O czym jest ten film
- Przeciążenie agentami zaczyna się nie od porażki, lecz od sukcesu: pierwszy działający agent kusi, by zbudować dziesięć kolejnych.
- Praca z AI przesuwa użytkownika z roli wykonawcy do roli menedżera i recenzenta cudzej pracy.
- Autor wskazuje pięć ukrytych kosztów: tłumaczenie zadania, przyglądanie się pracy AI, sprawdzanie wyniku, sprzątanie po nim i podejmowanie decyzji za AI.
- Reguły porządkujące pracę dzielą się na trzy kategorie: przed startem agenta, w trakcie jego pracy i po zakończeniu.
- Przed zbudowaniem agenta należy odpowiedzieć na cztery pytania: czy zadanie się powtarza, czy ma wyraźne granice, czy da się cofnąć jego skutki i czy wynik da się szybko sprawdzić.
- Przy długich zadaniach warto najpierw poprosić agenta o krótki plan, a na koniec o dziennik decyzji.
- Dziennik decyzji sprawdza się przed wynikiem — jeśli decyzje są błędne, wyniku nie warto nawet czytać.
- Cztery działania wymagają zawsze zatwierdzenia przez człowieka: wysyłka, publikacja, płatność i trwałe usunięcie.
- Autor radzi nie prowadzić więcej niż trzech agentów jednocześnie — zarówno z powodu ograniczeń uwagi, jak i rosnącej szybkości modeli.
- Całość sprowadza się do wagi: czy praca ręczna kosztuje więcej niż utrzymanie agentów. Zwykle wygrywa AI, ale nie zawsze.
Redakcyjne tłumaczenie
Wzorzec, który zaczyna się od wygranej
Regularnie obserwuję pewien wzorzec w pracy z AI. Nigdy nie zaczyna się on od tego, że coś idzie źle — zaczyna się od sukcesu. Ktoś uruchamia swojego pierwszego agenta AI i ma poczucie, że dotknął magii. Więc buduje dziesięć kolejnych. Kilka tygodni później zgłasza się do mnie kompletnie przytłoczony.
Prowadzę firmę doradczą w obszarze AI i ten problem pojawia się niemal u każdego klienta. Powód jest prawie zawsze ten sam: każdy zbudowany agent nadal potrzebuje kogoś, kto go sprawdzi, poprawi i utrzyma na właściwym torze. A tym kimś okazujesz się ty. Pokażę, gdzie naprawdę ucieka ten czas i jak budować agentów tak, żeby czas oszczędzali, a nie pochłaniali.
Zmiana roli: z wykonawcy w menedżera
Dla tych, którzy korzystają z AI na co dzień, kształt pracy zaczyna się zmieniać. Kiedyś większość czasu spędzałeś na samym wykonywaniu zadań: prowadziłeś research, pisałeś, budowałeś. Teraz, po adaptacji AI, sporą część tej pracy wykonuje za ciebie model. Twoja rola się przesunęła — stajesz się menedżerem, orkiestratorem, recenzentem. Nazwy bywają różne, ale chodzi o to samo. Masz zestaw różnych systemów AI czy agentów, które faktycznie wykonują pracę, a ty przeglądasz ich wyniki i sprawdzasz, czy spełniają twoje oczekiwania. I pętla się powtarza: AI pracuje, ty recenzujesz.
Czego ludzie nie dostrzegają: w miarę jak ta zmiana postępuje i tworzysz coraz więcej systemów pracujących w twoim imieniu, źle zbudowana nadmiarowość przenosi ciężar z powrotem na ciebie, a korzyść z AI zaczyna topnieć. Stąd bierze się poczucie przytłoczenia. Masz zbyt wiele AI działających równolegle, prawdopodobnie źle skonstruowanych, więc musisz mnóstwo sprawdzać i analizować po fakcie. To właśnie jest ukryty koszt.
Pięć ukrytych kosztów
Pierwszy koszt pojawia się, zanim agent w ogóle powstanie — na etapie wyjaśniania AI, o co ci chodzi. Jeśli wytłumaczysz zadanie kiepsko, a twoja prośba jest nieprecyzyjna, będziesz musiał tłumaczyć się wciąż od nowa, bo AI raz po raz nie trafi w twoje oczekiwania.
