O czym jest ten film
- Narzędzia AI są coraz lepsze i coraz tańsze, a mimo to efekty pracy wszystkich zaczynają wyglądać podobnie — bo tania egzekucja staje się towarem masowym.
- Kiedy wykonanie zadania tanieje, wartość nie znika — przenosi się gdzie indziej. Autor pokazuje dokładnie dokąd.
- Eksperyment Mitchella Hashimoto: przy typowych zadaniach tani model wypada tak samo dobrze jak drogi model frontierowy — różnica to tylko cena.
- Prawdziwa różnica pojawia się dopiero przy zadaniu, którego tanie modele w ogóle nie potrafią udźwignąć — i którego nikt nie miał na żadnej liście.
- Sufitem wartości AI nie jest model ani cena, tylko wielkość Twojej listy rzeczy, o które potrafisz poprosić — czyli wyobraźnia.
- Egzekucję warto przekierowywać na tanie modele — to jednak dopiero „stawka wejściowa”, którą będzie mieć każdy konkurent.
- Wyobraźnia, o której mowa, nie jest darem artysty — to techniczna i biznesowa intuicja wynikająca z tysięcy godzin dotykania modeli.
- Analogie: BlackBerry vs Apple oraz elektryfikacja fabryk — nowa technologia daje zysk dopiero, gdy przeprojektujemy „budynek”, a nie doczepimy jej do starego układu.
- Przykłady realnego zastosowania: hipertargetowany marketing z analizą nasłonecznienia ganków oraz jednodniowa migracja 50 mln linii kodu w Stripe.
- Nie da się kupić wyjścia z tego problemu jednym „wizjonerem AI” — wyobraźnia zapala się tylko obok kontekstu, więc trzeba ją wytwarzać u ludzi, którzy ten kontekst już mają.
Redakcyjne tłumaczenie
Dziwne zjawisko: lepsze narzędzia, coraz bardziej podobne efekty
Dzieje się coś dziwnego, co mniej więcej w tym samym momencie zauważają wszyscy, którzy korzystają z AI. Narzędzia są coraz lepsze. Ceny wciąż spadają. Można wyprodukować więcej niż kiedykolwiek — a jednak wszystko zaczyna wyglądać tak samo. Twoje wyniki, wyniki Twojej konkurencji, połowa tego, co masz w feedzie — wszystko wydaje się bardzo podobne. Lepsze narzędzia, a efekty jak od sztancy.
To nie jest przypadek i — co ważne — nie jest to problem narzędziowy. Stało się coś konkretnego. AI sprawiło, że robienie rzeczy stało się tanie. A zawsze, gdy egzekucja tanieje, wartość nie znika — po prostu się przenosi. Pokażę Ci dokładnie, dokąd się przeniosła, na prawdziwej historii o inżynierze, czterdziestu dolarach i zadaniu, którego nie było na żadnej liście zadań na świecie. Pod koniec tego materiału będziesz wiedzieć, po której stronie tego przesunięcia się znajdujesz i jak przejść na właściwą.
Eksperyment Hashimoto, część pierwsza: remis taniego z drogim
Ustawmy scenę. Mitchell Hashimoto — współzałożyciel HashiCorp, twórca terminala Ghostty, jeden z najbardziej szanowanych dziś pracujących inżynierów.
(Informacja dodatkowa: HashiCorp to firma stojąca za popularnymi narzędziami dla programistów i zespołów infrastrukturalnych, m.in. Terraform i Vault. Ghostty to ceniony, nowoczesny emulator terminala jego autorstwa.)
Gdy pojawił się Fable 5 — obecny model frontierowy, ten, na którego cenę wszyscy narzekają — Hashimoto przez kilka dni testował go przeciwko tańszym modelom na zwyczajnej pracy. Zaimplementuj tę funkcję, zbuduj tamto — rzeczy, które każdy ma na swojej liście.
