O czym jest ten film
- Nate B. Jones rozmawia z Ashem i Andrew z OpenAI o tym, jak agenci AI zmieniają codzienną pracę.
- Rozmówcy opisują, dlaczego obsługa komputera przez agenta stała się użyteczna także tam, gdzie nie ma odpowiedniego API ani integracji.
- Wyjaśniają, po co rozwijać połączenia z innymi usługami, skoro agent potrafi już korzystać z ich stron i aplikacji.
- Pokazują, że o przydatności AI w danym zawodzie często decyduje dostęp do właściwych dokumentów i narzędzi, a nie techniczny charakter stanowiska.
- Omawiają tworzenie prostych aplikacji przez osoby, które dotąd pracowały głównie w dokumentach i arkuszach.
- Wskazują, że wraz z łatwiejszym tworzeniem narzędzi rośnie znaczenie wyboru dobrych pomysłów, sprawdzania wyników i dbania o spójność produktu.
- Proponują mierzyć koszt AI według ukończonego zadania, a nie samej liczby tokenów.
- Rozważają agentów, którzy sami wykrywają ważne problemy, zadają pytania w trakcie pracy i pozwalają użytkownikowi zmienić kierunek działania.
- Tłumaczą, jak głos, tekst i obraz mogą uzupełniać się w pracy z agentem.
- Podają przykłady przejścia od osobistej produktywności do korzyści dla całego zespołu oraz zadania, z którymi modele wciąż sobie nie radzą.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od zadania, które i tak musisz wykonać
Na czym polega: Ash opisuje prosty sposób uczenia się pracy z AI: zanim samodzielnie poprawi prezentację czy przygotuje wiadomość, próbuje powierzyć to agentowi.
Jak stosować: Przy najbliższym powtarzalnym zadaniu opisz oczekiwany rezultat, udostępnij potrzebne materiały i zobacz, ile pracy agent rzeczywiście przejmie. Zachowaj przykłady poleceń, które się sprawdziły.
Na co uważać: Pierwsza próba może wymagać poprawek. Sprawdzaj wynik, szczególnie przed wysłaniem go komuś lub zapisaniem zmian w używanych przez zespół materiałach.
2.Daj agentowi dostęp do informacji potrzebnych w danej roli
Na czym polega: W OpenAI kolejne działy zaczynały intensywniej korzystać z AI wtedy, gdy modele mogły sięgnąć do ich dokumentów, narzędzi i wcześniejszych ustaleń.
Jak stosować: Wybierz konkretny proces i ustal, skąd pracownik bierze do niego informacje: z plików, poczty, komunikatora, repozytorium czy aplikacji firmowej. Dopiero na tej podstawie oceniaj przydatność agenta.
Na co uważać: Dostęp do wielu źródeł sam w sobie nie gwarantuje poprawnej odpowiedzi. Sprawdzaj, czy agent korzysta z właściwych i aktualnych materiałów.
3.Korzystaj z obsługi komputera tam, gdzie brakuje integracji
Na czym polega: Agent potrafi wykonać część zadań przez zwykły interfejs programu: otwierać strony, przeglądać formularze i odczytywać dokumenty. Pomaga to przy usługach, które nie udostępniają odpowiednich połączeń.
Jak stosować: Wypróbuj takie rozwiązanie przy uciążliwej czynności obejmującej kilka stron lub plików. Poproś agenta o pokazanie, co zrobił, i sprawdź rezultat.
Na co uważać: Interfejsy się zmieniają, a agent może źle odczytać ekran albo wybrać niewłaściwą opcję. Przy ważnych formularzach kontroluj dane przed ostatecznym zatwierdzeniem.
4.Zachowaj dobre integracje, nawet gdy agent umie „klikać”
Na czym polega: Rozmówcy traktują obsługę ekranu jako sposób dotarcia do miejsc bez integracji. Bezpośrednie połączenia z usługami mogą działać szybciej, pewniej i oszczędniej.
Jak stosować: Dla często wykonywanej czynności porównaj oba sposoby pod względem czasu, poprawności i kosztu. Obsługę interfejsu wykorzystuj także do uzupełniania braków w dostępnych połączeniach.
