O czym jest ten film
- Autor opisuje własną metodę pracy z AI, którą nazywa „friction maxxing” — celowym dokładaniem tarcia zamiast jego usuwania.
- Kluczowe pytanie brzmi nie „czy AI dało lepszą odpowiedź”, ale „czy po użyciu AI czuję się bardziej czy mniej kompetentny”.
- Codziennie krąży między Codeksem, Grokiem, Claude’em i około dziesięcioma zaufanymi osobami — nie dla wielości opinii, lecz po to, by znaleźć niezgodę.
- Historia „złego arkusza”: agent podstawił nieaktualny plik i udawał, że wykonał zadanie — lekcja dotyczy nie arkuszy, lecz tego, jak agenty deklarują swoje możliwości.
- Autor krytykuje dzisiejsze interfejsy AI za spychanie użytkownika ku środkowi rozkładu — ku „poprawnym”, ale przeciętnym wynikom.
- Wątek Ilji Sutskevera i uczenia w czasie testowym służy jako metafora: ludzie już są maszynami uczącymi się w locie, AI ma tę pętlę przyspieszać.
- Praca nad designem z Claude’em: pierwsze iteracje autor zwykle odrzuca i zamiast prosić o kolejne warianty, pyta siebie, co dokładnie mu się nie podoba.
- Sprzężenie zwrotne od ludzi wraca do modeli — krytyka znajomego staje się nowym poleceniem dla Claude’a, Groka albo Codeksa.
- Autor odstawił Gemini, bo model stał się dla niego „pieczątką” przyklepującą wszystko zamiast realnym oponentem.
- Puenta: opowiadanie historii o własnych porażkach z AI utrwala wzorce, których żaden prompt nie zastąpi.
Redakcyjne tłumaczenie
Friction maxxing zamiast usuwania tarcia
Friction maxxing — to właśnie robię przez cały dzień z AI i dlatego nie sądzę, żeby to gniło mi mózg. Większość zastosowań AI polega na usuwaniu tarcia. Doskonale to rozumiem i sam często o tym mówię na tym kanale: pytasz, dostajesz odpowiedź, idziesz dalej. Szybko, czysto, załatwione. Ale ja puszczam ten proces także w drugą stronę. I o tym jest ten materiał. Celowo zmuszam AI do cięższej pracy.
Codziennie przemieszczam się między Codeksem, Grokiem, Claude’em i mniej więcej dziesiątką osób, którym ufam. Nie dlatego, że dla zabawy chcę zebrać wszystkie te opinie, ale dlatego, że szukam czegoś, co złamie moje założenia — czegoś, co rozbije odpowiedź, na którą wszyscy inni już się zgodzili. Z zewnątrz wygląda to na wyszukany system przerzucania roboty w kółko. Ale ja poluję na niezgodę. Każda niezgoda to jak powtórzenie na siłowni dla mojego mózgu. A praca wychodzi lepiej, bo to, co przetrwa cztery, pięć, sześć, dziesięć rund sporu, nigdy nie jest tym, co model podał mi za pierwszym razem.
Oto pytanie, które naprawdę ma znaczenie: czy po użyciu AI czujesz się bardziej kompetentny, czy mniej?
Część paniki wyprzedza dowody. Zespół MIT, który stoi za badaniem „Your Brain on ChatGPT”, sam podkreśla, że praca jest bardzo wstępna, i wprost prosi, by nie nazywać jej wyników „gniciem mózgu”. Internet oczywiście się tym nie przejął — i trudno się spodziewać, żeby było inaczej.
(Informacja dodatkowa: chodzi o głośne badanie MIT Media Lab z 2025 roku, w którym mierzono aktywność mózgu osób piszących eseje z pomocą ChatGPT. Autorzy sami ostrzegali przed nadinterpretacją, ale w mediach przyjęła się etykieta „brain rot”).
Jak to wygląda w praktyce
Ludzie ciągle proszą, żebym pozwolił im zajrzeć sobie przez ramię i zobaczyć, jak naprawdę używam AI. Chcę was tam wpuścić, bo dla mnie dobre korzystanie z AI to nieustanne ćwiczenie umysłowe. To przeciwieństwo lenistwa. Każda odpowiedź, którą dostaję, zmusza mnie — mój ludzki mózg — do podjęcia kolejnego wyboru.
Przy każdym użyciu AI muszę zapytać samego siebie: przyjmuję to? Podważam? Porównuję z innym modelem? Pytam człowieka, który zna się na tej robocie? A może wyrzucam do kosza? Robię to kilkadziesiąt razy dziennie.
Gdybyście obserwowali mnie przez cały dzień, ekran zmieniałby się bez przerwy. Najpierw Codex, potem Grok rozmawiający z Codeksem, potem Claude pomagający mi przemyśleć design, a potem telefon — bo znajomy albo współpracownik obejrzał to, co buduję, i powiedział mi, czego nie widzę. Z zewnątrz to może wyglądać na chaos albo na przesadę. Ale to, czego szukam, jest znacznie prostsze: szukam niezgody. Co jeden model widzi, a drugi przeoczył? W którym miejscu ludzka reakcja rozbija odpowiedź, którą trzy różne AI uznały za przekonującą? Którą informację zwrotną powinienem wyrzucić?
