Microsoft porównał OpenClaw do wirusa. Teraz wdraża go u twojego pracodawcy jako Autopilot

O czym jest ten film

Microsoft wprowadza Autopilota — agenta znanego wcześniej jako Scout, zbudowanego na otwartym kodzie OpenClaw — do aplikacji Microsoft 365 (Excel, Outlook, Teams). Dzieje się to siedem miesięcy po tym, jak Satya Nadella porównał OpenClaw do wirusa w środku branżowej paniki bezpieczeństwa.
Skala rozstrzyga: ponad 450 mln płatnych komercyjnych stanowisk Microsoft 365 (styczeń) wobec ok. 9 mln płatnych użytkowników biznesowych OpenAI (luty) i ponad 30 mln płatnych Copilotów (lipiec). Autopilot pozostaje w rozszerzonym, zamkniętym podglądzie.
Wartość agenta nie płynie z inteligencji modelu, lecz z dostępu do danych firmy i od umiejętności użytkownika — autor prognozuje przyszłość „w kształcie litery K”.
Autopilot to delegowanie odpowiedzialności „między promptami”: agent prowadzi powierzone zadanie (np. odnowienie umowy z klientem), porównuje wydarzenia z zobowiązaniami i przygotowuje kolejne kroki.
Pięć praktycznych wniosków: zdefiniuj dobry wynik; podaj właściwe dane i sprawdź, czy zostały użyte; uczyń zadanie powtarzalnym; dopasuj moc modelu do trudności; poprawiaj kolejne przebiegi.
Pozycja danych Microsoftu: usługa Work IQ ma łączyć rekordy sprzedażowe, serwisowe i korespondencję, wychwytując „żółte i czerwone światła”, których nie widać w samym CRM.
Kontrargument Anthropic: lepsze modele mogą usuwać całe kroki procesów istniejące wyłącznie dla ludzkiej koordynacji — stąd wtyczki Claude do Excela, PowerPointa i Worda.
Ekonomia: funkcja „auto” Microsoftu to ruter wybierający model pod kątem dokładności, szybkości i kosztu, z rozliczaniem według użycia; przypadki brzegowe rutowania („co to jest?”) są bardzo trudne.
Meta wchodzi do świata korporacji: Meta Enterprise Platform, Meta Business Agent i agent Muse, z integracjami Facebooka, Instagrama, kampanii reklamowych i Google Workspace — głównie z myślą o małych firmach.
Według autora tylko ok. 5% pracowników wyciąga z AI realną wartość; osobnym wątkiem jest jego „Biblioteka Nate’a” dostępna przez MCP dla płatnych subskrybentów Substacka.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Ucz się na narzędziu, które firma ci dopuściła

Na czym polega: 450 mln płatnych stanowisk Microsoft 365 versus 9 mln płatnych użytkowników biznesowych OpenAI. Agent zaakceptowany przez pracodawcę — nie model wygrywająrankingi — ukształtuje dzień pracy większości ludzi. Autopilot to dawny Scout, oparty na otwartym kodzie OpenClaw, czyli projekcie, który w lutym Microsoft porównywał do wirusa.

Jak stosować: potraktuj Copilota jako poligon. Wypisz realne obowiązki i powierzaj je agentowi kawałek po kawałku, zamiast czekać na „lepsze” narzędzie.

Na co uważać: przekonanie „mam tylko Copilota, więc to nie dla mnie”. To właśnie ono spycha na opadającą gałąź litery K.

2.Powiedz AI, jak wygląda dobry wynik

Na czym polega: polecenie „streść wszystko” nie zawiera żadnego kryterium jakości. Skuteczność Copilota to według autora statystyka 50–60% trafień, która wyraźnie rośnie, gdy pokaże mu się wzorcowy przykład.

Jak stosować: wybierz realne zadanie (np. wyłapanie nierozliczonych zobowiązań wobec klienta), pokaż dobry briefing z przeszłości i opisz, co w nim jest cenne. W ten sposób dajesz modelowi miarę, po której oceni własną pracę.

Na co uważać: na zgubienie niuansów — np. prośba klienta mylona z obietnicą zespołu. Briefing czytelny językowo, ale nietrafiony merytorycznie, wygląda bezpiecznie.

3.Podaj komplet danych i ustal hierarchię źródeł

Na czym polega: jakość wyniku zależy od danych (plan konta, zobowiązania, historia serwisowa) i od reguł pierwszeństwa źródeł, gdy dokumenty się rozmijają. Większość ludzi tego nie robi.

Jak stosować: trzymaj referencje projektowe i instrukcje w notesach Copilota — to odpowiednik plików projektowych w innych narzędziach, więc nie odbudowujesz kontekstu w każdym prompcie.

Na co uważać: rutynowe zgłoszenie serwisowe bywa warunkiem odnowienia umowy. Agent, który o tym nie wie, wygeneruje spójny briefing, który pudłuje w sedno.

4.Żądaj dowodów i je otwieraj

Na czym polega: prośba o wskazanie źródeł przy kluczowych tezach — swego rodzaju „drzewo dowodowe” — to najprostszy sposób kontroli wiarygodności.

Jak stosować: gdy agent twierdzi, że problem rozwiązano, otwórz źródło i sprawdź, czy padło to w aktualizacji z tego tygodnia, czy w planie sprzed miesiąca.