Na co uważać: Nie zakładaj, że jedna metoda będzie najlepsza dla wszystkich usług. Każdą trzeba ocenić na konkretnym zadaniu.
5.Gdy dokument lub arkusz nie wystarcza, zbuduj małe narzędzie
Na czym polega: Pracownicy finansów, biznesu czy HR mogą opisać potrzebę agentowi i otrzymać prostą aplikację do użytku zespołu. Przydaje się to, gdy wynik ma być interaktywny albo regularnie aktualizowany.
Jak stosować: Zacznij od jednego procesu, na przykład cyklicznej aktualizacji modelu finansowego. Udostępnij narzędzie kilku użytkownikom, zbierz uwagi i poprawiaj je wraz z nimi.
Na co uważać: Łatwe tworzenie aplikacji nie zastępuje kontroli wersji, sprawdzania zmian ani opieki nad narzędziem, od którego inni zaczną zależeć.
6.Zamieniaj indywidualne usprawnienia w rozwiązania dla zespołu
Na czym polega: Korzyść dla organizacji rośnie, gdy jedna osoba udostępni innym działające narzędzie, raport lub automatyzację.
Jak stosować: Poszukaj powtarzalnego problemu zespołu. Jeśli agent pomaga ci go rozwiązać, przygotuj wynik tak, aby inni mogli z niego korzystać bez twojego udziału, i pokaż im działający przykład.
Na co uważać: Samo udostępnienie narzędzia nie kończy pracy. Ustal, kto odpowiada za jego poprawność i aktualizacje.
7.Oceniaj pomysły, nie tylko łatwość ich wykonania
Na czym polega: Skoro agent może szybko wytworzyć wiele dokumentów, aplikacji i wariantów, ograniczeniem staje się wybór tego, co naprawdę pomaga użytkownikom.
Jak stosować: Przed rozwijaniem pomysłu określ, komu służy i jaki problem rozwiązuje. Pokaż wczesną wersję odbiorcom, a potem popraw ją na podstawie ich reakcji.
Na co uważać: Duża liczba gotowych rzeczy może stworzyć pozór postępu. Zbyt wiele osobnych narzędzi utrudni ludziom pracę, jeśli nie tworzą zrozumiałej całości.
8.Licz koszt ukończonej pracy
Na czym polega: Droższy model może wykonać zadanie mniejszą liczbą kroków. Sama cena tokena nie mówi więc, ile kosztował użyteczny wynik.
Jak stosować: Porównuj koszt całego zadania wraz z poprawkami oraz czas potrzebny do jego zakończenia. Przy różnych modelach sprawdź też jakość otrzymanej pracy.
Na co uważać: Oszczędność tokenów, która zwiększa liczbę błędów lub przerzuca poprawki na człowieka, może okazać się pozorna.
9.Kieruj agentem także w trakcie zadania
Na czym polega: Dłuższa praca agenta nie musi być sztywną sekwencją: polecenie, oczekiwanie, wynik. Użytkownik może zauważyć błędny kierunek albo sam zmienić zdanie.
Jak stosować: Przy większym zadaniu zaglądaj do postępów i koryguj ważne założenia. Ustal, kiedy agent powinien zadać krótkie pytanie, zamiast samemu rozstrzygać niejasność.
Na co uważać: Zbyt częste przerywanie odbiera korzyść z automatyzacji. Reaguj przede wszystkim wtedy, gdy odpowiedź zmieni dalszą pracę.
10.Przy proaktywnych raportach wymagaj użytecznych ustaleń
Na czym polega: Rozmówcy widzą przyszłość w agentach, które same wskażą przeoczony problem, na przykład grupę klientów odchodzących z produktu.
Jak stosować: Zacznij od ograniczonego obszaru i określ, jakie wykryte zmiany zasługują na zgłoszenie. W raporcie oczekuj źródeł danych, wyjaśnienia wniosku i proponowanego działania.
Na co uważać: Ciągłe analizowanie danych może być kosztowne, a słabe sygnały szybko zamienią raport w szum. Im mniej wyraźnie użytkownik poprosił o analizę, tym wyższy powinien być próg powiadomienia.
