O czym jest ten film
- OpenAI wprowadziło nowy plan Pro za 500 dolarów miesięcznie (ok. 6 tys. dolarów rocznie) — ale nie znajdziemy go na zwykłej stronie cennika, tylko w wersji serwisu dla firm.
- Główna nowość to Astra Ultra Fast: model GPT Astra działa 8–10 razy szybciej niż dotychczas, osiągając maksymalnie ok. 300 tokenów na sekundę — mniej więcej 60 razy szybciej, niż czyta człowiek.
- W skład planu wchodzi najmocniejszy model pro (obecnie wersja 6.1), zawsze aktywny agent Dots, najszybsze tryby Work i Codex, maksymalna pamięć, 100 GB miejsca, wczesny dostęp do nowych narzędzi i modeli, trzy poziomy użycia oraz brak reklam.
- W aplikacji Codex pojawił się nowy przełącznik trybów: obok „standard” i „fast” doszła opcja „ultra fast”, oznaczona podwójną błyskawicą.
- Autor przeprowadził dziewięć testów, mierząc czas każdego z pełnym testowaniem: czarna dziura ok. 2 min 10 s, aplikacja architektoniczna 1 min 50 s, malarskie narzędzie Liquid Light 8 min 14 s, miniaturowe miasto 6 min 52 s, strona Pelagic 7 min 12 s, gra z kulkami 7 min, portret cząsteczkowy 5 min 11 s, redesign strony autora 5,5 min, laboratorium sieci neuronowych 3 min.
- Wygenerowane programy były responsywne, zoptymalizowane i przetestowane przez agenta — gotowe do pokazania od razu, co autor podkreśla jako rzadkość wśród MVP powstających w AI.
- Strona Pelagic pokazuje ważny niuans: połowa czasu (ok. 3,5 min) poszła w sam kod, reszta w generowanie grafik w Higgsfield — multimedia potrafią być wąskim gardłem, nie programowanie.
- Teza autora: AI nie uczyniło niczego fundamentalnie nowym — po prostu wszystko zrobiło bardziej rentownym.
- Przykłady biznesowe: automatyczne projektowanie witryn dla klientów agencji w sekundy, tworzenie szkicu aplikacji w trakcie rozmowy z nowym klientem, pętle autooptymalizacji mielące w tle, agenci głosowi projektujący na żywo.
- Zdaniem autora dla większości biurowej pracy umysłowej osiągnęliśmy już „80/20” inteligencji — teraz wyścig toczy się o szybkość, koszt i skalowalność (wspomina Cerebras i układy zoptymalizowane pod inferencję).
10 najważniejszych takeaways — z kontekstem zastosowania
1.Ultra Fast to zakup czasu, nie nowej inteligencji
Na czym polega: Plan za 500 dolarów nie daje „mądrzejszego” modelu — daje ten sam model działający do ok. 8–10 razy szybciej (szczytowo ok. 300 tokenów na sekundę).
Jak stosować: Jeśli twoim wąskim gardłem jest czas oczekiwania na generacje — iteracje, agenty, pętle testów — plan może się zwrócić. Jeśli problemem jest jakość wyników, szybszy tryb tego nie naprawi.
Na co uważać: 300 tokenów na sekundę to wartość szczytowa. W trybach „myślących”, które odsyłają własne tokeny do siebie (np. Astra w wariancie high), realna przepustowość jest niższa — czego autor wprost oczekuje w swoich testach.
2.Nowy plan kryje się w wersji biznesowej
Na czym polega: Cennik konsumencki pokazuje tylko Go, Plus i Pro. Plan z Ultra Fast dostępny jest po wejściu w część serwisu dla firm.
Jak stosować: Szukając trybu, nie szukaj go na zwykłej stronie cen — przejdź do oferty biznesowej i tam wybierz Pro z listy po lewej.
Na co uważać: Wyświetlane ceny zależą od regionu i waluty: autor z Kanady widział równowartość 680 (CAD), podczas gdy cena referencyjna to 500 dolarów amerykańskich. Łatwo się pomylić przy pierwszym rzucie oka.
3.Uczciwy benchmark to czas razem z testami
Na czym polega: Aplikacje powstawały w 1–8 minut, ale miarodajny pomiar obejmuje testy — agent sam zmienia rozmiar okna przeglądarki i sprawdza elementy sterujące.