Na co uważać: modele ogólnie słabo radzą sobie z poczuciem czasu — to nie tylko wada Copilota.

5.Słaby wynik? Najpierw sprawdź, co agent widział

Na czym polega: przyczyną porażki często bywa brak integracji z systemem albo brak uprawnień do odczytu, a nie „głupota” modelu.

Jak stosować: zanim uznasz, że model sobie nie radzi, ustal, jakie dane miał do dyspozycji. Brakujący dostęp zgłoś IT jako konkretny, naprawialny problem.

Na co uważać: na przedwczesną rezygnację. Wiedza o tym, czego brakuje, daje ci coś, co da się faktycznie naprawić.

6.Dobre zadanie zamień w powtarzalne

Na czym polega: poranny briefing o odnowieniu generowany codziennie z automatu to zupełnie inna relacja z AI niż pamiętanie o prompcie w stresie. Autopilot ma mieć tożsamość, pamięć oraz dostęp do komputera i przestrzeni roboczej — konfigurację znaną z OpenClaw.

Jak stosować: określ wyzwalacz, harmonogram i zakres odpowiedzialności między punktami kontrolnymi. Na start pozwól agentowi przygotowywać szkice, a nie kontaktować się z ludźmi. Bez Autopilota użyj zaplanowanych promptów Copilota.

Na co uważać: zaplanowany briefing to nie to samo, co agent samodzielnie pilnujący odpowiedzialności — pełne wdrożenie dopiero nadchodzi.

7.Kontroluj drugi i kolejny przebieg

Na czym polega: bardzo częsty scenariusz porażki: cykliczny raport po prostu streszcza rzeczy, które już znasz, zamiast wychwycić zmianę.

Jak stosować: po każdym przebiegu zapytaj, co się zmieniło od ostatniego razu i czy raport to pokazał. Słabe zadanie najpierw popraw, dopiero potem automatyzuj.

Na co uważać: powtarzanie słabego zadania nie poprawia go — mnoży tylko słabe wyniki do czytania.

8.Dopasuj moc modelu do trudności zadania i rozumiesz, jak działa ruter

Na czym polega: funkcja „auto” Microsoftu wybiera model według dokładności, szybkości i kosztu. Ale zapytanie „co to jest?” znaczy co innego przy trywialnym błędzie, a co innego po trzech godzinach nad trudnym problemem — a dla rutera słowa są identyczne.

Jak stosować: oddziel rutynowe przygotowanie od doniosłej interpretacji. Trudnej części daj mocniejszy model lub tryb rozumowania oraz kontekst: co próbowałeś i dlaczego oczywista odpowiedź zawiodła. Gdy nie możesz wybrać modelu — rozbij zadanie na kroki i wskaż, gdzie system uporczywie pada.

Na co uważać: nie wysyłaj tego samego zlecenia pięć razy w nadziei na lepszy wynik. I licz czas prostowania efektów — niski rachunek za tańszy model nie pokazuje kosztu przerabiania briefingów.

9.Gdy agent opanuje proces, sprawdź, czy proces w ogóle jest potrzebny

Na czym polega: argument Anthropic — mocniejsze modele mogą usunąć kroki istniejące tylko dla ludzkiej koordynacji: raporty, spotkania, przepisywanie danych. Cała otoczka zbudowana pod ograniczenia starszych modeli robi się zbędna.

Jak stosować: gdy agent potrafi już zrobić briefing, poproś o propozycję prostszego przebiegu: co usunie, jakich danych potrzebuje, jak sprawdzisz wynik. Może się okazać, że automatyzujesz raport, którego nikt nie potrzebuje.

Na co uważać: to nie znaczy, że model sam przeprojektuje każdą firmę — traktuj to jako pytanie kontrolne, nie pewnik.

10.Zbuduj pętlę doskonalenia i dziel się nią z zespołem

Na czym polega: według autora ok. 5% pracowników wyciąga z AI realną wartość — reszta przy tym samym dostępie dostaje ułamek. Różnica polega na diagnozowaniu porażek i zapisywaniu poprawek.

Jak stosować: gdy briefing przegapi zobowiązanie, ustal przyczynę (brak źródła? niejasna instrukcja? niezrozumiany dowód?), dobierz lekarstwo, zapisz poprawkę na przyszłość i sprawdź, czy pomogła. Działające rozwiązania przekazuj kolegom.

Na co uważać: czekanie na idealny produkt opóźnia naukę, która uczyni użytecznym dopiero następny produkt. Umiejętność zlecania i oceniania pracy AI przenosi się między narzędziami i pracodawcami.

Redakcyjne tłumaczenie

Od „wirusa” do produktu korporacyjnego

W lutym opisywałem tydzień, w którym OpenClaw wywrócił do góry nogami całą branżę. Panika bezpieczeństwa dała się we znaki każdemu działowi IT, z jakim rozmawiałem, a Satya Nadella, prezes Microsoftu, porównał ten projekt do wirusa. Siedem miesięcy później Microsoft sprzedaje go twojemu pracodawcy. Dokładnie tym jest Autopilot.