I szczerze mówiąc, wszystkie trzy testowane modele dały jednakowo akceptowalny efekt. Budżetowy model kosztował mniej niż dolara i skończył w kilka minut. GPT-5.5 — jakieś półtora dolara. A Fable 5 zajął 40 minut i kosztował 9 dolarów. Ta sama praca, ta sama jakość, dziewięciokrotnie drożej. Gdybyś zatrzymał się w tym miejscu, Fable 5 wyglądałby na naciąganie.
I wielu ludzi zatrzymuje się właśnie tutaj — bo ten wynik uruchomił tysiąc gorących komentarzy w stylu: „przekierowuj wszystko na tanie modele”. I wiesz co? Sporą część egzekucji faktycznie powinieneś kierować na tanie modele. To ma sens. Ale chcę zwrócić uwagę na coś, czego nikt nie mówi wystarczająco głośno — bo częścią mojej pracy jest patrzenie do przodu.
Kiedy wszyscy mówią to samo, zadaj inne pytanie
Gdy wszyscy w świecie AI mówią to samo w tym samym momencie — a teraz wszyscy mówią „przekierowuj na tańsze modele” — to właśnie wtedy zaczynam zadawać inne pytanie: dokąd przeniesie się wartość, kiedy już wszyscy to zrozumiemy?
Routing jest realny. I zaraz stanie się stawką wejściową — będą go mieli wszyscy. Egzekucja utowarawia się naprawdę szybko. Pytanie, które ma znaczenie, to nie to, na które cała branża odpowiada właśnie teraz. To pytanie ukryte w drugiej połowie eksperymentu Hashimoto.
Eksperyment, część druga: zadanie za 40 dolarów, którego nie było na żadnej liście
Bo Hashimoto przeprowadził jeszcze jeden test. Postawił przed modelem frontierowym problem, którego tanie modele w ogóle nie były w stanie tknąć: optymalizację paskudnego kawałka kodu systemowego, który sam napisał. Zajęło to dwie godziny, kosztowało 40 dolarów i osiągnęło poziom wydajności, którego — jak mówi sam Hashimoto, jeden z najlepszych inżynierów świata akurat w tej dziedzinie — nie byłby w stanie osiągnąć samodzielnie.
I to jest pytanie, z którym chcę, żebyś się zmierzył: kto zlecił to zadanie? Nie było go w backlogu. Nie było go w sprincie. Żaden product manager go nie priorytetyzował. Ono nie istniało jako zadanie, dopóki jeden człowiek — ekspert — nie nabrał podejrzenia, że coś nowego stało się możliwe, i nie wydał pieniędzy, żeby to sprawdzić.
Żaden proces nie generuje takiego zadania. Żaden przewodnik po najlepszych praktykach go nie zawiera. Ono bierze się skądinąd. AI potrafi wykonać tylko taką pracę, którą ktoś sobie wyobraził. Te tanie narzędzia do kodowania wykonują polecenia, ale nie decydują, co warto wykonać. A to znaczy, że sufitem wartości AI dla Ciebie nigdy nie był model, cena, pakiet promptów ani cokolwiek innego, na czym się opierasz w swoim harnessie. Tym sufitem jest wielkość Twojej listy rzeczy, o które potrafisz poprosić. To Twoja wyobraźnia.
To nie jest materiał o tym, że egzekucja nie ma znaczenia
Chcę być tu ostrożny, bo to nie jest film o tym, że egzekucja się nie liczy. Egzekucja liczy się ogromnie. To ona jest tym, co zostaje pomnożone przez wyobraźnię. Zadanie Hashimoto za 40 dolarów wciąż potrzebowało dwóch godzin pracy światowej klasy modelu, żeby stało się realne. Chodzi o to, co ustawia ten mnożnik.
