Codex Just Replaced All His Apps | Bilawal Sidhu

O czym jest ten film

1. Dlaczego Bilawal Sidhu porzucił przekombinowany setup sześciu agentów Open Claw na rzecz Codeksa jako codziennego narzędzia do pracy umysłowej.
2. Wbudowana przeglądarka w agencie jako prawdziwy przełom — zalogowana do wszystkich narzędzi, bez walki z podpinaniem Chrome’a.
3. Przeglądarka jako „wspólne płótno” dla człowieka i maszyny: dokument otwarty obok czatu, agent nanosi zmiany przez API.
4. Podział pracy między modelami: Fable do decyzji artystycznych i prozy, Codex do rzeczy dobrze zdefiniowanych i grzebania w szczegółach.
5. Modele kodujące jako generator B-rollu — Three.js i interaktywne wizualizacje zamiast niedokładnych generacji wideo.
6. Rysowanie ścieżki na zrzucie z Google Earth i przekształcanie jej w ujęcie z drona — trend, który Sidhu przypadkiem zapoczątkował.
7. „Spatial RAG”: kondycjonowanie generacji kolejnymi panoramami Street View, żeby długie trajektorie pozostały wierne rzeczywistości.
8. Nierozwiązany problem branży: nie istnieje dobry agentowy montaż wideo dla złożonych timeline’ów.
9. Przejście od ery agentów osobistych do ery zespołów agentów — Buzz, Claude Tag, workspace agents od OpenAI.
10. Historia „vibe-codowanego Palantira”: 2 miliony wyświetleń, spór z współzałożycielem Palantira i startup budowany na otwartych danych geoprzestrzennych.

Redakcyjne tłumaczenie

(Informacja dodatkowa: rozmówcą jest Bilawal Sidhu — twórca i założyciel działający na styku generatywnej AI, przestrzennych technologii obliczeniowych i efektów wizualnych 3D. Wcześniej przez dekadę pracował w Google nad mapowaniem geoprzestrzennym i 3D. Automatyczna transkrypcja przekręca jego nazwisko w kilku miejscach.)

Riley Brown: Dziś rozmawiam z Bilawalem Sidhu — twórcą i założycielem, który działa na pierwszej linii generatywnej AI, spatial computingu i efektów wizualnych 3D. We wszystkich obszarach swojej działalności używa agentów AI. Zapytałem go, dlaczego przesiadł się z Open Claw na Codeksa. Rozmawialiśmy też o różnicach, jakie widzi między GPT-5.6 a Claude Fable, o Claude Code i wbudowanych przeglądarkach w Codeksie oraz o tym, co daje im taką siłę. O tym, jak agenty kodujące tworzą wierne wizualizacje w animacjach 3D. A także o tym, jak vibe-codował Palantira, zebrał dwa miliony wyświetleń na YouTubie i przekształca to w startup.

Od Open Claw do Codeksa

Riley: Co kilka miesięcy dzwonimy do siebie na godzinę i rozmawiamy o narzędziach AI, agentach, tworzeniu treści i o tym, co się dzieje w naszych firmach. W tamtej rozmowie mówiłeś, że jesteś zakręcony na punkcie Open Claw. Jeśli dobrze pamiętam, miałeś jeden MacBook Pro, na którym uruchamiałeś wiele instancji Open Claw jednocześnie, i sterowałeś tym przez WhatsAppa. Pisałeś do agenta wiadomości, miałeś poustawiane różne workflow. To było cztery, pięć miesięcy temu.

A kilka dni temu napisałeś: „Dobra, miałeś rację. Jestem teraz kompletnie codeks-owy. Sama wbudowana przeglądarka to zmiana zasad gry. Koniec z kapryśnym podpinaniem Chrome’a”. Choć trzeba oddać sprawiedliwość — dodałeś też: „Ale kurczę, 5.6 to fatalny model do pisania”.

To wszystko pokazuje, jak bardzo w ciągu ostatnich sześciu miesięcy zmieniły się setupy agentowe, których wszyscy używamy. Opowiedz o swoim układzie wcześniej i teraz — jako właściciel firmy i twórca.

Bilawal: Jasne. Riley, jak większość ludzi na początku roku, bawiłem się tym czymś, co nazywało się Open Claw. Zabawne jest to, że w tamtym czasie namawiałem też Petera, żeby wygłosił wykład na TED 2026 — więc niejako odrabiałem pracę domową. I nie spodziewałem się, że aż tak mi się to spodoba.

Szczerze mówiąc, myślę, że cała branża zrozumiała wtedy jedną rzecz: modele są wystarczająco dobre. Jeśli po prostu dasz im ręce, zaczną robić rzeczy. Stąd zresztą ta nazwa — Open Claw, „pazur”.

(Informacja dodatkowa: Open Claw to popularny na początku 2026 roku open-source’owy „harness” — warstwa dająca modelom językowym dostęp do komputera, komunikatorów i narzędzi użytkownika.)

Mój setup wyglądał dokładnie tak, jak opisałeś. Miałem starego MacBooka Pro, M1 Max, 64 GB pamięci zunifikowanej — nadal całkiem mocna maszyna. Wrzuciłem tam masę rzeczy. Chciałem mieć jedno miejsce, do którego trafiają wszystkie transkrypcje moich spotkań. Agent sam zaglądał do analityki YouTube i tworzył coś w rodzaju podsumowania tego, jak radzą sobie moje wszystkie kanały społecznościowe — wszystko w jednym miejscu.

Nic z tego nie było niemożliwe wcześniej. Ale sam fakt, że istniał ten router pozwalający pisać do agenta z WhatsAppa, oznaczał, że będąc na godzinnej rozmowie albo spacerując po Austin, mogłem uruchamiać sensowną pracę na komputerze.

Z perspektywy czasu powiedziałbym, że mój setup był przekombinowany. Miałem sześciu różnych agentów, część opartych na osobowościach bohaterów seriali, które lubię. Mój agent do kodowania nazywał się Carmack — od legendarnego Johna Carmacka. Miałem stratega wzorowanego na Carter z „Gwiezdnych wrót SG-1”. Miałem doradcę duchowego, który czytał moje materiały i mówił mi, czy byłem dziś w przepływie, czy nie, i co mógłbym jutro zrobić lepiej — coś w typie Deepaka Chopry. Wcielanie się w te postacie było świetną zabawą: „Idź do ElevenLabs, znajdź ten głos, wytrenuj go” — i nagle agent wysyła mi notatki głosowe.

Tak było wtedy. A teraz? Ty i Dan Shipper cały czas opowiadaliście, jak bardzo jesteście zakręceni na Codeksie, więc spróbowałem — jako uniwersalnego systemu operacyjnego do życia. I jest fantastycznie. Podłączyłem go dosłownie do wszystkiego. Uwielbiam to, że mogę zdalnie sterować sesjami z poziomu samej aplikacji ChatGPT. Nie muszę martwić się o tunelowanie ani nic w tym stylu.

Nadal używam Claude’a do wielu zadań programistycznych. Codeksa też. Ale jako codzienne narzędzie do pracy umysłowej — teraz to po prostu Codex na MacBooku Pro.

Dlaczego Open Claw wciągnął wszystkich, a potem ich zawiódł

Riley: Mam mnóstwo pytań. Po pierwsze — bardzo wielu ludzi ekscytowało się Open Claw, może nawet za bardzo. Wtedy właśnie zaczęli przesadnie rozbudowywać swoje setupy. Powstała lawina treści: „musisz zbudować drugi mózg i podłączyć go do Obsidiana, żeby wszystkie twoje idee się ze sobą splatały”.

Bilawal: I dashboard do sterowania tym wszystkim. Ludzie spędzali więcej czasu na budowaniu dashboardu niż na robieniu czegokolwiek.

Riley: Cały czas szedł na dashboard. Ludzie po prostu przestali pracować i zaczęli pracować nad swoim Open Claw. Ostatecznie chodzi o to, że ludzie bardzo chcą czegoś w rodzaju Jarvisa — agenta z własną osobowością, z którym można rozmawiać i który pomaga załatwiać sprawy. Ale mnóstwo osób po prostu lubi technologię i dobrze się przy tym bawi.

Myślę, że to, co robi teraz Anthropic, co robi OpenAI, co zrobi Cursor i co zrobi Google, to próba przejęcia wszystkiego, co Open Claw robił dobrze: pełnego połączenia z życiem użytkownika i uczynienia tego łatwo dostępnym.

Bilawal: Zgadza się.

Riley: Pierwszą firmą, która naprawdę to dowiozła, było OpenAI, kiedy wypuściło Codeksa. To była pierwsza superaplikacja napędzana AI — narzędzie agentowe, do którego przychodzisz i które potrafi zrobić w zasadzie wszystko, czego potrzebuje typowy pracownik umysłowy. Potem połączyli ChatGPT i aplikację Codex w nowy ChatGPT, a następnie przemianowali to na GPT Work — ale to osobny wątek.

Uważam, że trafili w cztery najważniejsze rzeczy. Po pierwsze: agent klasy frontier, z którym można rozmawiać. Po drugie: łączy się z wszystkimi twoimi dotychczasowymi narzędziami przez wtyczki. Po trzecie: automatyzacje, czyli odpowiednik cronów z Open Claw. I po czwarte: wbudowana przeglądarka — a mówiłeś ostatnio, że dużo z niej korzystasz, bo jest zalogowana do wszystkich narzędzi, których używasz w Chrome.

Więc pytanie brzmi: dlaczego tak lubisz tę przeglądarkę i jak z niej korzystasz?

Przeglądarka jako wspólne płótno

Bilawal: To po prostu wygodniejsze. Początkowo byłem sceptyczny. Widziałem twój film, w którym mówisz, że to przyszłość i że ludzie będą tworzyć aplikacje z myślą o osadzeniu ich w takim właśnie harnessie. Pomyślałem: „No dobrze, ale to jest Chromium. O czym my mówimy? Czy to naprawdę może być aż taka zmiana?”.