Naciskam i naciskam, bo nigdy nie będę tym, kto zadowoli się pierwszą odpowiedzią — zwłaszcza od AI. A zysk z tego rośnie mi z każdym dniem, bo coraz lepiej odpowiadam na pytanie, które stoi przede mną — i przed każdym z nas — każdego dnia: jaki jest dziś najlepszy sposób, żeby wykonać tę pracę? Wychodzę też z zadania z lepszym rozeznaniem, co modele potrafią, gdzie zawodzą, czyjemu osądowi ufam i na co zwrócić uwagę, gdy następnym razem problem wypłynie w innej postaci.
Nie ma na to skrótu. Ludzie, którzy mówią: „Nate, daj mi po prostu prompt na to”, zadają złe pytanie. Rzecz polega na świadomym wystawianiu własnego mózgu na sprzeczność i naciskaniu tak długo, aż dojdziesz do lepszego procesu myślenia.
Prawdopodobnie testuję mniej fikuśnych rzeczy z AI, niż wam się wydaje. Bez żalu porzucę nowy workflow, graf, narzędzie czy rekomendację modelu, jeśli nie pomagają w pracy, którą właśnie mam przed sobą. Jestem skrajnie praktyczny. Moim celem jest zrozumieć granice i możliwości modelu na tyle dobrze, żeby użyć najprostszej rzeczy, która działa.
Historia złego arkusza
Pokażę wam, jak to wygląda, na przykładzie złego arkusza kalkulacyjnego. To prawdziwa historia.
Poprosiłem agenta, żeby wziął aktualny arkusz z mojego folderu Pobrane, dołączył go do wersji roboczej maila i zostawił mail niewysłany, bo chciałem najpierw sprawdzić. To był nowy agent — nie Claude, nie Grok, nie Codex. Zupełnie nowy agent.
Wrócił z właściwym adresatem. Z właściwym tematem. Z sensownie napisaną treścią. I z arkuszem, który miał prawidłową nazwę pliku. Wszystko wyglądało dobrze, ale miałem przeczucie. Otworzyłem załącznik. Agent wyciągnął starszą, nieaktualną kopię arkusza z jakiegoś wcześniejszego maila — bo w ogóle nie miał dostępu do folderu Pobrane. System plików był dla niego niedostępny jako wywołanie narzędzia.
Gdybym się na tym zatrzymał, czego bym się nauczył? Niczego. Użyteczna lekcja nie brzmiała: „ten konkretny agent jest słaby w arkuszach”. Nauczyłem się czegoś o tym, jak agenty wchodzą w nowe środowisko — o onboardingu agentów, o tym, jak ujawniają, co widzą, i o ich pewności siebie w miejscu, w którym same nie wiedzą, co działa, a co nie.
Bo ten agent nie powiedział: „Nate, nie dosięgnąłem folderu Pobrane. Znalazłem gdzie indziej starszy plik i miałem nadzieję, że będzie wystarczająco bliski. To było moje najlepsze przypuszczenie co do tego, czego chcesz”. Zamiast tego przedstawił gotowy szkic i twierdził, że wykonał zadanie. Najgroźniejszą częścią całego układu była zdolność agenta do wprowadzenia w błąd — do wyglądania tak, jakby robota była zrobiona.
Wróciłem do niego i zapytałem, czy może zmienić zakres swojego dostępu. Nie mógł. To była twarda granica: agent osobistego asystenta po prostu nie miał dostać dostępu do mojego folderu Pobrane.
Natychmiast przetestowałem więc ponownie moje podstawowe agenty. Czy Codex to zrobi? Tak. Czy Claude to zrobi? Trochę się szarpał, ale dał radę. Czy Grok to zrobi? Też dał radę.
Czego się tu nauczyłem? Że mogę bardzo szybko ustalić, czy dane AI będzie mi użyteczne, sprawdzając nie deklaracje, jakie wygłasza na wejściu, ale rzeczywistą zdolność agenta do przejrzystego ujawniania własnych możliwości i do współpracy przy ich aktualizowaniu w czasie.
Płynie z tego również świadomy wniosek produktowy: warto zapytać, w jaki sposób agenty ujawniają to, czego się dowiadują, w pierwszych dwóch–trzech minutach — tak, żeby użytkownik mógł się z tego czegoś nauczyć, wyrobić sobie trafny obraz możliwości agenta, poczuć zaskoczenie i satysfakcję, a nawet zbudować poczucie więzi. Bardzo dużo z tego, co powstrzymuje agenty przed byciem użytecznymi dla ludzi, którzy nie są nerdami, to właśnie ta nieszczerość. To „mogę ci pomóc, ale tak naprawdę nie mogę”. „Mogę ci pomóc, ale nie widzisz, gdzie są granice”.
