O czym jest ten film
- Autor tłumaczy, że nie istnieje jeden „najlepszy” model — jest tylko model najlepiej dopasowany do Twojego sposobu pracy.
- Heurystyką wyboru nie powinien być żaden benchmark (nawet prywatny benchmark autora), lecz Twój własny proces dochodzenia do najlepszej pracy.
- Autor osobiście sięga po ChatGPT 5.6 („Soul”), mimo że uważa go za model „głupszy” — bo pasuje do jego stylu długich, precyzyjnych promptów dyktowanych głosem.
- Różnica między rodzinami modeli wynika z różnych strategii treningu: OpenAI inwestuje w uczenie ze wzmocnieniem, Anthropic w pre-training i generalizację.
- Fable 5 (rodzina Mythos od Anthropic) błyszczy przy zadaniach niejednoznacznych, konceptualnych i przy front-endzie; ma „zapach dużego modelu”.
- Autor proponuje kluczową metaforę: modele to coraz bardziej „rodziny”, które trzeba poznać, a coraz mniej obiekty do benchmarkowania.
- Do kodowania mogą pasować inne modele: seria Luna od OpenAI, Grok, GLM 5.2 albo autorskie narzędzie Ringer do orkiestracji tańszych modeli.
- Autor krytykuje ChatGPT Work i Anthropic Co-work jako narzędzia budowane przez inżynierów, które „upraszczają” pracę wiedzy zamiast ją naprawdę rozumieć.
- Widzi lukę rynkową: brakuje narzędzia do pracy wiedzy z taką starannością, jaką dostali programiści przy kodowaniu.
- Prosta rada na koniec: wybierz model, przy którym najlepiej czujesz się, wykonując swoją najtrudniejszą pracę.
Redakcyjne tłumaczenie
Głupszy model, który uwielbiam
ChatGPT 5.6 to głupszy model — i uwielbiam go za to. Używam go cały czas. Dziś chcę Wam powiedzieć, który model sprawdza się u Was, a nie który sprawdza się u mnie. Powiem też, który działa u mnie, spokojnie. Ale ważniejsze jest to, że pokażę Wam, jak wybrać model dopasowany do Was i dlaczego. Oraz dlaczego heurystyka, którą powinniście się kierować przy tym wyborze, to nie jest niczyj wynik w benchmarku — również nie mój. A benchmarkuję te modele na własnym, prywatnym zestawie testów, który tu pokażę. Ale nie o to chodzi. Chodzi o to, żebyście Wy mieli narzędzia do wyboru modelu, który działa u Was.
Zeszłej nocy sięgnąłem po ChatGPT 5.6 „Soul”, mimo że uważam go za głupszy model. „Głupszy” nie znaczy „głupi” — ani trochę. Soul to niesamowicie inteligentny model. W teście Agent/Exam, który mierzy długo trwającą pracę profesjonalną w 55 różnych dziedzinach, Soul ustanowił nowy rekord. W moim własnym benchmarku zdobył 93 punkty w „Dingo” — to mój pakiet do pracy wiedzy, o którym już mówiłem.
(Informacja dodatkowa: „Dingo” to prywatny, autorski test autora — sprawdza, czy model potrafi zaproponować pomysł na biznes sprzedaży psów rasy dingo na Alasce, poradzić sobie z kwestiami prawnymi i regulacyjnymi oraz wejść w stronę marketingową. Celowo humorystyczny scenariusz służy zmierzeniu inteligencji modelu w szerokim zakresie zawodowej pracy wiedzy.)
Soul poradził sobie z tym świetnie. Ale to, czego Soul nie ma — przynajmniej dla mnie — to ów „zapach dużego modelu”. I to się zgadza z tym, w co inwestuje OpenAI. Bardzo konkretnie inwestują w ulepszone uczenie ze wzmocnieniem dla istniejących linii modeli, co czyni je coraz bardziej użytecznymi w konkretnych zadaniach. W tym przypadku model jest bardzo mocny w pracy wiedzy i w długo trwającym, agentowym kodowaniu. Ale nie ma tego samego „zapachu dużego modelu”, który ma Fable 5.