Jak stosować: Planując realny czas wdrożenia, licz z fazą testów, a nie „czystą” generację. Dobrze poprowadzony prompt może kazać agentowi testować od razu.
Na co uważać: Dema nagrywane bez testów wyglądają spektakularnie, ale pokazują warunki, które w praktyce nie istnieją — przed oddaniem czegokolwiek klientowi testy są obowiązkowe.
4.Efekt prosto z generatora bywa gotowy do pokazania
Na czym polega: Wszystkie dziewięć projektów było w pełni responsywnych, zoptymalizowanych i sprawdzonych — bez zacinek i błędów typowych dla świeżych MVP z AI.
Jak stosować: Możesz pokazywać klientowi działający prototyp niemal od razu po wygenerowaniu, bez ręcznego dopieszczania.
Na co uważać: „Działa” nie znaczy „jest dokładnie tym, czego chciałeś”. Redesign strony autora był wyraźnie lepszy niż poprzednia wersja, ale przyznał, że to nie jest jeszcze jego wizja docelowa.
5.Przy takiej szybkości opłaca się grać na ilość
Na czym polega: Autor wprost sugeruje odwrócenie dotychczasowej strategii: zamiast dopieszczać jeden wynik, generuj wiele wariantów i dochodź do jakości przez ilość.
Jak stosować: Ustaw pętlę generowania wariantów (np. autooptymalizacja aplikacji w tle) i odrzucaj słabsze propozycje, zamiast ręcznie poprawiać pierwszą z brzegu.
Na co uważać: Pętla mieląca bez przerwy w najwyższym trybie generuje rachunek — autor sam zastrzega „o ile was na to stać”. Warto ustawić limity użycia.
6.Szybkość zmienia ekonomię usług
Na czym polega: Agencja może wygenerować witrynę na podstawie danych klienta w sekundy — np. jeszcze w trakcie rozmowy, podczas której klient dopiero rozpoczyna współpracę.
Jak stosować: Włącz generowanie bezpośrednio do procesu sprzedażowego: live demo zbudowane na danych klienta w czasie rozmowy to argument, którego nie zastąpi slajd.
Na co uważać: Żeby to działało płynnie, prompty, protokoły projektowe i materiały marki muszą być przygotowane wcześniej — szybkość modelu nie usprawiedliwia improwizacji na rozmowie.
7.Generowanie grafik bywa wąskim gardłem, nie kod
Na czym polega: Strona Pelagic zajęła łącznie 7 min 12 s, ale mniej więcej połowa tego czasu poszła na wygenerowanie zasobów graficznych w Higgsfield — samo programowanie to ok. 3,5 minuty.
Jak stosować: Przy szacowaniu projektów rozdzielaj czas kodu od czasu multimediów i rozważ równoległe generowanie assetów, żeby nie blokowały agenta.
Na co uważać: Łączny czas wykonania może zawyżać pozorną „wolność” kodowania — porównuj czasy z rozbiciem na etapy.
8.Wyniki zależą od warunków lokalnych
Na czym polega: Narzędzie Liquid Light powstawało 8 min 14 s — wyraźnie dłużej niż pozostałe. Autor przypuszcza, że winne było GPU pracujące nad kilkoma aplikacjami naraz (plus żmudne naprawianie błędów).
Jak stosować: Chcesz porównywać wydajność — zamykaj zbędne procesy obciążające kartę graficzną i mierz w powtarzalnych warunkach.
Na co uważać: Pojedynczy pomiar to nie benchmark; jeden wolniejszy wynik nie przesądza o prędkości trybu.
9.Pokazy, edukacja i „wow” tanieją drastycznie
Na czym polega: Interaktywne wizualizacje — czarna dziura z soczewkowaniem, symulacja ruchu miejskiego, laboratorium sieci neuronowych — powstawały w 3–7 minut. Coś, co kiedyś zajęłoby wykładowcy tygodnie, dziś jest kwestią pojedynczego prompta.
Jak stosować: Buduj szybkie demonstracje handlowe i dydaktyczne na miarę potrzeby, zamiast trzymać się jednego sztywnego materiału.
Na co uważać: Autor sam zaznacza, że nie każde takie demo przekłada się wprost na wartość ekonomiczną — efekt „wow” to środek, nie cel.