A rzecz w tym, że kiedy siedzę przy laptopie, trudno o wielozadaniowość. Jeśli mam okno czatu i mogę powiedzieć coś, co przeglądarka wykona — to jest niesamowite. Ustawiam test A/B na YouTubie. Chcę, żeby coś regularnie sprawdzało, jak wygląda CTR, jak idzie test, czy trzeba podmienić którąś miniaturę. Wcześniej był to irytujący, ręczny proces. Teraz po prostu mówię, co ma się stać. Mogę być nawet na telefonie — mówię, a to działa na moim komputerze w przewidywalny sposób. Wiem, że zadziała. Żadnego przejmowania kontroli nad moim Chrome’em, żadnych problemów.

I jest jeszcze jedna warstwa, na której firmy chyba jeszcze się nie skupiły: przeglądarka staje się wspólnym płótnem do współpracy człowieka z maszyną. Pracowałem kiedyś w Google, więc do dziś tkwię w Dokumentach Google — za nic nie mogę przekonać się do Notion. I to, że mogę wejść do Dokumentów… tak właśnie teraz piszę z Codeksem, bo on jest fatalny w samej prozie: wstawiam szczegółowe komentarze, agent je czyta, proponuje poprawkę, a ja sam ją wdrażam. To, że mogę to wszystko robić w jednym miejscu, jest po prostu bardzo wygodne.

Widzę tu jeszcze większy potencjał. W wielu rzeczach związanych z mapami wygodnie jest mieć moją aplikację webową otwartą w przeglądarce i powiedzieć: „Znajdź te informacje, przekonwertuj je do GeoJSON-a i zwizualizuj tutaj”. Robię to wszystko w jednym kontekście, bez przełączania się. To jest moim zdaniem prawdziwa siła tego rozwiązania.

Riley: Sto procent. Opisałeś to jako wspólne płótno — i chcę to uczynić namacalnym. Tak przygotowałem się do tej rozmowy. Powiedziałem: „Na podstawie mojej korespondencji z Bilawalem przejrzyj czat i zaproponuj, o co powinienem go zapytać”. Wyciągnął z tego twoje cytaty. Potem dodałem: „Wstaw to na górze dokumentu w Notion i opisz, kim jest i czym się zajmuje — na wypadek, gdybym potrzebował tego do intro”.

Mogę teraz po prostu kliknąć „otwórz w przeglądarce” i mam Notion otwarty wewnątrz Codeksa. Każda aplikacja, która ma przetrwać erę agentów, zadba o to, żeby dało się jej używać ramię w ramię z agentem. Notion jest tu bardzo do przodu — dużo dalej niż Google z Dokumentami, jeśli chodzi o sterowanie przez API.

Wszystko, co mogę zrobić w tym dokumencie: „Zaznacz najważniejsze rzeczy, pokoloruj tekst na niebiesko. Cokolwiek uznasz za ważne, dodaj do dokumentu, a na końcu dorzuć sekcję — ale użyj funkcji zakładek zamiast punktorów”. I po prostu pracuję razem z tym dokumentem.

Bilawal: Robi to przez CLI czy przez MCP?

Riley: Jest wtyczka Notion. I tu właśnie dochodzimy do sedna. Ludzie spierają się o CLI i MCP, a moim zdaniem dla pracowników umysłowych to nie będzie miało żadnego znaczenia. Nie musisz nawet rozumieć, jak to działa. Po prostu użyjesz wtyczki, a to Notion zdecyduje, co jest najlepsze technicznie. Sedno w tym, że mogę poprosić agenta o cokolwiek, a on to tu zaktualizuje.

(Informacja dodatkowa: MCP — Model Context Protocol — to standard łączenia modeli AI z zewnętrznymi narzędziami i danymi. CLI to interfejs wiersza poleceń.)

To wciąż jest trochę wolne. Nie wiem, czy zauważyłeś, ale OpenAI wypuszcza swoje modele na chipach Cerebras — to znacznie przyspieszy działanie. Ten sam proces przy pięcio- czy dziesięciokrotnie większej szybkości będzie już praktycznie Jarvisem.

Bilawal: Natychmiastowość. Całkowicie się zgadzam. Mam tylko jedno pytanie: nie mogę doczekać się routingu modeli, o którym wszyscy mówią. Te zamknięte harnessy zebrały już przecież tyle śladów tego, co ludzie robią, że powinny wiedzieć, do którego modelu skierować które zadanie. Jeśli tylko podświetlasz fragmenty tekstu, to naprawdę nie powinno tego robić coś lżejszego?

ChatGPT miał chyba tryb auto — jakieś pięć, sześć miesięcy temu — który próbował routować zadania i był naprawdę fatalny. Więc ludzie zawsze ustawiali sobie najmocniejszy możliwy model. A ja bardzo chciałbym, żeby to domyślnie sięgało po coś szybkiego i śmigało przez takie drobne, inline’owe zmiany, a po naprawdę wielki mózg sięgało tylko wtedy, gdy trzeba się nad czymś zastanowić. To zrobiłoby ogromną różnicę także w opóźnieniach.

Riley: Sto procent. Chyba na planie darmowym jest coś takiego jak GPT Instant — jest znacznie szybszy i chyba robi tam jakiś routing. Mogę się mylić, ale wydaje mi się, że to jest następne w kolejce, bo czekamy tu już jakieś sześćdziesiąt sekund… o, właśnie zaczął. Aktywnie podświetla tekst.

Bilawal: Proszę bardzo. Fajne.

Riley: Podświetlił słowa kluczowe, a tu mamy dodaną sekcję: pytania uzupełniające i cele na klipy.

Agenty w produkcji treści wideo

Riley: Dygresja zakończona. Ostatnio wymiatasz na YouTubie — liczba wysokiej jakości filmów, które publikujesz, poszybowała. Jak używasz agentów przy tworzeniu treści?

Bilawal: Chyba na każdym poziomie tego stosu. Robię zasadniczo dwa rodzaje filmów. Pierwszy to „eksperymenty szalonego naukowca” — dużo vibe-codowania, budowanie szalonego prototypu, a potem pokazywanie go światu. Drugi typ nazywam „mapami frontiera” — mój kanał jest o mapowaniu granicy tworzenia i technologii obliczeniowych. Jakie nowe technologie łączą świat bitów i atomów, świat fizyczny i cyfrowy, będą miały dla nas duże konsekwencje i mają wyraźnie dwojakie zastosowanie. To są bardziej pisane eseje wideo, dziesięć–piętnaście, czasem dwadzieścia minut. Mają nieco inny proces przed- i postprodukcyjny.

Ale agenty są wszędzie. Jak większość ludzi używam ich oczywiście do kodowania samej rzeczy. Ale bardzo przydają mi się też przy objaśnieniach. Zrobiłem niedawno film „Iron Sights” — chodziło o użycie modeli wizji komputerowej, okularów Meta Ray-Ban i telefonów, żeby śledzić w 3D obie perspektywy kamer, połączyć je i stworzyć przestrzenny licznik strzałów. Mierzy każde trafienie i pudło. To bardzo skomplikowany pipeline offline.

Kiedy próbowałem wymyślić diagramy wyjaśniające ludziom, jak to robimy, zrobiłem je w tej samej bazie kodu — w tym przypadku z Claude Code. Powiedziałem: „Chcę zilustrować, jak bierzemy detekcje w przestrzeni 2D i rzutujemy je do 3D”. To, że agent miał kontekst kodu, który sam współtworzył, sprawiło, że stworzenie przekonujących wizualizacji było o wiele łatwiejsze. Rok temu to było gdzieś zupełnie indziej, a teraz jest tak.

Ta idea — że kontekst miejsca, w którym coś zbudowałeś, pomaga ci też to coś wykurować i pokazać — jest naprawdę potężna. Korzystam z tego bez przerwy. W moim najnowszym filmie sprzed kilku dni jest podobna rzecz: chciałem wyjaśnić, co oznacza 5 GHz kontra 60 GHz. Tworzenie takich wizualizacji jest banalnie proste, a można zrobić też wersję interaktywną, przez którą da się przewijać i pokazać ludziom, jak dokładnie to działa.

Uwielbiam używać modeli kodujących do robienia tych — nie wiem, jak to nazwać — infograficznych wizualizacji w Three.js. To jest potężne. Ludzie niekoniecznie pamiętają lekcje fizyki. Sama możliwość pokazania, jak wyglądają fale, jak wygląda wysoka częstotliwość w porównaniu z niską, ogromnie ułatwia zrozumienie. A tego nie da się zrobić modelami generowania wideo, bo wyjdzie kompletnie niedokładnie albo bardzo stylizowanie. Więc uwielbiam używać Three.js i modeli kodujących do generowania B-rollu do moich filmów.

(Informacja dodatkowa: B-roll to materiał ilustracyjny wyświetlany w tle narracji, uzupełniający główne ujęcie.)

Riley: To ma stuprocentowy sens przy twoim rodzaju treści. Mówisz o mapowaniu 3D — potrzebujesz silnika fizycznego, żeby dało się naprawdę zrozumieć fale. Gdybyś przepuścił to przez Seedance 2.5 czy jakąkolwiek nowszą wersję, mogłoby wyglądać efektownie, ale nie byłoby w skali i nie oddawałoby wiernie twojej myśli.

Moje filmy są mniej naukowe. Mam bardzo konkretny workflow: jeśli robię film objaśniający typu „czternaście rzeczy, które musisz zrozumieć”, AI generuje mi wszystkie ekrany przejściowe — czysta animacja, zgodna z identyfikacją wizualną. Dlatego przydają się rzeczy takie jak Remotion czy Hyperframes — to bardziej strona 2D. Ale dochodzimy też do punktu, w którym rozumienie 3D przez AI wyraźnie się poprawia.

Pelikan na rowerze odchodzi do lamusa

Riley: Widziałeś najnowszy tweet Andreja Karpathy’ego?

Bilawal: O tak, widziałem.

Riley: Wychodzimy z ery pelikana na rowerze. To ciekawe, że on mówi wprost: zaczynamy opuszczać teren, w którym testujesz model językowy, każąc mu narysować SVG pelikana na rowerze.

(Informacja dodatkowa: „pelikan na rowerze” to nieformalny benchmark spopularyzowany w środowisku AI — prośba o wygenerowanie grafiki SVG jako szybki test zdolności przestrzennych modelu.)