Microsoft wziął agenta uznawanego za zbyt ryzykownego do instalacji, nadał mu tożsamość, którą firmowe IT może audytować, i zamienił w oprogramowanie korporacyjne z umową wsparcia. To ważna zmiana, bo narzędzie dotrze do znacznie większej rzeszy pracujących ludzi niż cokolwiek, co w tym roku wydadzą OpenAI czy Anthropic. Nie dlatego, że jest lepsze — dlatego, że pojawia się wszędzie: w Excelu, w Outlooku, w Teams, czyli tam, gdzie i tak spędzasz dzień pracy.

AI, do którego masz dostęp, zaraz zacznie wykonywać inny rodzaj pracy. Zamiast odpowiadać na pytania, będzie prowadzić powierzone zadanie, kiedy ty zajmujesz się czymś innym. O znaczeniu tej zmiany zdecyduje to, co z nią zrobisz — a to się samo nie wydarzy. Pokażę, co potrafi Autopilot, i pięć rzeczy, które zdecydują, po której stronie mapy użytkowników AI trafisz.

Nota kanału: Biblioteka Nate’a przez MCP

Zanim ruszę dalej, jedna sprawa. Kilkanaście lat… właściwie kilka lat temu zakładałem ten kanał nie po to, żeby dostarczać wam więcej materiałów do oglądania, ale po to, żebyście to, co tu omawiam, mogli wcielać w życie. Dlatego uruchamiam Bibliotekę Nate’a (Nate’s Library MCP). Każdy zestaw promptów, każdy poradnik i każde narzędzie, jakie kiedykolwiek opublikowałem — wszystko, o czym mówię w tym kanale — zostaje podpięte przez MCP do AI, z której już korzystacie. Wasz agent pełni wtedy rolę bibliotekarza: wskazujecie mu problem i prosicie, żeby przyłożył moje podejście do waszej faktycznej pracy. To najbliższa rzecz temu, że siedzę z wami w jednym pokoju. Płatni subskrybenci Substacka dostają to w ramach abonamentu, konfiguracja to kilka kliknięć, a linki znajdziecie w opisie. (Informacja dodatkowa: MCP, Model Context Protocol, to otwarty standard podłączania zewnętrznych źródeł wiedzy i narzędzi do modeli AI.)

A jeśli nie korzystacie z Copilota — bo wielu z nas nie korzysta — i właśnie uznajecie, że ten odcinek was nie dotyczy: nie odpuszczajcie. Wnioski, które zaraz przedstawię, sprawdzają się przy każdej współpracy z modelami AI; po prostu wyjątkowo dobrze pasują do Copilota. Obiecuję, że i tak się czegoś dowiecie.

Pół miliarda miejsc pracy versus dziewięć milionów

Microsoft w styczniu raportował ponad 450 milionów płatnych komercyjnych stanowisk Microsoft 365 — co w praktyce oznacza sięganie do mniej więcej pół miliarda ludzi. Za te konta płacą pracodawcy, a nadzorują je działy IT. Nasza poczta, spotkania, arkusze i dokumenty firmowe — wszystko to leży u Microsoftu. Dla porównania: OpenAI w lutym podawało nieco ponad 9 milionów płatnych użytkowników biznesowych. Dziewięć milionów, nie dziewięćset. Płatny zasięg Microsoftu w miejscu pracy całkowicie przytłacza tę bazę. Prawdą jest, że nie wszystkie te licencje obejmują dziś AI i że Autopilot wciąż jest w podglądzie, ale Microsoft ma już relacje w firmach, przez które może sprzedawać całą tę AI. I w jednej firmie po drugiej, z którymi rozmawiam, Microsoft to po prostu AI, którego wolno używać.

Nikt nie mówi, ilu z tych pół miliarda ludzi ma w pracy dostęp wyłącznie do Copilota czy Autopilota. Mogę za to powiedzieć, że dla wielu z was to jest rzeczywistość — bo sami mi o tym piszecie: „mam Copilota, nie mogę używać w pracy tych fajnych narzędzi”. Agent, któremu błogosławi wasz pracodawca, znaczy dla waszego dnia pracy o wiele więcej niż model, o którym kłócą się w internecie.

To nie inteligencja robi różnicę

Bawiłem się Autopilotem i szczerze mówiąc: nie jest to superinteligentne narzędzie. Nie będę udawał, że jest. Ale wartość nie płynie z inteligencji — i o to właśnie chodzi. Wartość bierze się z danych, których agent może użyć, oraz z tego, jak dobrze wy umiecie pracować z AI. Według mnie właśnie tu rysuje się przyszłość w kształcie litery K: jedni będą wznosić się, drudzy opadać. Chcę, żebyście znaleźli się na wznoszącej się gałęzi.

Wyobraźcie sobie, że za miesiąc odpowiadacie za odnowienie umowy z klientem. Klient pisze maila i pyta, czy problem z zeszłego tygodnia został rozwiązany. Do tego rozmowa na Teamsach i notatka ze spotkania, w której ktoś coś obiecał. Grzebacie w tym wszystkim — kto wie, ile to potrwa. Piszecie do właściciela tematu, czekacie na odpowiedź, składacie briefing. Wszystko na danych wewnętrznych. Decyzji o odnowieniu jeszcze nie podjęliście — spędziliście całe przedpołudnie na przygotowaniu się do rozmowy na firmowych danych.

