GPT-6 Astra w końcu opanowuje obsługę komputera

O czym jest ten film

1. ChatGPT z GPT-6 Astra samodzielnie steruje komputerem: klika, wpisuje, przewija i porusza się po aplikacjach jak człowiek.
2. Najważniejsza zmiana: do wielu automatyzacji nie są już potrzebne API ani MCP — model obsługuje interfejs bezpośrednio, także w usługach bez oficjalnej integracji.
3. Poziom 1: wyszukiwanie inspiracji projektowych na stronie bez API (saved.com) i generowanie własnych wariantów w Higgsfield.
4. Poziom 2: samodzielna praca w Premiere Pro — odnalezienie pliku na dysku, wybór najlepszego momentu i wstawienie wygenerowanego ujęcia.
5. Poziom 3: testowanie własnej aplikacji (galada.com) z perspektywy użytkownika i raportowanie pierwszych punktów tarcia.
6. Poziom 4: dopracowanie gotowej strony internetowej — wygenerowanie wariantu zdjęcia i wkomponowanie go w projekt.
7. Poziom 5: sterowanie telefonem przez aplikację do dublowania ekranu, np. wyciąganie statystyk z Instagrama.
8. Praktyczna rada o limitach: koszt zależy od modelu, trybu rozumowania, kontekstu i narzędzi; po każdym zakończonym zadaniu warto otwierać nowe okno.
9. Drabina decyzyjna: najpierw zapytaj, czy zadanie w ogóle warto wykonywać, potem czy wystarczy CLI albo MCP, a dopiero na końcu sięgaj po sterowanie interfejsem.
10. Całość autor osadza w dyskusji o AGI, przywołując słowa Jensena Huanga i praktyczną definicję: model, który zrobi większość tego, co człowiek przy komputerze.

Redakcyjne tłumaczenie

„To jest AGI”

ChatGPT potrafi dziś sterować komputerem jak nic wcześniej. „To jest sztuczna inteligencja ogólna” — takie słowa padają nie od byle kogo, tylko od Jensena Huanga, założyciela Nvidii, a także od człowieka, który sam ukuł ten termin.

(Informacja dodatkowa: AGI, czyli artificial general intelligence, oznacza model zdolny wykonać większość zadań intelektualnych człowieka — w praktyce dyskusji o AI sprowadza się to zwykle do pracy przy komputerze.)

Pokażę pięć zastosowań, które pozwalają połączyć się praktycznie ze wszystkim — także wtedy, gdy dana usługa nie udostępnia API ani MCP, czyli w ludzkim języku: gdy nie ma oficjalnego sposobu, żeby podpiąć ją do ChatGPT. Efekt? Inteligentny asystent, który spaceruje po twoim komputerze i wykonuje rzeczy wymagające dotąd ręcznej roboty. I nie chodzi tylko o wygodę — realnie odblokowuje to nowe zastosowania.

Poziom 1: od inspiracji do projektu

Zacznę od strony, na której często szukam pomysłów graficznych. Nie ma API ani MCP, a mimo to można z nią pracować.

Klasyczny scenariusz: zbieram inspiracje do dashboardu. Kiedyś musiałem otwierać serwis sam i klikać po wynikach. Dziś wystarczy jedno polecenie w ChatGPT:

„Wejdź na poniższą stronę, wyszukaj i wybierz trzy najładniejsze plakaty. Potem skorzystaj z mojego połączenia z Higgsfield i wygeneruj trzy alternatywy związane z angielskimi springer spanielami”.

Do promptu dokładam adres: saved.com.

(Informacja dodatkowa: Higgsfield to platforma z dostępem do czołowych modeli generowania obrazów i wideo, którą można podpiąć do narzędzi agentowych przez MCP albo CLI.)

Skalę zmiany dobrze widać na innym przykładzie. Prowadzę z kolegą Nickiem podcast. Załóżmy, że zależy mi na jego statystykach, ale nie mam dostępu do konta na YouTube. Kiedyś byłoby po sprawie — nic nie wskórałem. Dziś ChatGPT wejdzie w panel przez przeglądarkę, znajdzie właściwe dane i ustawienia, a ja nie tkwię niczego.