Redakcyjne tłumaczenie
Kto dziś pracuje przy komputerze?
Nate B. Jones: Coraz częściej zastanawiam się, czy to jeszcze ja korzystam z komputera, czy raczej Codex z niego korzysta, a ja mam tylko swoje miejsce, z którego wydaję polecenia. Mówię do agenta, a na ekranie widzę kursor przemieszczający się między oknami. Agent sprawdza właśnie, jak użytkownik może korzystać z czegoś, co buduję. Niekiedy przestaję się orientować, co dzieje się w poszczególnych oknach.
Przyjechałem dziś do OpenAI, żeby porozmawiać o drodze od chatbota do narzędzia, które wykonuje rzeczywistą pracę. Interesuje mnie nie tylko sam interfejs, lecz także to, jak zmieniają się codzienne obowiązki, sposób uczenia się i umiejętności, które mogą być potrzebne w najbliższych miesiącach. Moi rozmówcy nie twierdzą, że znają wszystkie odpowiedzi. Chcę jednak zobaczyć, czego nauczyli się, pracując z tymi narzędziami.
Ash, Andrew, opowiedzcie na początek, czym zajmujecie się w OpenAI.
Andrew: Zacząłem od pracy nad aplikacją Codex, która stała się naszą aplikacją na komputer. Nadal zajmuję się różnymi częściami tego obszaru. Jestem tu nieco ponad rok. Wcześniej przez mniej więcej osiem lat działałem w świecie startupów, również jako założyciel firmy.
Ash: Pracuję w OpenAI od około trzech lat. Dołączyłem, żeby kierować zespołem związanym z ChatGPT Enterprise. Później zajmowałem się różnymi produktami dla użytkowników indywidualnych. Ostatnio prowadzę obszar produktywności i narzędzi dla programistów. Chcemy udostępnić przydatnych agentów szerokiej grupie ludzi, zaczynając od osób pracujących z informacją oraz twórców oprogramowania.
Od modelu 3D do zwykłej pracy
Nate: Po udostępnieniu Astry użytkownikom, co najbardziej zaskoczyło was w sposobie jej wykorzystania?
Andrew: Zwróciły moją uwagę projekty powstające w Blenderze. Ludzie tworzą trójwymiarowe światy i gry, po których można się poruszać. Nie jest to najważniejsze z naszych codziennych zastosowań, ale skala tego zjawiska mnie zaskoczyła. Każdy kolejny model ma obszary, w których wypada szczególnie dobrze. W przypadku Astry jednym z nich okazało się 3D.
Nate: Wiedzieliście o tej mocnej stronie przed udostępnieniem modelu?
Ash: Ludzie u nas eksperymentowali z takimi możliwościami, ale chyba nie przewidzieliśmy, jak wiele osób zechce z nich korzystać. Ktoś z mojej rodziny planował remont domu. Wgrał do Astry PDF z planem i otrzymał trójwymiarowy model, po którym mógł się poruszać. Na tej podstawie podjął nawet kilka decyzji dotyczących zmian. To dobry przykład zastosowania, które przestaje być domeną najbardziej zaawansowanych użytkowników.
Nate: Tworząc narzędzia do pracy z informacją, musicie też myśleć o zadaniach, których wyniku nie da się łatwo sprawdzić automatycznie. Co zmienia się wtedy w projektowaniu produktu?
Ash: Widzimy, że użytkownikowi pomaga prostszy obraz tego, co robi agent. Nie musi oglądać każdego kroku technicznego, ale potrzebuje dość informacji, by móc zaufać wynikowi.
Andrew: Dobrym przykładem jest obsługa komputera. Gdy była to funkcja dla programistów, mogliśmy pokazywać skrypty wykonywane przez agenta: które elementy programu znajduje i w co klika. Dla szerszej grupy użytkowników taki zapis niewiele mówi. Lepiej pokazać, że agent korzysta właśnie z notatek albo przeglądarki, oraz wyświetlić mały podgląd ekranu z widocznym kursorem. Pod spodem zdolności modelu są podobne; zmienia się sposób pokazania jego pracy.
