O czym jest ten film
- Najmocniejszy model na rynku (Fable 5) kosztuje ok. 50 dolarów za milion tokenów, podczas gdy tańsza alternatywa to ok. 4 dolary — różnica dziesięciokrotna.
- Kluczowe pytanie nie brzmi „czy droższy model jest lepszy”, tylko „czy jest dziesięć razy inteligentniejszy” — a nie jest.
- Przewaga inteligencji jest realna, ale to nie dziesięciokrotna przepaść, tylko „trochę więcej” za dziesięciokrotną cenę.
- Istnieją nieliczne scenariusze (np. szukanie trudnych do wykrycia podatności), w których ta dodatkowa inteligencja naprawdę popłaca.
- W większości zadań lepiej użyć tańszego modelu, rozbić pracę na mniejsze części i zaoszczędzić ogromne pieniądze.
- Poza kosztem autor podnosi kwestię prywatności — drogi model oznacza oddanie swoich danych i trenowanie na twojej pracy.
- Właściwe pytanie brzmi: „jak użyć modelu najrzadziej jak się da, dla maksymalnego efektu” — a nie używać go w kółko, na ślepo.
- Potrzebny jest router, który dobiera odpowiedni model do odpowiedniego zadania (planowanie, review, pisanie kodu, testy UI to różne zadania).
- Autor otwarcie deklaruje sprzeciw wobec firmy stojącej za drogim modelem — zarzuca jej kampanię przeciw open source i budowanie „trzech klas obywateli” AI.
- Wniosek: miej własną strategię korzystania z modeli; jeśli jej nie masz, to firma AI „atakuje twoje konto bankowe”.
Redakcyjne tłumaczenie
(Informacja dodatkowa: prelegent posługuje się nieco umownymi nazwami. „Fable 5” to najmocniejszy, najdroższy model frontierowy; „GLM 5.2” to tania, otwarta alternatywa; „GPT 5.5” to konkurent ze średniej półki cenowej. „Entropic / Antropic” to firma stojąca za drogim modelem. Automatyczny transkrypt zniekształca ceny — z tytułu i logiki wynika, że chodzi o ok. 50 dol. kontra ok. 4–4,50 dol. za milion tokenów.)
Wróciła najmocniejsza opcja — ale za jaką cenę
Fable 5 jest z powrotem. Możemy go używać. Nie krępuje nas już rząd USA, dyktując, co wolno, a czego nie. Za to możemy wreszcie oddać wszystkie nasze dane firmie, żeby sprawdzała, co robimy, i pilnowała, czy jesteśmy porządnymi obywatelami.
Dobrze — Fable 5 jest świetny. To niesamowity model, prawdopodobnie najpotężniejszy, jaki istnieje. Ale kosztuje: około 50 dolarów za milion tokenów. Tańsza alternatywa, GLM 5.2, to jakieś 4,50 dolara za milion tokenów. To znaczy, że za te same pieniądze możemy zrobić dziesięć razy więcej — w sensie liczby tokenów.
Dziesięciokrotna cena, ale nie dziesięciokrotna inteligencja
Różnica polega na inteligencji przypadającej na token. I tu pada pytanie: czy droższy model jest dziesięć razy inteligentniejszy? Mówię wam, że nie. Owszem, są scenariusze — naprawdę nieliczne — w których potrzebujesz właśnie takiej inteligencji, żeby rozwiązać konkretny, trudny problem. Ale w pozostałych przypadkach nie ma sensu płacić dziesięciokrotnie więcej za odrobinę większą inteligencję.
Ta „odrobina” to nadal poważna różnica — nie chodzi o to, że jej nie ma. Chodzi o to, że jest to poważna różnica, ale nie dziesięciokrotna.
Dwie strategie, dwa rachunki
Wyobraźmy sobie, że karmimy Fable 5 potężnym, świetnie przygotowanym promptem. Bum — jednym strzałem osiąga 80–90 procent tego, czego chcieliśmy. Rewelacja. Pozwalamy modelowi pracować i dostajemy coś znakomitego. Zostaje ostatnie 10–20 procent — jak zawsze najtrudniejsze do dopracowania, do wyszlifowania szczegółów. Wydajesz jeszcze kilka tysięcy i dochodzisz do celu.
