GPT-6 Astra: przepaliłem cały tygodniowy limit w jeden dzień

O czym jest ten film

GPT-6 Astra wszedł na rynek: imponuje, ale to nie AGI — a cały szum wokół „ogólnej sztucznej inteligencji” przypomina, że gdy AGI naprawdę nadejdzie, zmiana będzie namacalna, nie marketingowa.
Nowość polega na kontroli nad całym komputerem — także profesjonalnym oprogramowaniem firm trzecich, na przykład Unreal Engine, którym model potrafi operować tak, że gry klasy AAA powstają na dyktando „dyrektora kreatywnego”.
Inteligencja modeli nie nadążyła za ich możliwościami: nadal zdarzają się im grube błędy, konfabulacje i udawanie wszechwiedzy — to jest rzeczywista droga do AGI.
Autor rozkłada demówkę OpenAI na czynniki, zestawiając ją z materiałem z 1979 roku: wtedy człowiek wskazywał głosem i gestem, gdzie ma znaleźć się żółte kółko; dziś operator ma mniejszą kontrolę, a efekt jest na poziomie sprzed roku.
Rankingi okazują się narracją: po premierze Artificial Analysis zmieniło metodologię oceny i kolejność modeli — w tym pozycję lokalnego Qwena 3.8 27B — co podważa zaufanie do takich serwisów.
ARC-3 pokazuje rzecz kluczową: GPT-6 Astra osiąga 59,3%, ale z innym harnessem — 99%. W najtrudniejszych zadaniach o wyniku decyduje opakowanie modelu, nie tylko model.
Dlatego autor rozwija Resonant OS — otwarty „rdzeń” do podpinania agentów, pamięci, narzędzi i workflowów — współposiadany przez społeczność Resonant DAO (ponad 3 300 osób).
Test w praktyce: tygodniowy limit tokenów przepadł w jeden dzień; przy intensywnej pracy subskrypcja za 100 dolarów to dopiero próg wejścia, a nawet 200 dolarów może nie wystarczyć.
Codex w jeden przebieg zbudował agenta sterującego całym Linuksem — rozszerzoną wersję autorskiego agenta przeglądarkowego; różnica w możliwościach jest realna, ale osiągalne rezultaty podobne jak lokalnie.
Lokalne AI daje suwerenność, prywatność i stabilność; chmura — wielkie okno kontekstu i pracę równoległą, ale bez prywatności i z ryzykiem degradacji jakości po premierach.

Redakcyjne tłumaczenie

Premiera: robi wrażenie, ale to nie AGI

GPT-6 Astra jest już dostępny. Tak, robi wrażenie. Nie, to nie AGI. Trzeba to powiedzieć jasno, bo wokół AGI narosła dziś masa szumu i wiele osób mówi o nim wprost. Cały ten hałas przypomina nam zresztą o dwóch rzeczach. Po pierwsze: AGI wciąż nie ma. Po drugie: kiedy naprawdę się pojawi, coś faktycznie się zmieni — to nie będzie kolejna fala marketingu, tylko zmiana realna. Wyjaśnię to szerzej pod koniec. Już osiem miesięcy temu nagrałem film „Dzień po AGI” (link w opisie), bo na ten moment trzeba się przygotować. Dziś AGI nadal nie mamy — ale zbliżamy się do niego, a możliwości Astry 6 są czymś, czego wcześniej nie widzieliśmy: skrajnie precyzyjną kontrolą nad komputerem.

(Informacja dodatkowa: AGI, czyli sztuczna inteligencja ogólna — hipotetyczny model, który w większości zadań intelektualnych dorównuje człowiekowi.)

Sterowanie komputerem, nie tylko przeglądarką

Kiedyś podziwialiśmy postępy w sterowaniu przeglądarką. Teraz model potrafi rządzić całym komputerem — a więc także cudzym, profesjonalnym oprogramowaniem — i to robi wrażenie. Jeśli nie widzieliście dema, wejdźcie na X i zobaczcie sami; dzieje się tam mnóstwo ciekawego, ludzie masowo budują. Najbardziej zdumiewające jest chyba to, że można dziś operować systemem takim jak Unreal i tworzyć gry — jakości klasy AAA — prosząc GPT-6, aby pilnował tego zaawansowanego oprogramowania za nas. To narzędzia, których opanowanie zabiera lata. Dziś dzięki AI wystarczy wcielić się w dyrektora kreatywnego i wydawać polecenia. Uwielbiam to; efekt jest niesamowity.