Dwie różne szkoły treningu
I to ma sens, bo Anthropic inwestuje w pre-training swoich modeli — czyli trenowanie na coraz większych zbiorach danych, żeby umożliwić coraz bardziej ogólne modele. Mamy dziś niesamowicie dobrych asystentów, którzy czynią naszych najlepszych ekspertów jeszcze lepszymi, bo działają jak towarzysze badań i myślenia. Ale to jeszcze nie jest prawdziwie uogólnialna inteligencja z głębokim, rekurencyjnym uczeniem. Tymczasem musimy wymyślić, co robić z modelami, które mamy przed sobą, i wykorzystać je już dziś.
I to prowadzi mnie do sedna. Wybieram model, który wybieram, bo ułatwia mi tworzenie mojej najlepszej pracy. Jaka jest moja rekomendacja modelu? Pytam: czy jesteś taki jak ja? Czy masz z modelem takie same nawyki jak ja? Jestem kimś, kto jest bardzo skłonny pisać długie, dość techniczne prompty — i jest mi z tym dobrze, żeby je werbalizować. Więc po prostu mówię do Whisper Flow, podaję to modelowi i jestem dość precyzyjny. A to całkiem dobrze pasuje do 5.6, bo 5.6 przeczyta cały ten prompt, zrozumie wszystkie niuanse, o których wspomniałem, i wróci z pełnym kawałkiem pracy, uporczywie doprowadzając zadanie do końca.
(Informacja dodatkowa: Whisper Flow to narzędzie do dyktowania głosem, zamieniające mowę na tekst wprowadzany do modelu.)
Nie zaczynaj od modelu — zacznij od siebie
Ale nie każdy mówi i pracuje w ten sposób. Twoja najlepsza praca może wynikać z zupełnie innego podejścia do promptowania i zarządzania wiedzą. Prawdopodobnie masz też inne zadania niż ja. Podpowiedź: moja najlepsza rada, gdy ktoś pyta „jaki model wybrać?”, brzmi — nie patrz najpierw na model. Zamiast tego spójrz na swoją najlepszą pracę i na to, jak do niej dochodzisz. I być może dochodzisz do niej wcale nie dzięki modelowi. Przyjrzyj się procesowi myślenia, którego używasz. A potem zacznij pytać samego siebie: który model pomaga mi przyspieszyć tę pętlę, która prowadzi mnie do mojej najlepszej wersji?
U mnie, jak mówiłem, są to długie prompty, możliwość swobodnego mówienia o tym, co ma być zrobione, plus harness, który pozwala mi się łatwo samodoskonalić za pomocą Codeksa — to zawozi mnie naprawdę daleko. Przez „samodoskonalenie” rozumiem to, że Codex uczy się z tego, co robię, i dalej rozwija umiejętności. Codex jest sterowalny, a ja mam dość wysoką intencję w moim promptcie, więc lubię go sterować.
(Informacja dodatkowa: „harness” to warstwa narzędziowa oprawiająca model — interfejs, pamięć, wywołania narzędzi. Codex to narzędzie OpenAI do pracy z kodem.)
Fable 5 jest naprawdę dobry od razu, „prosto z pudełka”, w rozumieniu intencji sformułowanej bardziej ogólnikowo. Ma tę zdolność do generalizacji kojarzoną z dużymi modelami. Uwielbiam to. To fantastyczny model — zespół Anthropic odwalił kawał roboty. Ale nie sięgam po niego tak często, bo nie jest dopasowany do moich konkretnych wzorców pracy. Jeśli Twoje wzorce pracy krążą wokół rozumienia bardzo ogólnikowej niejednoznaczności, mocowania się z koncepcjami, próby uchwycenia idei zawieszonych między ideami — to Fable może być dla Ciebie znacznie lepszym modelem.
Kiedy sięgnąć po co innego
Jeśli lepiej odnajdujesz się w tym, jak sprawnie i szybko doprowadzić kodowanie do końca, szczerze — możesz sięgnąć po serię Luna od OpenAI, która jest znacznie tańsza w użyciu, niesamowicie mocna, a wypuścili ją razem z 5.6 Soul i 5.6 Terra. Możesz też sięgnąć po Groka, który również ma dobre, niemal frontierowe zdolności kodowania. Możesz sięgnąć po GLM 5.2. Możesz sięgnąć po Ringera, którego zbudowałem i o którym mówiłem w zeszłym tygodniu — bo pozwala on rozdzielać zadania i orkiestrować z jednego centralnego modelu, takiego jak Fable, do zestawu tańszych modeli. To ma pasować do Twojej pracy.
(Informacja dodatkowa: Ringer to autorskie narzędzie Nate’a Jonesa do orkiestracji — jeden „model-architekt” rozdziela zadania między wiele tańszych modeli wykonawczych.)