Chcę pokazać, jak dochodzę tu do przyczyny źródłowej. Nie opisałbym jej jako „nie znalazł pliku w Pobranych”. Przyczyna źródłowa, jeśli się nad tym zastanowić, jest taka, że zaprojektowany onboarding tego produktu zupełnie nie pasował do faktycznych możliwości agenta. Nie ujawniał, co agent potrafi, i źle reprezentował te zdolności, które faktycznie miał. To mnie do niego zniechęciło.
Tak pracuje mój mózg przez cały dzień. Nie zapamiętał „to był zły arkusz”. Zbudował roboczy model tego, jak wygląda onboarding agenta, deklarowanie możliwości, prawdopodobne podstawianie zamienników i dowodzenie wykonania zadania. Ten model teraz świadomie aktualizuję, kiedy myślę o nowych agentach, które wdrażam i wybieram. Dzięki temu nie muszę odgrywać tej samej lekcji za każdym razem, gdy pojawia się nowe logo. Chcę wejść w onboarding nowego agenta z tym modelem mentalnym w głowie i sprawdzić, czy przedstawia siebie i swoje możliwości w sposób, który zapowiada doświadczenie przyjemne, użyteczne i zgodne z rzeczywistością.
Zwykła praca też wymaga iteracji
Oczywiście jest też mnóstwo zwyczajnego korzystania z AI, kiedy po prostu chcę coś załatwić. Czasem potrzebuję tylko, żeby pociągi jeździły punktualnie. Potrzebuję czystszego akapitu, porównania, kawałka researchu, kawałka kodu. Pytam, odpowiedź przychodzi, sprawa zamknięta. Tak bywa bardzo często i nie, nie dzwonię do dziesięciu znajomych, żeby ustalić, czy ten fragment kodu działa.
Ale nawet w tym kontekście iteracja jest użyteczna. Kiedy proszę o szkic strony internetowej — co w istocie jest serią problemów programistycznych, które AI rozwiązuje — proszę o niego po to, żeby szybko zobaczyć, co jest nie tak, doprecyzować własny opis problemu i kazać modelowi spróbować jeszcze raz. Potem iteruję, żeby bieżący wynik stopniowo się poprawiał. Robię to bezlitośnie i dlatego tak dużo mówię na tym kanale o używaniu agentów jako sposobu na wyostrzanie myślenia. Agenty to w gruncie rzeczy długa dźwignia, którą możesz kształtować świat. Dają realną siłę wobec dużych problemów i pozwalają iterować tak szybko, że sam uczysz się, co w twoich pomysłach działa, a co nie.
Interfejsy AI ciągną nas do środka rozkładu
Nie sądzę jednak, żeby obecne interfejsy AI pomagały nam rozwijać tę umiejętność. Mam wrażenie, że z nimi o to walczę. Większość dzisiejszych interfejsów w naturalny sposób ciągnie nas ku środkowi bieżącego rozkładu wyników. Chcą, żebyś zrobił coś prostego: popraw ten akapit, napraw ten błąd, ulepsz ten projekt — i może spróbuj jeszcze raz czy dwa, ale bez przesady.
Pożyczając luźno pewien termin: większość interfejsów agentowych zachęca do rodzaju nieustannego spadku gradientu. Każda poprawka przesuwa bieżący wynik bliżej celu leżącego w środku rozkładu, który AI zna najlepiej.
(Informacja dodatkowa: „spadek gradientu” (gradient descent) to podstawowy algorytm uczenia sieci neuronowych, dążący małymi krokami do minimum funkcji błędu. Autor używa go tu metaforycznie — jako obrazu dryfowania ku bezpiecznej średniej).
Trudniejsze pytanie dla nas, ludzi, brzmi: czy dana poprawka, ku której iterujemy, w ogóle nas zmienia i pomaga nam myśleć twórczo o następnym problemie? Czy to, co wypuszczamy, jest naprawdę kreatywne i leży na krawędziach rozkładu, a nie zostało zepchnięte do środka?
Czy potrafię rozpoznać lukę w możliwościach AI, gdy widzę dopracowany projekt, który wygląda gładko i skończenie, ale w rzeczywistości mi się nie podoba? Poszedł tym spadkiem gradientu. Wygląda jak standardowy projekt zrobiony przez AI. Czy umiem powiedzieć: „wiesz co, to nie oddaje mojej wizji” — i czy wiem, jak poprosić o coś większego?
Kiedy używam AI dobrze, mogę przechodzić ten sam proces z arkuszem, ze stroną, z tekstem. Powierzchnia się zmienia, ale wzorzec zostaje. I chcę mocno podkreślić: ten wzorzec musi przetrwać w nas, w ludziach. Możemy mieć bazę danych, graf albo prompt, który nam pomaga. Ale jeśli narzędzie potrafi odzyskać lekcję, a ja nie stałem się lepszy w rozpoznawaniu, kiedy ta lekcja ma znaczenie, to znalazłem tylko sposób, żeby mój mózg pozostał mniej więcej taki sam, zamiast naprawdę skalować się w miarę korzystania z AI.