Drugi może brzmieć dziwnie, ale widuję go stale: uruchamiasz AI, które pracuje dziesięć, piętnaście, trzydzieści minut albo i godzinę — i przez ten czas siedzisz i patrzysz, jak pracuje. To przekreśla cały sens delegowania pracy. Zamiast obserwować model, odejdź i zajmij się czymś innym, a wróć, gdy skończy. Nie daj się wciągnąć w podglądanie AI przy robocie.
Trzeci to sprawdzanie. Załóżmy, że zbudowałeś agenta źle. Wynik wychodzi i musisz go stale kontrolować, bo nie odpowiada oczekiwaniom. To pierwsza część problemu. Druga jest taka, że kiedy sprawdzasz wynik, czytasz całość — a to zabiera stanowczo za dużo czasu. Zamiast tego chcemy, by AI oprócz właściwego wyniku dostarczyło jego skondensowaną wersję, którą można błyskawicznie przejrzeć i ocenić zgodność z oczekiwaniami. Dotyczy to części zadań, nie wszystkich.
Czwarty to sprzątanie. AI potrafi być nadmiernie rozwlekłe i nadmiernie ekspansywne. Jeśli nie nałożysz właściwych ograniczeń, potrafi utworzyć zbyt wiele plików w zbyt wielu miejscach — a ty musisz potem po nim posprzątać.
Piąty to decydowanie. To sytuacja, w której AI raz po raz wraca do ciebie po wskazówki, oczekując decyzji i odpowiedzi na swoje pytania. W zależności od zadania część tego osądu powinniśmy przekazać samemu modelowi, żeby nie robić tego za niego.
Kosztów jest więcej, ale te pięć widuję najczęściej. I to dlatego ludzie toną, gdy zbudują zbyt wielu agentów. Da się to jednak naprawić — istnieją konkretne reguły tworzenia agentów, dzięki którym późniejsze monitorowanie i zarządzanie nie obciąża nas tak mocno, a narzędzia dają realną dźwignię zamiast przeciążenia.
Reguły dzielą się na trzy kategorie: przed startem AI, w trakcie jej pracy i po zakończeniu.
Kategoria pierwsza: zanim AI wystartuje
Pierwsza sprawa to wyjaśnianie. Zasada jest prosta: jeśli do zadania AI nie jest potrzebne, nie angażuj AI. Zwykle rozstrzyga tu czas. Jeśli wytłumaczenie zadania modelowi trwa dłużej niż samodzielne jego wykonanie, po prostu zrób to sam — pod warunkiem, że to sytuacja jednorazowa. Jeśli natomiast robisz coś co tydzień albo codziennie, warto rozważyć przekazanie tego AI, nawet jeśli samo wyjaśnienie zajmie więcej czasu niż pierwsze wykonanie. Przy stu powtórzeniach inwestycja prawdopodobnie się zwróci. Typowy przykład: ktoś przysyła ci mail, na który odpowiedź to jedno słowo. Wtedy po prostu odpisz sam, zamiast delegować to AI.
To jednak mniejsza reguła z tego zestawu. Ważniejsza jest odpowiedź na cztery pytania, zanim uznasz zadanie za nadające się dla agenta.
Po pierwsze: czy to się powtarza? Czy jest to zadanie cykliczne — codzienne, tygodniowe, miesięczne? To wraca do argumentu, który przed chwilą przedstawiłem.
Po drugie: czy ma wyraźne granice? Czy przy tym konkretnym rezultacie ja i AI potrafimy szybko stwierdzić, że spełnia moje oczekiwania? Zły przykład: „popraw marketing w mojej firmie”. To zdecydowanie zbyt mgliste, brak tu ostrości. Lepszy przykład: „napisz cotygodniowego maila z aktualizacjami dla moich klientów”. To zadanie ma bardzo konkretne krawędzie i granice.