A jeśli się zastanawiasz — czy nadal użyłbym Fable jako architekta w Ringerze, nawet po premierze 5.6? Tak, bo Fable dobrze rozumie intencję i rozkłada zadania tak, żeby tę intencję zrealizować. Ma też dobry instynkt front-endowy. Anthropic po prostu jest konsekwentnie dobry we front-endzie.
Modele to rodziny, nie liczby w rankingu
Będę wyświetlał benchmarki na ekranie, gdy mówię, żebyście zobaczyli, jak oceniłem 5.6. Używam tych samych benchmarków, których używałem dla wszystkich modeli przez ostatnie kilka generacji, więc niczego nie zmieniam. Ale kiedy to robię, chcę, żebyście myśleli o szerszym punkcie. Sugeruję Wam, że przy tym wszystkim, co pokazałem, umyka nam pewien kluczowy wgląd. Umyka nam idea, że modele stają się bardziej jak rodziny, które trzeba poznać, a coraz mniej dają się benchmarkować. Kropka. Nie wierzę, że mój benchmark ani żaden inny w pełni oddaje to, co te modele robią, w sposób, który jest użyteczny. I dlatego robię filmy, które mogą wydawać się „na wyczucie”, jak ten — bo mówię Wam, jak naprawdę czuje się używanie tych modeli. Chcę Was zainspirować, żebyście sami w to wskoczyli i przetestowali je na własnych przepływach pracy, a także żebyście usłyszeli kogoś, kto robi to bez przerwy.
Kluczowy wgląd, który mam dla Was jako ktoś, kto dotykał tych modeli i żył z nimi: te modele naprawdę trzeba traktować jak rodzinę. Pomyśl o tym tak — każdy nowy model to jak nowe zdjęcie w rodzinnym albumie. Poznajesz kogoś nowego, kto jest częścią rodziny. Jest rodzinne podobieństwo. Mogę Wam powiedzieć, że rodzina 5.x od OpenAI ma rodzinne podobieństwo. Wszystkie mają tę preferencję do długo trwających, agentowych przepływów kodowania. Wszystkie potrafią zrozumieć to, co mówisz wprost, wyraźnie odmalować niuanse i po prostu ruszyć do dzieła. I być może mają mniejszą zdolność czytania między wierszami. Natomiast linia Mythos — mamy tam Mythos i Fable — jest wyjątkowo dobra w zadaniach niejednoznacznych, ma nadzwyczajny gust front-endowy, podchodzi do problemów niemal filozoficznie, jest głębokim myślicielem. To po prostu fundamentalnie różne podejścia.
Nie chodzi o to, że jedno jest naprawdę lepsze albo gorsze. I tu dochodzimy do sedna: gdy używamy słów „głupszy” czy „mądrzejszy”, wypowiadamy je w kontekście benchmarków — ale nie sądzę, żeby to oddawało modelom sprawiedliwość, bo modele stają się różne tak, jak różne są rodziny. A przecież nie mówimy zwykle „ta rodzina jest głupia, a ta mądra”. Mówimy, że te rodziny są różne. I myślę, że to jest bardziej użyteczne.
Charakter modeli: filozofia kontra harness
Mamy więc rodzinę modeli Anthropic. Jest bardziej pre-trenowana, bardziej front-endowa, bardziej zainteresowana charakterem, filozofią. Anthropic opublikował nawet całe badanie o tym, jak myślą jego modele, nazwane „J-space” — jest tam idea, że te modele potrafią obliczeniowo manipulować pojęciami wyższego rzędu, prowadząc jednocześnie autonomiczne przetwarzanie predykcji tokenów niższego rzędu. I że to wyewoluowało w tych modelach samo. Anthropic wykonał fenomenalną pracę, łącząc technologię i filozofię, żeby zrozumieć, jak modele działają na głębokim poziomie. To nie znaczy, że ich modele zawsze produkują najmądrzejszą możliwą pracę. Znaczy tylko, że to część charakteru i linii tego modelu.
(Informacja dodatkowa: autor odwołuje się do publikowanych przez Anthropic badań nad interpretowalnością modeli; nazwa „J-space” pojawia się w transkrypcie w wersji zasłyszanej.)
OpenAI wykonał fenomenalną pracę nad harnessem Codeksa. To sprawia, że bardzo łatwo pracuje się z Codeksem i rozumie, jak będziesz dalej ulepszać swoją pracę w czasie. To o tych samodoskonalących pętlach mówię — każesz Codeksowi sprawdzić, co zrobiłeś, i stać się w tym lepszym.