Kierowanie egzekucji na tanie modele to mądry ruch i powinieneś go wykonywać agresywnie. To warstwa, w której możesz kontrolować koszty, wciąż je obniżać — i ta kontrola należy w całości do Ciebie. Właśnie dlatego Hashimoto w swoim pierwszym teście uruchomił przebieg na GLM 5.2 za mniej niż dolara. Błędem byłoby jednak traktowanie tej warstwy jako całej strategii.
Dźwignia bierze się z tego, co położysz na wierzchu silnej strategii egzekucji. Potrzebujesz precyzyjnego, chirurgicznego użycia modeli frontierowych do pytań, które zmieniają to, co warstwa egzekucji w ogóle buduje. Tania, otwarta egzekucja to świetny silnik. Frontierowa wyobraźnia to miejsce, z którego sterujesz samolotem. Potrzebujesz obu — one nie konkurują ze sobą. Im tańsza staje się warstwa egzekucji, im bardziej się utowarawia, tym cenniejsze staje się każde frontierowe pytanie postawione na wierzchu.
Dlaczego tani model remisuje z drogim — to fakt o zadaniu, nie o modelu
I to wyjaśnia dziwne zjawisko, które opisałem na początku. Spójrz jeszcze raz na pierwszą połowę eksperymentu Hashimoto. Tani model remisuje z drogim. To nie jest fakt o modelach. To fakt o zadaniu. „Zaimplementuj tę funkcję” to praca, o którą wszyscy już umieją poprosić. A praca, o którą wszyscy umieją poprosić, to dokładnie ten obszar, w którym modele się zbiegły. Dlatego model za dolara remisuje z modelem za dziewięć.
Teraz oddalmy obiektyw od modeli do ludzi. Prompty, których używamy, często są wspólne. Playbooki są często publiczne. Wielu z nas śledzi te same kanały o produktywności. Więc kiedy Ty i milion innych osób uruchamiacie te same zadania na tych samych narzędziach, oczywiście, że wyniki się zbiegną. I to jest w porządku, jeśli chcesz podobnej jakości za tanią cenę egzekucji. Ale to nie AI odpowiada za to, że nasze wyniki pracy są generyczne. AI po prostu ujawnia, że różnicowanie jest trudne — i że jest zadaniem ludzkim.
BlackBerry i Apple: wyobraźnia ustawia mnożnik
Już kiedyś obserwowaliśmy, jak ta sama dynamika rozstrzygała rynek. BlackBerry i Apple robiły smartfony i BlackBerry wykonywało swoje smartfony znakomicie. Miało najlepszą klawiaturę na świecie, najlepszą pocztę, najlepsze bezpieczeństwo — i pozycję lidera rynku na dowód. To, co zabiło BlackBerry, nie było porażką egzekucji. Firma znakomicie działała wewnątrz kategorii, którą wszyscy już sobie wyobrazili. Tymczasem Apple i Steve Jobs wyobrazili sobie inną odpowiedź na pytanie, czym w ogóle jest telefon — i tę odpowiedź zrealizowali.
Ta sama branża, porównywalny mięsień egzekucyjny — a mnożnik ustawiła wyobraźnia. Egzekucja jednej firmy okazała się warta sto razy tyle, co egzekucja drugiej. To jest ta rozbieżność i zaczyna się dokładnie tam, gdzie kończy się znana lista zadań egzekucyjnych. I tam wciąż rozdzielają się modele, a — co znacznie ważniejsze — tam rozdzielą się ludzie. Zadanie za 40 dolarów nie miało konkurencji. Nikt inny nie robił tego, co Hashimoto, bo nikt inny na to nie wpadł.
Test: czy Twoja lista zadań się zmieniła?
Oto test — działa dla osoby tak samo jak dla firmy. Czy Twoja lista zadań zmieniła się w ciągu ostatnich dwunastu miesięcy? W ciągu ostatnich sześciu? Trzech? Czy to, o co prosisz AI, przesunęło się? Czy może wykonujesz swoją starą listę szybciej i taniej, i nazywasz to „transformacją AI”?