Masz jednak drugą opcję: użyć GLM 5.2 za około 4,40 dolara za milion tokenów i prowadzić z tym modelem dużo więcej interakcji. Zamiast puszczać go w pełni autonomicznie, zamiast rzucać jednym gigantycznym promptem, któremu i tak nie podoła, projektujesz pracę jako serię mniejszych zadań — i oszczędzasz absurdalne pieniądze.
W większości scenariuszy taka inteligencja w takiej cenie nie ma sensu. Kiedy ma? Kiedy masz podatność — coś naprawdę trudnego do wykrycia. Wtedy wyższa inteligencja ma większą szansę to dostrzec niż niższa. Jeśli dasz Fable 5 zadanie, żeby przeczesał twoje oprogramowanie i poszukał luk bezpieczeństwa, masz większe szanse je znaleźć. To cena warta zapłacenia. Ale przez większość czasu, w pozostałej pracy — szczerze, nie ma to większego sensu.
Cena to nie wszystko — jest jeszcze prywatność
Nie ma sensu z dwóch powodów: koszt i prywatność, której w ogóle nie dostajesz. Oni po prostu patrzą w twoje dane i sprawdzają, czy nie jesteś przestępcą, co robisz z tym modelem. Będą trenować na twojej pracy, cokolwiek robisz. To się nie opłaca. Tak to widzę.
Możesz mieć inne zdanie. Może chętnie oddasz wszystkie prywatne dane tej firmie — bez oceniania, robisz swoje. Ale koszt jest realny. Jeśli porównasz to z GPT 5.5, które kosztuje 30 dolarów za milion tokenów, to owszem — jest taniej, prawie o połowę, ale to nie jest aż tak wielka przepaść. Jeśli i tak przywykłeś płacić premium za takie tokeny, poczujesz, że to tylko trochę więcej, a dostajesz sporo więcej inteligencji.
Właściwe pytanie: jak użyć modelu jak najrzadziej
Robi się jasne, że zamiast mówić modelowi „tak” albo „nie”, powinniśmy zacząć pytać samych siebie: jak mogę użyć go możliwie najmniej dla maksymalnego efektu? Oto strategia. Nie chodzi o nadużywanie. Nie o używanie na ślepo. Nie o zadanie w harmonogramie, które co jakiś czas odpala model tylko po to, żeby sprawdzić, czy nie ma jakichś problemów w oprogramowaniu. To powinno być uruchamiane na żądanie.
Weźmy podatności. Możesz zaplanować ich sprawdzanie od czasu do czasu, ale robisz to tylko wtedy, gdy zmieniłeś kod. W przeciwnym razie sprawdzasz to samo raz za razem — a jeśli model nie zobaczył luki za pierwszym razem, to za drugim to już czysty przypadek. To znaczy, że prompt wejściowy nie był dość dobry — nie skierował uwagi we właściwą stronę albo nie miał dość precyzji, żeby dostrzec problem. Uruchamiasz raz i jeśli nic nie znajduje, to znaczy, że dla tego modelu nie ma tam nic do znalezienia. Zmieniasz kod — i wtedy możesz odpalić ponownie. Może przepuścisz całość jeszcze raz, jeśli chcesz sprawdzić, czy twoja zmiana nie stworzyła jakiejś podatności. Ale tak się pracuje. Nie tak, że co dziesięć minut robisz to samo sprawdzenie — to tylko spala pieniądze.
Potrzebujemy routera dobierającego model do zadania
Strategia brzmi: używać jak najmniej. Czego więc naprawdę potrzebujemy? Routera, który pozwala znaleźć właściwy model do właściwego zadania. Każdy z nas powinien mieć jakiś sposób wybierania, którego modelu chce do konkretnego zadania.