Po trzecie: czy da się to cofnąć? Nie dotyczy to koniecznie wszystkich agentów, ale zwłaszcza przy agencie działającym autonomicznie w tle najlepiej, by każde jego działanie dało się odwrócić. Rzeczy, których zwykle cofnąć nie można, to automatyczne wysłanie maila do klienta, opublikowanie czegoś publicznie, wykonanie płatności i tym podobne. Takie zadania trzymaj z dala od AI — przynajmniej dziś, gdy mowa o działaniach autonomicznych.
Po czwarte: czy potrafię to szybko sprawdzić? Odpowiedź jest zwykle twierdząca, o ile dobrze zbudujesz agenta. „Szybko” jest oczywiście względne i zależy od złożoności zadania oraz postaci wyniku, ale przy właściwej konstrukcji drastycznie skrócisz czas potrzebny na weryfikację.
Kategoria druga: gdy AI pracuje
Plan na starcie i dziennik decyzji na końcu
Kiedy uruchamiasz AI z jakimś zadaniem czy promptem i jest to zadanie długodystansowe — praca na trzydzieści minut lub dłużej, przetworzenie setek plików, wiele kroków — poproś model o krótki plan tego, co zamierza zrobić. Szybko go przeczytasz i jeśli ci odpowiada, mówisz: działaj. Zalecam to dlatego, że AI wykona dużo pracy, zużyje sporo czasu i pieniędzy, bo spala tokeny. Chcesz mieć pewność, że rzeczy oczywiste model rozumie zgodnie z twoim zamiarem. Dostajesz zwięzły plan, przeglądasz go i dajesz zielone światło.
Realizując ten plan, AI natrafi na rozmaite problemy. Każdy z nich to punkt decyzyjny — model podejmuje decyzję w twoim imieniu. W takiej sytuacji mówię modelowi: gdy skończysz pracę, przekaż mi dziennik decyzji. Ma on zawierać wszystkie decyzje, które musiałeś podjąć, a których ci wcześniej wprost nie określiłem.
Kiedy jako użytkownik dostaję z powrotem ten drugi wynik, zawsze radzę klientom: idź najpierw prosto do dziennika decyzji. Sprawdź, czy zgadzasz się ze wszystkim, co AI postanowiło — może nie ze wszystkim, ale przynajmniej z tym, co najważniejsze. Jeśli tak, świetnie, przechodzisz do właściwego wyniku. Jeśli nie, w ogóle nie zaglądasz do wyniku. Mówisz po prostu modelowi: oto lista naprawdę istotnych decyzji, które podjąłeś inaczej, niż zrobiłbym to ja — wykonaj wynik ponownie z uwzględnieniem tej informacji zwrotnej.
Dwie rzeczy zatem: poproś o plan na starcie i o dziennik decyzji na końcu. Zaglądanie do dziennika decyzji oszczędza czas, bo nie musisz jeszcze czytać samego wyniku. To sposób na usprawnienie „szybkiego sprawdzenia”.
Stawki i człowiek w pętli
Różne zadania mają różny poziom stawki i ryzyka. Gdy agent pracuje autonomicznie w tle, w zadaniu uruchamianym według harmonogramu, i jest to zadanie o niskiej stawce oraz odwracalne, można pozwolić mu działać samodzielnie. Mowa o rzeczach w rodzaju przygotowywania szkiców, podsumowań researchu czy porządkowania materiałów — to wszystko jest odwracalne albo mało szkodliwe.
(Informacja dodatkowa: w transkrypcie automatycznym pojawia się w tym miejscu zniekształcona nazwa narzędzia do uruchamiania agentów w tle; chodzi o mechanizm zadań zaplanowanych w środowisku agentowym.)
Kiedy jednak ryzyko jest poważne — a przychodzą mi tu do głowy cztery działania — sprawa wygląda inaczej. Chodzi o sytuacje, gdy AI automatycznie wysyła coś w twoim imieniu do klienta, publikuje coś publicznie, dokonuje płatności albo trwale coś usuwa. Wszystkie te działania są trudne do cofnięcia albo cofnąć się w ogóle nie dają. W żadnym z tych przypadków AI nie powinno działać w pełni autonomicznie. Niech wykona całą pracę przygotowawczą, ale tuż przed naciśnięciem przycisku „wyślij”, „opublikuj”, „zapłać” czy „usuń” chcemy człowieka w pętli — czyli ciebie. Wchodzisz, pytasz sam siebie: czy się z tym zgadzam? Jeśli tak, naciskasz przycisk jako człowiek, bo to oznacza, że odpowiedzialność spoczywa na tobie.
