zespołów powinni myśleć i rozmawiać.
Czego uczą historie migracji dużych firm
Tu przydają się historie migracji. Lindy przenosi poważny ruch na DeepSeek, bo widzi oszczędności. Cursor budował na Kimi i znów przeszedł na model wstępnie trenowany dla oszczędności. Coinbase zwiększa zużycie tokenów, jednocześnie tnąc koszty dzięki sprytnemu routowaniu do open source’owych routerów jak GLM i Kimi. Shopify i Airbnb idą w routing w stylu Qwena, bo ich zapytania trafiają tam skutecznie. Microsoft testuje architekturę w stylu DeepSeek.
Te wielkie firmy odkrywają dwie rzeczy: po pierwsze, nie należy rzucać się na jeden model uniwersalny; po drugie, trzeba myśleć o najprostszej ścieżce od aplikacji do wartości przy danym rodzaju inteligencji. Nie bój się Claude’a. Nie bój się Codeksa. To fantastyczne modele.
Harness liczy się tak samo jak inteligencja
Musimy dojść do świata, w którym prowadzisz znacznie bardziej wielowymiarową rozmowę o kompromisach między modelami. Celem tego filmu jest wyposażyć cię, byś sam potrafił ten kompromis rozstrzygnąć. Nie powiem ci: „zawsze używaj Qwena”, „zawsze Kimi”, „zawsze GLM”, „zawsze Claude Opus 4.8”. Nie ma jednej prostej odpowiedzi. Mogę ci powiedzieć, że droga do właściwego modelu prowadzi przez twoją pracę — przez to, czego od modelu potrzebujesz — oraz przez twoją zdolność do sprawnego wprowadzania i wyprowadzania pracy do i z tego modelu. To prawda, czy jesteś jednostką, liderem zespołu, czy firmą.
Streszczając: jeśli to zadanie ze środka rozkładu — czyli dość proste, dla którego w sieci jest mnóstwo przykładów, które model już widział — GLM 5.2 spisze się świetnie, w niektórych przypadkach lepiej niż Claude. Jeśli to zadanie dziwne, niestandardowe, wymagające inteligencji ogólnej — nie ma dziś substytutu dla modelu frontierowego. Nie zastąpisz Claude’a ani ChatGPT 5.5 czy 5.6 (jeśli uda ci się do niego dostać), gdy mierzysz się z trudnym, ogólnym zadaniem.
Drugim czynnikiem komplikującym jest to, o czym wciąż przypominam: musisz myśleć, jak wprowadzić i wyprowadzić pracę z tej inteligencji. To po części dlatego mniej mówiłem ostatnio o Gemini. Wprowadzanie i wyprowadzanie pracy z Gemini jest — jak zauważam nie tylko ja, ale wielu innych — niepotrzebnie trudne. Harness Gemini nie jest mocny przy wyprowadzaniu pracy, choć inteligencja Gemini jest silna. To solidny model bez świetnego harnessu.
I właśnie tu widzę mnóstwo ruchu ze strony chińskich modeli open source — i spodziewam się więcej wkrótce. Widzą sukces Claude Code i Codeksa. Nie bez powodu wypuścili GLM 5.2 razem z Z.ai jako harnessem. Spodziewaj się w najbliższych miesiącach więcej pracy nad harnessami w modelach open source, nawet gdy twórcy modeli zamkniętych dalej ulepszają swoje.
Pięć zasad na drogę
Przekaz jest prosty. Oto kilka reguł:
- Nie kopiuj po prostu tego, co robi ktoś inny — także mnie. Nie kopiuj ludzi bezmyślnie.
- Pytaj siebie, jak trudna jest praca, a nie tylko ile jej masz do zrobienia. O to w dużej mierze toczy się rozmowa wokół GLM: czy to trudna praca, czy praca, którą po prostu trzeba odhaczyć.
- Umiej ocenić, czy wynik jest dobry. Tak, to ewaluacje — ale też zwykły „test węchu”: spojrzeć i powiedzieć, czy to naprawdę akceptowalne.