Planowanie to jeden rodzaj zadania. Code review to inny. Pisanie kodu to jeszcze inny. Testowanie interfejsu UI/UX — realne klikanie w przyciski — to kolejny. Zadań jest mnóstwo i przy każdym możemy zapytać: który model jest do tego najlepszy? Do tego dochodzi strategia: czy lepiej wygenerować cały, ogromny fragment kodu jednym strzałem, czy podzielić kod na części i pozwolić mniejszym modelom pracować jak rój — atakować kod z różnych stron i doprowadzać go do końca.
Czy zawsze lepiej używać najpotężniejszego modelu? Tak, oczywiście — więcej inteligencji zawsze jest lepsze. Naprawdę niewiele jest sytuacji, w których chciałbyś być mniej inteligentny. Ale ponieważ w grę wchodzą pieniądze, czas i prywatność, wszystko sprowadza się do znalezienia strategii. Każdy musi mieć własną. A jeśli jej nie masz — to strategia jest prosta: to firma AI atakuje twoje konto bankowe. Znajdź więc sposób, żeby nadać wartość tym tokenom, jeśli musisz ich używać.
Dlaczego autor sam z tego nie korzysta
Osobiście nie zamierzam tego używać. Jeśli śledzisz ten kanał, wiesz, że nie zgadzam się z tą firmą. Powiem dlaczego — dla jasności.
Po pierwsze, firma prowadzi kampanię przeciwko modelom open source. Buduje infrastrukturę, w której ludzie z odpowiednimi koneksjami i odpowiednimi pieniędzmi mają dostęp do najpotężniejszej AI. Dalej są ludzie, których stać na dostęp do pozostałych modeli frontierowych. A na końcu są ludzie bez pieniędzy, którzy — w tej wizji — nie powinni mieć żadnej AI, bo open source im się nie należy. To jest idea, którą budują.
Trzy klasy obywateli: masz pieniądze — masz dostęp; masz koneksje — masz dostęp uprzywilejowany; nie masz pieniędzy albo nie chcesz, żeby trenowano na twoich danych i podglądano twoją pracę, chcesz zachować prywatność — nie masz nic. Nic. To właśnie budują. I dlatego nie mogę stać po stronie takiej firmy ani jej wspierać.
Sterowanie strachem
Przy okazji tego wydarzenia zobaczyliśmy wyraźnie, że kłamali. „To takie niebezpieczne, takie potężne, że nas hakuje”. Pamiętam te tweety wychodzące od zespołu — że próbowali zamknąć model w klatce, a on z niej uciekł. Że robił niesamowitą pracę, ale był tak groźny, że w końcu udało się go opanować.
Sterowanie narracją przez strach jest… nie mam nawet słów. Mam słowa, ale nie chcę ich użyć, bo są niegrzeczne. Kontrolowanie narracji strachem i próba budowania trzech klas obywateli — to po prostu za mało. Więc przepraszam, ale nie.
Nie chodzi o purytanizm, tylko o własny kompas
Chcę być jasny: jestem przeciwny tej firmie, ale jestem też przeciwny drugiej dużej firmie i wielu innym. Rzecz w tym, że w tym momencie historii nie chodzi o bycie purystą. Chodzi o to, żeby rozumieć, kim jesteś, dokąd zmierzasz, i wykorzystywać to, co masz dostępne — z przejrzystością i jasnością co do tego, co robisz — by osiągnąć swój cel. Cel, który, miejmy nadzieję, wspiera jakąś wspólnotę.
Mówię to, bo niemal każde nasze działanie jest w jakiś sposób powiązane z czymś, czego nie lubimy — z jakimś wydarzeniem, firmą, czymkolwiek. Nie da się być nieskazitelnie dobrym we wszystkim. Gdy tylko czegoś dotkniesz, gdy tylko wejdziesz w interakcję z życiem, coś się psuje, coś jest niemiłe, coś robi się zagmatwane. Ale masz własny kompas — podążaj za nim i staraj się robić najlepiej, jak potrafisz. Nie osądzajmy się za to, że się poruszamy i popełniamy błędy. Upewnijmy się tylko, że stale stajemy się coraz lepsi.