Czy to wygląda jak AGI? Można rzec, że sam rezultat jest „na poziomie AGI” w tym sensie, że gra zrobiona narzędziami, jakimi na co dzień posługują się ludzie, robi wrażenie. To natomiast, co się nie zmieniło, to inteligencja modelu. Tak, potrafi sterować i pracować — ale inteligentny nie jest: wciąż popełnia grube błędy, wciąż zmyśla, wciąż udaje, że wie wszystko, podczas gdy nie wie. To właśnie jest rzeczywista luka i krok, który dopiero przed nami. A na dziś najlepiej, co możemy zrobić, to pracować nad harnessem.

(Informacja dodatkowa: harness to opakowanie wokół modelu — instrukcje, narzędzia i schematy pracy, które decydują, jak modelu się używa. Ten sam model w innym harnessie potrafi dawać radykalnie różne wyniki.)

Zanim jednak do tego dojdziemy, pokażę kilka rzeczy, które są — oprócz wszystkiego — zwyczajnie zabawne i pouczające.

Lekcja z demówki: mniej kontroli niż w 1979 roku

Zajrzyjcie na stronę OpenAI; oprawa podoba mi się. Chcę pokazać coś, co mogło Wam umknąć. W materiale z 1979 roku ten człowiek posługuje się głosem i gestem, żeby wskazać maszynie, czego chce:

„Zrób tam żółte kółko.”

Wskazuje miejsce. Sprawuje kontrolę nad systemem. Wiele lat później, w 2026 roku, OpenAI pokazuje zachwycające środowisko, a prowadząca prosi:

„Narysujesz mi małe żółte kółko?”

Mniej kontroli nad systemem. Nie może powiedzieć gdzie. I wszyscy są zachwyceni samą możliwością sterowania:

„Weź to i zrób z tego okno rakiety.”

Zero kontroli. Prosisz AI, żeby zrobiło coś za ciebie — czyli nie ty rządzisz. Nie twierdzę, że to nic niewarte; to demo, a demo ma rozkręcać emocje. Tyle że wynik nie jest specjalny. Spójrzcie na efekt: prowadząca stoi w bajkowym otoczeniu — zamiast biurka — i wygląda to świetnie. Ale popatrzcie na to, co wychodzi na ekranie: te żółte elementy, prezentacja, którą składa. Nie wygląda to na AGI. Wygląda na coś, co zrobilibyśmy rok temu bez większego wysiłku. Hype każe nam jednak widzieć w tym AGI.

I jeszcze jedno: sam proces tworzenia również nie zachwyca. Wrażenie takie, że zespół odpowiedzialny za tę reklamę kompletnie nie rozumiał, czym jest AGI, i nakręcił materiał czysto pod szum, bez treści. Na stronie naturalnie znajdziemy całą serię benchmarków, przedstawiających Astrę jako model lepszy od wszystkiego. Wchodzimy jednak na Artificial Analysis i widzimy drugą historię.

Benchmarki to narracja, nie rzeczywistość

(Informacja dodatkowa: Artificial Analysis to popularny serwis porównujący modele AI; jego rankingi bywają cytowane jako obiektywna miara jakości.)