Bardzo dużo z tego polega na spychaniu AI ku krawędziom. Na znajdowaniu miejsc, w których możesz się postawić i powiedzieć: to nie oddaje mojej wizji. Tam chcę dojść. Taki design chcę mieć. To chcę powiedzieć, a ty tego nie łapiesz. Albo: to chcę zbudować, a ty jeszcze tego nie trafiłeś.
Uczenie w czasie testowym — i my jako maszyny uczące się w locie
Właśnie dlatego dyskusja wokół Ilji Sutskevera i Safe Superintelligence jest teraz tak ciekawa. Krąży plotka, że Ilja pracuje nad uczeniem w czasie testowym — ideą architektury modelu, który uczy się, doświadczając świata, i staje się z czasem lepszy. Model mądrzeje w miarę tego, jak dostaje prompty i jak doświadcza świata. Nikt spoza firmy nie wie, czy naprawdę się nad tym pracuje. Mnie bardziej interesuje sama idea: system, który aktualizuje się w zetknięciu ze światem, zamiast odbywać całą naukę przed wdrożeniem, to jeden ze świętych Graali AI.
(Informacja dodatkowa: Ilja Sutskewer, współzałożyciel OpenAI, prowadzi obecnie Safe Superintelligence Inc. „Test-time learning” to hipotetyczne uczenie się modelu już w trakcie użytkowania, a nie tylko na etapie treningu).
My, ludzie, już tak żyjemy. Mamy jakieś doświadczenie, rzeczywistość nam odpowiada, ktoś mówi nam, co przeoczyliśmy, i aktualizujemy myślenie w biegu. Powiedzmy, że we wtorek spotkanie idzie fatalnie. Współpracownik podpowiada, jak to zrobić lepiej w środę, a w czwartek już inaczej rozmawiasz z zespołem. To zupełnie normalna sytuacja zawodowa. W wielu sensach jesteśmy maszynami uczącymi się w czasie testowym — i to właśnie czyni ludzki osąd tak cennym.
Szansa, którą widzę, polega na wstawieniu AI do tej istniejącej ludzkiej pętli, żebyśmy jako ludzie uczyli się szybciej. Żeby nasze doświadczenie i osąd narastały szybciej. Chcę, żeby ten film obejrzał każdy, kto boi się, że oddaje swój mózg w outsourcing, bo to jest droga wyjścia.
Jak AI może pomóc? Może dać mi więcej strzałów na bramkę: więcej prób, więcej kontrprzykładów, więcej porównań. Czuję, że moje myślenie się wyostrzyło, bo bez przerwy muszę się AI przeciwstawiać, żeby doszlifować ideę, która jest jeszcze zbyt ogólna. Widzę, jak AI próbuje jednej wersji, potem drugiej, a ja ciągle mówię: nie, nie, nie. Czuję się, jakbym odłupywał z bryły marmuru wszystko, co nie jest rzeźbą, aż zostanie dokładnie to, czego chcę. Dostaję więcej okazji, żeby zobaczyć, że moje własne oczekiwania nie działają — i to pomaga mi iterować ku temu, co chcę zobaczyć. Dopóki myślę, dopóki jestem zaangażowany, model nie decyduje o tym, czego się nauczę. To ja wybieram.
Po co kilka modeli naraz
Właśnie tym stało się dla mnie korzystanie z wielu modeli. Pytam, bo inny model może sięgnąć po inne źródła i pokazać mi inny tryb awarii — a więc inny tryb uczenia się. Tak samo robię z Claude’em. Jeśli Grok albo Claude da mi naprawdę przemyślaną perspektywę, z którą się zgadzam, biorę ją do siebie. Jeśli da mi zgryźliwą, efektowną krytykę, która ładnie brzmi, ale mi nie pachnie, mogę ją jako człowiek odrzucić — nawet w środku pętli, z której nadal będę korzystał, bo akurat w tym przypadku to nie zadziałało.
A jeśli wszystkie trzy modele się zgadzają, mogę zapytać samego siebie: jakie dowody by je obaliły? Mogę pójść do swojego ludzkiego zespołu i powiedzieć: „Słuchajcie, mam wrażenie, że to nie trafia. Nie umiem zepchnąć AI z utartej ścieżki. Utknęło w spadku gradientu. Potrzebuję innej drogi. Jak można pomyśleć o tym problemie inaczej?”
Design: mieć na czym oprzeć własny gust
Z designem jest tak samo. Dużo używam Claude’a, kiedy myślę o projektowaniu. Chcę zobaczyć, co zaproponuje, bo konkretny projekt daje mojemu gustowi coś, na co może zareagować. Czasem wynik mi się podoba. Często — zwłaszcza przy dwóch, trzech pierwszych iteracjach — absolutnie go nienawidzę. A Claude jest w tym najlepszy, jakiego mamy. Nie znoszę między innymi tego, że Claude wpada obecnie w glinę i bordowe czerwienie. To nowa wersja poprzedniego lokalnego atraktora w przestrzeni agentów: kiedyś Claude tkwił bardziej w ciemnych, liniowych fioletach. To była jego designerska obsesja.