A jeśli jeszcze nie zaparzyliście sobie kawy — teraz jest ten moment, bo poziomy będą coraz mocniejsze.

Wynik? Oto trzy inspiracje i to, co model na ich podstawie stworzył. Może jestem nieobiektywny, bo kocham springery i spirale, ale efekt mnie zachwycił. Spójrzcie, jak uchwycono istotę rasy: „Born to spring”. Gdyby springery i spirale miały życiowe motto, brzmiałoby dokładnie tak. Potem „A sunlit scrapbook” — rodzinny album pełen słońca. Na koniec „Porcelain” — i znów trafienie w punkt.

Dlaczego to takie ważne? Na tej stronie darmowe konto pozwala przewinąć wyniki tylko do pewnego momentu, a pełnym dostępem nie da się w żaden sposób zarządzać z zewnątrz. Sterowanie interfejsem zdejmuje tę barierę.

Poziom 2: montaż w Premiere Pro bez integracji

Drugi poziom: ChatGPT otwiera i obsługuje dowolną aplikację zainstalowaną na komputerze. W moim przypadku — Premiere Pro. Polecenie:

„Otwórz Premiere Pro. Wczytaj film o GPT-6 Astrze, który mam zapisany na pulpicie. Znajdź ciekawy moment w pierwszych 10–15 sekundach. Wygeneruj i wstaw pięciosekundowe ujęcie uzupełniające (tzw. b-roll) za pomocą generatora wideo z Higgsfield — to jeden z najlepszych dostępnych modeli. Daj znać, gdy skończysz, żebym mógł obejrzeć efekt”.

Mówię wprost: każę modelowi pracować w aplikacji, która siedzi na moim dysku. I patrzcie — sam odnalazł plik z nagraniem, sam uruchomił Premiere i sam przeszedł cały ten etap. Wskazał najsilniejsze miejsce na wstawkę i odpalił generowanie w Seed Dance 2.5.

Jeśli coś brzmi tu dla was po hiszpańsku: w opisie filmu zostawiam link do społeczności, gdzie znajdziecie moje materiały o Codex, cały system operacyjny Agentech oraz kurs podstaw budowania ładnych stron i systemów.

Chcesz powtórzyć taki obieg? W Higgsfield schodzisz do sekcji MCP i CLI, klikasz CLI, robisz zrzut ekranu ustawień albo podajesz URL bezpośrednio Claude’owi — i gotowe. Od tej pory możesz tworzyć własne ujęcia i wstawiać je prosto na oś czasu w swoim projekcie. Widać tam nawet wcześniej wygenerowane obrazy, już podpięte.

Warto chwilę się temu przyjrzeć. Premiere Pro — o ile wiem — nie ma żadnej takiej integracji. A tutaj model usiadł przy moim komputerze i montuje za mnie. Przypomina mi to zdanie, które powtarzałem, budując to rozwiązanie dla poprzedniej firmy: zautomatyzujesz tę robotę razem z narzędziami albo narzędzia zautomatyzują ją bez ciebie. Pracowaliśmy wtedy z wieloma podmiotami, które nie miały API. Dziś to już nie zawsze problem — sterowanie interfejsem łata dziurę.

Wróćmy do efektu. Posłuchajmy, co model wstawił.

„Bawię się tym, odkąd tylko trafiło mi w ręce — realnie odblokowało mi zupełnie nowe zastosowania”.

Czy to dobre? Szczerze mówiąc — nie najgorzej, zwłaszcza że nie dostałem tu żadnego szczegółowego promptu, tylko „znajdź coś i wstaw”. Przy porządnie zbudowanym systemie poleceń można ten poziom podnieść na zupełnie inną półkę. A materiał czeka na mnie gotowy w projekcie. Dokładnie tak samo można pracować w Photoshopie — choćby przy korekcji kolorów — i w czymkolwiek innym.

Poziom 3: własna aplikacja testowana jak przez użytkownika

Trzeci poziom dotyczy testowania. Wrzucam do ChatGPT polecenie:

„Wejdź na galada.com w przeglądarce, pobierz aplikację, zatrzymaj się na tym etapie i opisz mi wrażenia z tej ścieżki. To jeden z moich startupów — zależy mi na spojrzeniu zwykłego użytkownika”.