- Zadbaj, żeby sam wybór modelu nie stał się pracą. Dlatego wciąż podkreślam uproszczenie: ustal, jaka jest końcowa wartość dla użytkownika, znajdź najprostszą drogę, by ją dostarczyć — i po prostu to zrób.
- Nie wybieraj zbyt wielu modeli. Podałem ci w tym filmie z pół tuzina nazw albo więcej, ale prawdopodobnie nie potrzebujesz aż tylu, żeby wykonać swoją pracę.
Żeby to ułatwić — napisz w komentarzu, co zwykle robisz i jakiego modelu używasz. Rozpocznijmy tę rozmowę jako społeczność. Wybiorę część komentarzy i wykorzystam je do omówienia konkretnych zastosowań modeli w przyszłym filmie. Subskrybuj po więcej. Mam nadzieję, że to było przydatne i pomogło przebić się przez szum — a szumu jest naprawdę mnóstwo.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zaczynaj od zadania, nie od nazwy modelu
Na czym polega: Zanim wybierzesz model, opisz konkretnie, co ma zrobić: kodować, robić PowerPointy, syntetyzować chaotyczne źródła. Pytania o naturę pracy ważą więcej niż karta modelu.
Jak stosować: Wypisz swoje najczęstsze zadania i przypisz do każdego wymagany typ inteligencji, dopiero potem dopasuj model. Wybieraj „od pracy do modelu”, nie odwrotnie.
Na co uważać: Łatwo dać się uwieść benchmarkom i hype’owi. Wysoki wynik na teście, który nie odzwierciedla twojej pracy, jest bezwartościowy.
2.Nie przywiązuj się do jednego modelu — posiadaj harness
Na czym polega: 18-dniowa blokada Fable pokazała, że model, na którym budujesz, może zniknąć. Firmy z własnym harnessem po prostu przeroutowały ruch i pracowały dalej.
Jak stosować: Buduj procesy tak, by dało się podmienić model bez przepisywania wszystkiego — warstwa narzędziowa i integracje powinny być niezależne od konkretnego dostawcy.
Na co uważać: Wygoda „wszystko w jednym” dostawcy tworzy uzależnienie (lock-in). Sprawdź, jak trudno byłoby ci przełączyć się na inny model w razie awarii lub podwyżki cen.
3.Rozróżniaj pracę „ze środka rozkładu” od problemów granicznych
Na czym polega: Zadania typowe i powtarzalne (znane kształty, łatwa weryfikacja) to co innego niż zadania dziwne, wymagające gustu i odkrywania kształtu nowego problemu.
Jak stosować: Do pierwszej kategorii sięgaj po tani, mocny model (GLM 5.2); do drugiej po model frontierowy (Claude, ChatGPT). Zadaj sobie pytanie: „czy to trudna praca, czy praca, którą trzeba tylko odhaczyć?”
Na co uważać: Ludzie źle szacują złożoność z góry. Coś, co wygląda na proste, może wymagać ogólnej inteligencji — nie oszczędzaj kosztem trafności tam, gdzie liczy się osąd.
4.Do zadań typowych rozważ tani model open source (GLM 5.2)
Na czym polega: GLM 5.2 dobrze radzi sobie ze zwykłymi PowerPointami, landing page’ami, notatkami, porządkowaniem CRM i powtarzalnym kodem — czasem lepiej niż Claude, a taniej.
Jak stosować: Zidentyfikuj powtarzalne artefakty produkowane pod presją czasu i przenieś je na tani model z dobrym harnessem (np. Z.AI dla GLM).
Na co uważać: Rozmowa o GLM jest mocno „kodowa”, bo kod łatwo mierzyć — nie zapomnij przetestować go też na zadaniach niekodowych. I zawsze sprawdź jakość, zanim zaufasz mu produkcyjnie.
5.Do zadań granicznych nie ma substytutu dla modelu frontierowego
Na czym polega: Przy chaotycznych źródłach, trudnych decyzjach i nowych typach problemów potrzebujesz najszerszej, najsilniejszej generalizacji (Claude, ChatGPT 5.5/5.6).