ChatGPT Work, Co-work i luka w pracy wiedzy
I przy okazji — nie pomijam ChatGPT Work. Wiem, że uruchomili ChatGPT Work razem z 5.6. To bardzo ekscytujący rozwój. Myślę, że jedną z rzeczy, których szukałbym przy „Work”, jest więcej nieinżynierskiego wkładu w to, jak te narzędzia ewoluują. Teraz, szczerze, widzimy wpływ kultury inżynierskiej na to, jak te narzędzia się rozwijają. Claude Code i Codex są oba zbudowane przez inżynierów dla inżynierów — i to widać. Są ergonomicznie wygodne dla inżynierów. Ale Co-work i Work — odpowiednio od Anthropic i OpenAI — nie są przede wszystkim zbudowane przez nieinżynierów dla nieinżynierów. I niestety oznacza to, że czasem dostajesz inżynierskie wyobrażenie o tym, czego chcą nieinżynierowie. A to może wyglądać jak „musimy to uprościć, bo ci nieinżynierowie nie są aż tak techniczni”.
(Informacja dodatkowa: ChatGPT Work oraz Co-work to narzędzia — odpowiednio OpenAI i Anthropic — kierujące asystentów AI ku pracy biurowej i wiedzy, poza kodowaniem.)
Trochę tego posmaku wyczuwam przy ChatGPT Work i chciałbym zobaczyć bardziej wyrafinowane podejście. Bo praca wiedzy jest naprawdę inna, gdy nie kodujesz. Praca wiedzy bardziej dotyczy procesu. Bardziej dotyczy dochodzenia do wniosku z czasem i przemyśliwania czegoś, a mniej — kodu i weryfikacji, niż praca inżynierska. I potrzebujemy narzędzi, które umożliwią AI robienie tego razem z nami, jeśli jesteśmy pracownikami wiedzy. A naprawdę nie mieliśmy nadzwyczajnych harnessów do tego w takim stopniu, w jakim mieli je inżynierowie przy kodzie.
Myślę więc, że ChatGPT Work to pierwsze podejście do tego, dokąd zmierza ChatGPT i rodzina Codeksa. Chcą wejść też w pracę wiedzy, zdecydowanie konkurując z Co-work od Anthropic. Nie sądzę, żeby to było rozwiązanie ostateczne. Wręcz nadal używam Codeksa, bo czuję się z nim komfortowo. Nie mam nic przeciwko posiadaniu pełnego wachlarza narzędzi. Nie chcę być ograniczany. Szukam tego samego stopnia staranności i precyzji przy pracy wiedzy, jaki widziałem przy pracy z kodem u tych twórców modeli. A jeszcze tego nie zobaczyliśmy, mówiąc zupełnie szczerze.
I jest tu okazja na stole — albo dla startupu, żeby ją chwycił, albo dla kogoś innego, kto wejdzie i powie: „Tak wygląda praca wiedzy, gdy nie jest obsesyjnie skupiona na tym, jak kod przechodzi testy w repozytorium. Buduję dla Ciebie narzędzie, które pomoże Ci rozłożyć rzeczy na części, mówić, dygresować, dzielić się tym, co robisz, w czym jesteś dobry i co Cię pasjonuje”. Jeśli to Cię interesuje — koniecznie po to sięgnij. Link jest poniżej.
Narzędzie do doboru miksu modeli
Mocowałem się z pomysłem, że tradycyjnie mieliśmy takie mapy jeden-do-jednego dla doboru modeli. Mieliśmy narzędzia typu „wybierz własną przygodę” oparte na bardzo krótkich quizach. Próbowałem takich w przeszłości — nie są zbyt użyteczne. Mamy teraz do dyspozycji więcej mocy obliczeniowej z inteligencją. Chciałem tego użyć, żeby z czasem ułatwić wybór własnego miksu modeli. To narzędzie będzie wciąż aktualizowane, w miarę jak benchmarkuję kolejne modele. Będziesz mieć coraz więcej dostępnych modeli — także open source, rodzinę Anthropic, rodzinę OpenAI, Metę, gdy istotna, Google, gdy istotny, Groka i tak dalej. Chcę mieć znacznie bardziej zniuansowane, konwersacyjne, ewoluujące ramy wyboru modeli, żebyśmy mogli wykonywać naszą najlepszą pracę z modelem najlepiej dopasowanym do nas.