(Informacja dodatkowa: „lokalny atraktor” to tu obrazowe określenie estetycznej koleiny — zestawu rozwiązań, do których model nawykowo wraca).
Jeśli mi się nie podoba, kolejnym użytecznym ruchem nie jest proszenie o kolejne losowe wariacje, aż któraś okaże się znośna. Widzę to bardzo często. Zamiast tego robię friction maxxing: zaglądam do własnej głowy i pytam — co dokładnie mi się nie podoba i dlaczego? Albo pytam znajomego, a znajomy może od razu zauważyć, że strona wymaga od odbiorcy zrozumienia zdecydowanie zbyt wiele i jest zbyt przeładowana tekstem. To kolejny klasyczny tryb awarii designu robionego przez AI.
Jedna z rzeczy, w których dzięki temu procesowi wyraźnie się poprawiłem, to samoświadome wyłapywanie miejsc, w których niejasno się wyrażam — w których nie mówię wprost, o co mi chodzi. To bardzo pomogło mi lepiej komunikować AI, czego chcę.
W 2020 używałem Figmy. W 2024 — Windsurfa. Teraz, w 2026, pytam sam siebie: czy moje instrukcje są jasne? Czy moja intencja jest jasna? Czy dałem modelowi dość niegenerycznego materiału wejściowego, żeby mógł znaleźć unikalną inspirację, a nie tylko coś skopiować? Czy przejrzałem szeroki wachlarz odpowiedzi różnych modeli, żeby wyczuć, jak modele widzą ten problem? Czy rozmawiałem też z ludźmi, żeby wyczuć, jak widzą go ludzie? To coraz ważniejsze, bo nie projektujemy już wyłącznie dla ludzi — projektujemy jednocześnie dla ludzi i dla agentów, więc obie perspektywy się liczą. A kiedy w końcu podejmę konkretną decyzję i wróci ona błędnie wykonana — czy potrafię wskazać palcem miejsce awarii i wyjaśnić Claude’owi, czego chciałbym zamiast tego i jak to poprawić?
Pętla, którą uruchamiam w 2026
Proszę AI, żeby nie zgadzało się ze mną tak szybko. Żeby mnie podważało. Żeby nazywało założenia stojące za odpowiedziami, których mi udziela. Żeby przedstawiło mi najmocniejszą możliwą wersję argumentu przeciw mojemu stanowisku i wyrzuciło do kosza chochoła. Żeby pokazało mi, gdzie dwie części mojej prośby są ze sobą sprzeczne — tak, żebym to ja rozstrzygnął konflikt, a nie model.
Ale nie chcę, żeby ten materiał zwinął się do: „Nate daje mi magiczny prompt i teraz będzie dobrze”. Prompt nie podejmie za ciebie decyzji o nieustannym trenowaniu własnego mózgu. Może tę trudniejszą interakcję rozruszać — i owszem, mam takie prompty. Ale ostatecznie to ty i ja musimy naciskać sami na siebie w epoce AI. To my mamy się opierać pierwszej dopracowanej odpowiedzi. To my mamy zauważyć, kiedy kolejny model zamienił się w pieczątkę, która wszystko przyklepuje, zamiast stawiać realny opór.
Przy okazji: używałem przez jakiś czas Gemini. Gemini stało się taką pieczątką i dlatego ostatnio z niego nie korzystam. Zauważyłem granicę możliwości modelu i się wycofałem. Czy to znaczy, że wszystkie modele Gemini są bezużyteczne? Nie. Mam znacznie bardziej złożony model świata niż to.
Ludzie w pętli
Wiem, że dużo mówię o swoich znajomych, ale chcę to naprawdę wybrzmieć: jeśli nie masz społeczności zaufanych ludzi i współpracowników, którzy patrzą na jakąś część tego, co budujesz, testują to i mówią „to jest dobre, a to nie” — tracisz coś ważnego. To między innymi dlatego tak mocna jest społeczność na Slacku, którą zbudowałem: ludzie wystawiają sobie nawzajem swoje myślenie na krytykę. To też jest częścią tego, co czyni komentarze pod tymi filmami wyjątkowymi. Ludzie pokazują, jak myślą, i proszą o informację zwrotną. Uwielbiam to.
W pewnym sensie jedna nietypowa ludzka reakcja potrafi pokazać mojemu mózgowi coś, czego nie dostrzegły wszystkie modele — bo ten człowiek zna mnie, zna publiczność, zna tę pracę albo zna sytuację inaczej niż one. Uwielbiam tę informację zwrotną od ludzi w moim życiu i rozpaczliwie jej potrzebuję.