Jak stosować: Tam, gdzie liczy się twój gust i trafność, nie optymalizuj kosztu — użyj najlepszego dostępnego modelu i harnessu, który utrzyma kontekst razem.
Na co uważać: Kuszące jest zaoszczędzenie także tutaj. Tani model na trudnym, nietypowym zadaniu da wynik pozornie gotowy, ale merytorycznie chybiony.
6.Harness liczy się tak samo jak inteligencja modelu
Na czym polega: Łatwość wprowadzania i wyprowadzania pracy bywa ważniejsza niż sama „inteligencja”. Gemini to silny model ze słabym harnessem — stąd autor mówi o nim mniej.
Jak stosować: Oceniaj model razem z jego otoczką narzędziową. Wybierz harness, który pomaga pracować, a nie rozprasza (Codex, Claude Code, Z.AI dla GLM).
Na co uważać: Świetny model za niewygodnym interfejsem realnie spowalnia pracę. Nie patrz wyłącznie na wyniki inteligencji — testuj cały przepływ pracy.
7.Zawsze testuj model na własnych danych, zanim go zatwierdzisz
Na czym polega: Kandydata na codzienny model roboczy trzeba „zabrać na przejażdżkę” — przepuścić przez realne arkusze, PDF-y, dokumenty, kod, na których ci zależy.
Jak stosować: Zbuduj mały zestaw własnych, reprezentatywnych zadań i przepuść przez nie każdy rozważany model, zanim ogłosisz go swoim domyślnym.
Na co uważać: Nie ufaj deklaracjom ani cudzym rekomendacjom bez własnego testu. Dopiero wykonanie zadania pokazuje jego prawdziwą złożoność.
8.Dopasuj strategię do swojej roli
Na czym polega: Pracownik firmy filtruje przez uprawnienia, właściciel małego biznesu ma elastyczność i powinien upraszczać wokół 5 kluczowych artefaktów, lider zespołu waży gotowość zespołu do AI.
Jak stosować: Jako pracownik — testuj dostępne modele i eskaluj do IT, gdy model realnie nie daje rady (to nie kwestia promptu). Jako właściciel — narysuj prostą linię od artefaktu do wartości dla klienta. Jako lider — nie przytłaczaj zespołu paletą narzędzi, na którą nie jest gotowy.
Na co uważać: System routujący między dwudziestoma modelami może zabić produktywność zespołu. Czasem lepiej uprościć stos do jednego–dwóch modeli.
9.Sięgaj po specjalistów tylko tam, gdzie to serce biznesu
Na czym polega: Do obrazów (Flux, Z-image, Grok), wideo (LTX lokalnie, Seed Dance przy wysokiej jakości, Grok do szybkich klipów) i informacji na żywo (Grok, nowe API X) używaj wyspecjalizowanych modeli, gdy dana praca to ciężka część działalności.
Jak stosować: Najpierw nazwij zadanie i ograniczenia (lokalna kontrola, tanie API, koszt tokenów), a dopiero z nich wyprowadź nazwę modelu.
Na co uważać: Nie musisz znać tych nazw od pierwszego dnia i nie wprowadzaj specjalisty, jeśli zespół nie jest gotowy — dołożenie narzędzi może przynieść więcej chaosu niż wartości.
10.Nie kopiuj innych i nie wybieraj zbyt wielu modeli
Na czym polega: Pięć reguł: nie kopiuj cudzych wyborów (także autora), pytaj o trudność a nie ilość pracy, umiej ocenić jakość (ewaluacje + „test węchu”), nie rób z wyboru modelu osobnej pracy i ogranicz liczbę modeli.
Jak stosować: Zredukuj stos do minimum, które realnie wykonuje twoją pracę. Ustal końcową wartość dla użytkownika, znajdź najprostszą drogę do niej i po prostu ją zrealizuj.
Na co uważać: Nawet pół tuzina nazw z tego materiału to prawdopodobnie za dużo. Rozbudowany routing i ciągłe przełączanie modeli same stają się „drugą pracą”, która odciąga od tworzenia wartości.