10.Wyścig przeniósł się z inteligencji na prędkość
Na czym polega: Teza autora: dla większości biurowej pracy umysłowej, którą chcemy zautomatyzować, osiągnięto już „80/20” możliwości modeli. Kolejne zyski przyjdą z szybkości, ceny i skalowalności — m.in. dzięki układom takim jak Cerebras, zoptymalizowanym pod inferencję.
Jak stosować: Wybierając narzędzia, patrz nie tylko na rankingi „mądrości” modelu, ale na opóźnienia, koszty tokenów i limity — to one będą decydować o opłacalności automatyzacji.
Na co uważać: To ocena opiniotwórcza autora, a nie wymierny wskaźnik — traktuj ją jako hipotezę do weryfikacji we własnych zastosowaniach.
Redakcyjne tłumaczenie
Plan za 500 dolarów i obietnica 300 tokenów na sekundę
OpenAI uruchomiło nowy plan Pro dla ChatGPT za 500 dolarów miesięcznie — czyli około 6 tysięcy dolarów rocznie. Główny argument sprzedażowy to Astra Ultra Fast: możliwość uruchamiania GPT Astra około 8–10 razy szybciej niż dotychczas, z maksymalnie około 300 tokenów na sekundę. Dla orientacji: to mniej więcej 60 razy szybciej, niż człowiek jest w stanie czytać. W tym materiale chcę dać wam dokładny przegląd planu, a potem pokazać, jak sprawdza się w praktyce — na całej gamie różnych zadań.
(Informacja dodatkowa: token to fragment słowa, na którym operują modele językowe; 300 tokenów na sekundę odpowiada w przybliżeniu 200–250 słowom na sekundę.)
Co dokładnie dostajemy za te pieniądze
Na początku drobna pułapka: na zwykłej stronie cennika tego planu w ogóle nie uświadczymy. Widnieją tam tylko Go, Plus i Pro. Jestem Kanadyjczykiem, więc ceny, które widzę, trochę odbiegają od amerykańskich. Aby dostać się do Ultra Fast, trzeba wejść w część biznesową serwisu — dopiero tam po lewej stronie pojawi się właściwy plan Pro. U mnie widnieje równowartość 680 (w dolarach kanadyjskich), u was będzie to 500 dolarów.
Co jest w środku? OpenAI obiecuje najbardziej zdolny, najnowocześniejszy model w wersji pro — w tej chwili jest to 6.1, w przyszłości może być inaczej. Dochodzi dostęp do Dots, zawsze aktywnego agenta AI, a także najszybsze tryby Work i Codex. To właśnie je będę dziś testował, bo cała koncepcja tego planu opiera się na jednym założeniu: pracy wrażliwej na opóźnienia. Dalej na liście: maksymalna pamięć i 100 GB miejsca, wczesny dostęp do nowych narzędzi i modeli, trzy poziomy użycia i oczywiście brak reklam. Szczerze mówiąc — dobrze, że ich nie ma. Płacąc prawie 500 dolarów miesięcznie, należałoby się spodziewać co najmniej tyle.
(Informacja dodatkowa: Codex to narzędzie OpenAI do pracy z kodem — agent, który sam pisze, testuje i poprawia aplikacje.)
Jak to wygląda w Codexie
Mam otwartą aplikację Codex i na dole ekranu pojawił się nowy, mały przełącznik. Po kliknięciu widzimy, że kiedyś był tylko tryb standardowy, potem doszedł fast — a teraz mamy jeszcze „ultra fast”, oznaczony dwiema błyskawicami. I faktycznie: jest szybki. Wystarczy napisać „Hej, co słychać?”, a odpowiedź pojawia się błyskawicznie — nawet gdy model „myśli” nad odpowiedzią.
Żeby nie przeciągać nagrania, nie będę czekał na agenta w czasie rzeczywistym. Zamiast tego będę podawał czasy wykonania — aplikacja wyświetla je pod każdym promptem, w stylu „trwało 1 minutę i tyle sekund”. Dzięki temu będziecie mogli odnieść te wyniki do własnej pracy.
Jedno zastrzeżenie metodologiczne: w tych testach zamiast GPT-6 Astra Lite korzystam raczej z wariantu high, który odsyła do siebie sporą część tokenów. Nie zobaczycie więc na ekranie pełnych 300 tokenów na sekundę — i to zupełnie w porządku.