Ta historia także zdążyła się przemeblować. Gdy GPT-6 Astra debiutował, siedział gdzieś między GPT-5.6 Soul a Muse Spark, najnowszym modelem Mety. Właśnie tam. Muszę się przy tym śmiać: wydano miliony, a model wylądował w środku stawki — to ewidentnie nie przedstawiało prawdy. Wtedy Artificial Analysis zmieniło metodę oceniania i nagle GPT-6 Astra jest drugi. Zmieniono też oceny pozostałych: na przykład Qwen 3.8 27B — model, który ludzie codziennie uruchamiają u siebie — wylądował na poziomie Luny. Kiedy widzisz, że modele OpenAI nagle wskakują wyżej, nachodzi cię myśl, że ktoś zadzwonił do serwisu z komunikatem: „to nie do przyjęcia, nie podoba nam się to, trzeba to zmienić”. To pokazuje jedno: nie mamy tu do czynienia z rzeczywistością, tylko z narracją. Firma może zmienić sposób mierzenia, a wraz z nim kolejność w rankingu. Tym samym tej stronie nie można już ufać — narrację zmieniono dla własnej wygody. Można oczywiście rzec: „skoro narracja była zła, to znaczy, że strona do tej pory się myliła” — co zresztą wcale nie oznacza, że teraz mówi prawdę. Benchmarki i tak niewiele były warte, a teraz coraz częściej służą do wprowadzania ludzi w błąd. Trzeba się z nimi pożegnać.

ARC-3: najważniejsza lekcja o harnessach

Został jednak jeden benchmark warty uwagi: ARC-3. Widzimy na nim, że większość modeli — mimo ogromnych pieniędzy w nie włożonych — ma zerową skuteczność. Test mierzy radzenie sobie z problemami, na których model nie był trenowany: łamigłówki proste dla człowieka, ale dla AI skrajnie trudne. Większość modeli po prostu poległa. Z GPT-5.6 Soul przyszedł pewien postęp, a z Astrą — skok: Claude Opus 5 w trybie wysokiego rozumowania rozwiązuje 35,2% zadań, GPT-6 Astra na ustawieniu „extra high” — 59,3%. To potężny przeskok. Ale spójrzcie na sam szczyt tabeli: 99%. I znowu jest to GPT-6 Astra — tyle że z innym harnessem.

I to jest cała lekcja: najważniejsza liczba, jakiej dotąd widzieliśmy. Wynik modelu w zadaniu skrajnie trudnym dla AI można podbić radykalnie — z sześćdziesięciu procent do niemal stu, co w praktyce znaczy: test rozwiązany. Gdy mówię, że te zadania są łatwe dla ludzi, mam na myśli większość ludzi; niektóre są spore nawet dla mnie. Dlatego inżynieria harnessów to obszar, na którym powinniśmy się skupić: samych modeli nie zbudujemy, ale opakowania działające lepiej w konkretnych zadaniach — jak najbardziej. A jeśli to jest kierunek, to nie chodzi o jeden uniwersalny harness, lecz o całą rodzinę narzędzi wyspecjalizowanych pod konkretne zadania i konkretne rodzaje pracy.

Resonant OS: architektura, którą musimy mieć na własność

Do tego potrzebna jest zupełnie inna architektura — i to taka, którą musimy posiadać sami. Nie może zostać w rękach korporacji, której co miesiąc płacilibyśmy czynsz. Musi być nasza: własna, kontrolowana, personalizowana, rozbudowywana pod nasze potrzeby. Właśnie dlatego zaprojektowałem Resonant OS — fundament, na którym osadza się inteligencję: rdzeń, do którego podłącza się całą resztę. Różne agenty (Pi, DPC, harnessy, Codex), różne systemy pamięci, różne narzędzia, workflowy, różne powierzchnie użytkowe, a także rozwiązania tworzone na zamówienie pod problemy konkretnej firmy. Wszystko da się podpiąć i odpiąć, nie łamiąc rdzenia. System ma być otwarty i dostępny dla każdego. Jeśli chcecie to budować razem z nami, dołączcie na Discorda. Dziś — a jest poniedziałek — rozmawiamy o stanie Resonant OS oraz o Resonant DAO: społeczności, która jest właścicielem systemu. Wchodząc do niej, stajesz się jego współwłaścicielem. Przystąpienie jest oczywiście bezpłatne, to społeczność należąca do was. Jest nas już ponad 3 300 osób i budujemy razem. Wejdźcie na stronę, zacznijcie od sekcji „Start here”, wbijcie na Discorda i zobaczcie, nad czym pracujemy.