Nie więcej niż trzech agentów naraz
Trzecia reguła tej kategorii dotyczy po prostu liczby zbudowanych agentów — i wraca do wątku przytłoczenia. Kiedy ktoś ekscytuje się pierwszym działającym agentem, chce natychmiast zbudować kolejnych. Buduje ich zbyt wielu naraz, próbuje prowadzić wszystkich równolegle i szybko się w tym gubi. Zamiast dwunastu czy więcej systemów AI działających jednocześnie zawsze radzę klientom zatrzymać się na trzech. Nie prowadź naraz więcej niż trzech.
Powód jest dwojaki. Po pierwsze, my, ludzie, mamy trudność z równoległym śledzeniem więcej niż trzech odrębnych zadań. Po drugie, tempo odpowiedzi tych systemów rośnie. Dziś na wynik zadania czeka się czasem trzydzieści minut albo godzinę, ale infrastruktura stojąca za modelami przyspiesza. To, co dziś zajmuje AI godzinę, w przyszłości najpewniej zajmie kilka sekund. Równie dobrze możesz więc od razu przyzwyczaić się, że i tak zapanujesz nad trzema naraz — z uwagi na własne ograniczenia i na to, że AI samo przyspiesza.
Kategoria trzecia: gdy AI skończy
Tu mam tylko jedną prostą regułę. Recenzując wynik, w idealnej sytuacji masz już ulepszonego agenta, więc przegląd idzie szybko dzięki wcześniej opisanym zabiegom. Ale każde zadanie ma też inny poziom krytyczności. Nie musisz za każdym razem sprawdzać wszystkiego. Zamiast tego oszczędzaj uwagę na rzeczy, które naprawdę mają znaczenie, a resztę przeglądaj pobieżnie.
Prosty przykład: wewnętrzny szkic, którym dzielisz się z zespołem, spokojnie możesz przejrzeć skrótowo, bo stawka jest niska.
Druga kategoria to sytuacje, w których warto mieć listę kontrolną — na przykład materiał wysyłany do klienta. Jeśli AI przygotowuje dla ciebie raport, checklista może obejmować: czy wszystko jest poprawnie oźródłowane, czy są czytelne przypisy, a jeśli AI czegoś nie zrobiło poprawnie albo nie znalazło informacji, którą powinno znaleźć — czy jasno to zaznaczyło. Zamiast czytać cały wynik, sprawdzasz właśnie tę listę: źródła, cytowania i przyznanie się modelu do braków. Taki aneks czy dokument źródłowy oszczędza konieczność przeglądania całości. To tylko jeden przykład listy kontrolnej.
Trzecia sytuacja to rzeczy o wysokiej stawce i krytyczności: duże pieniądze, umowy, zobowiązania prawne. Tu czytasz linijka po linijce — całość, bez skrótów i bez checklisty. W idealnym układzie zdarza się to jednak rzadko i stanowi niewielki odsetek przypadków. Większość twojej pracy powinna mieścić się w przeglądzie pobieżnym i liście kontrolnej. Dzieje się tak z dwóch powodów: po pierwsze stawka jest niska, a po drugie — równie ważne — zbudowałeś agenta tak, że możesz ufać jego niezawodności, bo go stworzyłeś, przetestowałeś i dobrze rozumiesz, co zwraca.
Waga, która rozstrzyga wszystko
I tu dochodzimy do zasadniczej formuły. Korzystanie z AI zawsze wiąże się z kompromisem, którego wiele osób na starcie po prostu nie widzi. Wykonanie pracy własnoręcznie zajmuje określony czas. Pytanie brzmi: czy ten czas przewyższa nakład potrzebny na utrzymanie agentów — tłumaczenie, obserwowanie, sprawdzanie, decydowanie i sprzątanie? Jeśli tak, wybieraj AI. I najczęściej odpowiedź brzmi właśnie: użyj AI. Ale czasem, w niektórych przypadkach, właściwym wyborem jest zrobienie tego samemu.