Test 1: obserwatorium czarnej dziury w dwie minuty
Pierwsze zadanie: interaktywne obserwatorium czarnej dziury. Kompozycja otwierająca miała pokazywać wielką czarną sylwetkę otoczoną świecącym, bursztynowym dyskiem akrecyjnym. To obecnie dość typowy pokaz możliwości Astri — mnóstwo ludzi robi w tym stylu aplikacje WebGL — ale chciałem pokazać, jak to wygląda z perspektywy użytkownika planu Pro z trybem Ultra Fast.
Po minucie i siedmiu sekundach aplikacja już stawała. Po prawej stronie agent właśnie przeprowadzał testy: zmieniał rozmiar okna przeglądarki i sprawdzał elementy sterujące, więc nie mogę jeszcze powiedzieć, że projekt jest w stu procentach skończony — i nie zamierzam mu w tym przeszkadzać. Krótko mówiąc: program powstał w jakieś minutę. Gdyby zrezygnować z testów, wyszłoby szybciej — wiem, że wielu youtuberów właśnie tak nagrywa swoje dema, ale to nie ma nic wspólnego z rzeczywistością. Aplikacje przed wdrożeniem powinno się testować. Tak więc — jak kuszące nie byłoby „strzelenie” całego projektu jednym promtem — realistycznie dla takiej aplikacji liczymy jakieś dwie minuty. I faktycznie: przy 2 minutach i 10 sekundach mogłem otworzyć dzieło we własnej karcie. Gdy poruszam czarną dziurą, widać soczewkowanie grawitacyjne i zakłócanie obrazu wokół niej.
Test 2: z rzutu podłogi do trójwymiarowego domu
Kolejny projekt: aplikacja architektoniczna, która zamienia czysty, płaski rzut kondygnacji w urządzony dom 3D. Pomysł jest taki, żeby narzędzie tego typu mogło posłużyć architektowi — albo komuś, kto planuje budowę własnego domu — do szybkiej wizualizacji na podstawie dostarczonego rzutu.
Po 1 minucie i 50 sekundach mieliśmy pierwszą wersję. Otwieram ją w nowej karcie dla wygody: rzut jest rozrysowany — kazałem go wygenerować, żeby zobaczyć, jak wygląda — a teraz można go skalować w górę zgodnie z podanym protokołem projektowym. Całość powstała w dwie minuty. Co ciekawe, mamy nawet możliwość przejścia się po domu, co samo w sobie jest niezłe.
Test 3: „Liquid Light”, czyli malarstwo płynami
Trzecia pozycja to pełnoekranowy instrument artystyczny o nazwie Liquid Light — narzędzie do rysowania, coś w stylu akwareli. Wykorzystuje GPU i projekcję ciśnienia, żeby pokazać, jak wyglądałoby malowanie prawdziwym płynem. Po zakończeniu wszystkich testów, po 8 minutach i 14 sekundach, aplikacja była gotowa. Mogę tu „rozkwitać” kolory i osiągać naprawdę efektowne efekty.
Ktoś pewnie pomyśli: osiem minut na coś takiego? I co komu z tego przyjdzie? Słuszna uwaga — w obecnej formie ten projekt raczej nie generuje wielkiej wartości ekonomicznej. Ale jest idealnie dopasowany do rozmiaru okna, w pełni responsywny i po kilku minutach zabawy nie znalazłem w nim żadnych usterek. A przecież mnóstwo MVP i dem prosto „z pieca” generatorów AI ma problemy. W tym sensie można mieć zaufanie, że coś takiego po prostu zadziała — i to już jest realna wartość. Jest nawet uroczy mały gumka do ścierania.
Skąd ten dłuższy czas? Prawdopodobnie mój GPU pracował wtedy nad kilkoma aplikacjami naraz. Albo po prostu wyszło tyle żmudnej naprawy błędów i doprowadzania responsywności do perfekcji.
Test 4: miniaturowe miasto z symulacją ruchu
Następny projekt: miniaturowe miasto z działającą symulacją ruchu — fizyczny model architektoniczny, ustawiony na grafitowym blacie w 3D. Mogę się po nim swobodnie przechadzać i wskazywać rzeczy typu „główny most”, „most północny” i tak dalej. Miasto powstało w 6 minut i 52 sekundy. Przybliżam obraz, żebyście lepiej docenili, co się tam dzieje: w mieście faktycznie kolejkują się samochody — symulujemy przepływ ruchu. Możemy zamknąć most, zmienić porę dnia, zatrzymać całość albo mocno przyspieszyć symulację. Da się też zdjąć podkład z natężeniem ruchu, gdyby kogoś raził. I widać wyraźnie, jak auta preferencyjnie wybierają inną trasę, gdy główna przeprawa jest niedostępna.