Cały tygodniowy limit w jeden dzień

Wróćmy jednak do tego, co naprawdę ważne, bo benchmarki są jednym, a agenta trzeba przetestować osobiście. Odnowiłem więc subskrypcję OpenAI i zacząłem z niej korzystać na pełnym gazie — i w jeden dzień przepaliłem praktycznie cały tygodniowy limit. Udało mi się go zresetować, pracuję teraz na nowym przydziale, ale sama sytuacja mówi coś irytującego: jeśli pracujesz z modelami intensywnie, pożerasz ogromne ilości tokenów. Subskrypcja za 100 dolarów miesięcznie to dopiero próg wejścia, a dla kogoś, kto siedzi w tym cały dzień, nawet 200 dolarów miesięcznie nie wystarczy.

Tyle żalu — bo trzeba tu czegoś dopowiedzieć. Od czasu, gdy pojawił się Qwen 3.8 27B, robię lokalnym AI praktycznie wszystko. Budowałem z nim oprogramowanie, żeby je przetestować, i tak powstał mój agent.

Agent, który klika za mnie

To Augment Agent — ma pełną kontrolę nad przeglądarką, uwielbiam go i używam codziennie. Może działać z DPC albo z agentem Pi. Wystarczy poprosić: „Wejdź na amazon.com i znajdź mi najtańszego RTX-a 5090”. Agent przejmuje stery — widzicie to na ekranie; nadal można przewijać i klikać, ale to on prowadzi i szuka najtańszej karty. Podaje cenę europejską: 6 230 dolarów. Bardzo drogo — ale nie o to chodzi. Chodzi o to, co potrafi, a zbudowałem go w całości lokalnie, na Qwenie 3.6 27B. W tej chwili siedzi u mnie Luna, bo nagrywam teraz filmy na karcie 5090, ale zwykle agent pracuje z moim lokalnym modelem.

Eksperyment polegał na czymś innym: wziąłem link do strony mojego agenta i dałem go Codexowi z prośbą, żeby odtworzył to narzędzie — ale tak, by zamiast sterować przeglądarką, przejął kontrolę nad całym komputerem z Linuksem. I zamiast siedzieć zamkniętym w panelu bocznym, agent miał być oknem zawsze na wierzchu, które mogę trzymać nad sterowanym programem. I dokładnie to powstało. Mam skrót klawiszowy, więc wzywam go, kiedy chcę; mogę otworzyć nową sesję, zminimalizować okno, wejść w ustawienia. W tej chwili działa na harnessie DeepSeeka, ale mogę jednym kliknięciem przełączyć na Pi. Taki agent może dostać kontrolę nad całym komputerem — bo o to właśnie chodzi: mieć pomocnika, którego o dowolnej porze poproszę o dowolną robotę.

Często robię na przykład poprawki tekstu. Kopiuję zdanie, wpisuję „/english” — agent sam dokleja dedykowany prompt do zawartości schowka: prompt plus tekst, enter, chwila przetwarzania i wynik gotowy. Korzystam z tego bez przerwy, bo angielski nie jest moim pierwszym językiem: napiszę zdanie, potem je czytam i — szczerze mówiąc — boli. Proszę o poprawkę, a przy okazji sam się uczę, czytając wynik. Można prosić o wiele więcej — także o to, co widzieliśmy wyżej: przejęcie kontroli nad systemem i mały research. Dobra wiadomość: tańszą wersję znalazł. Widzicie już, o co chodzi.