Bo jeśli to wciąż stara lista, z Twoimi narzędziami nie ma nic złego. Masz niedobór wyobraźni — i będziesz wydawać mnóstwo pieniędzy na optymalizację egzekucji w utowarowionym rynku.
Wyobraźnia to nie dar artysty — to dotyk eksperta
Ale dobra wiadomość jest taka, że wyobraźnia to nie to, co myślisz — bo słowo „wyobraźnia” jest nadużywane. Brzmi jak dar, coś, co mają artyści, a analitycy nie. W historii za 40 dolarów nie działało nic takiego i nie to jest deficytowe. Hashimoto mógł postawić to pytanie, bo ma za sobą setki albo tysiące godzin wewnątrz tych modeli. Wie, gdzie przesunęła się granica możliwości — nie z wykresu benchmarków, lecz z instynktu, z dotyku.
Nie da się wyobrażać sobie zastosowań dla możliwości, których się nie dotknęło. Nikt nie wymyśli zastosowania dla narzędzia, o którym przeczytał tylko streszczenie. I to jest miejsce, w którym większość z nas po cichu sama się sabotuje. Wchodzimy w interakcję z AI, mając z tyłu głowy oszczędności albo gotową listę zadań, którą oczekujemy, że AI wykona. Zastanawiamy się, czy AI pomoże nam zrobić coś szybciej albo taniej. To jak kierowanie teleskopu w ziemię — celujemy w pracę, którą już mamy.
Pytania, które odkrywają nowe terytorium, są inne. Pytasz: „Co to potrafi zrobić, o co nigdy wcześniej nie mogłem nawet poprosić?”.
Przykład: hipertargetowany marketing zasilany przez Fable 5
Dam Ci prawdziwy przykład z Fable 5, który znalazłem na X i który uwielbiam. Możesz kazać Fable 5 użyć Google Maps i zmapować wszystkie ganki na danym obszarze geograficznym, które są niezacienione i mają pełne słońce przez cały dzień — na obszarze, gdzie średnia temperatura latem przekracza pewien próg. Kiedy to zrobisz, możesz następnie przejrzeć te nieruchomości, pobrać trójwymiarowy model budynku z Google Maps, a potem wysłać tym osobom spersonalizowaną kartkę z ofertą zadaszonego ganku — z konkretnymi danymi o ich ganku, ich sytuacji, konkretną wizualizacją tego, jak ich ganek by wyglądał po wybudowaniu. Wszystko to napędzane przez Fable 5.
A jeśli zastanawiasz się, czy część z tego da się wykonać tańszym modelem — to w stu procentach tak, gdy pomysł zostanie już przepracowany i sprototypowany na Fable 5. Ale połączenie tych wszystkich zadań, przepuszczenie ich przez Blender i inne narzędzia, zarządzanie całością i — co kluczowe — zdolność do jednoczesnego rozumowania przestrzennego i logicznego, a potem przełożenie tego na przepływ biznesowy z tabelą adresów: to jest przykład czegoś, co jako problem jest zorientowane biznesowo. Nie rozwiązujemy tu oderwanych od życia zagadek. To realnie trudny problem, który wcześniej nie byłby możliwy. Taki rodzaj marketingu potrafimy zrobić dopiero teraz — wcześniejsze wersje modeli po prostu Cię tam nie doprowadzą.
(Informacja dodatkowa: Blender to darmowe, otwarte oprogramowanie do modelowania i renderowania grafiki 3D.)