Dziś mówię więc temu modelowi „nie”. Może kiedyś znajdę powód, żeby go użyć — i nigdy nie będzie nim „jestem leniwy” ani „mam to gdzieś”. Będzie nim to, że potrzebuję czegoś, co odblokuje wartość wyższą niż to, co oddaję. Myśl w tych kategoriach.
Zakończenie i zaproszenie
Jeśli tobie to pasuje — zostań przy tej firmie i używaj tego modelu. Uczyń tę firmę bogatą i wspieraj tworzenie trzech klas ludzi. Ale jeśli znajdziesz lepszą drogę, warto ją rozważyć i zbadać — a potem wyrobić sobie własne zdanie. Nie bądź leniwy i nie idź ślepo za tą firmą, bo niestety nie jest dobra. Nie jest jedyna — ale to ta, która najbardziej lubi kontrolować nas strachem i tym marketingowym pomysłem: „najpotężniejszy model, aż nie do wiary — właściwie nie możesz go nawet używać, bo jest zbyt potężny”.
Jeśli lubisz tego rodzaju treści, zostaw łapkę i subskrypcję, napisz komentarz. Daj znać, co robisz i jakie decyzje podejmujesz. Istnieje społeczność o nazwie Resonant D — jesteśmy „augmentatystami”. Budujemy własny system oparty na idei pełnej suwerenności: prywatność, maksymalna kontrola i to, że jesteśmy właścicielami tego, co tworzymy — a tworzymy to wspólnie. Jeśli chcesz dołączyć do tego ruchu, wejdź na Discorda (link w opisie) i odezwij się.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Płać za inteligencję, nie za prestiż
Na czym polega: Najdroższy model kosztuje dziesięć razy więcej niż tania alternatywa, ale nie jest dziesięć razy „mądrzejszy” — dostajesz odrobinę więcej za dziesięciokrotną cenę.
Jak stosować: Zanim wybierzesz najmocniejszy model, zapytaj nie „czy jest lepszy”, tylko „czy jest o tyle lepszy, że uzasadnia różnicę kosztu przy tym konkretnym zadaniu”.
Na co uważać: „Trochę więcej inteligencji” bywa mimo to poważną różnicą jakości — nie zakładaj automatycznie, że tańszy model wystarczy do zadań krytycznych.
2.Rozbijaj zadanie zamiast płacić za autonomię
Na czym polega: Drogi model potrafi jednym gigantycznym promptem zrobić 80–90 procent pracy, ale dopracowanie ostatnich 10–20 procent kosztuje krocie. Tańszy model daje ten sam efekt, jeśli zaprojektujesz pracę jako serię mniejszych kroków.
Jak stosować: Architektuj problem na mniejsze, dobrze zdefiniowane zadania i prowadź z tańszym modelem więcej krótkich interakcji zamiast jednego dużego strzału.
Na co uważać: To wymaga twojej pracy koncepcyjnej — złe rozbicie zadania przerzuca koszt z tokenów na twój czas i może dać gorszy wynik niż jeden dobry prompt.
3.Drogą inteligencję rezerwuj na problemy trudne do wykrycia
Na czym polega: Najmocniejszy model realnie wygrywa tam, gdzie trzeba dostrzec coś ukrytego — np. trudną podatność bezpieczeństwa, której słabszy model nie zauważy.
Jak stosować: Wyznacz wąską listę zadań „wysokiej inteligencji” (audyt bezpieczeństwa, wyłapywanie subtelnych błędów) i tylko do nich sięgaj po najdroższy model.
Na co uważać: Jeśli model nie znalazł problemu za pierwszym, dobrze skierowanym uruchomieniem, kolejne przebiegi na tym samym kodzie to już loteria — nie licz, że powtarzanie samo z siebie coś wykryje.
4.Uruchamiaj na żądanie, nie w pętli
Na czym polega: Cykliczne zadanie, które co jakiś czas odpala drogi model „na wszelki wypadek”, tylko spala pieniądze bez nowej wartości.