Gdy chcesz po prostu odpowiedź
A jeśli nadal utknąłeś albo mówisz: „Nie, nie, Nate, po prostu daj mi odpowiedź, chcę odpowiedź” — odpowiedź dla Ciebie brzmi: wybierz model, przy którym czujesz się najbardziej komfortowo, wykonując swoją najtrudniejszą pracę. Bo jeśli napierasz na model, robisz swoją najtrudniejszą pracę, a model pomaga Ci ją doprowadzić do końca — to jest model, na którym będziesz chciał się oprzeć. Więc gdy masz wątpliwości, wybierz model, który udźwignie Twoją najtrudniejszą pracę.
A przy okazji — dla tych z Was, którzy chcą wgryźć się w szczegóły dotyczące 5.6, jak wypada w porównaniu z Fable 5, chwycić pełne wyniki testów także Groka 4.5 i głębiej zrozumieć, jak to wszystko układa się w nowym wyścigu modeli — mam głębszy artykuł na Substacku, który naprawdę zanurza się w tę dynamikę. I oczywiście możecie też sięgnąć po samo narzędzie.
Do zobaczenia następnym razem. Wyścig modeli będzie się coraz bardziej komplikował, ale myślę, że nasza zdolność rozumienia tego, co robimy, może pozostać naprawdę spójna — i to może pomóc nam zachować zdrowy rozsądek. Porozmawiamy następnym razem.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Wybieraj model pod swój proces, nie pod benchmark
Na czym polega: Nie istnieje jeden „najmądrzejszy” model. Właściwym kryterium wyboru jest to, który model najskuteczniej przyspiesza Twoją drogę do najlepszej pracy — a to zależy od Twoich nawyków, a nie od rankingu.
Jak stosować: Zamiast czytać tabele benchmarków, zacznij od analizy własnego procesu: jak dochodzisz do dobrych wyników, jak formułujesz zadania, jak myślisz. Dopiero wtedy pytaj, który model tę pętlę domyka.
Na co uważać: Benchmarki (nawet prywatne, jak „Dingo” autora) mierzą wąskie zdolności i nie oddają „charakteru” modelu w Twoim realnym przepływie pracy. Nie traktuj wysokiego wyniku jako rekomendacji dla siebie.
2.„Głupszy” model bywa lepszym wyborem
Na czym polega: Autor świadomie sięga po ChatGPT 5.6 „Soul”, który uważa za mniej ogólny, bo model ten precyzyjnie realizuje jego długie, techniczne prompty i uporczywie kończy zadania.
Jak stosować: Jeśli pracujesz przez szczegółowe, wysokointencyjne polecenia, wybierz model, który wiernie wykona instrukcję, zamiast takiego, który „domyśla się” intencji. Dopasowanie stylu bije surową inteligencję.
Na co uważać: „Głupszy” nie znaczy słaby — chodzi o inny profil (mniej generalizacji, więcej wierności instrukcji). Nie myl tego rozróżnienia z jakością.
3.Rozumienie linii modeli: RL kontra pre-training
Na czym polega: OpenAI inwestuje w uczenie ze wzmocnieniem istniejących linii (mocne w konkretnych zadaniach: praca wiedzy, długie kodowanie agentowe), a Anthropic w pre-training i generalizację (ogólność, „zapach dużego modelu”).
Jak stosować: Traktuj tę różnicę jako mapę: do zadań precyzyjnych i wykonawczych rozważ linię OpenAI, do zadań niejednoznacznych i konceptualnych — linię Anthropic.
Na co uważać: To uogólnienie, nie sztywna reguła. Strategie treningu ewoluują z każdą generacją, więc weryfikuj profil aktualnego modelu, a nie samą markę.
4.Fable/Mythos do niejednoznaczności i front-endu
Na czym polega: Rodzina Mythos od Anthropic (w tym Fable 5) błyszczy przy zadaniach ambiwalentnych, konceptualnych, „filozoficznych” oraz ma silny gust front-endowy.
Jak stosować: Sięgaj po Fable, gdy mocujesz się z niejasnymi koncepcjami, ogólnikowymi intencjami lub projektowaniem interfejsu. Sprawdza się, gdy nie umiesz jeszcze precyzyjnie sformułować zadania.
Na co uważać: Ta sama „skłonność do czytania między wierszami” może być wadą tam, gdzie chcesz dosłownego, przewidywalnego wykonania precyzyjnej instrukcji.