Test 5: strona „Pelagic” — jakość, której się nie spodziewałem
Teraz coś z innej beczki: bardzo wysokiej jakości strona oparta na starym projekcie, który jakiś czas temu zrobił dla mnie Kimi — Pelagic. Przewijamy się od powierzchni wody, przez meduzy, aż po hydrotermalne kominy na dnie oceanu. Kiedy ostatnio ją pokazywałem (w wersji z Kimi K3), zrobiła furorę — więc chciałem sprawdzić, jak szybko Astra da radę ją odtworzyć. Całość zajęła 7 minut i 12 sekund, ale w tym czasie generowany był jeszcze zasób graficzny w Higgsfield, więc samo programowanie to około 3,5 minuty.
Jakość strony jest naprawdę wysoka i — nie boję się tego określenia — wygląda efektownie. Nie sądziłem, że coś takiego da się realnie zbudować w kilka minut, a jednak AI kolejny raz mnie zaskakuje. Warto też odnotować, że strona jest mocno zoptymalizowana. Kiedy projektowałem ją z Kimi, było z tym kiepsko: przewijanie zacinało się i rwało. Tym razem optymalizację — włącznie z kompresją zapewniającą płynność — wykonano automatycznie. Brawo.
Test 6: maszyna z kulkami jako pełnoprawna symulacja
Kolejny projekt to mała gra: maszyna z kulkami, zaprezentowana jako biurkowa rzeźba. Kulki toczą się we wszystkie strony, a my możemy regulować, dokąd zmierzają. Zabawa powstała w 7 minut i oto finalny efekt. Naciskamy spację, żeby ją uruchomić. Jak wspomniałem — wszystko przetestowane, każda funkcja działa bez zarzutu. Urocza trójwymiarowa kulka przejeżdża przez tor i ląduje. Możemy regulować rampy: gdy kulka spada, symulacja na bieżąco przelicza pozycje i zachowanie całości. To pełnoprawna, działająca symulacja. Możemy też śledzić kulkę za pomocą eleganckiego automatycznego przesuwu kamery.
Test 7: portret rozpadający się na cząsteczki
Siódmy projekt to interaktywny portret mojej twarzy, który rozpada się na cząsteczki. Za każdym razem, gdy poruszam kursorem, cząsteczki odpychane są od twarzy — i to w trzech wymiarach. Symulator cząsteczkowy powstał w 5 minut i 11 sekund: aplikacja wzięła moje zdjęcie profilowe i wygenerowała z niego tę symulację. Zmieniam rozmiar okna — i jak we wszystkich poprzednich projektach — wszystko idealnie się dopasowuje. Można rozproszyć piksele, przełączyć widok w sferę, obracać kamerą, zmieniać siłę oddziaływania myszy. Da się też znacząco podkręcić dynamikę: z około 20 tysięcy cząsteczek robi się ponad 70 tysięcy. Zakrętka.
Test 8: redesign mojej strony w pięć i pół minuty
Na tym ekranie Astra przerabia moją stronę, nicksaraev.com. Obecnie wygląda ona dość blado — nie podoba mi się ani układ, ani praktycznie nic innego. Zbudowałem ją kiedyś na Ghost.org jako miejsce na wszystkie moje wpisy blogowe i uważam, że czas to zmienić. Wrzuciłem więc do Codexa prośbę: „Wyprodukuj dopracowany, działający redesign, który poprawia hierarchię treści, tożsamość wizualną, użyteczność na urządzeniach mobilnych i nawigację”. Do tego dałem mu pokaźny zestaw informacji — i ruszyliśmy. Pięć i pół minuty później było gotowe. Dla przypomnienia: pokazuję, jak strona wyglądała wcześniej. Różnica jest po prostu przepaść. Czy to dokładnie to, czego chcę? Nie — ale, jak mówiłem, działa. Nie muszę się martwić o responsywność, wszystko zostało przetestowane na wszystkich wymiarach. Teraz taki projekt naprawdę da się wykonać jednym promtem — i to jest bardzo przyjemne uczucie.