Po co agentowi mysz i przeglądarka?
Nate: Muszę przyznać, że źle oceniłem rozwój obsługi komputera. W latach 2024–2025 dostępne rozwiązania były niezgrabne. Zakładałem, że maszyna będzie najsprawniejsza wtedy, gdy dostanie interfejs przygotowany dla maszyny: API albo połączenie przez MCP. Tymczasem modele zaczęły radzić sobie z ekranem na tyle dobrze, że mogą załatwiać sprawy w miejscach, w których nikt nie przygotuje specjalnej integracji. Dotyczy to choćby różnych urzędowych formularzy. Zadania, do których wcześniej trudno było w ogóle podłączyć agenta, stały się wykonalne.
(Informacja dodatkowa: MCP, czyli Model Context Protocol, to sposób udostępniania modelowi narzędzi i informacji z innych systemów.)
Andrew: Obsługa ekranu bywa takim połączeniem awaryjnym, dostępnym niemal wszędzie. MCP często będzie szybsze i zużyje mniej tokenów. Nie możemy jednak oczekiwać, że każda usługa, której potrzebujemy, zaoferuje odpowiednią integrację.
Przez pewien czas agent korzystający z komputera robił wrażenie na pokazach, lecz w codziennej pracy był za wolny. Teraz zdarza się, że nawet nie zauważamy, kiedy przy jednym kroku przechodzi z bezpośredniego połączenia na obsługę interfejsu, bo akurat tam integracja nie wystarcza. Dopiero po fakcie widzimy, że otworzył program i sam przez niego przeszedł.
Nate: Właśnie stąd bierze się moje pytanie o to, do kogo należy komputer. Rozmawiam z agentem przez narzędzie głosowe, a on porusza kursorem, otwiera okna i testuje tworzoną przeze mnie aplikację. Jak wyobrażacie sobie podział pracy między człowiekiem a agentem przy jednym komputerze?
Andrew: Przez dziesięciolecia zbudowaliśmy ogromny zbiór stron, programów i formularzy. Załatwienie zwykłej sprawy potrafi wymagać przejścia przez wiele z nich. Mam dzieci, więc dobrze znam choćby wypełnianie formularzy związanych z ich opieką. Do tego dochodzą PDF-y, a czasem nawet faks.
W możliwości korzystania przez agenta z komputera widzę szansę na prostszy sposób załatwiania takich spraw. Człowiek opisuje, czego potrzebuje. Agent znajduje stronę, przegląda dokument, wypełnia formularz i odkłada informacje tak, żeby później można było o nie zapytać. Przykładowo: kiedy dziecko dostało szczepienie przeciw tężcowi? Gdzie jest formularz potrzebny na obóz sportowy? Chodzi o poradzenie sobie ze złożonością, która narastała przez lata.
Integracje nadal mają znaczenie
Nate: Jeśli agent radzi sobie już z ekranem, czy nadal warto rozwijać połączenia z pocztą, komunikatorami i innymi usługami?
Ash: Zdecydowanie. ChatGPT od dawna miał różnego rodzaju połączenia z zewnętrznymi usługami, ale model nie zawsze umiał dobrze z nich korzystać. W ostatnich miesiącach to się zmieniło. Każde przydatne połączenie zwiększa możliwości całego produktu.
Skupiamy się na szybkości i niezawodności. Jeśli usługa udostępnia wiele funkcji, chcemy, by model mógł z nich korzystać, a nie widział tylko niewielką część. Połączenia muszą też działać sprawnie i zużywać rozsądną liczbę tokenów. Tam, gdzie można przygotować lepszą integrację z konkretnym produktem, nadal ma to sens. Możliwość korzystania z ekranu jej nie unieważnia.
Kiedy AI staje się przydatne w danym zawodzie?
Nate: Jak zmieniła się praca wewnątrz OpenAI? Czy jest jakiś nawyk, który szczególnie pomaga ludziom zacząć korzystać z agentów?