Teraz model generuje świat 3D w Three.js, z narracją odtwarzaną w tle — ludzie łączą to z ElevenLabs, także do muzyki. I tak właśnie mierzymy dziś modele. Dajesz mu dziesięć dolarów i mówisz: stwórz pierwszą scenę „Hobbita”.

Pamiętasz, jak w 2023 pojawił się pierwszy test „Will Smith je spaghetti”? Wszystko było rozjechane, ręka przechodziła mu przez ciało, wyglądało koszmarnie. A dziś, jeśli poprosisz o ten sam test, dostaniesz wierną kopię Willa Smitha jedzącego spaghetti i będziesz musiał mrużyć oczy, żeby dostrzec różnicę.

Stąd pytanie: myślisz, że za dwa lata przy tym samym poleceniu dostaniemy coś, co wygląda jak film? Że model użyje silnika gry, żeby stworzyć nie tylko wideo, jak Seedance, ale reprezentację 3D, która będzie naprawdę dobrym filmem?

Bilawal: Uff. Testowałem chyba wszystko. Używam Fal i próbuję zbudować harness, który poradzi sobie z pięcio–dziesięciominutową treścią narracyjną. Taką sobie stawiam poprzeczkę. Z warstwą narracji, z dobrym doborem ujęć z lotu ptaka, złożone w całość. Wychodzi całkiem przekonująco. Doszliśmy do punktu, w którym prostsze treści w stylu dokumentalnym na pewno da się zrobić. Czy będzie to coś, co zwala z nóg? Myślę, że wszystko sprowadzi się do jakości opowiadanej historii.

I to jest ciekawe: te modele są świetne w warstwie wykonawczej, ale jeśli chodzi o prozę, której przyjemnie się słucha — tu wchodzi element ludzki. Czy pojedyncza osoba stworzy pełnometrażowy, naprawdę wciągający materiał? Na sto procent tak. Czy zrobi to autonomicznie z jednego promptu, nie przeuczając się na garstce scenariuszy, na których trenowali deweloperzy? Tego nie jestem pewien.

Natomiast bardzo ekscytuje mnie zbieżność jawnych reprezentacji 3D i podejścia silnika gry z bardziej niejawnym generowaniem wideo — czy to autoregresyjnym w stylu Genie, czy innym. To jest fajne, bo możesz wziąć rzeczywiste obrazy, wstawić w nie postacie i zachować interaktywność, jakiej oczekujesz od silnika gry, ale sterujesz autoregresyjnym generatorem wideo w czasie rzeczywistym, który po prostu dogenerowuje kolejną klatkę.

To jest naprawdę ekscytujące. Podejrzewam, że będziemy mogli wziąć nasze telefony — telefon będzie śledzony ruchowo — i w zasadzie reżyserować aktorów na planie. Jesteś jak James Cameron w piwnicy. Masz do dyspozycji całe piękno tego, co potrafi Seedance, a jednocześnie możesz uzyskać dokładnie takie ujęcie, jakiego chcesz, i skadrować je dokładnie tak, jak chcesz. To mnie najbardziej ekscytuje.

Riley: To szaleństwo.

Bilawal: Masz zupełną rację. Jednym z moich ulubionych promptów testowych jest coś w rodzaju „wszechwidzące miasto” — puszczam go przez wszystkie modele wideo. Mam swoją wersję z Claude’a sprzed roku. Jest niezła, ale ta obecna… zdolność do robienia rzeczy „na strzała”, za pierwszym podejściem, poprawiła się drastycznie. Już teraz możesz wziąć coś takiego, wrzucić do modelu dyfuzyjnego i przemalować. To jest twój szkielet i storyboard, a na tej bazie da się zrobić naprawdę przekonujące rzeczy.

Rysowanie ścieżki na mapie i trend, który wybuchł

Riley: Masz ten film, który wtedy opublikowałeś? Udostępniłem go dalej i sam mój repost zebrał milion wyświetleń. Napisałem chyba „OMG co?”. To był ten materiał z Austin — wziąłeś obraz i narysowałeś na nim trasę ujęcia z drona. To byłeś ty?

Bilawal: Tak, to ten. Nieumyślnie zapoczątkowałem trend. Historia pochodzenia jest taka: miałem rekonstrukcję 3D ogrodów Lodi w New Delhi i byłem ciekaw, czy jeśli dam modelowi ten obraz i faktyczną trajektorię, którą przeszedłem, to model przybliży perspektywę pierwszoosobową wzdłuż tej ścieżki. Poradził sobie naprawdę dobrze. Byłem trochę w szoku.

Potem pomyślałem: a co, jeśli wezmę zrzut z Google Earth, narysuję na nim pokręconą trasę i dodam trochę szczegółów?

Riley: Żeby dobrze zrozumieć: wziąłeś zrzut z Google Earth — to jest ten dolny obraz — narysowałeś na nim linię, a potem dałeś nowy obraz, czyli zdjęcie plus linię, modelowi wideo. Któremu?

Bilawal: Omni. Omni i Seedance są w tym naprawdę dobre. To zabawne — Omni ma być omnimodalny. Gemini i Google są mocno przekonani do multimodalności na wejściu i wyjściu, więc model jest trenowany na wielu modalnościach i bardzo dobrze wnioskuje o takich subtelnych szczegółach przestrzennych. Powiedziałbym nawet tak: nie używam Gemini do wielu rzeczy, ale kiedy muszę zrobić zadanie z rozumowania przestrzennego, i tak wracam do modeli z rodziny Gemini.

Więc w Omni bazgrolisz tę linię, a potem mówisz: „Wyobraź sobie perspektywę pierwszoosobową przemierzającą narysowaną przeze mnie linię”. I dostajesz coś takiego. A ponieważ to Omni, możesz prowadzić konwersacyjną edycję wideo — w kolejnym przebiegu po prostu mówisz, żeby usunął czerwoną linię.

Co mnie zaskoczyło: mieszkałem w Austin. Nazywam to prawdopodobną rekonstrukcją Austin, nie wierną. Model nie robi generowania wspomaganego wyszukiwaniem, nie dociąga kolejnego właściwego zdjęcia — ale robi to wszystko z jednego obrazu.

Riley: Widać stąd mieszkanie, w którym mieszkałem w Austin. Przechodziłem tę pętlę może trzy, cztery razy w tygodniu i faktycznie — jest prawdopodobna, nie dokładna. Pewnie nie ma na to dość danych. Ale gdybyś dał więcej zdjęć, chyba dałoby się to poprawić? Można podać wiele obrazów, prawda?

Bilawal: Można. Ale to wciąż nie wystarcza. Jest sposób na coś w rodzaju spatial RAG-a, który zrobiłby to idealnie.

Riley: Co masz na myśli? Czym jest RAG?

(Informacja dodatkowa: RAG — retrieval-augmented generation — to technika, w której model przed wygenerowaniem odpowiedzi dociąga zewnętrzne dane, zamiast polegać wyłącznie na wiedzy z treningu.)

Bilawal: Zanim dojdziemy do spatial RAG-a — ta sprawa eskalowała w niesamowitym tempie. Ludzie zaczęli robić rzeczy w tym stylu i te filmy wybuchały. To akurat Ilaris, w tym przypadku na Seedance, więc można używać także innych modeli. Ale wszyscy skupili się na tym, że miotła jest odwrócona. „O Boże, ale miotła jest w drugą stronę”. Zaraz — mamy teraz możliwość drobiazgowej kontroli nad generacjami, czyli dokładnie tego, na czego brak wszyscy narzekali. No i oczywiście ktoś zbuduje wokół tego porządne narzędzie. I wiele firm to robi.

Wracając do spatial RAG-a. Jest świetna praca o nazwie Soul World Model. Idea jest taka: masz panoramy Street View dla miasta albo równoważne zdjęcia panoramiczne — Apple, kogokolwiek. Przesuwając się wzdłuż trasy, po prostu doczytujesz kolejną najbliższą panoramę i używasz jej do kondycjonowania generacji. Jeśli tak zrobisz, możesz mieć bardzo długie trajektorie przez całe miasto i obraz pozostanie w miarę wierny. A potem oczywiście możesz przemalować rzeczywistość na żądanie: wrzuć tam Godzillę, zmień pogodę i porę dnia, rób, co chcesz.

I to jest robione na modelu open source. Gdyby użyć któregoś z modeli zamkniętych… gwarantuję, że Google musi to robić. Zgłaszałem tę prośbę o funkcję z milion razy. Uważam, że taka jest przyszłość: jeśli chcesz generacji zakotwiczonych w prawdziwym świecie, wykonujesz właściwe zbieranie danych, a potem kondycjonujesz generację techniką w rodzaju spatial RAG-a. Kamera musi tylko mieć jakiekolwiek pojęcie, gdzie jest w przestrzeni 3D, żeby wiedziała, którą panoramę czy zdjęcie doczytać.

Riley: Rozumiem. Czyli to jest dla Google prosta droga do wzięcia wszystkich danych z Google Earth i przerobienia ich w gigantyczny symulator gry albo filmu. Nawet nie wiem, jak to nazwać.

Bilawal: Czy śmiem powiedzieć „holodek”? Mam wrażenie, że jak wymówimy „holodek”, to wyskoczy Robert Zemeckis.

Reklama, UGC i granica ujawniania AI

Riley: To naprawdę szalone. Moja pierwsza myśl: mnóstwo firm wykorzysta to w reklamie. Widziałem już firmy, które robią to tak, że ludzie nie są w stanie wykryć, że to AI. Widziałeś już, żeby ktoś stosował to komercyjnie, czy to jeszcze zbyt świeże?

Bilawal: Wszyscy to robią. Pytanie tylko, ilu z nich mówi o tym otwarcie. Miejscem, w którym najczęściej widzę treści generowane przez AI, jest UGC. Nie wiem, czy się zgadzasz — tam jest to niemal ostentacyjne.

(Informacja dodatkowa: UGC — user-generated content — w kontekście reklamowym oznacza materiały stylizowane na amatorskie nagrania użytkowników, popularne w kampaniach na TikToku i Instagramie.)