(Informacja dodatkowa: galada.com to prowadzona przez autora aplikacja do dyktowania mowy.)

Kluczowa różnica wobec tego, co było: przechodzimy od budowania rzeczy do ich testowania tak, jak robią to ludzie. I sporo firm już na tym zarabia.

Strona otwiera się błyskawicznie, model widzi cały interfejs. Kursor rusza w prawy dolny róg i szuka przycisku pobierania. Aplikacja prosi o założenie konta — i już mamy pierwszy punkt tarcia: opcja „pobierz za darmo” kieruje na stronę rejestracji zamiast rozpocząć pobieranie. Model to odnotowuje i idzie dalej — sprawdza w dokumentacji, czy instalator da się pobrać bezpośrednio.

Można też poprosić o skrót u samego asystenta serwisu, Klary: „Wejdź na stronę główną galada.com i streść ją. Czy aplikację da się pobrać za darmo?”. W trybie komend Clara jest podpięta pod streszczanie filmów z YouTube, przeszukiwanie internetu i odpowiadanie na dowolne pytania. I faktycznie opisuje usługi, sposób działania i funkcje.

Dla każdego, kto buduje produkty, to ogromna sprawa: ChatGPT chodzi po twojej stronie i relacjonuje wrażenia użytkownika — a rozmaite warianty testów wyklika na życzenie. Kiedyś pojedyncze zadanie na computer use trwało tak długo, że zaczynałem nagranie bez wąsa, a kończyłem z wąsem. Serio, tyle to brało. Na tym tle dzisiejsza prędkość to błyskawica.

Poziom 4: dopracowanie gotowej strony

Czwarty poziom: strony internetowe. Tę, o którą chodzi, zbudowałem w poprzednim filmie — wygląda, moim zdaniem, obłędnie. Chcę jednak dodać na dole, obok sekcji „Jack AI”, coś świeżego: swoje zdjęcie w odnowionej wersji.

Kopiuję adres i wrzucam prompt:

„To moja strona. Rozejrzyj się po niej i znajdź sposób, żeby wpleść w nią moje zdjęcie — możesz pobrać moje zdjęcie profilowe, przygotować wariant z innym tłem i umieścić go na dole, wkomponowując w projekt. Widzisz całą stronę, więc podpowiedz mi też na bieżąco, gdzie najlepiej go osadzić”.

ChatGPT ujawnia pełnię możliwości wtedy, gdy składasz jego zdolności w stos: sterowanie interfejsem plus generowanie plus ocena efektu. I tak trzeba o tym myśleć — to naprawdę bardzo potężny, uniwersalny model.

Przy okazji słowo o AGI. Ten termin zawsze brzmiał dla mnie futurystycznie i odrobinę bajerowo. A znaczy prosto: model, który wykona większość rzeczy, jakie człowiek robi przy komputerze. I właśnie dotarliśmy do punktu, w którym to przestaje być obietnicą.

Zadanie skończone. Scrolluję na dół strony: w lewym dolnym rogu wylądowało piękne zdjęcie, z tłem podmienionym przez generator obrazów Higgsfield. Ostrość bez zastrzeżeń, a stylistyka w pełni spójna z językiem wizualnym serwisu.

Przystanek: jak nie spalić limitu

Zanim poziom piąty — krótko o limicie użycia, bo to pytanie pada najczęściej.

Budżet zależy od czterech rzeczy: modelu, trybu rozumowania, długości kontekstu i użytych narzędzi. Krótki prompt wcale nie oznacza taniej operacji — potrafi uruchomić długi i kosztowny ciąg czynności.

Najprostszy trik oszczędnościowy: gdy skończysz zadanie w danym oknie, otwórz nowe. Dzięki temu z limitem zrobisz znacznie więcej, zamiast przepalać tokeny na martwo. Za chwilę pokażę też, kiedy w ogóle sięgać po to sterowanie, a kiedy odpuścić — żeby oszczędzić tokeny i podnieść wydajność.