Kiedy już to sobie wyobrazisz, zobaczysz i wprowadzisz w ruch, możesz zacząć składać tańszy pipeline i przesuwać całość z frontiera w stronę czegoś prostszego. Na przykład wklejenie obrazu do mailingu nie wymaga modelu frontierowego. Ale sam pomysł, żeby to wszystko połączyć, zrobić pierwsze kilka domów, wejść w analizę tego, gdzie pada słońce, a gdzie cień — to jest robota dla modelu frontierowego. To jest coś, co wymaga wyobraźni. I nie chodzi o wyobraźnię do promptowania modelu — trudną częścią nie jest prompt. Chodzi o wyobraźnię, żeby powiedzieć: możliwy jest nowy rodzaj marketingu. Mogę być hipertargetowany, hiperkonkretny i hiperrelewantny dla moich klientów, jeśli użyję tego modelu do analizy, która wcześniej nigdy nie byłaby możliwa.
Uwielbiam ten przykład, bo — szczerze — sam przydałby mi się taki ganek. Ale uwielbiam go przede wszystkim dlatego, że pokazuje, dlaczego modele frontierowe mają znaczenie — i że mają je zwłaszcza tam, gdzie jeszcze w ogóle nie zobaczyliśmy wartości.
Dwuwarstwowy stos: egzekucja tanio, godziny na zwiad świadomie
Twoja osobista praktyka jest więc niemal krępująco prosta i idealnie układa się w dwuwarstwowy stos. Do codziennej egzekucji jak najbardziej używaj tanich modeli, optymalizuj do woli. To działa i na poziomie firmy, i na poziomie jednostki. Ale dokąd idą Twoje godziny na zwiad? Czy traktujesz zwiad poważnie? Czy zastanawiasz się, dokąd trafia Twój czas na wyobraźnię?
I pamiętaj: oba podane przeze mnie przykłady — Hashimoto oraz ten z analizą nasłonecznienia dla skomplikowanego marketingu — to nie są zadania na wyobraźnię typu artystycznego. To techniczne i biznesowe zadania wyobraźni, w których patrzymy na konkretny problem w nowy sposób, bo mamy w opuszkach palców świadomość tego, do czego zdolne są nowe modele.
Elektryfikacja fabryk: jednostką zmiany był budynek, nie silnik
Kiedy fabryki się elektryfikowały, technologia działała od pierwszego dnia. Ale wzrost produktywności przyszedł dopiero po dekadach, bo fabryki utrzymywały układ z epoki pary. Każda maszyna tłoczyła się wokół jednego centralnego wału napędowego, a fabryki po prostu przykręcały silnik elektryczny tam, gdzie kiedyś stała maszyna parowa. Ten sam budynek, nowe źródło zasilania — i prawie żadnego zysku. Zysk pojawił się, gdy nowe pokolenie menedżerów wykazało się techniczną wyobraźnią i przeprojektowało fabrykę wokół tego, co umożliwiają tanie, rozproszone silniki. Jednostką zmiany nie był silnik. Był nią budynek.
AI to ten sam rodzaj technologii i firmy robią ten sam ruch. Przykręcają ją do starego układu. Puszczają istniejącą listę zadań przez tańsze modele i raportują oszczędności. Oszczędności są realne — i dostępne dla każdego konkurenta z tymi samymi wnioskami. To stawka wejściowa.
Stripe: najpierw budowa infrastruktury, potem zbiór wartości
A oto jak wygląda przeprojektowanie budynku, kiedy działa. Stripe podał, że przeprowadził migrację obejmującą 50 milionów linii kodu w jeden dzień — pracę szacowaną na ponad dwa miesiące dla całego zespołu. Imponująca liczba to nie ten jeden dzień. Ważna liczba to lata, które Stripe spędził na budowaniu pokrycia testami zdolnego zweryfikować taką liczbę zmian, systemów przeglądu kodu potrafiących poruszać się z taką prędkością oraz ludzi, którzy potrafili poprowadzić model przez tak skomplikowane zadanie.
(Informacja dodatkowa: Stripe to duża firma obsługująca płatności internetowe, z rozległą bazą kodu.)