Riley: Tam to wręcz razi. Kiedy zauważasz to w UGC, myślisz: „No weźcie, co my tu robimy?”.

Bilawal: To prawda. Niestety zawsze, kiedy ktoś próbuje… pamiętasz świąteczną reklamę Coca-Coli? Została zjechana tak brutalnie, że nie jestem pewien, czy ludzie będą otwarcie przyznawać się do używania AI. Przynajmniej tyle zauważyłem. Kiedy idę na konferencje VFX, takie jak FMX — w sieci wygląda to tak, jakby nikt tego nie używał. A przyjeżdżasz na konferencję i ludzie mówią: „Jasne, że używamy. Tylko dział prawny zabronił nam o tym mówić”. No świetnie.

Nie sądzę też, żeby to było w pełni gotowe na finalny obraz. W wielu zastosowaniach na pewno tak. Osobiście lubię robić tym B-roll do materiałów narracyjnych. To wszystko jest z Veo, do sekwencji otwierającej. Jeśli robię zimne otwarcie odtwarzające coś, co się wydarzyło — coś, o czym czytałem w książce — to jest po prostu świetna zabawa. I to są rzeczy, na które żaden youtuber inaczej nie miałby czasu. To sposób na wciągnięcie ludzi w historię, opowiedzenie, co się wydarzyło, czym była dana technologia, zakotwiczenie widza w tamtej epoce. Znów: może nie jest to wierne jeden do jednego, ale to cholernie dobra, prawdopodobna rekonstrukcja pewnych wydarzeń i technologii.

Riley: W stu procentach. Zarówno generowanie wideo, jak i rzeczy w stylu Remotion czy Hyperframes to narzędzia opowiadania historii, a najlepiej sprawdzają się jako B-roll. Mówisz coś i w tym samym momencie pojawia się właściwy obraz — a to w zasadzie jest definicja filmu i każdego wizualnego opowiadania.

Dziesięć lat temu byli youtuberzy tworzący takie motion graphics i wysokiej jakości B-roll, ale robili to ci, którzy mieli już duży biznes i mogli zainwestować dziesięć tysięcy dolarów w jeden film. Znam youtuberów, którzy wydają dziesięć, dwadzieścia, nawet sto tysięcy na film — i muszą mieć pewność, że to się zwróci. A teraz taki film może zrobić każdy, co podnosi poprzeczkę youtuberom od VFX. Zauważyłem, że nawet u tych najlepszych — Cleo Abrams ma świetne motion graphics i cały zespół ludzi, którzy nad tym pracują. Poprzeczka jakościowa na YouTubie idzie w górę i fajnie się na to patrzy.

Od TikToka do długiej formy

Bilawal: Zabawna historia: kiedy pierwszy raz się spotkaliśmy w Austin, gdzieś w 2023 albo 2024, chyba w 1618…

Riley: To ta azjatycka restauracja niedaleko centrum. 1618 Asian Fusion. Tak, pamiętam.

Bilawal: Wielu ludzi może o tym nie wiedzieć, ale zaczynałem od robienia krótkich filmów na TikToka. Przez wiele lat właśnie tym się zajmowałem.

Riley: I robiłeś to, pracując w Google, prawda?

Bilawal: Tak. Byłem product managerem w Google i nie chciałem stracić kontaktu z tą umiejętnością. Szukałem czegoś, co ogarnę przez weekend. Kochałem After Effects, 3ds Max, Maya, narzędzia AR i VR. Uwielbiałem robić te wszystkie filmiki z upiornymi potworami, kosmitami, robotami. Niektóre szły naprawdę świetnie.

Ale odkąd pojawiły się modele wideo, widać dosłownie, jak wraz z ich rozwojem spada moja chęć robienia krótkich form. Zamiast tego wykorzystuję te nowe supermoce do tworzenia długich treści, które kiedyś były bardzo trudne, a teraz robią się łatwiejsze.

Nierozwiązany problem: montaż wideo

Bilawal: Ale mam do ciebie pytanie. Największe wyzwanie, jakie mam — wspomniałem o dwóch rodzajach filmów. Eksperymenty szalonego naukowca są proste: po prostu improwizuję na zielonym tle, dzieląc ekran. Ale przy treściach pisanych mam problem ze współpracą z montażystami. Jeśli nagram to samo na trzy różne sposoby, tkwię w piekle Frame.io, tłumacząc montażystom: „Nie, nie, to jest to samo, tylko powiedziane trochę inaczej”.

Znalazłeś coś, co robi naprawdę dobre cięcia na osi czasu — nie po prostu prymitywnie na podstawie transkrypcji, tylko faktycznie dobrze montuje? Próbowałem Descripta, Remotion, kupy aplikacji z YC i nic nie pomogło mi przejść od czterdziestominutowego nagrania z konspektem lub scenariuszem do piętnastominutowego cięcia. Masz na to jakiś workflow?

Riley: Używam Descripta, ale wyłącznie do cięcia — głównie przy treściach z zielonego tła, bo kiedy mamy już finalną wersję, łatwo jest usuwać fragmenty. Problem zaczyna się, gdy masz wiele warstw nałożonych na siebie i próbujesz wycinać kawałki — robi się mega bałagan.

Uważam, że to jeden z największych obecnie problemów w całym pipelinie produkcji wideo, zwłaszcza przy ogromnych plikach, bo trudno się z nimi ruszać. Jeśli masz materiał B-roll ważący sto gigabajtów i bardzo złożone osie czasu, robi się ciężko. Rozmawiałem z kilkunastoma naprawdę dobrymi twórcami — nikt nie znalazł rozwiązania.

Sporo firm twierdzi, że nad tym pracuje, ale wiele z tych spółek z YC zakłada ktoś, kto sam nie montuje wideo. Uważają, że to dobry pomysł, ale nie znają prawdziwego bólu twórcy — tego, że ma bardzo konkretny sposób, w jaki chce zrobić coś wysokiej jakości. A zwykle kończy się tak, że nie ma korekcji kolorów, narzędzie wrzuca coś na ekran, kiedy coś powiesz, i wychodzi zlepek. Nikt nie stworzył dobrego workflow montażu wideo z AI. Więc robię to tak, jak mówisz: Frame.io, Descript i dużo komentarzy oraz dużo wymiany z moim żywym montażystą.

Bilawal: A przy odcinkach takich jak ten, z których zostaje ci od jednej do trzech godzin materiału — jak to skracasz do finalnej wersji? Robisz przejście ręcznie? Twój montażysta ma na to wyczucie? Jak to działa?

Riley: Mam w Notion dokumentację z listą rzeczy, na które mają zwracać uwagę. Czytają ją za każdym razem przed montażem: „usuńcie te rzeczy”. Robią pierwsze przejście — na przykład wycinają moment, w którym ktoś dłużej otwiera coś na ekranie.

Ale to, do czego dążę, to zmniejszanie złożoności montażu w moich filmach. Mówiłem ci przed nagraniem: naprawdę staram się po prostu prowadzić fajne rozmowy i wyciąć dużo tej reszty. Na końcu daję Fable do analizy transkrypcję, żeby wskazał miejsca, w których warto dodać wizualizacje. Myślę, że trzy albo cztery razy w tym odcinku, kiedy coś opisujesz, pojawi się pełnoekranowa grafika — zwłaszcza w pierwszych dziesięciu minutach.

To ważne, żeby przykuć uwagę widza i pokazać, że traktujesz ten film poważnie: „O, poświęcił czas, żeby wyjaśnić swoje myśli jaśniej — oglądam dalej”. A w drugiej połowie widzowie są już emocjonalnie w środku. W tej chwili jesteśmy pewnie jakieś trzydzieści minut w finalnej wersji. Jeśli jesteś z nami teraz, to znaczy, że cię to interesuje.

Bilawal: Prawdziwe zuchy.

Riley: Prawdziwe zuchy. Zostaliście z nami. Więc nie sądzę, żeby to było aż tak istotne — myślę, że ludzie wolą, żebyś wypuścił film szybciej, niż spędził dodatkowe kilka dni na dokładaniu B-rollu przez cały materiał.

Bilawal: Przy treściach konwersacyjnych — tak. Na YouTubie widać zresztą wyraźny trend „odmontowywania”. Ciągle widzę tego dziadka palącego cygaro w polu — jest cały ruch w tę stronę. Ludzie nie chcą już nadmiernego montażu pod retencję w stylu Mr. Beasta, tych trzydziestu bodźców na sekundę. Istnieje pewien złoty środek — dlatego tak polubiłem długą formę.

I tu wracam do Codeksa, bo to jest niesamowicie fajne. Uczę się o analityce YouTube rzeczy, których inaczej nigdy bym się nie dowiedział. Szalone, ile oni faktycznie udostępniają, jeśli chodzi o zrozumienie, jak radzą sobie twoje treści. Krzywe retencji są bardzo przydatne, sama możliwość zobaczenia średniego czasu oglądania, wskaźników ukończenia i mnóstwa innych rzeczy. Zwykle po prostu mówię agentowi, żeby to sprawdził. Zrobiłem skill, który jest jakby połączeniem Colina i Samira, Paddy’ego Gallowaya i Derrala Evesa w jedno. Jest cudowny.

(Informacja dodatkowa: wymienieni to znani analitycy i stratedzy YouTube’a, których materiały służą jako źródło wiedzy o wzroście kanałów.)

Riley: Wspomniałeś o podłączeniu Codeksa czy dowolnego agenta do analityki YouTube. YouTube ma API, ale konfiguracja jest dość upierdliwa. Codex ma już oficjalną integrację, czy trzeba samemu ustawiać API?

Bilawal: Nie wiem, ale przeszedłem przez ból włączania tych wszystkich rzeczy w chmurze. Przeszedłem cały proces.

Riley: Mam nadzieję, że to nie ty w Google skomplikowałeś to tak bardzo. W każdym razie wszystkie dane, które widzą youtuberzy — krzywe retencji, CTR dla każdego filmu — możesz po prostu udostępnić Codeksowi. A przed nagraniem powiedziałeś coś w stylu: „Testuj A/B, ja nawet nie chcę tego widzieć”. To jest właśnie miłe, że nie musisz przeklikiwać się przez przełączniki.