Krótkie podsumowanie
Po pierwsze, zanim zdecydujesz się stworzyć agenta, ustal, czy zadanie w ogóle się do tego nadaje — odpowiedz na cztery pytania: czy to zadanie powtarzalne, czy da się cofnąć jego skutki, czy ma wyraźne granice i czy istnieje szybki sposób sprawdzenia wyniku.
Po drugie, przy długo trwających zadaniach żądaj planu na wejściu i dziennika decyzji na wyjściu, żeby najpierw sprawdzić decyzje, a dopiero potem wynik. Jeśli decyzje są chybione, nie trać czasu na wynik — przekaż uwagi do samych decyzji i pozwól modelowi to naprawić.
Po trzecie, gdy chcesz w pełni zautomatyzować zadanie o wysokiej krytyczności, zatrzymaj się i wstaw człowieka na końcu procesu, zanim cokolwiek zostanie wysłane. Dotyczy to czterech działań: automatycznej wysyłki, publicznej publikacji, płatności i trwałego usunięcia. W tych sytuacjach człowiek zatwierdza działanie, zanim ono nastąpi.
Po czwarte, wraca waga: jeśli praca ręczna kosztuje więcej niż wysiłek i obciążenie poznawcze związane z pracą z AI, wybieraj ścieżkę AI. W rzadkich przypadkach właściwym wyborem będzie jednak zrobienie tego samodzielnie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Ukryty koszt agenta to nadzór, nie budowa
Na czym polega: Każdy zbudowany agent generuje stały narzut: trzeba mu tłumaczyć zadanie, sprawdzać wynik, sprzątać po nim i podejmować za niego decyzje. Ten narzut zbiera się liniowo z liczbą agentów, podczas gdy korzyść wcale nie musi rosnąć.
Jak stosować: Zanim dołożysz kolejnego agenta, oszacuj nie czas budowy, ale tygodniowy czas nadzoru nad nim. Traktuj to jako stały koszt utrzymania, tak jak przy każdym innym systemie.
Na co uważać: Poczucie sukcesu po pierwszym udanym agencie jest złym doradcą — to właśnie ono uruchamia lawinę kolejnych wdrożeń, która kończy się przeciążeniem.
2.Cztery pytania kwalifikujące zadanie
Na czym polega: Zadanie nadaje się dla agenta, gdy: się powtarza, ma wyraźne granice, jego skutki da się cofnąć i wynik można szybko sprawdzić.
Jak stosować: Zrób z tego formalny filtr — cztery odpowiedzi na kartce przed napisaniem pierwszego promptu. Jeśli któraś jest przecząca, albo przeprojektuj zadanie, albo wykonaj je ręcznie.
Na co uważać: Najczęściej wysypuje się kryterium wyraźnych granic. „Popraw marketing” nie przejdzie tego testu; „napisz cotygodniowego maila z aktualizacjami dla klientów” — tak.
3.Jednorazowe zadanie zwykle taniej zrobić samemu
Na czym polega: Jeśli wyjaśnienie zadania modelowi trwa dłużej niż samo jego wykonanie, przy pojedynczym przypadku delegowanie się nie opłaca.
Jak stosować: Rozstrzygaj na podstawie liczby powtórzeń. Przy zadaniu cyklicznym dłuższe wyjaśnienie zwraca się po kilkudziesięciu iteracjach, więc opłaca się je wykonać starannie.
Na co uważać: Nie myl „powtarzalne” z „częste”. Zadanie miesięczne również się kwalifikuje, ale zwrot przyjdzie znacznie później — a w międzyczasie agent może wymagać aktualizacji.
4.Nie oglądaj AI przy pracy
Na czym polega: Śledzenie na żywo, jak model pracuje przez pół godziny, unieważnia sens delegowania — czas i tak jest zajęty.
Jak stosować: Uruchom zadanie i przełącz się na inną pracę, wracając dopiero po zakończeniu. Zaplanuj sobie konkretną czynność na czas oczekiwania.
Na co uważać: Odejście od ekranu ma sens tylko przy zadaniach odwracalnych i o niskiej stawce. Przy działaniach nieodwracalnych brak obecności człowieka to nie oszczędność, tylko ryzyko.