Copilot bywał użyteczny przy fragmentach tej roboty: podsumuje wątek, pomoże napisać odpowiedź — ludzie bez przerwy tak go używają. Ale to wy pamiętacie, co trzeba sprawdzić. To wy szukacie brakujących informacji i pilnujecie, żeby sprawy ruszyły. A teraz wyobraźcie sobie agenta ze stałym zadaniem: trzymać to odnowienie na torach. Porównuje rozwój wypadków z zobowiązaniem wobec klienta, przygotowuje następny krok, dopomina się tam, gdzie daliście mu na to pozwolenie. Istotą Autopilota jest więc przekazanie agentowi części odpowiedzialności, którą wcześniej nosiliście na własnych barkach — „między promptami”.

Wniosek 1: zdefiniuj, co znaczy dobry wynik

Pierwsza rzecz, którą robię z tą możliwością: daję AI konkretne zadanie związane z czymś, na czym mi zależy, i mówię, jak wygląda dobry wynik. Walę w ten bęben od lat: musicie mówić AI, co znaczy „dobrze”. Możecie zacząć już teraz, w Copilocie, który macie — bo IT jeszcze wam nie włączyło Autopilota. Wybierzcie następny kawałek pracy, za który naprawdę odpowiadacie. Poproście na przykład o wyłapanie nierozliczonych zobowiązań wobec klienta albo o listę tego, co musi się wydarzyć przed rozmową o odnowieniu. A potem spójrzcie na wynik. Czy zgromadzone i zestawione dane pomagają działać? Czy Copilot odróżnił obietnicę złożoną przez kogoś z zespołu od prośby klienta? Czulibyście się swobodnie, wchodząc z takim briefingiem na spotkanie?

Korzystam z Copilota i powiem tak: to gra statystyk. W pięćdziesięciu, sześćdziesięciu procentach przypadków — tak, w czterdziestu, pięćdziesięciu — nie. Jeśli macie dobry przykład wcześniejszego briefingu, te liczby rosną. Pokażcie go modelowi i wyjaśnijcie, co w nim jest cenne; powiedzcie, co wam się podoba. W ten sposób dajecie mu miarę, po której sam oceni, czy wykonał zadanie. To nie jest problem inteligencji — to problem sposobu, w jaki używamy modelu. I o to chodzi w całym tym materiale. Prośba „streść wszystko” pozostawia kryterium dobrej streszczenia w całości niedopowiedziane — a właśnie takie polecenia widuję w kółko, gdy zaglądam komuś przez ramię.

Dlaczego pozycja danych Microsoftu ma znaczenie

Copilot potrzebuje informacji — inaczej nie da rady, i to dotyczy każdego modelu. Weźmy zgłoszenia serwisowe: jedno bywa rutynowe, a inne bywa warunkiem, na którym klient zgodził się odnowić umowę. Jako product manager widziałem oba warianty. Agent, który widzi zgłoszenie, ale nie wychwyci ukrytego zobowiązania gdzie indziej w danych, wygeneruje idealnie czytelny briefing, który nie odda sedna.

Tu na dłuższą metę ogromne znaczenie ma pozycja danych Microsoftu. W komunikacji o Work IQ opisano odnowienie, w którym zapis sprzedażowy wygląda zdrowo, ale informacje serwisowe i korespondencja z klientem pokazują całą serię żółtych i czerwonych świateł. Microsoft więc też o tym myśli. Warto zauważyć, że demonstracja zaczyna się od pytania zadawanego przez człowieka — to dowód na kontekst biznesowy, do którego firma chce nas przyzwyczaić, a nie dowód, że Autopilot samodzielnie odkrył problem.

Możliwość, którą Microsoft próbuje sprzedać, jest taka: można wziąć wiedzę nagromadzoną wewnątrz waszej firmy i uczynić ją wielokrotnego użytku. Można odzyskać wartość z danych, które inaczej leżałyby odłogiem. Wasza firma już ma rejestry klientów, uprawnienia dostępu, przypisanych właścicieli tematów i decyzje zapisane w notatkach ze spotkań. Jeśli agent potrafi korzystać z tych powiązań, spędzacie mniej czasu na odtwarzaniu przed nim własnej firmy. To poważna przewaga — nawet gdy sam model nie jest najbystrzejszy na rynku. Zamiast martwić się, jak inteligentny jest model, martwcie się o to, do jakich danych ma dostęp. Taka jest narracja Microsoftu.

Wniosek 2: podaj właściwe dane i sprawdź, czy zostały użyte

Drugi z pięciu wniosków: podłączcie właściwe informacje pod model i sprawdźcie, czy naprawdę ich użył. Do sprawy odnowienia dajcie bieżący plan konta, zobowiązanie wobec klienta i odpowiednie dane serwisowe — rozumiecie zasadę. Dajcie wszystko, czego potrzebuje, i powiedzcie, które źródło ma pierwszeństwo, gdy dokumenty się rozmijają. Zdecydowana większość ludzi tego nie robi. Ta rada zadziała niezależnie od tego, którego AI używacie.

Jeśli macie w konfiguracji notesy Copilota, możecie zebrać tam referencje projektowe i instrukcje w formie łatwo dostępnej dla asystenta. Nie trzeba wtedy odbudowywać kontekstu w każdym prompcie — to zresztą dobry odpowiednik plików projektowych znanych z innych narzędzi.