To brzmi nudno, ale jedno z moich największych marzeń związanych z AI — albo mój idealny sposób korzystania z komputera — to nigdy więcej nie otwierać żadnej aplikacji. Chcę po prostu rozmawiać z moim chatbotem, który pójdzie i zrobi to wszystko: „Przeanalizuj ostatni film. Jak możemy go poprawić? Jaka była retencja?”. I to się po prostu pojawia. A jeśli chcesz, żeby działo się cyklicznie, ustawiasz automatyzację: „Za każdym razem, kiedy siadam do komputera, albo codziennie o dziewiątej rano, przygotuj raport dla nowych filmów”. I pokazuje ci dane dokładnie tak, jak chcesz.

Podział pracy między modelami i koniec z dark patterns

Bilawal: Zabawne, że wspomniałeś Fable — traktuję go tak samo. Kiedy chcę artystycznych decyzji wysokiej jakości, mówię sobie: to zadanie dla Fable. Kiedy jest to coś dobrze zrozumianego albo chcę, żeby ktoś przekopał się przez szczegóły — wtedy Codex. I wracając do twojego punktu o byciu agent-native: to naprawdę zaczyna przypominać członków zespołu. Naprawdę tak się to czuje.

Miałem takie doświadczenie, jakbym pisał do producenta. Wracając do miniatur: jeśli ktoś nie jest aktywnym twórcą na YouTubie, to jedna z najgorszych rzeczy w tej pracy wygląda tak — wgrywasz film, a YouTube wita cię wspaniałym rankingiem „1 z 10” dokładnie w momencie publikacji. Porównuje wyniki twojego filmu z ostatnimi dziesięcioma, minuta po minucie, godzina po godzinie. To jest doskonały jednoręki bandyta: jeśli dostaniesz jedynkę na dziesięć, sypią się fajerwerki i czujesz się mistrzem. A jeśli nie — siedzisz i co pół godziny gorączkowo odświeżasz.

Teraz, kiedy tę część prowadzi Codex, nie mam już takiej pokusy. Pytam: „Jak idzie?”. Dobra, tak to wygląda. Decyzja podjęta. Nie chcę tego dotykać, oglądać ani przypadkiem wpaść w króliczą norę tego perfekcyjnie zaprojektowanego dashboardu.

Riley: To jest coś, o czym mówię od 2023 roku — moje marzenie o Siri. Ogromna część technologii to dark patterns. Instagram, każda platforma społecznościowa to algorytm, który chce cię trzymać w swojej aplikacji. Uważam, że jedynym sposobem, by temu przeciwdziałać, jest stworzenie zupełnie nowego systemu operacyjnego z twoim własnym algorytmem, zrobionym dla ciebie. Chcesz móc wejść na Instagram, żeby coś znaleźć, i nie utknąć tam na godzinę. Chcesz używać komputera w sposób bardzo ludzki.

Myślę, że rozwiąże to chatbot AI, któremu można zaufać. Dlatego nigdy nie ufam darmowemu chatbotowi — darmowy chatbot zawsze będzie miał motywację, żeby trzymać cię przy rozmowie jak najdłużej. Musi znaleźć inne sposoby monetyzacji.

(Informacja dodatkowa: dark patterns to celowo zaprojektowane wzorce interfejsu skłaniające użytkownika do zachowań korzystnych dla firmy, a niekoniecznie dla niego.)

Chcesz systemu AI, który pośredniczy w twoim kontakcie z tymi wszystkimi aplikacjami, żebyś nie dał się wciągnąć w te szkodliwe mechanizmy, i który ma dostęp do wszystkich danych, żeby powiedzieć ci, jak poprawić swoje życie, treści i biznes.

Używamy tego w naszym startupie. Wszystkie nasze dane są dostępne dla agentów AI. Nie ma takiej części naszego biznesu, w której nie dałoby się wejść i przeanalizować dowolnego obszaru. Odkąd ustawiliśmy Scrape Creators, czyli API, mogę pobrać nasze dane społecznościowe z dowolnej platformy, łącznie z filmami, i wszystko przeanalizować.

Wchodzimy więc w nowy świat dwóch rzeczy. Po pierwsze — osoba AI-native: cokolwiek wiąże się z technologią, najpierw idzie do swojej AI, a ta działa w jej imieniu i pokazuje jej to, co potrzebne. Po drugie — firma AI-native: cokolwiek jest potrzebne w firmie, dowolna osoba z zespołu może zapytać agenta i dostać właściwą odpowiedź. To moim zdaniem kolejny poziom także dla biznesów twórców.

Od agentów osobistych do zespołów agentów

Riley: Chcę ci coś rzucić. Jak duży masz zespół montażowy? Pracujesz z kontraktorami?

Bilawal: Dwóch montażystów. Jeden od motion graphics, jeden od montażu.

Riley: Pracują razem? To agencja?

Bilawal: To w zasadzie mała agencja.

Riley: Fajną rzeczą byłyby współdzielone skille. Myślę, że Anthropic idzie w tym kierunku z Claude Tag. Próbowałeś już? Wiesz, co to jest?

Bilawal: Wiem, co to jest, i wygląda mi to na bardziej akceptowalną w korporacji wersję tego, co próbuje robić Buzz. Bo większość firm nie odejdzie od Slacka, ale przetestuje betę Claude Tag. Idea, w której masz agenta z przydzielonym dostępem do każdego aspektu firmy, jest bardzo mocna. W moim świecie to na razie po prostu Codex, ale całkowicie się zgadzam: jeśli możesz prowadzić rozmowy, mieć agentów z kontekstem i przydzielać zadania — wszystko na wspólnym płótnie do współpracy — potencjał jest ogromny.

Riley: Tak. W miarę jak rozbudowywałem zespół, agenty w Slacku stają się dużo bardziej użyteczne, bo chcę, żeby każdy w moim zespole mógł korzystać ze skilli, których używam ja. A to wymaga ode mnie sporo wcześniejszej komunikacji.

Ale wspomniałeś o Buzzie, więc porozmawiajmy o Buzzie. Mówiłeś, że nie jesteś do niego przekonany.

Bilawal: Nie, nie — po prostu muszę mu się bardziej przyjrzeć. Podobał mi się. Widziałem twój ostatni film sprzed paru dni, kiedy wyszedł. Wygląda naprawdę fajnie. Ma w sobie te wszystkie aspekty Open Claw, które były pociągające. Kiedy robiłem pierwsze rzeczy z „widokiem świata” i „okiem opatrzności”, wszystko powstało w Open Claw jako harnessie — który, jak sądzę, po prostu napędzał Codeksa i Claude Code. Pewnie było to nieefektywne tokenowo, ale świetnie się bawiłem, mogąc po prostu wysyłać notatki głosowe.

Chciałem tych korzyści, ale w bardziej naturalnym, intuicyjnym interfejsie. I wygląda na to, że Buzz robi dokładnie to za pomocą ACP: podłączasz wszystkich swoich agentów i nagle masz hub, w którym Claude, Codex i inne harnessy rozmawiają ze sobą. To ekscytujące. Powiedziałbyś, że jest wystarczająco dobry, żeby zastąpić Slacka w całości i się przenieść?

Riley: Nie. Pamiętasz, jak mówiliśmy o Open Claw — że sporo z tego nie było od razu produktywne, ale przez sam proces testowania nowej technologii dużo się nauczyłeś?

Bilawal: Mnóstwo.

Riley: Uczysz się o połączeniach, o możliwościach agentów. I tym właśnie jest to dla mnie. Ta platforma wygląda na platformę dla wczesnych użytkowników. Nie widzę zespołów, które przeniosą się na nią w najbliższym czasie — mogę się mylić, bo być może ma wszystko, czego trzeba. Jest po prostu zbyt skomplikowana.

Wchodzimy teraz w kolejny etap adopcji agentów. Jesteśmy jakieś siedem miesięcy w 2026 rok i uważam, że ostatnie siedem–osiem miesięcy było o agentach osobistych. Open Claw był bardzo osobistym agentem: pojedynczy agent, któremu dawałeś komputer i do którego mogłeś pisać przez komunikator. Wcześniej ludzie używali Claude Code — agenta działającego na ich komputerze — potem Codeksa, potem na przykład Hermes Agenta. To była rewolucja osobista.

Buzz oznacza dla mnie przejście do zespołu agentów. Claude Tag reprezentuje pytanie: jak używać agentów jako grupa ludzi? Jak zbudować drugi mózg firmy — dla zespołu trzyosobowego, dziesięcioosobowego czy tysiącosobowego? Ostatni odcinek nagrałem z Guillermo Rauchem, wyjdzie za kilka dni. W Perplexity mają agenta V, z którym pracuje cała firma. Ten agent staje się coraz mądrzejszy, mają cały zespół, który się nim zajmuje, bo ogromnie im pomaga. Myślę, że w tę erę właśnie wchodzimy: jak wstawić agentów do zespołów.

Buzz jest ciekawy dlatego, że — wiesz, jak w Slacku, kiedy dodajesz ludzi, potrzebujesz admina, który ich doda, musisz stworzyć wspólne kanały, nadać właściwe uprawnienia, przeklikać się przez przełączniki? Buzz powstał tak, żeby to wszystko mógł zrobić agent. Mogę poprosić o to dowolnego ze swoich agentów. Pozwala też dodać dowolny harness: mogę dodać Codeksa, mam Claude Code, mogę dodać Cursora — domyślnym modelem w Cursorze jest Grok. Mogę oznaczyć ich wszystkich, a oni faktycznie współpracują. Buzz świetnie ułożył swój system prompt, więc oni naprawdę współdziałają. Wracam po piętnastu minutach, a oni odbyli sensowną rozmowę. I potem Codex mówi: „Dobra, na podstawie wszystkich informacji, które mam, zaczynam ten projekt”. Obserwowanie, jak agenty pracują razem, jest fascynujące.

Bilawal: A jeśli chodzi o wzajemne informowanie się — czy oni po prostu czytają tekst i z niego wywnioskowują aktualny stan wszystkiego? Czy to nie prowadzi do sytuacji, w której obaj rzucają się na to samo zadanie? Co powstrzymuje taki wyścig?