Chmura kontra lokal: jak wygląda praca po obu stronach

Budowa poszła zaskakująco gładko — zupełnie inaczej niż z lokalnym AI. Lokalnie muszę wszystko porządnie zaplanować i pilnować każdego kroku z osobna. Kontrola pełna, bo człowiek cały czas siedzi w pętli, ale sporo pracy spada na mnie, jeśli finalny produkt ma być dokładnie taki, jak chcę. A tu? Jedno klarowne polecenie i agent zbudował niemal cały system za jednym zamachem. Potem oczywiście doszło sporo uwag i poprawek. Różnica w możliwościach jest więc realna, oszczędność czasu jest realna — ale to, co da się osiągnąć, wychodzi bardzo podobnie. Prawdziwa przepaść biegnie gdzie indziej: przez duże okno kontekstu i możliwość puszczenia wielu agentów naraz. Duże okno kontekstu znaczy, że mogę wrzucić do modelu mnóstwo danych i kazać mu decydować na ich podstawie. Lokalnie okno jest znacznie mniejsze, więc muszę uważnie wybierać, co do niego wpuszczam — nie mogę podać wszystkiego, a to zmusza do pracy etapami. Skoro główne decyzje mają zapadać na podstawie danych, muszę bezwzględnie unikać kompakcji, czyli streszczania kontekstu. W tym właśnie siedzi wyzwanie: zarządzanie poziomem świadomości modelu lokalnego, bo każde streszczenie psuje dane, które on posiada. Strategie radzenia sobie istnieją, ale problem pozostaje problemem.

Z Codexem postanowiłem znaleźć granice: odpaliłem kilka projektów równolegle i celowo podsuwałem mu bardzo złożone problemy. Niepowodzenia się zdarzały, idealnie nie było. I właśnie to znaczy „brak AGI”: AGI to model, któremu można zaufać — ufamy wynikowi. Tu jeszcze nie możemy. Trzeba sprawdzać; banalne błędy wciąż się zdarzają. Ale możliwości są realne i tempo produkcji jest realne.

Suwerenność lokalnie, huśtawka w chmurze

Lokalne AI rozwiązuje przy tym inny problem: daje pełną suwerenność, pełną kontrolę i pełną prywatność. W chmurze czegoś takiego nie osiągniesz — chyba że komuś zaufasz, a to nie jest suwerenność, to zaufanie. Lokalnie kontrola jest totalna i to jest piękne. Do tego stabilne: wszystko działa zawsze na tym samym poziomie, agent wykonuje zadania tak samo za każdym razem. W chmurze wydajność faluje. Zapewne już w najbliższych dniach zobaczymy, że wyniki GPT-6 Astra się zmienią: będą optymalizować, przestawiać parametry — żeby obsłużyć więcej ludzi, przyspieszyć, oszczędzić prąd, cokolwiek. Takie korekty wchodzą regularnie i nigdy nie robią się dla ciebie — robią dla siebie. Efekt: model staje się mniej inteligentny, choć nadal używalny, a dla kogoś, kto pracuje intensywnie, ta zmiana będzie wyraźnie odczuwalna. Widzieliśmy to już wiele razy — każda firma tak robi i jest to irytujące ponad miarę.

AGI się zbliża: chodzi o zaufanie, nie o funkcje

Zostaje ostatni wątek — to, co mówiłem o AGI. Astra nim nie jest, ale przypomina nam, że AGI nadchodzi i jest coraz bliżej. Zaczynamy oglądać elementy, które wyglądają jak AGI: model, który sprawnie operuje oprogramowaniem tak złożonym jak Unreal i przy okazji buduje gry klasy AAA — dostępne nagle dla każdego — to coś niewiarygodnego. Zarazem inteligencji tam jeszcze nie ma. Rozmowy o AGI musimy jednak prowadzić. Osiem miesięcy temu nagrałem film (link w opisie) o tym, co wydarzy się dzień po AGI. Treść tamtego materiału jest moim zdaniem istotna, bo AGI to nie po prostu lepszy model ani model z dodatkowymi funkcjami. To zupełnie inna jakość: możliwość zaufania wynikowi — czego dziś nie mamy. A skoro można zaufać wynikowi, można delegować pracę autonomicznemu agentowi. I wtedy pojawia się pytanie, które powinieneś sobie zadać: ilu agentów potrzebujesz? Obejrzyj film i przygotuj się na AGI. Dzięki za obejrzenie — zostaw łapkę, zasubskrybuj i do zobaczenia na Discordzie, bo dziś, w poniedziałek, rozmawiamy o Resonant DAO, społeczności, którą budujemy, i o Resonant OS — systemie, który pozwoli nam w pełni zintegrować się z AI. Zajrzyjcie do następnego materiału — do usłyszenia.