5.Plan przed startem długiego zadania
Na czym polega: Przy zadaniach na trzydzieści minut i dłuższych warto najpierw dostać od modelu zwięzły plan działania i dopiero potem dać zielone światło.
Jak stosować: Wpisz to wprost w prompt: najpierw krótki plan, wykonanie dopiero po akceptacji. Czytasz plan minutę, oszczędzasz godzinę pracy w złym kierunku i realne koszty tokenów.
Na co uważać: Plan ma być krótki. Jeśli sam wymaga dłuższej lektury niż wynik, przestaje być mechanizmem kontroli, a staje się kolejnym dokumentem do przeglądania.
6.Dziennik decyzji zamiast czytania całości
Na czym polega: Model wykonując zadanie podejmuje w twoim imieniu decyzje, których wcześniej nie określiłeś. Ma je wypisać osobno na końcu pracy.
Jak stosować: Poproś o dziennik decyzji obejmujący wyłącznie rozstrzygnięcia niewynikające wprost z instrukcji. Czytaj go przed wynikiem — jeśli decyzje są chybione, odsyłasz zadanie do poprawki, w ogóle nie zaglądając do wyniku.
Na co uważać: Dziennik jest tak dobry, jak samoświadomość modelu — może pominąć decyzję, która wydała mu się oczywista. Przy ważniejszych zadaniach nie zastępuje wyrywkowej kontroli samego wyniku.
7.Cztery działania zawsze z człowiekiem w pętli
Na czym polega: Wysyłka do klienta, publiczna publikacja, płatność i trwałe usunięcie są nieodwracalne, więc nie mogą być w pełni autonomiczne.
Jak stosować: Zaprojektuj proces tak, by AI wykonało całą pracę przygotowawczą i zatrzymało się przed ostatnim krokiem. Ostatni klik należy do człowieka, bo wraz z nim przechodzi odpowiedzialność.
Na co uważać: Punkt zatwierdzania łatwo zamienia się w automatyzm — klikanie „akceptuj” bez czytania jest tylko pozorem kontroli.
8.Maksymalnie trzech agentów naraz
Na czym polega: Ludzka uwaga nie nadąża za więcej niż trzema odrębnymi, równolegle prowadzonymi zadaniami.
Jak stosować: Ustal twardy limit trzech jednocześnie działających agentów. Kolejny uruchamiaj dopiero po zamknięciu poprzedniego.
Na co uważać: Autor argumentuje dodatkowo, że przyspieszanie modeli i tak zmniejszy sens zrównoleglania — czekanie skróci się z godziny do sekund. To prognoza, a nie stan obecny; limit trzech uzasadniaj przede wszystkim własną uwagą.
9.Poziom kontroli dopasowany do stawki
Na czym polega: Trzy tryby weryfikacji: pobieżny przegląd dla materiałów wewnętrznych, lista kontrolna dla rzeczy idących do klienta, czytanie linijka po linijce dla umów i sytuacji z dużymi pieniędzmi.
Jak stosować: Przypisz tryb do typu zadania z góry, a nie ad hoc. Przykładowa checklista dla raportu: kompletność źródeł, poprawność cytowań i wyraźne zaznaczenie przez model, czego nie udało się znaleźć.
Na co uważać: Prawo do pobieżnego przeglądu masz dopiero wtedy, gdy agent został przetestowany i znasz kształt jego wyników. Bez tego skracanie kontroli to nie optymalizacja, tylko ryzyko.
10.Waga: praca ręczna kontra utrzymanie agenta
Na czym polega: Decyzja o użyciu AI sprowadza się do porównania czasu wykonania ręcznego z sumą kosztów tłumaczenia, obserwowania, sprawdzania, decydowania i sprzątania.
Jak stosować: Rób ten rachunek świadomie przy każdym nowym zastosowaniu, uwzględniając wszystkie pięć składników narzutu, a nie tylko czas generowania wyniku. Zwykle wynik przemawia za AI.
Na co uważać: Odpowiedź nie jest uniwersalna i zmienia się w czasie — zadanie nieopłacalne dziś może stać się opłacalne, gdy zacznie się powtarzać albo gdy dopracujesz instrukcję.