Potem poproście Copilota o wskazanie dowodów dla tez, które mają znaczenie — o swoiste drzewo dowodowe. I otwórzcie te odnośniki. Jeśli twierdzi, że problem rozwiązano — czy źródło rzeczywiście tak mówi? Patrzy na aktualizację z tego tygodnia czy na plan sprzed miesiąca? Złapaliście to? To nie tylko wada Copilota: inne modele też mają kłopot z poczuciem czasu.

Gdy odpowiedź jest słaba, sprawdźcie, jakie informacje miało narzędzie, zanim uznacie, że model sobie nie radzi. Nie mogę tego podkreślić dość mocno. Działa to w ChatGPT, w Claude, w Copilocie. Może firma nie podłączyła jeszcze odpowiedniego systemu, a może wasze konto nie ma uprawnień do odczytu. Powody bywają uzasadnione — ale bardzo często sednem jest właśnie dostęp do informacji. Wiedza o tym, czego brakuje, daje wam coś konkretnego do naprawienia i konkretny temat do działu IT.

Dlaczego to ważne także dla ludzi spoza IT

I dlatego ta premiera zasługuje na uwagę ludzi, którzy w życiu nie otworzyli terminala. Cursor, Claude Code i Codex sprawiły, że delegowanie pracy na agentów stało się codziennością dla nas z informatycznym tłem — sam od miesięcy pracuję w Claude Code i Codexie. Microsoft przenosi ten układ do aplikacji, z których korzysta reszta firmy. Żeby wciągnąć agenta chociażby w przegląd konta klienta, nie musicie zostawać inżynierem. A ta więź z OpenClaw, o której wspomniałem na początku, jest dosłowna: Microsoft opisuje Scouta — wcześniejszą nazwę Autopilota — jako rozwiązanie zbudowane właśnie na otwartym kodzie OpenClaw.

Microsoft tak naprawdę sprzedaje zaufanie do Microsoftu. Kupujący wprowadza agenta przez dostawcę, którego umowy, wsparcie i narzędzia administracyjne firma już zna. To nie gwarantuje, że produkt będzie działał bezbłędnie — daje tylko Microsoftowi znacznie łatwiejszy start niż nowemu dostawcy, który prosi o dostęp do wszystkich informacji firmy. Jeśli wątpicie, obejrzyjcie krzywe adopcji Slacka i Teamsów. To podręcznikowy przykład siły dystrybucji na wielką skalę.

W lipcu Microsoft raportował ponad 30 milionów płatnych licencji Microsoft 365 Copilot — i zakładam, że od tego czasu było tylko lepiej. Microsoft ma już pokaźny płatny biznes AI oparty na czymś, czego wielu z nas nie uznałoby za stan sztuki, i przed sobą znacznie większą bazę w miejscu pracy niż ktokolwiek inny. Wystarczy podnieść słuchawkę i dzwonić do obecnych klientów. Szczerze oczekuję, że w wielu korporacjach AI pozostanie „w kształcie Microsoftu”, chyba że któryś z pretendentów da firmom naprawdę przekonujący powód do zmiany. Wdrożą agenta, gdy będą usatysfakcjonowani zabezpieczeniami, dostępem i kontrolą — a Microsoftowi zaufają. Nie musi wygrywać każdego porównania modeli, żeby utrzymać tę relację. Wystarczy, że produkt będzie na tyle użyteczny i na tyle zarządzalny, że firmy będą stopniowo poszerzać to, co wolno nam z nim robić.

Wniosek 3: spraw, by dobre zadanie dało się powtarzać

Trzeci wniosek — znów uniwersalny, nie tylko dla użytkowników Copilota czy Autopilota: gdy zadanie zadziała, zadbajcie, żeby dało się je powtarzać. Poranny briefing o odnowieniu za każdym razem to zupełnie inna relacja z AI niż pamiętanie, żeby o coś takiego poprosić, kiedy już jesteście w stresie.

Zacznijcie od wyniku, którego naprawdę byście użyli. Potem ustalcie, co ma uruchamiać agenta ponownie — co jest wyzwalaczem — i za co odpowiada między Waszymi punktami kontrolnymi. Zgodnie z zapowiedzią Autopilot ma tożsamość, pamięć oraz dostęp do komputera i przestrzeni roboczej — czyli konfigurację znaną z OpenClaw. A ponieważ wykonuje mnóstwo powtarzalnych czynności, w ogóle go tu poruszam. Przykład przeglądu dostawcy rozciąga się na przygotowanie, spotkania i działania następcze. W tym kierunku podąża firma: zadanie trwa, a wy rzucacie na nie okiem, prowadząc coś zupełnie innego.

Autopilot jest w rozszerzonym, zamkniętym podglądzie — nie rozjedzie się z dnia na dzień do pół miliarda ludzi i tego nie oczekujmy. Jeśli jeszcze go nie macie, sięgnijcie po zaplanowane prompty Copilota, czyli wcześniejszy sposób na powtarzanie użytecznej pracy tam, gdzie pozwalają na to licencja i ustawienia firmy. Dlaczego mówię o Copilocie, skoro zadania cykliczne ogarniecie i w Codexie, i w Claude? Bo dostęp do danych ma znaczenie. A jeśli dane dostaniecie tylko w Copilocie — no właśnie, dlatego.