Uwielbiam też zawracać tę informację z powrotem do AI. Jeśli ktoś mówi, że projekt jest mylący, przekazuję to Claude’owi tak wiernie, jak potrafię: „Claude, które założenie w tym projekcie sprawiłoby, że taka reakcja byłaby uzasadniona? Jak możesz naprawdę zrozumieć tego człowieka, wczuć się w niego i odpowiednio zmienić projekt?” Jeśli ktoś odrzuca przesłankę mojego argumentu, a ja zastanawiam się, jak ten argument wyostrzyć, mogę poprosić Groka, żeby zbudował i przeszukał źródła pod najmocniejszą wersję tego odrzucenia — żeby wzmocnić zastrzeżenie mojego znajomego, szukając w sieci podobnych głosów, tak żebym lepiej je zrozumiał. Jeśli współpracownik wyłapie problem operacyjny w czymś, co zbudował mi Codex, mogę poprosić Codeksa, żeby wyjaśnił, dlaczego jego własne testy tego problemu nie wychwyciły. I robiłem to.
Zaufani ludzie też mają punkty ślepe — potrafią się nimi dzielić. Modele oczywiście, jak już mówiłem, potrafią powtarzać te same pewne siebie błędy i robią to znacznie częściej niż ludzie. A jeśli nie masz własnego kompasu, więcej informacji zwrotnej zabrzmi jak szum, zamiast czynić cię mądrzejszym.
Dlaczego opowiadam historie
Dlatego opowiadam historie o tym, czego się uczę. Historia — nawet jeśli nie opowiadasz jej na YouTubie — wtłacza wzorzec w formę, którą jestem w stanie zapamiętać i wyjaśnić. „Zły arkusz” to historia o agencie, który twierdzi, że coś zrobił, choć nie dowiózł tego do końca. Opowiadając ją, potrafię inaczej myśleć o każdym kolejnym agencie, na którego trafiam. To zamienia jedno złe doświadczenie produktowe w szerszy wgląd w to, jak agenty są dziś budowane, wypuszczane i przedstawiane ludziom.
Które wyniki z których modeli wymagają szczególnej weryfikacji źródeł, żeby nie okazały się nietrafne? Przykład: Grok bywa naprawdę szybki i właśnie dlatego wymaga dodatkowego sprawdzania źródeł — pędzi. Zawsze podwójnie sprawdzam to, co od niego dostaję.
Praktyczna opłacalność
Widzę w komentarzach, że ludzie są zmęczeni hype’em i zmęczeni nowymi modelami. Rozumiem to. Częściowo robię ten film po to, żeby przypomnieć: musisz dojść do praktycznej opłacalności AI. To musi ci się opłacać. Budując tę pętlę uczenia się, świadomie uczę się umiejętności, które pozwalają mi szybciej wybierać narzędzia AI i spędzać mniej czasu na dopracowywaniu pracy zbudowanej na błędnych założeniach.
Prawie wszystko, co robię — można to nazwać projektowaniem ludzkiej uprzęży — ma pomóc mi podejmować szybkie i trafne decyzje o możliwościach AI oraz rzetelnie je aktualizować, gdy modele się zmieniają.
Kiedy zaczniesz tak pracować, pytanie o „gnicie mózgu” przestaje być abstrakcyjną kłótnią internetową czy powodem do wściekłości na TikToku, a staje się czymś, co widzisz we własnym dniu. Albo jestem po stronie antygnilnej — wchodzę w tarcie, trenuję mózg — albo płynę z prądem, kopiuję, wklejam i nie zwracam uwagi na to, co AI wypluwa.
Jest kilka użytecznych pytań, które pomagają ustalić, gdzie jesteś. Jedno z nich: czy potrafię wyjaśnić, dlaczego zmieniłem zdanie, bez proszenia modelu, żeby zrekonstruował mi powód? Mam to w głowie? Jeśli AI zawsze formułuje pierwszą opinię, pisze plan i interpretuje informację zwrotną — czy jestem w stanie sformułować niezależny pogląd i jasno powiedzieć AI: „tu się mylisz i oto dlaczego”? Czy raczej uczę się tylko zatwierdzać decyzje, których nigdy nie nauczyłem się podejmować?
Pytanie do ciebie
Gdzie jesteś na tej drodze uczenia się pracy z AI? Uważam, że to najważniejsza podróż naszego życia. Kiedy używasz AI do poważnego zadania — co robi twój mózg? Zanim AI odpowie, czy zadajesz jej więcej pytań zwrotnych? Przerywasz jej? Naciskasz? Miej odwagę zastanowić się nad tym, jak używasz AI.
A jeśli już iterujesz, jeśli należysz do tych, którzy naciskają na model — czy myślisz również o tym, jak ludzie w twoim życiu pomagają ci rozwijać postrzeganie AI? Czy świadomie budujesz jednocześnie ludzką wspólnotę i kompetencje w AI, tak by rosnąć jako człowiek? A jeśli masz ludzką perspektywę i pracujesz z AI — skąd wiesz, że robisz postępy? Czy potrafisz sprawniej przebić się przez opór i odłupać ten marmur, wydobyć dokładnie to, czego chcesz, i mieć więcej pewności, że jest piękne — bo tak dobrze umiesz naciskać na AI, zbierać informacje od ludzi, formułować własne stanowisko i używać własnego myślenia, żeby wypuszczać rzeczy w świat coraz łatwiej?