Ash: Mój sposób jest bardzo prosty: spróbować. Kiedy siadasz do komputera z myślą, że musisz poprawić prezentację albo napisać wiadomość, odruchowo zaczynasz robić to sam. Warto się wtedy zatrzymać i najpierw sprawdzić, czy Codex albo ChatGPT może pomóc. Przejście od samodzielnego wykonywania każdej czynności do takiego pierwszego kroku jest większą zmianą, niż mogłoby się wydawać.
Andrew: Przygotowaliśmy środowisko pracy tak, by korzystanie z Codexa i ChatGPT było łatwe. Nadal używamy wielu zwykłych narzędzi innych firm, ale połączyliśmy je z agentami. Gdy ktoś pyta, dlaczego podjęto określoną decyzję albo jak podłączyć usługę, odpowiedź często brzmi: zapytaj agenta, nawet głosowo. Potrafi zebrać obraz sytuacji z rozmów, dokumentów i pozostałych materiałów.
Dziś wiele osób tutaj korzysta z tych narzędzi przez większą część dnia pracy. Nie stało się to jednocześnie we wszystkich działach. Programowanie było pierwsze, bo potrzebne pliki i narzędzia były łatwo dostępne lokalnie. Agent mógł używać poleceń Git i GitHub bez osobnej integracji. W dziale prawnym duża część potrzebnego materiału znajdowała się w dokumentach, które również dało się odczytać. Gdy poprawiły się połączenia z usługami i obsługa komputera, z agentów zaczęły korzystać kolejne zespoły.
Nate: A zatem znaczenie ma nie tyle to, czy stanowisko uchodzi za techniczne, ile to, czy agent widzi informacje potrzebne do wykonania pracy.
Andrew: Tak. W rozmowach z osobami z finansów i zespołów biznesowych zauważyłem, że część z nich zamiast kolejnych arkuszy tworzy proste aplikacje i udostępnia je współpracownikom. Potem je poprawiają i dostosowują do nowych potrzeb. W praktyce zajmują się więc również tworzeniem oprogramowania, choć często nie mają narzędzi, do których przyzwyczajeni są programiści, takich jak kontrola wersji. To pokazuje zarówno nowe możliwości, jak i to, ile jeszcze trzeba zbudować, żeby ułatwić im pracę.
Gdy arkusz i prezentacja nie wystarczają
Nate: Dużo inwestujecie ostatnio w tworzenie stron i prostych aplikacji. Czy staną się one powszechnym narzędziem pracy z informacją?
Ash: Dotąd rezultat pracy przybierał zwykle postać dokumentu, prezentacji, arkusza lub PDF-u. Czasem żaden z tych formatów nie pasuje do tego, co człowiek chce przekazać. Potrzebuje czegoś interaktywnego, z czego będzie można korzystać także później.
Osoba bez doświadczenia programistycznego może wiedzieć, jaki problem chce rozwiązać, choć nie umie zapisać wymagań w języku inżyniera. Teraz może opisać sytuację modelowi, a on przygotuje aplikację. To pozwala zrobić coś, czego trudno byłoby oczekiwać od zwykłego dokumentu czy arkusza.
Nate: Czy sposób pracy nad taką wewnętrzną aplikacją przypomina rozwój produktu dla klientów?
Andrew: Coraz bardziej. Zespół HR może na przykład przygotować narzędzie pomagające innym pracownikom znaleźć odpowiednich kandydatów. My jesteśmy wtedy użytkownikami produktu, który HR rozwija i utrzymuje. Poszczególne zespoły zaczynają w ten sposób udostępniać swoją wiedzę innym.
Przy małej grupie odbiorców można czasem wprowadzać poprawki szybciej niż w produkcie używanym przez ogromną liczbę osób. Twórcy takich narzędzi potrafią nam przypomnieć, ile daje szybkie sprawdzenie pomysłu z użytkownikami.
Pomysły, ocena i spójność
Nate: Na jakie umiejętności warto stawiać, skoro modele będą coraz lepiej tworzyć dokumenty, narzędzia i aplikacje?