Zaplanowany briefing to jednak nie to samo, co prawdziwy „autopilot” w rozumieniu agenta samodzielnie realizującego powierzoną odpowiedzialność. Nie wiem, kiedy Microsoft zdecyduje się na pełne wdrożenie, ale to nadchodzi — warto być gotowym. W naszym przykładzie z odnowieniem możecie określić, które konta Copilot ma sprawdzać, jak często, co liczy się jako istotna zmiana i kiedy ma was zawiadomić. Wyraźnie ustalcie, czy wolno mu kontaktować się z ludźmi, czy tylko przygotowuje szkice — większość zostaje przy szkicach i zwykle tak warto zaczynać.

A potem obejrzyjcie kolejny przebieg tego raportu. Czy agent naprawdę zauważył zmianę? Nie wygenerował po prostu streszczenia rzeczy, które już znaliście? To bardzo częsty scenariusz porażki: powtarzanie słabego zadania daje wam tylko więcej słabych wyników do przeczytania.

Najsilniejszy kontrargument: modele przeprojektują same procesy

Microsoft ma ogromną przewagę tam, gdzie praca już się dzieje — ale nie ma pola tylko dla siebie. Najsilniejszy argument przeciwko założeniu, że Microsoft wygrywa, bierze się z poważnego potraktowania samego postępu modeli. Wróćmy do procesu odnowienia: część kroków istnieje tylko dlatego, że decyzje muszą podejmować ludzie. Inne — bo ktoś musi przepisać informacje do raportu, zaczekać, aż ktoś go przeczyta, zwołać spotkanie i wyjaśnić, co się zmieniło. Wystarczająco sprawny model prawdopodobnie znajdzie lepszy, oszczędniejszy sposób doprowadzenia odnowienia do końca. Może uzgadniać rejestry na bieżąco. Może przygotowywać decyzję, gdy tylko zmienią się istotne warunki. Może się okazać, że cotygodniowy raport i spotkanie zwoływane, żeby go omówić, przestają być potrzebne — bo istniały wyłącznie dla ludzkiej koordynacji. Inteligencja zaczyna wtedy przeprojektowywać proces, który zamierzaliście tylko zautomatyzować. To najmocniejszy argument za laboratorium takim jak Anthropic, skalującym się bez końca w stronę korporacji: w miarę ulepszania modele same mogą znajdować wydajniejsze sposoby wykonywania pracy firmowej niż procesy, które firmy dawno zakodowały.

Anthropic w swoim opisie agentów zarządzanych daje na to przykład — i często o tym mówią. Cała otoczka wokół modelu, zbudowana pod ograniczenia starszych wersji, staje się zbędna przy modelu lepszym. To nie znaczy, że Claude sam poprawnie przeprojektuje każdą firmę — tego nie twierdzę. Daje jednak powód, by pytać, ile z dzisiejszych procesów pozostanie konieczne w dłuższej perspektywie.

I dlatego ma znaczenie wejście Claude do Excela i PowerPointa — wtyczki są do obu tych aplikacji, do Worda również. W takim świecie firma zachowuje dokumenty z Microsoftu, ale pracownicy coraz częściej powierzają zadania Claude’owi. Microsoft zostaje przy danych i aplikacjach, a to inna staje się miejscem, od którego zaczynamy, kiedy chcemy, żeby coś zostało zrobione. Microsoft może konkurować, podnosząc jakość modeli — i podnosi — oraz aplikacji i procesów. Ale prawdziwy spór nie toczy się o to, kto używa Excela. Toczy się o to, kto wystarczająco dobrze rozumie waszą pracę, żebyście wciąż wracali do niego z nowymi zleceniami.

To przydatny test także dla własnych zadań. Gdy agent potrafi już wygenerować briefing z naszego przykładu, zapytajcie, czy nie da się tej roboty wykonać lepiej — mniejszym nakładem procesowym. Niech wyjaśni, co proponowana zmiana usunęłaby, jakich informacji wymaga i jak sprawdzilibyście wynik. Może się okazać, że nauczyliście AI odtwarzać raport, którego nikt nie potrzebuje, albo powtarzać kroki, które okazały się zbędne. To znacznie ciekawszy wynik niż szybciej napisany raport — i o wiele większa dźwignia w dłuższym terminie.

Ekonomia tokenów i problem rutera

Pod spodem nie chodzi przecież tylko o wydajność. Przez całą tę historię przewija się koszt. Jeśli agenci mają nieustannie sprawdzać, przygotowywać i dopominać się, firmy muszą wiedzieć, na co wydają tokeny. Funkcja „auto” Microsoftu to ruter — mechanizm, który wybiera model pod kątem dokładności, szybkości i kosztu — a dłużej działające produkty agentowe są w praktyce rozliczane według użycia, czyli płaci się za czas ich pracy. Układów jest kilka, ale jedno jest pewne: ekonomia powtarzanej pracy wchodzi prosto w produkt AI Microsoftu. To rodzi ciekawe napięcia.

Tańszy model jest użyteczny wtedy, gdy niezawodnie daje radę. Trudne jest rozpoznanie, kiedy daje radę — i właśnie po to jest ruter: żeby trafnie przydzielić zlecenie. Nadella w premierowej rozmowie z Deirdre Bosa (Informacja dodatkowa: dziennikarka CNBC.) opisywał rutery uczące się i dobór modelu zależnie od wymagania zadania. Zadajmy sobie pytanie, jakie informacje potrzebuje taki system, by wybór trafnie wykonać.