Riley: Powiedziałem to w filmie o Buzzie: próbowałem tego wcześniej i zwykle powstawał właśnie taki wyścig — rozmawiali stanowczo za długo, a kontekst robił się zupełnie zamulony. Buzz tego nie robi. Z tego, co rozumiem, przy każdej interakcji wstrzykiwany jest dodatkowy, ogólnosystemowy prompt Buzza. Nie analizowałem, jak dokładnie to zrobili, ale efekt jest taki, że tego problemu nie ma. Zwykle są to jedna czy dwie wymiany. Mówię: „Omów to z Claude Code”, a potem rozmawiam z Claude’em — Claude to domyślnie Fable. Piszę do niego „cześć”, pojawia się emoji, widać, który agent pracuje, można kliknąć w jego aktywność i sprawdzić, że cały czas działa. A kiedy skończy — odpowiada.

Bilawal: Te rozmowy zapisują się też lokalnie w twoim Claude Code, prawda?

Riley: Tak. To po prostu używa Claude Code pod spodem. Mogę powiedzieć: „Claude Code, zapytaj Codeksa, o czym dziś rozmawiałem w aplikacji Codex”. Może oznaczyć dowolnego innego agenta i zapytać Codeksa. Często siedzę głęboko w sesji z Fable, coś buduję, koduję, i mówię: „Codex ma skilla, który pozwala zrobić tę rzecz. Możesz go o niego poprosić, a potem użyć i zrobić to porządnie?”. Albo: „Poproś Codeksa, żeby zrobił dla mnie tę jedną rzecz”. A ponieważ wszystko dzieje się w jednej wspólnej przestrzeni, przekazują sobie kontekst.

Mówiłeś, że używasz Claude’a do wielu rzeczy, i zgadzam się z tobą — Claude jest znacznie lepszy w tworzeniu dokumentów, prezentacji i ogólnie w wyczuciu projektowania front-endu. Więc pewnie masz inne skille w Claude Code niż w Codeksie?

Bilawal: Zgadza się.

Riley: No i teraz jesteś we wspólnej przestrzeni, gdzie jeśli Claude Code nie ma jakiegoś skilla, możesz mu po prostu powiedzieć, żeby zawsze pytał Codeksa, czy ten go ma — i wtedy być może z niego skorzysta. To jeszcze nie jest dopracowane, ale widać, w którą stronę to wszystko zmierza.

Można coś takiego robić też w Slacku. Niewiele osób o tym wie, ale OpenAI wypuściło coś, co nazywa się workspace agents — można je dodać do Slacka. To bardzo przypomina Claude Tag, tyle że działa w chmurze jak agent GPT Work, ma wszystkie skille, które mu nadasz, może łączyć się z tymi samymi wtyczkami co twój Codex, możesz dać mu osobowość i pozwolić całemu zespołowi do niego pisać.

Bilawal: Wypróbuję to.

Riley: Na podstawie wszystkiego, co powiedziałem — myślisz, że przydałoby się to w twoim workflow, w pracy z zespołem?

Bilawal: Ma w sobie wiele z tego, co robiłem na WhatsAppie w czatach grupowych. Miałem wątek nazwany „rada” — jak wiele osób — ze wszystkimi agentami. Kiedy zastanawiałem się nad nowym pomysłem, lubiłem patrzeć, jak jest atakowany z różnych stron przez różne modele, każdy ze swoimi niuansami. Możliwość robienia tego w jednym miejscu, a przy tym w trybie wieloosobowym, z innymi ludźmi, jest naprawdę fajna.

Pod wieloma względami ma to sporo z tego uroku — tych magicznych momentów, które dawał wczesny Open Claw, kiedy siedziałeś w dużym wątku na Telegramie ze swoimi agentami i jeszcze kimś. Wspólne promptowanie tych systemów to świetna zabawa. To jakaś nowa forma programowania w parach: w pewnym sensie pracę wykonują agenty, ale możesz robić to wspólnie. Mam już z tym trochę doświadczenia w Slacku, z naszymi własnymi agentami — GLM i Kimi. Jest tam agent do przeglądu kodu. Świetna sprawa.

Riley: To po prostu jest zabawne. I jesteśmy na wczesnym etapie. To pewnie odpowiednik stycznia w erze Open Claw, kiedy część ludzi już go używała, ale nikt nie podzielił się jeszcze niczym naprawdę użytecznym. Myślę, że zespoły agentów będą tematem drugiej połowy tego roku.

Jak powstał „vibe-codowany Palantir”

Riley: Zanim cię puszczę, chcę pogadać o twoim wirusowym filmie na YouTubie. Zrobiłeś projekt, który zebrał dwa miliony wyświetleń. Opowiesz o tym?

Bilawal: Jasne. To było ciekawe doświadczenie. Pod wieloma względami nie wydarzyłoby się bez Open Claw.

Historia zaczyna się od tweeta. Bawiłem się Gemini 3.1 — jak wspominałem, Gemini jest znacznie lepszy w rozumowaniu przestrzennym niż Claude 4.6. Dla tych, którzy nie wiedzą: spędziłem dekadę w branży, głównie w Google, pracując nad geoprzestrzennym mapowaniem 3D. Zajmowałem się między innymi fotogrametrią: jak stworzyć model 3D świata i udostępnić go w formie kafelków 3D, jak działa pozycjonowanie wizualne i tak dalej. Ale to jest statyczne odwzorowanie rzeczywistości.

(Informacja dodatkowa: fotogrametria to technika odtwarzania trójwymiarowej geometrii obiektów na podstawie zdjęć.)

Wciągnąłem się w vibe coding. Używałem wtedy Open Claw jako harnessu napędzającego — być może bardzo nieefektywnie tokenowo — te wszystkie systemy. Pomysł miałem taki: chcę pomalować świat informacją. Wpadłem w szaloną króliczą norę pytania, jakiego rodzaju informacje można nałożyć na świat, i zagłębiłem się w biały wywiad. Wiedziałem o kilku dostępnych warstwach danych, ale im głębiej szedłem z agentami, tym więcej się okazywało. Wyszło na przykład, że wszystkie kamery CCTV w Austin są otwarte — dostajesz obraz raz na pięć minut, a można z tym zrobić bardzo ciekawe rzeczy.

(Informacja dodatkowa: biały wywiad, po angielsku OSINT — open-source intelligence — to analiza wywiadowcza oparta wyłącznie na jawnie dostępnych źródłach.)

Zrobiłem więc pierwszy prototyp, nie przywiązywałem do tego dużej wagi, poszedłem spać — i obudziłem się, kiedy to już było na topie. Ludzie pisali: „ten gość vibe-codował Palantira”. Oczywiście to coś zupełnie innego niż Palantir, żeby było jasne.

Ale z jakiegoś powodu Joe Lonsdale, jeden ze współzałożycieli Palantira, wystąpił w TBPN i mówił o tym — mniej więcej w duchu: „nie, nie, chodzi o zastrzeżoną fuzję danych, zagrożone jest tylko proste SaaS-owe oprogramowanie”. No i przyszedł kolejny tydzień, a ja pomyślałem: „O, wybucha wojna”.

I to zabawne — przy tym filmie dosłownie siedziałem na kanapie, oglądałem CNN, wiadomości leciały, i uświadomiłem sobie: cholera, stworzyłem dokładnie tę infrastrukturę, która pozwala gromadzić wszystkie te sygnały OSINT-owe — śledzenie satelitów, samolotów, statków, wszystkie kanały społecznościowe w danym rejonie — geokodować je i wizualizować. Stworzyłem czterowymiarową rekonstrukcję tych dwudziestu czterech godzin. Potem zrobiłem kontynuację, śledząc cieśninę Ormuz i kilka innych rzeczy wokół.

Uświadomiłem sobie, że nie istnieje coś takiego jak ścieżka audytu dla fizycznej rzeczywistości. Żeby zdobyć te informacje, musisz otworzyć siedem czy osiem różnych zakładek i być ekspertem od geoprzestrzeni, żeby to wszystko połączyć.

To, co robię, to eksperymenty obejmujące wszystko od kosmosu po powierzchnię ziemi, łącznie z ostatnimi rzeczami z okularami Meta i telefonami. Jak wrzucić to wszystko w przewijalny czterowymiarowy glob? To właśnie buduję. Mam teraz współzałożyciela, świetnego CTO — pracowaliśmy razem w Google, wcześniej był w Nvidii — i budujemy coś nowego. Nie mogę się doczekać, żeby o tym opowiedzieć.

Riley: Czyli przechodzisz od vibe-codowania Palantira do posiadania CTO, który potrafi Palantira faktycznie zakodować.

Bilawal: Nie wiem, czy to Palantir jako taki. Powiedziałbym raczej: publicznie czytelny Palantir. Palantir jest bardzo ciekawy i potężny, jeśli masz zastrzeżone zbiory danych i chcesz zrozumieć, co się dzieje — jeśli jesteś instytucją albo dużym przedsiębiorstwem. Mnie ekscytuje wykorzystanie danych otwartych i komercyjnych.

I nie umiem opisać, jak szalone były rozmowy z ostatnich miesięcy. Zainteresowani są dziennikarze. Zainteresowani są aktywiści. Zainteresowani są wielcy gracze zbrojeniowi. Zainteresowane są startupy defense tech. Odezwał się Departament Wojny. To była dziwna sytuacja, w której ta sama rzecz przemawia do obu stron sporu politycznego — a to mówi mi, że jest tu coś wyjątkowego.

Sprowadzam to do pytania: jak zbudować okno, przez które patrzysz na świat, tak żeby nie były to trzy kropki na mapie i cztery gadające głowy w telewizji, tylko żebyś mógł możliwie samodzielnie to zrozumieć. Ponieważ jestem człowiekiem od geoprzestrzeni i 3D — i mój współzałożyciel również — podchodzimy do tego przede wszystkim trójwymiarowo. Można byłoby zbudować terminal w stylu Bloomberga; to fajne i ma swoje miejsce. Ale tu chodzi o to, jak wziąć wszystkie dane sensoryczne świata, publicznie lub komercyjnie dostępne. A jest niewiarygodnie dużo szalonych danych dostępnych komercyjnie, w tym od dostawców satelitarnych robiących ciekawe rzeczy. Ktoś płaci na przykład rybakom: „zainstalujemy ci Starlinka na kutrze, żeby zbierał dane AIS o ruchu statków w okolicy”. Więc: zbudować okno, przez które widzisz świat, i stworzyć ścieżkę audytu dla fizycznej rzeczywistości.