Jak stosować: Sprawdzenia (np. skan podatności) uruchamiaj po zmianie kodu, a nie na sztywnym harmonogramie co kilka minut.
Na co uważać: „Na żądanie” nie znaczy „nigdy” — po istotnej zmianie warto puścić całościowy przebieg, by sprawdzić, czy twoja modyfikacja nie wprowadziła nowego problemu.
5.Dobry prompt = dobry kierunek, nie więcej przebiegów
Na czym polega: Jeśli model niczego nie znajduje, częściej winny jest prompt, który nie skierował uwagi we właściwą stronę lub był mało precyzyjny, niż sam model.
Jak stosować: Traktuj brak wyniku jako sygnał do poprawy promptu (precyzja, kierunek poszukiwań), a nie do mnożenia identycznych uruchomień.
Na co uważać: Nie wpadnij w drugą skrajność — nadmiernie „naprowadzający” prompt może zawęzić pole widzenia modelu i przeoczyć problemy poza wyznaczonym torem.
6.Zbuduj sobie router modeli według zadań
Na czym polega: Planowanie, code review, pisanie kodu i testowanie interfejsu to różne zadania — do każdego może pasować inny model.
Jak stosować: Zdefiniuj mapę „typ zadania → model” i świadomie kieruj każdą pracę do właściwego, zamiast używać jednego modelu do wszystkiego.
Na co uważać: Utrzymanie takiego routingu to koszt — zbyt drobiazgowy podział może być bardziej kłopotliwy niż oszczędności, które przynosi.
7.Rozważ rój małych modeli zamiast jednego dużego strzału
Na czym polega: Zamiast generować cały kod jednym potężnym modelem, można podzielić go na części i pozwolić mniejszym modelom pracować równolegle, atakując problem z różnych stron.
Jak stosować: Przy większych zadaniach testuj podejście „swarm” — dziel pracę na moduły przydzielane tańszym modelom i składaj wyniki.
Na co uważać: Podział rodzi problem spójności i integracji — części muszą do siebie pasować, a koordynacja bywa trudniejsza niż jeden spójny wynik.
8.Wlicz prywatność w rachunek kosztów
Na czym polega: Korzystanie z chmurowego modelu frontierowego oznacza, że twoje dane są przeglądane i mogą posłużyć do trenowania — to realny koszt obok ceny tokenów.
Jak stosować: Przy wrażliwych projektach traktuj prywatność jako osobne kryterium wyboru i rozważ modele otwarte lub uruchamiane lokalnie.
Na co uważać: Autor łączy to z ostrą krytyką konkretnej firmy — oddziel weryfikowalny fakt (polityka danych) od jego opinii i sprawdź aktualne warunki dostawcy sam.
9.Miej własną strategię — inaczej płacisz cudzą
Na czym polega: Bez świadomej strategii korzystania z modeli domyślnie „firma AI atakuje twoje konto bankowe”, bo używasz drogiego narzędzia bezrefleksyjnie.
Jak stosować: Ustal własne zasady: kiedy sięgasz po drogi model, kiedy po tani, jak mierzysz wartość względem kosztu tokenów.
Na co uważać: Strategia nie może opierać się na „bo mi się nie chce” — uzasadnieniem użycia droższego modelu powinno być odblokowanie wartości wyższej niż to, co oddajesz.
10.Wybieraj świadomie, bez purytanizmu i bez lenistwa
Na czym polega: Autor zachęca, by nie iść ślepo za żadną firmą, ale też nie udawać, że da się być „czystym” — chodzi o świadomy wybór zgodny z własnym kompasem i celem.
Jak stosować: Zamiast odruchowego „tak/nie” wobec modelu, oceniaj każde narzędzie pod kątem tego, kim jesteś, dokąd zmierzasz i co realnie zyskujesz.
Na co uważać: To mocno światopoglądowa część materiału — traktuj deklaracje o „trzech klasach obywateli” czy „sterowaniu strachem” jako opinię prelegenta, a nie ustalony fakt, i wyrób sobie własne zdanie.