Przykład: wpisujecie „co to jest?”. Może wskazujecie na oczywisty błąd składni, który obędzie się bez mądrego modelu, albo na coś trywialnego w mailu. A może siedzicie od trzech godzin nad piekielnie trudnym problemem w kodzie i wpisujecie dokładnie te same słowa. Chodzi wam o coś zupełnie innego — ale dla rutera zapytania są identyczne. Jeśli widzi tylko słowa, nie ma informacji pozwalającej odróżnić te dwa zlecenia. Microsoft nie ujawnił wszystkich danych wejściowych tego mechanizmu, więc opisuję po prostu kształt problemu, który każdy ruter musi rozwiązać, by się nie mylić.

Nie trzeba za każdym razem przekazywać całej rozmowy — to byłoby bardzo drogie — ale przynajmniej ten kontekst, od którego zależy decyzja, musi trafiać do systemu w komplecie: samo zadanie, wcześniejsze porażki, cena pomyłki, być może wasza jawna prośba o więcej rozumowania. Firmy mogą część tej roboty wykonać zawczasu, ewaluując znane procesy i przypisując modele do ich kroków. System może też uczyć się na waszym zachowaniu i poprawkach. Ironia polega na tym, że przy automatycznym doborze można spalić więcej tokenów na samo rozeznanie, niż kosztowałoby od razu wysłanie zadania do mocnego modelu. Trudne, nowe problemy mogą wymagać poważnego rozumowania już po to, żeby ustalić, czym właściwie są.

Wchodzą tu w grę inne narzędzia. Niedawno opisywałem Jeva, który bardzo sprawnie wydaje ustrukturyzowane oceny na podstawie dostarczonego kontekstu. To może być działka dla niego — przynajmniej w dobrze ograniczonych decyzjach, które da się testować. Ludzie z powodzeniem używali Jeva właśnie do dobierania modeli. To młoda przestrzeń, ale jedno z możliwych rozwiązań. Niezależnie jednak od tego, czy sięgniecie po Jeva, czy po mechanizm Microsoftu, musicie poprawnie definiować klasy zadań, żeby nie trafiały one na słabsze modele. Jestem w tym temacie zawzięty, więc jeszcze jeden przykład: uporządkowanie maila z propozycją terminów i decyzja, jak odpowiedzieć klientowi na kwestie kontraktu — oba zadania kończą się mailem. Nazwanie obu „pisaniem maili” nie dowodzi, że tańszy model obejdzie oba.

Wniosek 4: dopasuj rozumowanie do trudności zadania

Czwarty wniosek: dopasujcie poziom rozumowania do trudności zadania. Oddzielcie rutynowe przygotowanie od decyzji doniosłych. Jeśli wasz zestaw pozwala wybrać mocniejszy model albo tryb rozumowania, używajcie tego rozmyślnie — dla trudnej części. Powiedzcie, co już próbowaliście i dlaczego oczywista odpowiedź nie zadziałała. Krótka prośba dopisana do rozmowy nie może wymazać faktu, że pracujecie nad naprawdę trudnym problemem. To nowa umiejętność — podkreślam to, bo nie przychodzi intuicyjnie. Nikt nas jej nie uczył.

Gdy nie możecie wybrać modelu, przynajmniej sprecyzujcie zadanie: rozbijcie je na kroki i wskażcie, gdzie system uporczywie potyka. Nie wysyłajcie tego samego zlecenia w nadziei, że piąta odpowiedź będzie lepsza — obiecuję, że nie będzie. Widuję, jak ludzie tak robią, a potem poddają się ze złością. Skupcie się na dawaniu narzędziu informacji, która realnie poprawia jego szanse. I liczcie czas poświęcany na prostowanie wyników. To się liczy — chociaż po to, żeby przekazać IT konkretny problem do naprawienia. Jeśli tańszy model przeoczył zobowiązanie klienta, a wy robicie briefing od nowa, to niski rachunek za model, który dostaje IT, w ogóle nie odzwierciedla kosztu tego, co się właśnie stało. Słyszę mnóstwo takich historii. Droższy model może oszczędzać pieniądze, po prostu zdejmując z was robotę. Prostszy może w zupełności wystarczyć do przetestowanej rutyny — ale trzeba lepiej ogarnąć dobór modeli, by oceniać to konsekwentnie.

Podsumowując: rutowanie da się rozwiązać w wielu kontekstach, ale przypadki brzegowe ważą ton i są bardzo trudne. Obie strony — Microsoft i laboratoria — zyskują, gdy użyteczna praca AI się rozszerza, ale o relację z klientem toczą bezwzględną walkę, nawet jeśli zawierają ze sobą umowy.