Jeszcze w tym miesiącu otworzę kod pierwotnego projektu. To bardziej coś w rodzaju symulatora szpiega w przeglądarce. Masz wrażenie, że siedzisz w CENTCOM z odpalonym dashboardem. Nawiasem mówiąc, jest mnóstwo ludzi, którzy po prostu chcą wrzucić to na wielki ekran, otworzyć energetyka i monitorować sytuację. To fajne — i o tym właśnie jest to otwartoźródłowe narzędzie. Ma estetykę thrillera szpiegowskiego, ale pod spodem są prawdziwe dane. Szczególnie zależy mi na znalezieniu najtańszych możliwych API do wersji open source, żeby ludzie mieli dobre doświadczenie. Potem pojawi się produkt komercyjny. Społeczność przegłosowała, że wersja pierwsza będzie otwarta. Wersja druga i kolejne — żeby naprawdę przewijać cały glob — wymagają bardzo drogich danych i sporo obliczeń, bo trzeba, żeby ponad trzydzieści warstw działało płynnie na trójwymiarowym globie.

Riley: Sposób, w jaki to zrobiłeś, jest niesamowity, bo — popraw mnie, jeśli się mylę — pewnie nie szukałeś tych wszystkich źródeł danych ręcznie. Zleciłeś agentowi, żeby je znalazł, prawda? Kiedy pierwszy raz vibe-codowałeś to z Open Claw?

Bilawal: Dokładnie tak. To było dosłownie: „Zrób pogłębiony research, co tam w ogóle jest. Znajdź każde API, co jest otwarte, a co nie”. A fakt, że mogłem to robić, wysyłając notatki głosowe albo dyktując — kumple z Google Maps pisali do mnie: „Stary, zrobiłeś to w weekend?”.

Riley: Ta historia jest szalona. Kazałeś Open Claw stworzyć mały symulator 3D korzystający z prawdziwych danych, które sam poszedł znaleźć. Bawiłeś się, zrobiłeś projekt, wrzuciłeś na Twittera, nagrałeś film na YouTubie. I zgaduję, że kiedy mówisz „społeczność zdecydowała”, to spora część tej społeczności uformowała się właśnie wokół filmu na YouTubie.

Bilawal: YouTube i Twitter to zdecydowanie dwa główne źródła. Ale ludzie repostowali to na Reddicie — to poszło tak szeroko, że przerosło moje najśmielsze wyobrażenia. Wcześniej też miałem rzeczy, które szły wirusowo, ale to było jedno z tych zdarzeń, o których mówi się „product-market fit”. Ludzie nie pisali „o, fajne, jak to zbudować?”. Ludzie pisali: „Chcę mieć do tego dostęp już teraz. Gdzie przeciągnąć kartę?”. Taka była reakcja.

Riley: Ja nazywam to dopasowaniem treści do odbiorcy. I uważam, że to po prostu właściwy sposób prowadzenia biznesu dzisiaj: zrób prototyp, zrób o nim treść i zobacz, co się stanie. To zresztą najlepszy możliwy przypadek. Pewnie zdajesz sobie sprawę, że pójście wirusowo z długą formą jest o wiele lepsze i mocniejsze niż wirusowy sukces na TikToku.

Bilawal: Albo nawet na X.

Riley: Albo nawet na X — bo ktoś spędził dziesięć minut z twoim filmem, a potem masz tysiące komentarzy, w których ludzie piszą: „powinieneś dodać to i to”. Świetna historia. Naprawdę vibe-codowałeś prototyp, a teraz to robisz na serio. Jak to teraz u ciebie wygląda? Ile czasu poświęcasz na to, a ile na treści?

Bilawal: To jest najtrudniejsza część. Próbuję rozbudować zespół — więc jeśli masz rekomendacje montażystów, daj znać.

Riley: Montażystów, dobrze.

Bilawal: Szukam producenta i montażysty. Wcześniej naprawdę lubiłem robić produkcję, a teraz po prostu nie mam czasu, bo większość czasu spędzam na kodowaniu i budowaniu tej rzeczy. A chodzi o to, że kocham robić treści o inteligencji przestrzennej. To zawsze był mój znak rozpoznawczy i chcę to kontynuować.

Rozdawaj przepis, buduj ruch

Bilawal: Robię to, co nazywam mapami frontiera — i chcę też rozdawać przepis. Wiele osób mi doradzało: „Dlaczego tak szczegółowo opisujesz, jak to zrobiłeś? Dlaczego wypisujesz na swoim Substacku, jakich API użyłeś?”. A ja na to: te informacje muszą być darmowe. Widzieć, jak ludzie improwizują na tym, co zrobiłem, i podają cię jako źródło — to jest dla mnie ogromnie budujące, bo oni dają mi pomysły. Ta pętla zwrotna powinna się kręcić i chcę w nią mocniej wchodzić. Treści muszą zostać.

Riley: Nigdy nie pozwól, żeby ktoś ci to odradził — bo tym, co posiadasz, nie jest oprogramowanie. Posiadasz ruch. W momencie, w którym się zamkniesz i nie pozwolisz nikomu uczestniczyć inaczej niż jako konsument twojej technologii, pozwalasz komuś innemu stworzyć ten ruch. Wybacz, że przerwałem.

Bilawal: Nie, to piękna uwaga.

Riley: Mnóstwo ludzi doradzi ci, żeby trzymać wszystkie sekrety dla siebie. Ale jeśli spojrzeć na tych, którzy naprawdę wymiatają w biznesie i w treściach — oni nie mają żadnych sekretów. Oni po prostu posiadają ruch. Myślę tu często o Alexie Hormozim: wszyscy biznesowi ludzie próbują sprzedawać kursy, które nawet nie zbliżają się jakością do tego, co on rozdaje za darmo. Wygrywasz, budując możliwie największy ruch.

Bilawal: I dając ludziom szablony, żeby mogli się tym bawić. Połowa tej sprawy polega na tym, że wszyscy wciąż odkrywamy, do czego te agenty są zdolne — i to jest dla mnie świetna zabawa. Dosłownie mówię na końcu moich filmów: skieruj swojego blaszaka na transkrypcję tego filmu, każ mu wejść na mój Substack, użyj tego jako mapy i zrób coś swojego.

Dostawałem wiadomości nawet w sprawie tej aplikacji do śledzenia strzałów. Ludzie pisali: „Boże, to jest na przecięciu trzech rzeczy, na których mi zależy. Zobacz, co ja zrobiłem”. Albo: „Ten temat, który poruszyłeś — mamy taki system w samolocie. Chcesz przyjechać do Nowego Meksyku, polatać i pokazać nam, co z tego zrobisz?”. To niesamowite, co się dzieje, kiedy dajesz ludziom mapy do budowania własnych podróży.

Ale wracając do treści: jeśli znasz dobrych producentów — albo ktokolwiek tego słucha i lubi ten rodzaj treści, i chciałby wziąć moje eksperymenty szalonego naukowca i skomplikowane tematy, które próbuję poruszać, i uczynić je przystępnymi… Celem moich esejów wideo jest to, żeby ekspert w danej dziedzinie powiedział: „to dobre, zwięzłe podsumowanie”, a laik: „o, pierwszy raz to zrozumiałem”.

W tej przestrzeni — geoprzestrzennej, dotyczącej rozumienia świata rzeczywistego — wszystko jest bardzo dwojakiego zastosowania. Jest albo dużo straszenia, albo skrajnego entuzjazmu w duchu „hurra dla defense tech”. Nie ma niuansu pośrodku. Staram się, jak mogę, znaleźć tę równowagę.

Ale Boże, ile to jest zabawy. Mam chyba zdecydowanie za dużo czasu przed ekranem. Vibe coding jest chyba bardziej uzależniający niż media społecznościowe. To ci powiem na pewno.

Riley: Sto procent. To jest świetna zabawa, zwłaszcza w twoim wykonaniu. Kiedy otworzysz ten kod, może sam spróbuję się nim pobawić. Może zrobię transmisję na żywo — brzmi jak absolutna frajda. W każdym razie: to była świetna rozmowa. Powtórzmy ją niedługo. Dziękuję ci ogromnie, że wpadłeś, i życzę powodzenia z firmą. Wiem, że dowieziesz.

Bilawal: Dzięki za zaproszenie.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Nie buduj systemu agentowego — używaj go

Na czym polega: Sidhu miał sześciu agentów z osobowościami, głosami z ElevenLabs i rozbudowanym routingiem. Uznał to za przekombinowane i zastąpił jednym narzędziem. Riley opisuje szerszy wzorzec: ludzie przestali pracować i zaczęli pracować nad swoim Open Claw, a najwięcej czasu pochłaniał dashboard.

Jak stosować: Ustal, ile godzin tygodniowo poświęcasz na konfigurowanie narzędzia AI, a ile na pracę, którą ono ma wykonać. Jeśli ten pierwszy czas rośnie przez dwa tygodnie z rzędu, zamroź setup i tylko go używaj. Zacznij od jednego agenta i jednego realnego workflow, nie od architektury.

Na co uważać: Etap eksploracyjny ma wartość, której nie widać w krótkim horyzoncie — obaj rozmówcy podkreślają, że przez sam proces testowania Open Claw nauczyli się mnóstwo o możliwościach agentów. Nie myl „to nie było produktywne w tym tygodniu” z „to była strata czasu”. Rozdziel jednak w kalendarzu czas na naukę od czasu na dowożenie.