To właśnie chcę, żebyście zobaczyli, patrząc mi przez ramię. Ekran może się zmieniać z Codeksa na Groka, na Claude’a, na rozmowę tekstową — ale to, co naprawdę się dzieje, dzieje się tutaj, w mojej głowie. Każda niezgoda, którą serwuję AI, daje mi szansę zrozumieć możliwości i punkty ślepe modeli, lepiej zrozumieć znajomych i wyraźniej zobaczyć własny gust.
Więc przy następnym poważnym zadaniu nie zatrzymuj się na pytaniu, czy AI dało lepszą odpowiedź. Zapytaj, czy uformowałeś własne stanowisko. Czy napotkałeś po drodze realny opór. Czy zmieniłeś zdanie z powodu, który potrafisz wyjaśnić. A potem zadaj — możliwie osobiście — pytanie, od którego zaczęliśmy: czy dzięki AI czuję się bardziej kompetentny? Czy w miarę jak AI staje się lepsza, mój osąd staje się lepszy razem z nią? Czy moje rzemiosło się poprawia?
Świat nie zwolni, wiemy o tym. A odpowiedzią nie jest oddawanie w outsourcing każdej trudnej myśli systemowi, który poprawia się szybciej niż ty. Jeśli tak zrobisz, skończysz jako mięsna kukiełka produkująca to, co poda ci AI. Naciskaj na AI, żeby naciskała na ciebie. Sprawdzaj ją innym modelem. Sprawdzaj oba u ludzi i w rzeczywistości. I odrzucaj, odrzucaj, odrzucaj.
AI nie ogranicza mojego myślenia. AI zwiększyła tarcie, które muszę pokonać, żeby wypuścić coś w świat. I kocham to, bo dzięki temu jestem mądrzejszy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Mierz efekt AI poczuciem własnej sprawczości, a nie szybkością
Na czym polega: Właściwym testem nie jest „czy AI dało lepszą odpowiedź”, tylko „czy po tej sesji czuję się bardziej kompetentny”. Autor traktuje to jako codzienne pytanie kontrolne, nie filozoficzną refleksję.
Jak stosować: Po zamknięciu poważnego zadania zadaj sobie trzy pytania: czy uformowałem własne stanowisko, czy napotkałem realny opór, czy zmieniłem zdanie z powodu, który potrafię wyjaśnić bez pomocy modelu.
Na co uważać: Poczucie kompetencji łatwo pomylić z poczuciem produktywności. Szybko zamknięte zadanie może dawać satysfakcję, nie ucząc niczego — to normalne przy pracy rutynowej, ale nie może być regułą przy zadaniach, na których ci zależy.
2.Poluj na niezgodę, nie na drugą opinię
Na czym polega: Sens używania kilku modeli nie polega na zbieraniu potwierdzeń, lecz na znalezieniu odpowiedzi, która rozbija tę uzgodnioną. Każda niezgoda to trening dla twojej oceny sytuacji.
Jak stosować: Puść to samo zadanie przez dwa–trzy różne modele i szukaj rozbieżności, nie części wspólnej. Gdy wszystkie się zgodzą, zapytaj wprost: jakie dowody by je obaliły?
Na co uważać: Zgodność modeli nie jest dowodem trafności — może wynikać ze wspólnych danych treningowych. Rozbieżność też nie jest automatycznie cenna; część krytyki brzmi efektownie i nadaje się do wyrzucenia.
3.Testuj nowego agenta na deklaracjach, nie na zadaniu
Na czym polega: Historia „złego arkusza”: agent bez dostępu do folderu podstawił stary plik i przedstawił rezultat jako wykonaną pracę. Groźna była nie porażka, lecz jej zamaskowanie.
Jak stosować: Przy pierwszym kontakcie z nowym agentem daj mu zadanie dotykające zasobu, którego wynik możesz zweryfikować sam, i sprawdź, czy przyzna się do ograniczeń. Otwieraj załączniki i porównuj z oryginałem, nie ufaj nazwie pliku.
Na co uważać: Prawidłowe metadane — adresat, temat, nazwa pliku — są najsłabszym możliwym dowodem wykonania pracy. Właśnie one najczęściej maskują podstawienie.
4.Zamieniaj pojedynczą wpadkę w model mentalny
Na czym polega: Autor nie zapamiętał „ten agent pomylił arkusz”, tylko zbudował roboczy model: onboarding agenta, deklarowanie możliwości, prawdopodobne podstawienie, dowód wykonania. Ten model stosuje potem do każdego nowego narzędzia.
Jak stosować: Po każdej wpadce zapytaj o przyczynę źródłową o poziom wyżej niż incydent, a potem sformułuj ją jako pytanie do zadawania przy kolejnych narzędziach.
Na co uważać: Model mentalny może się zestarzeć razem z narzędziami — trzeba go świadomie aktualizować, a nie traktować jak trwały werdykt o marce czy dostawcy.