Model skasował dwa osobomiesiące ręcznie napisanego kodu. Ale budynek, który pomieścił tę zmianę — struktury zespołu, cykle przeglądu weryfikujące jakość — został przeprojektowany z wyprzedzeniem. Skieruj ten sam model na firmę, która nie wykonała tej pracy w swojej bazie kodu, a nie dostaniesz jednodniowej migracji. Dostaniesz 50 milionów linii zmian, których nikt nie byłby w stanie zatwierdzić. Stripe najpierw zbudował infrastrukturę, a dopiero potem zebrał wartość — modelami frontierowymi i techniczną wyobraźnią.
Ostrzeżenie dla liderów: wyobraźni się nie zatrudnia, wyobraźnię się wytwarza
I ostrzeżenie dla liderów, bo znam skrót, o którym myślisz. Nie wykupisz się z tego problemu jedną wyobraźną osobą. Zadanie za 40 dolarów potrzebowało wyobraźni, głębokiego kontekstu i pozwolenia, by zapytać — wszystkiego w jednej głowie, jak powiedział Hashimoto. To prawda w takim zakresie, w jakim sięga. Ale Twój nowy „wizjoner AI”, którego zatrudnisz, jeśli ma rozwiązywać tego rodzaju problemy, ma całą wyobraźnię, owszem — ale nie ma żadnego z Twoich kontekstów.
Musisz więc zadać sobie pytanie: czy ludzie, którzy mają w Twojej firmie kontekst, ludzie, którzy mogliby wykazać się techniczną wyobraźnią, mają pozwolenie, żeby to robić? Czy mają narzędzia, żeby to robić? Wyobraźnia zapala się tylko wtedy, gdy siedzi obok kontekstu. A Twój kontekst jest rozproszony po wszystkich, którzy faktycznie wykonują pracę. Zadaniem nie jest więc zatrudnianie wyobraźni. Jest nim jej wytwarzanie — stawianie ludzi mających kontekst w Twoich systemach w kontakcie ze zdolnymi modelami i dawanie im pozwolenia na obstawianie zakładów.
I test sprzed chwili skaluje się w górę: kto w Twoim zespole ma dziś prawo postawić modelowi pytanie za 400 dolarów, nie pytając nikogo o zgodę? Jeśli odpowiedź brzmi „nikt” albo „garstka ludzi”, to jest to ograniczenie wyobraźni. Nigdy nie chodziło o cenę modelu.
Blackout Fable 5: czego przerwa nie mogła odebrać
Ostatni dowód na to, że wyobraźnia jest aktywem, pochodzi z najdziwniejszej historii AI tego roku. Kilka tygodni temu Fable 5 pojawił się we wtorek, zniknął do piątku, a teraz jest z powrotem. Wszyscy od tamtej pory pieczołowicie zoptymalizowali swoje konfiguracje modeli. Ale spójrz, czego blackout nie był w stanie zabrać: ludzi, którzy te pierwsze 72 godziny spędzili, marząc o tym, co możliwe.
(Informacja dodatkowa: mowa o krótkim okresie, gdy model Fable 5 był chwilowo niedostępny — a mimo to jego użytkownicy zachowali wypracowane pomysły i procesy.)
Pytania, które postawili, zostały. Przepływy pracy, które przeprojektowali, zostały. Model wrócił w środek wojny cenowej. Ale ludzie, którzy mieli wyobraźnię, by go używać, po prostu wrócili do tego, co robili — do wyobrażania sobie razem z Fable 5. Widziałem to w ostatnich dniach w całej mojej osi czasu, odkąd Fable 5 wrócił.
To nigdy nie były narzędzia
To jest nasza odpowiedź na pytanie o powtarzalność. Pamiętasz, jak zaczynałem ten materiał od stwierdzenia, że wszystko wygląda tak samo? To nigdy nie były narzędzia. Narzędzia wykonały swoje zadanie — sprawiły, że egzekucja stała się tania, i musisz optymalizować egzekucję. Nic w tym materiale nie mówi, żeby tego nie robić. Musisz to robić. Ale musisz też mieć odpowiedź na pytanie, skąd bierze się Twój dziesięciokrotny mnożnik, skąd Twój „moment iPhone’a”, skąd pytanie za 40 dolarów jak u Hashimoto.