2.Wbudowana przeglądarka zmienia rachunek zysków i strat

Na czym polega: Sidhu był sceptyczny („przecież to zwykły Chromium”), a zmienił zdanie przez dwa czynniki: przeglądarka agenta jest już zalogowana do wszystkich twoich narzędzi, i nie przejmuje kontroli nad twoim głównym Chrome’em. Efekt: zadania typu „monitoruj CTR w teście A/B i powiedz, czy podmienić miniaturę” przestają być ręcznym rytuałem.

Jak stosować: Wypisz zadania, które robisz w przeglądarce cyklicznie i które sprowadzają się do „zaloguj się, sprawdź liczbę, podejmij drobną decyzję”. To pierwszy zestaw kandydatów. Zacznij od czynności odczytu i raportowania, zanim dopuścisz agenta do zmian.

Na co uważać: Zalogowana sesja to pełne uprawnienia twojego konta. Zanim dasz agentowi swobodę w przeglądarce, sprawdź, do których usług jest zalogowany i co może w nich nieodwracalnie zmienić — publikacja, usunięcie, wysyłka. Rozważ osobne konto o ograniczonych uprawnieniach do zadań agentowych.

3.Dokument otwarty obok czatu to inny tryb pracy niż prompt

Na czym polega: Sidhu pisze w Dokumentach Google, wstawiając szczegółowe komentarze — agent je czyta, proponuje poprawkę, a on sam ją wdraża. Riley pracuje w Notion, gdzie agent wprowadza zmiany przez API. Obaj nazywają to „wspólnym płótnem”: dokument jest jednocześnie zadaniem, kontekstem i wynikiem.

Jak stosować: Zamiast wklejać tekst do czatu i odbierać wersję, zostaw dokument otwarty i komentuj konkretne akapity. Przy pisaniu, w którym zależy ci na własnym głosie, stosuj model Sidhu: agent diagnozuje, ty wykonujesz poprawkę.

Na co uważać: Kiedy agent edytuje dokument przez API, historia zmian robi się nieczytelna, a odróżnienie twoich decyzji od jego staje się trudne. Przy ważnych materiałach twórz kopię przed sesją agentowej edycji.

4.Modele różnią się na tyle, że warto je świadomie rozdzielać

Na czym polega: Obaj rozmówcy zbieżnie opisują podział: Fable i Claude do decyzji artystycznych, prozy, dokumentów, prezentacji i wyczucia front-endu; Codex do rzeczy dobrze zdefiniowanych i przekopywania się przez szczegóły. Sidhu wprost mówi, że GPT-5.6 jest fatalny w pisaniu, mimo że używa go do wszystkiego innego. Do zadań przestrzennych obaj wracają do rodziny Gemini.

Jak stosować: Zamiast szukać jednego „najlepszego” modelu, zbuduj prostą regułę: proza i estetyka — jedno miejsce; researchowe grzebanie i zadania mechaniczne — drugie; rozumowanie przestrzenne — trzecie. Zapisz tę regułę, żeby zespół stosował ją tak samo.

Na co uważać: Ten podział to stan na sierpień 2026 i zmienia się przy każdym większym wydaniu. Traktuj go jako hipotezę do okresowego przetestowania na własnych zadaniach, a nie jako trwały fakt.

5.Modele kodujące to lepszy generator wizualizacji technicznych niż modele wideo

Na czym polega: Do wyjaśniania fal 5 GHz kontra 60 GHz albo rzutowania detekcji z 2D do 3D Sidhu używa Three.js i modelu kodującego, nie generatora wideo. Powód jest merytoryczny: model wideo wyprodukuje coś efektownego, ale niedokładnego i nie w skali. Dodatkowa korzyść: agent generujący diagram ma kontekst kodu, który sam współtworzył.

Jak stosować: Kiedy musisz zilustrować mechanizm — a nie nastrój — sięgnij po kod, nie po generację wideo. Jeśli objaśniasz własny projekt, uruchom agenta w tej samej bazie kodu; kontekst implementacji wyraźnie podnosi trafność wizualizacji.

Na co uważać: Wygenerowana wizualizacja wygląda autorytatywnie niezależnie od tego, czy jest poprawna. Przy treściach edukacyjnych zweryfikuj proporcje, jednostki i kierunek zależności — czytelnik uzna ładny wykres za sprawdzony fakt.

6.Rysowanie trajektorii na obrazie jako sposób na kontrolę generacji

Na czym polega: Sidhu wziął zrzut z Google Earth, narysował na nim linię i poprosił model o perspektywę pierwszoosobową wzdłuż tej linii. Ponieważ Omni jest omnimodalny, kolejnym poleceniem usunął narysowaną linię z gotowego materiału. To odpowiedź na najczęstszy zarzut wobec generatorów wideo: brak precyzyjnej kontroli.

Jak stosować: Zamiast opisywać ruch kamery słowami, narysuj go. Adnotacja na obrazie wejściowym niesie więcej informacji przestrzennej niż akapit promptu, a konwersacyjna edycja pozwala potem usunąć elementy pomocnicze.

Na co uważać: Sidhu sam nazywa efekt „prawdopodobną rekonstrukcją, nie faktyczną” — model nie dociąga prawdziwych zdjęć kolejnych fragmentów trasy. Nie używaj tego tam, gdzie widz może uznać obraz za dokumentację rzeczywistego miejsca.

7.Spatial RAG jako kierunek wierności geograficznej

Na czym polega: Idea z pracy Soul World Model: w trakcie generowania trajektorii doczytujesz kolejną najbliższą panoramę Street View i kondycjonujesz nią generację. Dzięki temu długie przejazdy przez miasto zachowują wierność, a na to można nakładać zmiany pogody, pory dnia czy dowolne elementy fikcyjne.

Jak stosować: Jeśli budujesz cokolwiek, co ma generować widoki konkretnych miejsc, planuj architekturę wokół zewnętrznego źródła obrazów i sygnału pozycji 3D kamery, a nie wokół samego promptu. Sidhu podkreśla, że kamera musi tylko wiedzieć, gdzie jest, żeby wskazać właściwą panoramę.

Na co uważać: To wciąż obszar badawczy — Sidhu opisuje demonstrację na modelu open source i przyznaje, że wielokrotnie prosił Google o taką funkcję bez skutku. Nie planuj produktu przy założeniu, że jutro pojawi się to gotowe u dużego dostawcy.

8.Agentowy montaż wideo to wciąż niezaspokojona potrzeba

Na czym polega: Sidhu wprost pyta o narzędzie, które zamieni czterdziestominutowe nagranie ze scenariuszem w piętnastominutowy montaż. Testował Descript, Remotion i szereg startupów z YC — nic nie zadziałało. Riley potwierdza: rozmawiał z kilkunastoma dobrymi twórcami i nikt nie ma rozwiązania. Diagnozuje przyczynę: te narzędzia budują ludzie, którzy sami nie montują.

Jak stosować: Jeśli oceniasz narzędzia do montażu AI, testuj je od razu na najtrudniejszym przypadku — wielowarstwowy timeline, ciężkie pliki, wiele dubli tej samej kwestii. Jeśli szukasz niszy produktowej, to jest jedna z wyraźnie otwartych. Doraźna strategia Rileya: obniżać złożoność montażu u źródła, zamiast szukać narzędzia, które ją udźwignie.

Na co uważać: Demo tych narzędzi robi się na prostym materiale z jednej kamery. Nie podejmuj decyzji o zmianie pipeline’u na podstawie prezentacji, która nie obejmuje twojego realnego przypadku.

9.Zespoły agentów to następny etap, ale jeszcze nie do wdrożenia produkcyjnego

Na czym polega: Riley dzieli ostatnie miesiące na erę agentów osobistych (Open Claw, Claude Code, Codex) i nadchodzącą erę zespołów agentów: Buzz, Claude Tag, workspace agents od OpenAI. Buzz pozwala podpiąć wiele harnessów jednocześnie i oznaczać je razem — rozwiązując przy tym problem, przez który wcześniejsze próby kończyły się zapętloną rozmową agentów i zamuloną pamięcią kontekstu. Ale Riley jednoznacznie ocenia: to platforma dla wczesnych użytkowników, zbyt skomplikowana, żeby zespoły się na nią przeniosły.

Jak stosować: Jeśli chcesz się przygotować, zacznij od tego, co Riley wskazuje jako wąskie gardło — udostępnienia zespołowi tych samych skilli, których używasz sam. To wymaga twojej pracy komunikacyjnej, niezależnie od wybranej platformy. Testuj Buzza jako poligon, nie jako zamiennik Slacka.

Na co uważać: Agent z przydzielonym dostępem do każdego aspektu firmy to również pojedynczy punkt ryzyka. Zanim taki układ wyjdzie poza eksperyment, zdefiniuj, kto co może przez agenta zobaczyć i zmienić.

10.Rozdanie przepisu buduje pozycję mocniej niż jego ukrywanie

Na czym polega: Sidhu publikuje na Substacku, z jakich dokładnie API korzystał, i kończy filmy zachętą, by widz wziął transkrypcję i zbudował własną wersję. Odradzano mu to. Efekt: projekt zebrał dwa miliony wyświetleń, ludzie pytali nie „jak to zbudować”, tylko „gdzie zapłacić”, a społeczność zagłosowała, że wersja pierwsza ma być open source. Riley formułuje zasadę: nie posiadasz oprogramowania, posiadasz ruch — a gdy się zamkniesz, ruch stworzy ktoś inny.

Jak stosować: Jeśli twój produkt wyrasta z prototypu, potraktuj szczegółową dokumentację „jak to zrobiłem” jako część strategii, nie jako wyciek. Sidhu wskazuje konkretny zwrot z tej inwestycji: ludzie odsyłają mu pomysły i możliwości, których sam by nie znalazł.

Na co uważać: To zadziałało w sytuacji, w której wartość leży w wykonaniu i skali danych, a nie w samym pomyśle — Sidhu otwiera wersję pierwszą, a wersję komercyjną opiera na drogich danych i obliczeniach, których nie da się łatwo powtórzyć. Jeśli twoja przewaga to sam pomysł, ta kalkulacja wychodzi inaczej. Warto też zauważyć, że sam projekt dotyka wrażliwego, dwojakiego zastosowania — Sidhu wprost mówi o zainteresowaniu ze strony dziennikarzy, aktywistów i sektora obronnego jednocześnie.