10 najważniejszych takeaways — z kontekstem zastosowania

1.O wynikach decyduje opakowanie, nie tylko model

Na czym polega: W teście ARC-3 ten sam GPT-6 Astra osiągnął 59,3% przy standardowym użyciu, ale 99% z innym harnessem — dopasowanym zestawem instrukcji, narzędzi i schematów pracy wokół modelu. Skok z 60 do niemal 100% oznacza, że test został w praktyce rozwiązany.

Jak stosować: Zanim uznasz model za „głupi” lub „genialny”, dopracuj sposób jego użycia: prompt, podane narzędzia, podział zadania na kroki. Przy powtarzalnych pracach buduj dedykowane harnessy — po jednym na typ zadania — zamiast jednego uniwersalnego.

Na co uważać: Rodzina harnessów to koszt utrzymania: każdy trzeba testować i aktualizować przy każdej zmianie modelu.

2.Rankingi traktuj jako narrację, nie prawdę

Na czym polega: Po premierze Astry Artificial Analysis zmieniło metodologię oceny — model przesunął się w górę, a przemeblowano też pozycje pozostałych (lokalny Qwen 3.8 27B wylądował na poziomie innego modelu). Kolejność w tabeli okazała się negocjowalna.

Jak stosować: Wybieraj model na podstawie własnych testów na własnych zadaniach — najlepiej na niewielkim, stałym zestawie prób, powtarzanym dla każdego kandydata. Benchmarki traktuj wyłącznie jako wskazówkę orientacyjną.

Na co uważać: Serwisy z rankingami bywają blisko interesów firm modelowych; metodologia może się zmienić po każdej głośnej premierze.

3.Sterowanie całym komputerem to realna, nowa klasa zadań

Na czym polega: Dotychczasowy postęp dotyczył głównie przeglądarki; Astra operuje całym systemem, włącznie z profesjonalnym oprogramowaniem takim jak Unreal Engine — pozwalając powstawać grom klasy AAA bez lat nauki narzędzia.

Jak stosować: Przejrzyj swój warsztat pracy i wypisz programy, w których mógłbyś zostać „dyrektorem kreatywnym”, a sterowanie oddać agentowi — zacznij od zadań najprostszych i najodwracalniejszych.

Na co uważać: Oddając sterowanie, oddajesz kontrolę: łatwo o działania niepożądane w systemie. Pilnuj, co agent robi, i zaczynaj od operacji, które da się cofnąć.

4.Nie ufaj wynikom — to jest sama definicja braku AGI

Na czym polega: Model może sprawnie klikać i produkować, a jednocześnie popełniać banalne błędy i zmyślać z pełnym przekonaniem. Kryterium AGI według autora jest proste: wynik, któremu ufasz bez sprawdzania.

Jak stosować: Wpleć weryfikację w proces od samego początku: punkty kontrolne, automatyczne testy poprawności, drugi model do skrzyżowania wyników — zanim cokolwiek trafi dalej.

Na co uważać: Im płynniej agent działa, tym łatwiej o złudzenie kompetencji; sprawna „ręka” maskuje błędy merytoryczne.

5.Limit tokenów zużyjesz szybciej, niż myślisz

Na czym polega: Autor przepalił cały tygodniowy limit w jeden dzień. Przy intensywnej pracy subskrypcja za 100 dolarów miesięcznie to dopiero próg wejścia, a nawet 200 dolarów może nie wystarczyć.

Jak stosować: Zanim przeniesiesz na nowy model całą pracę, zmierz zużycie tokenów na jednym reprezentatywnym dniu, dolicz bufor i dopiero wtedy porównuj plany taryfowe.

Na co uważać: Limity bywają tygodniowe — jednodniowy zryw może zablokować pracę do końca tygodnia, a reset nie zawsze jest możliwy. Koszt rośnie najszybciej przy dużych kontekstach i wielu agentach równolegle.