Chcesz wydawać frontier tam, gdzie się mnoży — gdzie masz realny kontekst, realne zakłady na stole i realne pytania ćwiczące techniczną wyobraźnię o to, co możliwe z większym modelem. Nie ma na to substytutu.
(Informacja dodatkowa: autor odsyła na koniec do swojej rozszerzonej, pisemnej wersji tego wywodu na Substacku — ze źródłami, pełnym rozbiorem przypadku Stripe i kontrargumentami.)
10 najważniejszych takeaways — z kontekstem zastosowania
1.Rozdziel pracę na dwie warstwy: tania egzekucja i frontierowa wyobraźnia
Na czym polega: Codzienne, powtarzalne wykonanie kieruj na tanie modele; drogie modele frontierowe rezerwuj na pytania, które zmieniają to, co w ogóle warto budować.
Jak stosować: Zbuduj świadomy „dwuwarstwowy stos” — zdefiniuj, które zadania to rutynowa egzekucja (routing na tani model), a które to zwiad i eksperymenty (model frontierowy). Traktuj to jako osobne linie budżetowe.
Na co uważać: Nie myl warstwy egzekucji z całą strategią. Optymalizacja kosztów to stawka wejściowa, którą będzie mieć każdy konkurent — sama w sobie nie da przewagi.
2.Utowarowienie egzekucji przenosi wartość, a nie ją niszczy
Na czym polega: Gdy wykonanie tanieje, przewaga przesuwa się do tego, o co potrafisz poprosić — do decyzji, jakie zadania są warte wykonania.
Jak stosować: Przestań pytać wyłącznie „jak zrobić to samo taniej” i zacznij pytać „co nowego stało się teraz możliwe”. Wygospodaruj czas na to drugie pytanie.
Na co uważać: Spadające ceny łatwo mylić z transformacją. Oszczędności są realne, ale nie są różnicujące.
3.Zrób sobie test zmiany listy zadań
Na czym polega: Sprawdź, czy lista rzeczy, o które prosisz AI, faktycznie się zmieniła przez ostatnie 12, 6 i 3 miesiące — czy tylko robisz starą listę szybciej.
Jak stosować: Wypisz zadania AI sprzed roku i dziś. Jeśli się pokrywają, masz „niedobór wyobraźni”, nie problem z narzędziami — i tam kieruj wysiłek.
Na co uważać: „Robimy to samo taniej” i nazywanie tego transformacją AI to pułapka — utrzymuje Cię w utowarowionym rynku bez przewagi.
4.Wyobraźnia bierze się z dotyku modeli, nie z talentu
Na czym polega: Zdolność do postawienia przełomowego pytania wynika z setek godzin realnej pracy z modelami, dzięki którym „czujesz”, gdzie przesunęła się granica możliwości.
Jak stosować: Inwestuj godziny w bezpośrednią pracę z najnowszymi modelami — eksperymentuj, testuj granice. Nie da się wyobrazić zastosowania dla czegoś, czego znasz tylko z podsumowania.
Na co uważać: Czytanie o możliwościach modeli nie zastąpi ich dotknięcia. Benchmarki nie dają intuicji, którą daje praktyka.
5.Nie celuj teleskopem w ziemię
Na czym polega: Podchodząc do AI z myślą wyłącznie o oszczędnościach i istniejącej liście zadań, patrzysz w dół — na pracę, którą już masz — zamiast szukać nowego terytorium.
Jak stosować: Świadomie zadawaj pytania odkrywcze: „Co ten model potrafi, o co nigdy wcześniej nie mogłem nawet poprosić?”. Zaplanuj regularne „godziny na zwiad”.