Ash: Spodziewam się poprawy na kilku frontach: jakości wyniku, rozumienia intencji użytkownika i trafnego sięgania do źródeł. Wtedy coraz większe znaczenie będzie miało samo wymyślenie, co warto zrobić. Trzeba umieć ocenić propozycję agenta, sprawdzić ją ze współpracownikami lub odbiorcami, a potem wrócić z uwagami. Umiejętność takiej współpracy z agentem pozostanie ważna nawet wtedy, gdy pojedyncze zadanie będzie wykonywane szybciej.
Andrew: Łatwość tworzenia wszystkiego rodzi jeszcze jeden problem: powstaje mnóstwo rzeczy, które ktoś musi połączyć w sensowną całość. Możemy przygotować wiele ciekawych funkcji. Musimy jednak zdecydować, które naprawdę do siebie pasują i pomagają ludziom rozwiązać problem. Potrzebne są jasność myślenia i wyczucie przy podejmowaniu decyzji.
Nate: Kiedyś sporą część mojego dnia zajmowały rutynowe czynności. Coraz więcej z nich mogę powierzyć agentowi. To wygodne, ale stawia przede mną trudniejsze pytanie: co zrobię z odzyskanym czasem? Czy mam pomysły warte realizacji i czy umiem rozpoznać dobry wynik? Jak wy to odczuwacie?
Andrew: Wcześniej zajmowałem się zarówno programowaniem, jak i projektowaniem. Miałem w głowie rzeczy, których nie potrafiłem sam zbudować w rozsądnym czasie. Teraz część tej przeszkody znika. Satysfakcję daje mi to, co udało się stworzyć, a nie liczba żmudnych kroków, które musiałem wykonać po drodze.
Ile naprawdę kosztuje praca agenta?
Nate: Chciałbym zapytać o oszczędne korzystanie z tokenów. Eksperymentuję z podziałem pracy między modele: jeden prowadzi długie zadanie, inne wykonują wybrane części lub okresowo oceniają kierunek. Dzięki temu nie każdy model musi dostawać całą historię projektu. Czy widzicie podobne podejście?
Andrew: Tak. W miarę wzrostu możliwości modeli rośnie znaczenie tego, ile zasobów zużywają na wykonanie konkretnej pracy. Astra w pewnych zadaniach potrafi być znacznie oszczędniejsza od wcześniejszych modeli. Pomaga też sposób, w jaki agent korzysta z komputera za pomocą kodu. Staramy się ponadto wbudować część takiego rozsądnego podziału pracy w domyślne działanie modeli, żeby użytkownik nie musiał wszystkiego organizować sam.
Ash: Pracujemy nad szczegółami: sposobem przygotowania umiejętności udostępnianych agentom i tym, jak korzystają z narzędzi. Najważniejsze jest jednak mierzenie właściwej rzeczy. Nawet osoba pilnująca wydatków nie powinna patrzeć wyłącznie na liczbę tokenów i cenę jednego tokena. Powinna zapytać, ile kosztowało wykonanie zadania. Model droższy w przeliczeniu na token może szybciej dojść do dobrego wyniku.
Agent, który zauważa problem, zanim go wskażesz
Nate: W firmach często słyszę, że pracownicy używają AI do pisania wiadomości, szukania odpowiedzi i programowania. Co dalej? Jak budować narzędzia skupione na wyniku, skoro pracownik nie zawsze umie na początku jasno powiedzieć, jakiego wyniku potrzebuje?
Andrew: Sam często proszę agenta o analizę danych: gdzie użytkownicy odpadają podczas rozpoczynania korzystania z produktu albo które grupy z niego rezygnują. Kiedyś najpierw trzeba było znaleźć właściwe tabele, napisać zapytania SQL i zbudować wykresy. Nierzadko dopiero wtedy okazywało się, że zadaliśmy niewłaściwe pytanie. Teraz mogę szybciej dostać raport wskazujący obszar, którym warto się zająć, i omówić go z zespołem.
Eksperymentujemy z wieloma takimi zastosowaniami. Nie każde jest już gotowe dla wszystkich, a użytkownicy nie mają tyle czasu na próby, ile my poświęcamy na nie w pracy. Dlatego część sprawdzonych sposobów trzeba umieścić w produkcie. Udostępniliśmy na przykład wtyczkę pomagającą przy pytaniach dotyczących danych i przygotowywaniu raportów.