5.Dobór modeli do kodowania: więcej niż dwie opcje
Na czym polega: Do sprawnego kodowania autor wymienia tańsze i wyspecjalizowane alternatywy: serię Luna (OpenAI), Groka, GLM 5.2, a do orkiestracji — autorskie narzędzie Ringer.
Jak stosować: Jeśli głównie kodujesz, przetestuj tańsze modele o dużej wydajności zamiast domyślnego flagowca. Rozważ architekturę orkiestracji: jeden model-architekt rozdziela zadania do tańszych wykonawców.
Na co uważać: „Frontier-ish” znaczy blisko czołówki, ale nie na szczycie — przy najtrudniejszych zadaniach tańsze modele mogą zawieść. Testuj na własnym repozytorium przed migracją.
6.Model jako „rodzina”, którą się poznaje
Na czym polega: Kluczowa teza filmu: modele stają się bardziej jak rodziny o rozpoznawalnym „charakterze” niż jak liczby w rankingu. Rodziny się nie porównuje jako „mądra/głupia”, tylko jako „różne”.
Jak stosować: Poznawaj nowe modele przez realne użycie na własnych zadaniach — buduj intuicję ich temperamentu, zamiast pytać „który ma wyższy wynik”.
Na co uważać: To podejście „na wyczucie” jest subiektywne. Nie zastępuj nim całkowicie testów — połącz obserwację charakteru z własnym, powtarzalnym sprawdzianem.
7.Praca wiedzy jeszcze nie ma swojego dobrego harnessu
Na czym polega: Narzędzia AI (Claude Code, Codex) są budowane przez inżynierów dla inżynierów. Praca wiedzy — oparta na procesie, dochodzeniu do wniosków i myśleniu, a nie na kodzie i weryfikacji — nie dostała jeszcze równie dopracowanego wsparcia.
Jak stosować: Jeśli jesteś pracownikiem wiedzy, nie oczekuj, że narzędzia „inżynierskie” idealnie oddadzą Twój proces. Testuj nowe produkty (ChatGPT Work, Co-work) świadomie, jako wczesne wersje.
Na co uważać: „Upraszczanie dla nietechnicznych” bywa pułapką — narzędzie może odbierać kontrolę zamiast wspierać myślenie. Oceniaj, czy pomaga procesowi, czy go spłyca.
8.Luka rynkowa jako sygnał okazji
Na czym polega: Autor wprost wskazuje niezagospodarowaną przestrzeń: narzędzie do pracy wiedzy z taką samą starannością i precyzją, jaką dostali programiści przy kodzie.
Jak stosować: Jeśli budujesz produkty lub szukasz niszy, potraktuj to jako mapę potrzeby: wsparcie „rozkładania myśli, mówienia, dygresji” zamiast weryfikacji kodu w repozytorium.
Na co uważać: To obserwacja rynkowa jednej osoby, nie zwalidowany brief produktowy. Zweryfikuj popyt u realnych pracowników wiedzy przed inwestycją.
9.Nie ograniczaj się do jednego narzędzia
Na czym polega: Tytułowa teza: Twoja kolejna subskrypcja nie powinna być „albo, albo” — autor korzysta z pełnego wachlarza narzędzi i nie chce być ograniczany do jednego ekosystemu.
Jak stosować: Utrzymuj dostęp do modeli z różnych rodzin i dobieraj je do typu zadania. Traktuj subskrypcje jak zestaw narzędzi, nie jak deklarację lojalności wobec jednego dostawcy.
Na co uważać: Wiele subskrypcji to koszt i rozproszenie. Utrzymuj tylko te, które realnie odpowiadają Twoim powtarzalnym typom pracy, a nie „na wszelki wypadek”.
10.Gdy masz wątpliwości — najtrudniejsza praca jest testem
Na czym polega: Prosta, ostateczna heurystyka: wybierz model, przy którym czujesz się najkomfortowiej, wykonując swoją najtrudniejszą pracę.
Jak stosować: Zamiast testować model na banalnych zadaniach, rzuć mu swój najtrudniejszy realny problem. Ten, przy którym czujesz się pewnie pod presją, jest Twoim modelem podstawowym.
Na co uważać: „Komfort” nie może oznaczać wygody kosztem jakości wyniku. Sprawdzaj, czy model faktycznie doprowadza trudne zadanie do końca, a nie tylko przyjemnie się z nim rozmawia.