Na co uważać: Nastawienie na oszczędności jest domyślne i podstępne — łatwo całą uwagę oddać optymalizacji, nie zauważając, że nigdy nie szukasz nowych możliwości.
6.Ucz się na wzorcu BlackBerry vs Apple
Na czym polega: Znakomita egzekucja wewnątrz kategorii, którą wszyscy już sobie wyobrazili, przegrywa z przeprojektowaniem samej kategorii. Mnożnik ustawia wyobraźnia, nie sprawność wykonania.
Jak stosować: Pytaj okresowo, czy nie doskonalisz genialnie czegoś, co jako kategoria jest już przestarzałe. Szukaj miejsc, gdzie można przedefiniować problem, a nie tylko lepiej go wykonać.
Na co uważać: Pozycja lidera i doskonała egzekucja usypiają czujność — BlackBerry był liderem tuż przed upadkiem.
7.Przeprojektuj „budynek”, nie doczepiaj silnika do starego układu
Na czym polega: Jak przy elektryfikacji fabryk, prawdziwy zysk przychodzi dopiero, gdy przeprojektujesz procesy wokół nowej technologii, a nie gdy podepniesz ją pod stary układ.
Jak stosować: Zamiast puszczać istniejącą listę zadań przez tańsze modele, przeprojektuj procesy, zespoły i cykle przeglądu wokół tego, co AI teraz umożliwia.
Na co uważać: To wolniejsze i trudniejsze niż raportowanie natychmiastowych oszczędności — ale samo raportowanie oszczędności nie daje przewagi.
8.Buduj infrastrukturę weryfikacji, zanim skierujesz na nią frontier — lekcja Stripe
Na czym polega: Jednodniowa migracja 50 mln linii kodu w Stripe była możliwa dzięki latom budowania pokrycia testami, systemów przeglądu i ludzi umiejących prowadzić model — nie dzięki samemu modelowi.
Jak stosować: Zanim uruchomisz model na dużą skalę, zainwestuj w testy, procesy przeglądu i kompetencje zespołu, które pozwolą zweryfikować i zatwierdzić masowe zmiany.
Na co uważać: Ten sam model w firmie bez tej infrastruktury da lawinę zmian, których nikt nie zdoła zatwierdzić — narzędzie bez „budynku” tworzy chaos, nie wartość.
9.Nie zatrudniaj jednego wizjonera — łącz wyobraźnię z kontekstem
Na czym polega: Przełomowe pytanie wymaga wyobraźni, głębokiego kontekstu i pozwolenia w jednej głowie. Nowy „wizjoner AI” ma wyobraźnię, ale nie ma Twojego kontekstu.
Jak stosować: Wytwarzaj wyobraźnię wewnątrz firmy — daj ludziom, którzy już mają kontekst, dostęp do zdolnych modeli, narzędzia i pozwolenie na obstawianie zakładów.
Na co uważać: Zatrudnienie zewnętrznego wizjonera bez osadzenia go w kontekście zespołów to skrót, który nie zadziała — wyobraźnia zapala się tylko obok kontekstu.
10.Sprawdź, kto ma pozwolenie postawić „pytanie za 400 dolarów”
Na czym polega: Realnym ograniczeniem nie jest cena modelu, lecz to, ilu ludzi w organizacji może samodzielnie wydać pieniądze na sprawdzenie ryzykownej hipotezy.
Jak stosować: Policz, kto może dziś bez pytania o zgodę zlecić modelowi kosztowny, eksperymentalny „strzał”. Rozszerz to grono i ustal jasny budżet na takie zakłady.
Na co uważać: Jeśli odpowiedź brzmi „nikt” lub „garstka”, to ograniczenie wyobraźni, nie kosztów — i to ono, a nie cennik modeli, zamyka Ci dostęp do wartości.