Poziom 5: telefon w rękach modelu

Piąty poziom zawdzięczam Markowi Kashefowi — kolega, legenda, który opisał tę metodę jako pierwszy. Byłem tak zachwycony, że musiałem ją tu wpleść. Dzięki, Mark, za wytyczanie szlaku.

Chodzi o sterowanie telefonem przez wbudowaną aplikację do dublowania ekranu. Polecenie:

„Korzystając z aplikacji do dublowania telefonu, otwórz Instagram, sprawdź moje statystyki z ostatniego miesiąca i powiedz, co zauważasz — gdzie mógłbym poprawić wyniki”.

Instagram nie udostępnia API pokazującego takie dane — na przykład ile osób odchodzi po trzech sekundach. A ChatGPT po prostu zagląda do aplikacji od środka. To ogólna zasada całego tego materiału: tam, gdzie nie ma API, znajdujemy drogę przez interfejs.

Model łączy się z moim iPhone’em 15 Pro Max. Po drodze zagląda do komentarzy pod moim filmem na YouTube — ktoś pisze tam o Nvidii. Potem otwiera Instagram i przegląda ustawienia. Nie wiesz, gdzie w aplikacji coś się znajduje? Wystarczy poprosić, a znajdzie. I zwróćcie uwagę na tempo — na tle poprzednich generacji to przelot.

Najpiękniejsze jest to, że taki obieg można ustawić raz, zapisać jako umiejętność i odpalać wielokrotnie, kiedy tylko trzeba.

Kiedy sięgać po sterowanie komputerem: trzy pytania

Zostało kluczowe pytanie: kiedy właściwie tego używać? Przygotowałem prostą drabinkę decyzyjną.

1. Czy to zadanie w ogóle powinno być wykonane? To najważniejsze pytanie — jeśli praca nie ma sensu, nie ma co jej automatyzować.
2. Jeśli sens jest: poradzi sobie z tym CLI albo MCP? Jeśli tak, wybierz je — działa szybciej, pewniej i zwykle taniej.
3. Jeśli nie, a zadanie musi zostać zrobione — sterowanie interfejsem domyka lukę.

To tyle, jeśli chodzi o same zastosowania. Zostaje jeszcze jedno: jak wycisnąć z ChatGPT maksimum dzięki agentowemu systemowi operacyjnemu — i tym zajmiemy się w materiale, do którego prowadzi link na ekranie.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Sterowanie interfejsem jako pomost tam, gdzie nie ma API

Na czym polega: ChatGPT obsługuje aplikacje i strony przez ich interfejs, więc brak API lub MCP przestaje blokować automatyzację.

Jak stosować: Zanim odpuścisz automatyzację usługi bez integracji, sprawdź, czy sterowanie interfejsem jej nie obejmie — na przykład wyciąganie danych z panelu, do którego i tak masz dostęp przez przeglądarkę.

Na co uważać: To rozwiązanie wolniejsze, droższe i mniej pewne niż porządne API — jeśli integracja istnieje, zawsze wybierz ją.

2.Jedno polecenie: research plus generowanie

Na czym polega: Model potrafi połączyć przeszukanie strony z inspiracjami i wygenerowanie własnych wariantów w Higgsfield — bez ręcznego przenoszenia materiałów między narzędziami.

Jak stosować: W prompcie wskaz konkret: źródło, czego szukać, ile wyników wybrać i co na tej podstawie wygenerować (temat, liczba wariantów).

Na co uważać: Jakość efektu zależy od jakości inspiracji i promptu — ogólnikowe polecenia dają przeciętne rezultaty.

3.Montaż w programach bez integracji

Na czym polega: ChatGPT otworzy Premiere Pro czy Photoshop, odnajdzie pliki na dysku i wykona operacje — choćby wstawi wygenerowane ujęcie we wskazanym miejscu osi czasu.

Jak stosować: Podaj pełny kontekst: skąd wziąć plik, w jakim zakresie czasu szukać momentu, jaką długość ma mieć wstawka i który model generuje. Poproś o sygnał po zakończeniu.

Na co uważać: Wstawki wygenerowane bez szczegółowego promptu bywają słabe — zawsze rób przegląd końcowy przed publikacją.