Nowy zawodnik na ringu: Meta

Mamy nowego gracza. Kiedy przemyśliwałem tę historię, Meta ogłosiła Meta Enterprise Platform — Meta Business Agent i narzędzia deweloperskie w ramach szerszej ofensywy na firmy. To naturalna kontynuacja Muse, osobistego agenta potrafiącego pracować nad zadaniami w tle, o którym już w kanale mówiłem. Sprawa jest wielka: Zuckerberg jawnie buduje na rozpędzie aplikacji numer jeden w pobieraniu i jawnie celuje w klientów biznesowych. Jak to wyjdzie — nie wiem. Ale jest tu konkretny związek z małym biznesem: w sierpniu Meta ogłosiła narzędzia łączące w jedną całość informacje biznesowe z Facebooka i Instagramu, kampanie reklamowe i Google Workspace. Chodzi o to, żeby AI Mety pomagała poprawiać dokumenty firmowe i ogarniać zadania cykliczne. To daje Marcie punkt zaczepienia w pracy, o którą jej klienci — często mali i średni przedsiębiorcy — już dbają: rozumienie klientów, ocena kampanii, decyzja, co dalej. Mój odczyt: Meta węszy okazję, by zamienić istniejące relacje biznesowe w znacznie szerszą rolę. Microsoft ma relacje wokół prowadzenia waszego miejsca pracy. Meta — wokół docierania do waszych klientów. Te dwie prace spotykają się i zderzają wewnątrz firmy. Meta jest tu pretendentem, ale pretendentem z ogromnymi zasobami danych, maszyną do dystrybucji pracy cyklicznej i świetnym zespołem AI. Korporacyjny konkurs rozrasta się wszędzie, gdzie spojrzeć — i urasta ponad spór OpenAI z Anthropicem. A dla was pytanie brzmi: czego nauczycie się robić z narzędziami, które macie.

Pięć procent, które wyciąga wartość

Widuję to w firmie po firmie: mała grupa — nazwijmy ją 5 procentami — wynajduje, jak wyciągać z AI użyteczną pracę. I to jest konkretna liczba, którą słyszę w kółko; nie mówię tego od niechcenia. Ci ludzie próbują, poznają potrzeby narzędzia, uruchamiają pętlę samodoskonalenia i ruszają pełną parą — rosną i rosną. Inni, przy dokładnie tym samym dostępie, wyciskają ułamek tej wartości. Już mówiłem, że to nie jest superinteligencja — nie musi nią być. Ale do wszystkich pracujących w firmach chcę powiedzieć jedno: jeśli czekacie na idealny produkt, opóźniacie naukę, która sprawi, że następny produkt okaże się dla was użyteczny.

Wniosek 5: poprawiaj każde kolejne podejście

Piąty wniosek — być może najważniejszy: myślcie obsesyjnie o tym, jak poprawić następne użycie AI. Gdy briefing o odnowieniu przegapi zobowiązanie — wróćmy do naszej historii — ustalcie dlaczego. Brakowało źródła? Instrukcja była niejasna? Drajcie temat: może model widział dowód, ale go nie zrozumiał? Każda z tych przyczyn wymaga innego lekarstwa. Od was zależy, że zaczniecie drążyć i je znajdziecie: zmienicie instrukcję, dodacie dane, inaczej ustawicie rozumowanie, a poprawkę zapiszecie tak, by kolejne uruchomienia z niej korzystały. Sprawdźcie, czy pomogła. A gdy coś działa — podzielcie się tym z kimś z zespołu. Wtedy więcej niż jedna osoba odkrywa, co czyni AI niezawodnym w waszej firmie. Pętla ruszyła — i o to chodzi. Zdobyliście przy tym wiedzę przydatną przy następnym zadaniu, zarówno wtedy, gdy pracodawca zostanie przy Microsofcie, jak i gdy zatwierdzi inne narzędzie. Umiejętność precyzyjnego zlecania pracy, podawania kontekstu i oceniania wyniku przyda się każdemu z nas, w każdym zawodzie — i podróżuje z wami. To właśnie jest ta przyszłość w kształcie litery K.

Pięć wniosków po kolei

Zdefiniujcie, co znaczy dobry wynik. Wybierzcie prawdziwe zadanie i wyjaśnijcie, co czyni wynik użytecznym.
Dostarczajcie modelowi właściwy kontekst i dane — dlatego Microsoft jest w dobrej pozycji. Wskazujcie właściwe źródła i sprawdzajcie dowody.
Sprawcie, by dobre zadanie powtarzało się samo: cykl, harmonogram, zakres odpowiedzialności, granice uprawnień — i przegląd kolejnego przebiegu.
Dopasujcie rozumowanie do trudności — tu mieści się wyzwanie automatycznego doboru modeli. Trudnej pracy trzeba dać kontekst i moc.
Poprawiajcie następny przebieg: usuńcie przyczynę bałaganu, zapiszcie to, co działa, i podzielcie się tym. Zostańcie w pętli uczenia.

Na koniec

Microsoft wnosi OpenClaw do środowiska pracy i ogromna rzesza z nas zetknie się z tym po raz pierwszy. Jeśli Microsoft to AI dopuszczony w waszej firmie — to wasza szansa, żeby zacząć przekazywać agentom bardziej użyteczną pracę. Mówię to z pasją, bo wszyscy zasługujemy na tę umiejętność. Wybierzcie w tym tygodniu jedno zadanie i przyciśnijcie je z AI, które macie pod ręką. Bądźcie na wznoszącej się gałęzi litery K. Nie dajcie się złapać na „AI jest słabe, bo mam tylko Copilota” — potraktujcie to jak kwestię własnych umiejętności. Jeśli połączycie dane i kontekst w sensowną całość, zajdziecie dalej, niż myślicie. Do zobaczenia następnym razem — a w komentarzach wypiszcie swoje najciekawsze zastosowania Copilota i wrażenia z Autopilota.