Test 9: laboratorium sieci neuronowych w trzy minuty
Ostatni projekt: laboratorium sieci neuronowych, w którym trenujemy małą sieć do rozpoznawania — powiedzmy — jakiej cyfry patrzymy, albo czegoś w tym stylu. W trzy minuty dostaliśmy fajny klasyfikator. Dla niewtajemniczonych: sieci neuronowe uczą się na wiele sposobów, ale najprostszy i najłatwiejszy do zrozumienia to klasyfikacja. Budujemy model, który ma pojąć rozdział między czerwienią a niebieskim, i staramy się go tak dopasować, by jego przewidywania pokrywały się z tym, co widzimy. W efekcie tło jest niebieskie tam, gdzie niebieskie, i czerwone tam, gdzie czerwone. Ten model predkcyjny został wytrenowany tak, by rozumieć układ tej spirali: wszystko w czerwonym obszarze niemal na pewno będzie czerwone, a w niebieskim — niebieskie. Mamy więc własne, małe laboratorium treningowe. Kiedyś sam uczyłem się sieci neuronowych na podobnych wizualizacjach — a dziś da się zbudować pełnoprawne, wysokiej jakości demo w legitimnie trzy minuty. Coś, co realistycznie zajęłoby profesorowi czy komuś przygotowującemu materiały dydaktyczne wiele tygodni.
Co to odblokowuje w biznesie
Mam nadzieję, że widać, jak proste i bezpośrednie jest projektowanie takich rzeczy z ultrafastem. Pomysłów biznesowych, które to otwiera, trudno nawet zliczyć. Od dawna powtarzam: AI nie sprawiło, że nagle stało się możliwe coś fundamentalnie nowego — sprawiło, że wszystko stało się bardziej rentowne. I ten plan jest znakomitym przykładem.
Prowadzisz agencję, która robi strony dla klientów? Możesz wpleść system, który na podstawie danych klienta sam projektuje mu witrynę — w sekundy. Możesz szkicować lub projektować aplikację w trakcie rozmowy, na której klient właśnie zaczyna z tobą współpracę. Możesz do tego dorzucić systemy głosowe i projektować na żywo, na oczach użytkownika — w stylu Jarvis. Ludzie robili już takie pokazy z głupszymi modelami, które nie były w stanie wygenerować równie efektownych wizuali — a teraz masz jeden z najinteligentniejszych modeli na tej planecie, który robi to 60 razy szybciej, niż czytasz.
Zamiast — jak dotąd robiło wielu — skupiać się na jakości, możesz postawić na ilość i dojść do jakości przez ilość. Można ustawić pętlę autooptymalizacji z Astrą praktycznie na dowolnej aplikacji i kazać jej mielić w tle w trybie ultra fast — o ile tylko stać cię na rachunek. Realistycznie: tygodnie albo miesiące postępu w kilka chwil.
Są jeszcze wywołania narzędzi dla naprawdę zaawansowanych agentów głosowych — możliwości praktycznie nie mają tu granic. Dlatego zakładam, że zaczniemy widzieć coraz więcej tych błyskawicznych zastosowań.
Dokąd zmierza ten wyścig
Moim skromnym zdaniem dla większości biurowej pracy umysłowej, którą chcielibyśmy zautomatyzować, osiągnęliśmy już te 80/20 inteligencji. Teraz chodzi tylko o to, żeby było szybciej, taniej i skalowalniej — trochę też wydajniej. Rozwiązania takie jak Cerebras i inne obliczenia AI zoptymalizowane bezpośrednio na układzie pomogą nam zmierzać w tym kierunku.
(Informacja dodatkowa: Cerebras to firma rozwijająca wielkoformatowe układy scalone zaprojektowane pod błyskawiczne wnioskowanie modeli AI.)
Zakończenie
Dzięki za obejrzenie. Jeśli podobają wam się takie rzeczy i chcecie zarabiać na tego typu workflow, zajrzyjcie do Maker School — pierwszy link w opisie. Gwarantuję, że w 90 dni zdobędziecie pierwszego płacącego klienta na usługę AI lub automatyzacji — albo zwracam pieniądze. Do zobaczenia w następnym nagraniu.