4.Szybki test ścieżki użytkownika we własnym produkcie

Na czym polega: Model przechodzi ścieżkę użytkownika (np. pobieranie aplikacji) i raportuje punkty tarcia z perspektywy świeżej osoby.

Jak stosować: Polecenie w stylu: „wejdź na stronę, pobierz aplikację, zatrzymaj się i opisz wrażenia”. Powtarzaj dla każdego kluczowego scenariusza w produkcie.

Na co uważać: To szybko wykonywany smoke test, nie badanie z prawdziwymi użytkownikami — traktuj wyniki jako sygnał ostrzegawczy, nie dowód.

5.Dopracowywanie gotowych projektów

Na czym polega: Model przegląda twoją stronę, generuje nowy element (np. wariant zdjęcia z innym tłem), wkomponowuje go w projekt i ocenia najlepsze miejsce osadzenia.

Jak stosować: Daj URL i opis oczekiwanego efektu; poproś o propozycję lokalizacji — skoro model widzi całość, może doradzić świadomie.

Na co uważać: Sprawdzaj spójność z językiem wizualnym serwisu — dobrane stylistycznie elementy potrafią odbiegać od reszty projektu.

6.Telefon jako kolejny interfejs

Na czym polega: Przez aplikację do dublowania ekranu model obsługuje telefon — otwiera aplikacje i wyciąga dane niedostępne przez API, np. statystyki Instagrama.

Jak stosować: Polecenie: „otwórz X, sprawdź dane Y za ostatni miesiąc, podaj wnioski”. Sprawdza się też do odnajdywania ustawień, których nie umiesz znaleźć.

Na co uważać: Dajesz modelowi dostęp do prywatnego konta — bezpieczniej robić to na profilu roboczym i z danymi, które nie są wrażliwe.

7.Higiena limitów: nowe okno po każdym zadaniu

Na czym polega: Zużycie zależy od modelu, trybu rozumowania, kontekstu i narzędzi — krótki prompt może odpalić długi, kosztowny ciąg czynności.

Jak stosować: Gdy skończysz zadanie, nie kontynuuj w tym samym oknie — otwórz świeże i odzyskasz limity zamiast przepalać tokeny.

Na co uważać: Pozostawiony kontekst z poprzednich zadań zjada budżet; zanim wyślesz kolejny prompt, oceń, czy na pewno ma działać w tej samej sesji.

8.Drabina decyzyjna przed każdą automatyzacją

Na czym polega: Kolejność pytań: czy zadanie w ogóle ma sens → czy wystarczy CLI lub MCP → dopiero potem sterowanie interfejsem.

Jak stosować: Przepuszczaj każdy pomysł przez tę drabinkę, zanim napiszesz prompt. Sterowanie interfejsem traktuj jako ostateczny pomost.

Na co uważać: Najczęstszy błąd to automatyzowanie czegoś, czego wcale nie warto robić — pytanie o sens jest ważniejsze niż wybór narzędzia.

9.Składaj zdolności modelu w stos

Na czym polega: Największa siła ujawnia się przy łączeniu sterowania interfejsem, generowania treści i oceniania efektów w jednym zadaniu.

Jak stosować: Projektuj polecenia jako ciągi: „obejrzyj → wygeneruj → wstaw → oceń”, zamiast rozbijać je na osobne kroki wykonywane ręcznie.

Na co uważać: Każde kolejne ogniwo wydłuża łańcuch i zwiększa ryzyko błędu oraz koszt — zostawiaj tylko te, które są naprawdę potrzebne.

10.Z jednorazowego obiegu rób powtarzalną umiejętność

Na czym polega: Raz ustawiony przepływ — na przykład comiesięczny przegląd statystyk — można zapisać jako skill i wielokrotnie wykorzystywać.

Jak stosować: Rozpisz działający workflow, zapisz go jako umiejętność i odpalaj cyklicznie, bez pisania promptu od zera.

Na co uważać: Automatyzacje oparte na interfejsie psują się po zmianach layoutu lub wersji aplikacji — co jakiś czas zweryfikuj, czy wszystko wciąż działa.