6.W demach patrz na kontrolę operatora i na efekt końcowy

Na czym polega: W materiale z 1979 roku człowiek wskazuje głosem i gestem dokładnie, gdzie ma być żółte kółko; w demie OpenAI z 2026 roku prowadząca nie może nawet wskazać miejsca, a wynik jest porównywalny z tym, co osiągalne rok wcześniej. Piękna oprawa maskuje przeciętność.

Jak stosować: Oglądając każdą prezentację nowego modelu, zadawaj dwa pytania: kto decyduje — człowiek czy system? i czy finalny efekt byłby nieosiągalny rok temu? To szybki test na hype.

Na co uważać: Dema kręci się pod emocje, rzadko pokazują typowe przypadki użycia i nieodłączną pracę porządkową wokół nich.

7.Duże okno kontekstu to przewaga chmury — lokalnie unikaj streszczeń

Na czym polega: W chmurze można wrzucić do modelu dużo danych i na ich podstawie decydować. Lokalnie (model klasy 27B) okno kontekstu jest małe, a każde streszczenie — kompakcja — degraduje dane, na których model pracuje.

Jak stosować: W lokalnych instalacjach dziel pracę na etapy, selekcjonuj dane wejściowe i projektuj przepływ tak, aby kluczowe decyzje zapadały na pełnym, niestreszczonym kontekście. Streszczenia zostaw tam, gdzie służą tylko archiwizacji.

Na co uważać: Zarządzanie „świadomością” modelu lokalnego to ciągła praca, a nie jednorazowa konfiguracja — strategie pomagają, ale problemu nie usuwają.

8.Lokalne AI to suwerenność, prywatność i stabilność

Na czym polega: Autor na co dzień pracuje na lokalnym Qwenie i buduje z nim kompletne narzędzia. Lokalnie ma pełną kontrolę, prywatność (nie musi ufać trzeciej stronie) i powtarzalną, przewidywalną wydajność.

Jak stosować: Rozdziel zadania według wrażliwości: prywatne i wymagające powtarzalności realizuj lokalnie; złożone, kontekstochłonne i równoległe — w chmurze.

Na co uważać: Lokalnie więcej pracy spada na człowieka: planowanie krok po kroku i pilnowanie jakości. Suwerenność ma swoją cenę w czasie i sprzęcie.

9.Po premierze jakość modelu w chmurze może spaść

Na czym polega: Dostawcy chmurowi po głośnych debiutach stroją parametry — pod liczbę obsługiwanych użytkowników, szybkość, koszty energii. Model robi się mniej inteligentny, choć nadal używalny, a zmiana jest odczuwalna dla intensywnych użytkowników. Korekty służą dostawcy, nie tobie.

Jak stosować: Zaraz po premierze przetestuj model na stałym zestawie zadań i powtarzaj test co jakiś czas. Gdy jakość zacznie spadać, miej gotowy plan odwrotu: inny model lub alternatywa lokalna.

Na co uważać: To zjawisko cykliczne i powszechne — nie buduj kluczowych procesów na założeniu, że dzisiejsza jakość utrzyma się bez zmian.

10.Architekturę agentów warto mieć na własność — i przygotować się na delegację

Na czym polega: Skoro o wynikach decydują harnessy wyspecjalizowane pod zadania, potrzebna jest architektura, którą użytkownik posiada, a nie dzierżawi. Autor rozwija w tym celu Resonant OS, współposiadany przez społeczność. Docelowo AGI zmieni zasady gry: kiedy wynikom będzie można ufać, przechodzimy do delegacji — i wtedy liczy się odpowiedź na pytanie, ilu agentów potrzebujesz.

Jak stosować: Już dziś wypisz swoje powtarzalne procesy i zaznacz te, które delegowałbyś od ręki, gdybyś nie musiał sprawdzać wyników. To gotowa mapa na moment, gdy zaufanie będzie możliwe — i materiał do budowy własnych, wyspecjalizowanych harnessów.

Na co uważać: Gdy zmiana nadejdzie, będzie skokowa — nie odkładaj inwentaryzacji procesów na później. A przy wspólnotowych projektach sprawdzaj realne zasady współwłasności i ładu, zanim się zaangażujesz.