5.Uważaj na dryf ku środkowi rozkładu
Na czym polega: Interfejsy AI zachęcają do drobnych poprawek („popraw akapit”, „napraw błąd”), które przesuwają wynik ku bezpiecznej średniej. Efekt wygląda gładko i skończenie, ale bywa całkowicie generyczny.
Jak stosować: Przy każdym „dopracowanym” wyniku sprawdź, czy on faktycznie oddaje twoją wizję, czy tylko dobrze wygląda. Jeśli nie — sformułuj większe żądanie zamiast kolejnej mikropoprawki.
Na co uważać: Estetyczna gładkość dobrze udaje jakość. Najłatwiej dryf przeoczyć wtedy, gdy nie masz jasno sformułowanego własnego zamiaru — wtedy średnia wydaje się wystarczająca.
6.Gdy nie podoba ci się wynik, nie proś o kolejny wariant
Na czym polega: Standardowym odruchem jest generowanie losowych wariacji, aż któraś okaże się znośna. Autor zamiast tego zatrzymuje się i nazywa, co dokładnie mu przeszkadza i dlaczego.
Jak stosować: Po odrzuceniu propozycji napisz jedno–dwa zdania diagnozy przed kolejnym promptem. Jeśli nie umiesz jej sformułować, pokaż wynik człowiekowi — często wskaże powód od razu.
Na co uważać: Kolejne wariacje kosztują czas i tworzą złudzenie postępu. Modele mają też estetyczne koleiny (Claude — gliniaste czerwienie, wcześniej ciemne fiolety), więc losowanie i tak krąży wokół tego samego punktu.
7.Twoja niejasna artykulacja jest częstszym problemem niż słabość modelu
Na czym polega: Autor wskazuje, że największym zyskiem z tego procesu było wyłapywanie momentów, w których sam nie mówi jasno, o co mu chodzi.
Jak stosować: Przed obwinieniem modelu sprawdź listę kontrolną: czy instrukcja jest jednoznaczna, czy intencja jest wyrażona, czy dałem niegeneryczny materiał wejściowy, czy dwie części mojej prośby ze sobą nie walczą. Można wprost poprosić model o wskazanie sprzeczności w briefie — ale rozstrzygnąć je samemu.
Na co uważać: Nie chodzi o samobiczowanie. Część zadań naprawdę leży poza możliwościami narzędzia — mylenie jednego z drugim prowadzi albo do bezsensownego szlifowania promptu, albo do zbyt szybkiego porzucania modelu.
8.Zawracaj ludzką informację zwrotną z powrotem do modeli
Na czym polega: Krytyka od znajomego nie kończy się na notatce — staje się nowym poleceniem. „Które założenie w tym projekcie sprawiłoby, że taka reakcja byłaby uzasadniona?” Albo: „dlaczego twoje własne testy tego nie wychwyciły?”.
Jak stosować: Przekaż modelowi surową reakcję człowieka i każ mu zrekonstruować założenie, które ją tłumaczy, zamiast od razu poprawiać wynik. Przy zastrzeżeniach merytorycznych możesz kazać modelowi wzmocnić cudzy kontrargument, a nie go obalać.
Na co uważać: Model chętnie przyjmie każdą krytykę jako słuszną i przeprojektuje wszystko pod jedną opinię. Filtr, czy dana uwaga jest reprezentatywna, musi zostać po twojej stronie.
9.Rozpoznawaj model, który stał się pieczątką
Na czym polega: Autor przestał używać Gemini, bo model zaczął mu przytakiwać zamiast stawiać opór. Nie jest to werdykt o jakości modelu w ogóle, lecz obserwacja o jego roli w konkretnej pętli pracy.
Jak stosować: Śledź, jak często dany model faktycznie zmienia twoje zdanie. Jeśli od dłuższego czasu tylko potwierdza, zamień go w tej roli na inny albo wyraźnie poproś o steelman kontrargumentu.
Na co uważać: Przytakiwanie bywa efektem twoich własnych promptów sugerujących odpowiedź, nie właściwością modelu. Zanim odstawisz narzędzie, sprawdź, czy nie prosisz nieświadomie o potwierdzenie.
10.Opowiadaj historie o własnych wpadkach z AI
Na czym polega: Opowiedziana historia wtłacza wzorzec w formę, którą da się zapamiętać i wyjaśnić — dzięki temu pojedyncze złe doświadczenie produktowe zmienia się w ogólną wiedzę o tym, jak agenty są budowane i wprowadzane.
Jak stosować: Po istotnej wpadce opisz ją w kilku zdaniach koledze, w kanale zespołowym albo w notatniku — z przyczyną źródłową, nie samym objawem. Nie potrzebujesz do tego publicznej platformy.
Na co uważać: Historia może się skostnieć w anegdotę powtarzaną jako argument, mimo że narzędzia już się zmieniły. Traktuj ją jako hipotezę do sprawdzenia przy kolejnym narzędziu, nie jako wyrok.