Chcielibyśmy pójść dalej. Jeśli model umie odpowiedzieć na pytanie, nie powinniśmy zawsze czekać, aż ktoś dokładnie je sformułuje. Osoba odpowiedzialna za utrzymanie klientów mogłaby rano zobaczyć ważną informację o grupie, której dotąd nie analizowała, choć jej użytkownicy zaczynają odchodzić.
Nate: To trudniejsze niż odpowiadanie na pytania. Agent musi dobrze znać sytuację, mieć podstawy do wniosku i wiedzieć, jak pewny jest swojej oceny, zanim zaproponuje działanie.
Andrew: Zgadza się. Trzeba też pilnować kosztu. Nie chcemy, by agent analizował dane przez całą noc, zużył ogromne zasoby, a rano przedstawił trzy mało istotne uwagi. Gdy użytkownik sam nie zadał pytania, jakość takiego komunikatu musi być szczególnie wysoka.
Mówić do agenta, czy czytać jego odpowiedź?
Nate: Jak może zmienić się sposób, w jaki korzystamy z Codexa i innych narzędzi? Dużo myślę o głosie.
Ash: W biurze widzę osoby, które przez dużą część dnia rozmawiają z agentami. Dla wielu innych użytkowników taki sposób pracy wciąż jest obcy. Musimy lepiej pokazać, że ta możliwość istnieje, i ułatwić przejście od pisania poleceń do mówienia. Nie trzeba nawet wymyślać zupełnie nowego interfejsu, żeby zrobić tu postęp.
Andrew: Głosem można szybko przekazać dużo informacji o zadaniu. Odpowiedź często wolę jednak przeczytać, bo czytam szybciej, niż słucham. Interesuje mnie połączenie tych sposobów: ja mówię i podaję kontekst, a agent pokazuje mi tekst, obraz lub coś, z czym mogę wejść w interakcję. Pytania też może przedstawiać na ekranie. Eksperymentowaliśmy już z wizualizacjami i interfejsem tworzonym na bieżąco, ale dużo pracy jest jeszcze przed nami.
Nate: Przy długich zadaniach ważny jest także moment zadania pytania.
Andrew: Tak. Czasem jedno krótkie pytanie oszczędza mnóstwo dalszej pracy. Astra pyta częściej niż wcześniejsze modele. Chciałbym, żeby agent potrafił zwrócić się do mnie na innym urządzeniu, kiedy potrzebuje prostego rozstrzygnięcia. Jeśli jestem z dziećmi poza domem, nie chcę siedzieć wtedy nad projektem. Mogę jednak odpowiedzieć „tak” albo „nie”, zamiast po powrocie odkryć, że praca jest wprawdzie poprawna, lecz jedno pytanie pozwoliłoby zrobić ją lepiej.
Zmiana kierunku podczas pracy
Nate: Coraz częściej czytam komunikaty agenta w trakcie wykonywania zadania. Jeśli widzę, że zmierza w niewłaściwą stronę, od razu go poprawiam. Niekiedy pokazuję część jego pracy innemu agentowi i proszę o świeżą ocenę. Czy podobne zachowanie widzicie u innych użytkowników?
Ash: Wraz z rosnącym zakresem zadań rośnie potrzeba wygodnego wtrącenia się w trakcie pracy agenta. Czasem agent źle zrozumiał zadanie. Czasem to użytkownik po dwudziestu minutach orientuje się, że sam poprosił o coś innego, niż naprawdę chciał. Zmiana kierunku powinna być wtedy naturalna. Ludzie zaczynają rozumieć, że współpraca trwa przez cały czas wykonywania zadania, a nie tylko w chwili wysłania polecenia i odebrania odpowiedzi. Interfejs powinien to lepiej wspierać.
Nate: Zauważam też inny sposób pracy. Zdarza mi się rozmawiać z AI, zanim jeszcze wiem, czego chcę. Odrzucam kolejne propozycje, ale każda pomaga mi doprecyzować pomysł. To co innego niż zlecenie jasno określonego zadania.
Andrew: Rozmawialiśmy niedawno o tym, ile miejsca pozostawić agentowi na eksperyment. Chcemy, żeby wykonywał instrukcje, ale czasem dobrze, by zaproponował coś spoza najbardziej oczywistej ścieżki. Może to potrwać dłużej i kosztować więcej, za to pozwala odkryć rozwiązanie, którego inaczej byśmy nie rozważyli. Nie mamy jeszcze gotowej odpowiedzi, jak najlepiej to urządzić.
Od osobistej wydajności do korzyści dla zespołu
Nate: Gdy firmy wdrażają AI, zwykle najpierw pojawia się grupa bardzo zaangażowanych użytkowników. Opowiadają przede wszystkim o tym, jak sami pracują szybciej. Co musi się wydarzyć, żeby zyskał cały zespół?
Ash: Ktoś musi dostrzec powtarzalny problem zespołu i przygotować rozwiązanie, z którego skorzystają inni. Mamy przykłady osób aktualizujących co dwa tygodnie model finansowy, które zamieniły tę czynność w narzędzie dostępne dla współpracowników. Ktoś inny może przygotować automatyzację publikującą w komunikatorze informacje o błędach dotyczących grup użytkowników odchodzących z produktu.
W obu przypadkach powstaje coś więcej niż wynik na własny użytek. Koledzy mogą zobaczyć rozwiązanie, korzystać z niego i na tej podstawie uczyć się nowych sposobów pracy. Działający przykład często mówi więcej niż ogólne szkolenie.
Zadania, które wyznaczają granice
Nate: Na koniec: czy macie zadanie, które przez długi czas było dla modeli zbyt trudne? Czy któryś z ostatnich modeli wreszcie sobie z nim poradził?
Andrew: Przy każdej nowej wersji modelu wracam do jednego marzenia. Pracujemy nad aplikacją działającą na różnych systemach. Chciałbym móc przygotować jej osobną wersję w pełni dopasowaną do każdego z nich i utrzymywać wszystkie funkcje na tym samym poziomie. To nie tylko problem programistyczny, lecz także organizacyjny: rozwijamy produkt bardzo szybko. Korzystamy ze wspólnej podstawy dla różnych systemów właśnie po to, żeby nadążyć z pracą.
Co jakiś czas proszę nowy model, by spróbował przepisać aplikację Codex przy użyciu innych narzędzi. Astra przygotowała obiecujące wersje dla kilku środowisk jednocześnie. Wciąż nie jesteśmy jednak w miejscu, w którym mógłbym bez obaw powierzyć modelowi cały taki projekt.
Ash: U mnie niedawno udało się przekroczyć inną granicę. Od dawna mam automatyzację, która szuka sposobów na ograniczenie moich wydatków. Ma dostęp do poczty, przeglądarki i kilku połączonych usług. Przez około dwa miesiące nie znalazła nic szczególnie przydatnego, najwyżej wskazywała subskrypcję do anulowania.
W zeszłym tygodniu wykryła natomiast istotny błąd w moich podatkach. Jego poprawienie pozwoliło mi zaoszczędzić kilka tysięcy dolarów. Sam prawdopodobnie nigdy bym tego nie odkrył: trzeba było połączyć informacje z różnych miejsc i przypomnieć sobie zdarzenie sprzed kilku lat. Pokazało mi to, jak wiele może dać modelowi dostęp do odpowiedniego kontekstu.
Nate: Miałem podobne zaskoczenie przy zadaniu znacznie lżejszym. Lubię Lego i od dawna sprawdzałem, czy model potrafi zaprojektować większy zestaw. Kiedyś gubił się już przy niewielkiej liczbie elementów. Teraz poradził sobie z projektem obejmującym około tysiąca części.
Pamiętam też, jak mozolnie przygotowywałem książkę dla dzieci: osobno tekst, osobno opisy ilustracji, potem składanie wszystkiego razem. Dziś mogę poprosić o książkę, w której moje dzieci są bohaterami, a agent potrafi przeprowadzić znacznie większą część pracy, aż po zamówienie wydruku. Kiedy rezultat staje się czymś, co można wziąć do ręki, tę zmianę odczuwa się szczególnie wyraźnie.
Dziękuję wam za rozmowę.