Jak dzięki AI szybko opanowuję trudne tematy i złożone umiejętności

O czym jest ten film

Ludzie uczą się przez aktywne wytwarzanie wiedzy — przypominanie, przewidywanie, tłumaczenie, działanie. Czytanie i oglądanie tylko wyglądają jak nauka.
Klasyczne badanie: czterokrotne przeczytanie tekstu daje 83% wyniku po pięciu minutach, ale po tygodniu zostaje 40%; jedno czytanie plus trzy samodzielne testy — 71% i ok. 61% po tygodniu, czyli zanik zaledwie o 10 punktów.
Większość ludzi używa AI wyłącznie jako „wyjaśniacza” — jednej z około dziesięciu ról; pozostałe dziewięć (od ankietera po sekretarza) wymusza aktywne przetwarzanie.
Powtórki rozłożone w czasie, oparte na krzywej zapominania: AI może pisać fiszki, pilnować harmonogramu i zamieniać błędy z treningów w nowe karty.
Wywiad wstępny zmienia cel nauki: „chcę się uczyć programowania” okazuje się „chcę za trzy tygodnie zdać rozmowę z kodowaniem na czas” — co zupełnie przebudowuje plan.
Kluczowy nawyk autora: po dojściu do końca zadania z pomocą AI cofnąć się na start i powtórzyć całość samodzielnie, od zera.
Wiedzę warto wykazywać w wielu formatach — mówionym, pisanym i rysunkowym — i każdą wersję porównywać ze źródłem.
Najwięcej daje nauka w „strefie najbliższego rozwoju”: AI może zdiagnozować twoją granicę pytaniami o rosnącej trudności.
Symulacje: AI jako trudny rekruter albo klient, a nawet budowniczy małych aplikacji treningowych — „hiperboliczna komora czasu dla wiedzy”.
Ostrzeżenie: nauka dzieje się w trudzie; badania nad użytkownikami nawigacji GPS sugerują, że skracanie własnego myślenia osłabia to, co miało się utrwalić.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Nauka dzieje się przy wytwarzaniu, nie przy konsumowaniu

Na czym polega: Mózg utrwala wiedzę wtedy, gdy ją aktywnie odtwarzasz: przypominasz, przewidujesz, tłumaczysz, próbujesz zrobić. Czytanie i oglądanie dają złudzenie opanowania tematu — po pięciu minutach wynik wygląda dobrze, ale tydzień później zostaje niewiele.

Jak stosować: Każdą sesję z materiałem kończ zamknięciem źródła i odtworzeniem treści z pamięci — na głos albo na kartce. Jeśli sięgasz po AI, każ mu raczej cię przepytywać niż tłumaczyć.

Na co uważać: Kiwnięcie głową „jasne, rozumiem” nad wyjaśnieniem modelu to przeczytanie o temacie, nie jego opanowanie. A gdy AI przytakuje twoim półprawdom, pomylenie znajomości ze zrozumieniem przechodzi bezboleśnie — i właśnie dlatego jest groźne.

2.Powtórki rozłożone w czasie: fiszki i harmonogram zamiast nauki od zera

Na czym polega: Pamięć po nauce opada niemal wykładniczo. Jeśli wracasz do materiału tuż przed jego zapomnieniem i za każdym razem aktywnie go z siebie wydobywasz, spadki stają się coraz płytsze, a podłoga pamięci — coraz wyżej.

Jak stosować: Zleć AI przygotowanie fiszek i pilnowanie terminów powtórek (albo użyj aplikacji typu Anki). Błędy popełnione w symulacjach i testach od razu zamieniaj w nowe karty. Według autora ten sam czas nauki daje wtedy pięć do dziesięciu razy więcej.

Na co uważać: Powtórka ma być odtwarzaniem z pamięci, nie ponownym czytaniem. Skoro przeglądanie fiszek nie wymaga wysiłku, łatwo niepostrzeżenie ześliznąć się w bierny przesuw kart.

3.Zanim zaczniesz się uczyć, pozwól AI przeprowadzić z tobą wywiad

Na czym polega: Na starcie często nie wiesz nawet, czego nie wiesz. Model ma wiedzę płytką, ale sięgającą niemal wszystkiego — i serią pytań potrafi ustalić twój cel, poziom oraz warunki, w jakich wiedza będzie sprawdzana.

Jak stosować: Powiedz: „Zanim cokolwiek wytłumaczysz, wypytaj mnie o cel, poziom i formę sprawdzianu”. Przykład z filmu: „uczę się programować” okazuje się „zdaję rozmowę z żywym kodowaniem za trzy tygodnie, pięć minut na zadanie” — i cały plan nauki wygląda zupełnie inaczej.

Na co uważać: Ogólniki dają ogólnikowy plan. Podawaj konkrety: platformę, limit czasu, bank zadań, to, co już umiesz. Inaczej AI zoptymalizuje naukę pod zły cel — np. podstawy Pythona, które już znasz.

4.Bezkształtny temat najpierw rozłóż na mapę modułów

Na czym polega: Nowy temat rzadko ma gotowy program. Bez planu większość energii pochłania niepewność „co dalej?”, a człowiek z planem — choćby niedoskonałym — po prostu idzie do przodu.

Jak stosować: Poproś o rozbicie tematu na moduły, zależności między nimi i miejsca, w których ludzie się zwykle gubią. Statystyka może się rozpaść na: średnie → rozrzut i prawdopodobieństwo → rozkłady i próbkowanie → testy A/B.

Na co uważać: Mapa to plan roboczy, nie wyrok. W miarę nauki wracaj do niej i poprawiaj — sztywne trzymanie się pierwszego szkicu potrafi ciągnąć cię przez materiał, którego wcale nie potrzebujesz.

5.Po każdej pomocy wróć na start i zrób całość sam

Na czym polega: Standardowy scenariusz: utkniesz, model wyjaśni, kiwniesz głową. Jeśli nie sprawdzisz, czy dasz radę bez pomocy, nie nauczyłeś się — tylko przeczytałeś o tym. Pętla „wyjaśnienie → wykonanie od zera” zamienia czytanie w wiedzę.

Jak stosować: Gdy skończysz całe zadanie z pomocą, cofnij się do pierwszego kroku i przejdź całą ścieżkę samodzielnie, od podstaw. Według autora to 10–15% dodatkowego czasu, a różnica w utrwaleniu i w umiejętności wytłumaczenia tematu innym jest ogromna.

Na co uważać: Pokusę, żeby przy każdym zaczynaniu liczyć, że tym razem pójdzie samo. Bez powrotu do początku pętla nie działa — wiedza zostaje w notatkach, nie w głowie.

6.Niech AI pyta, zamiast odpowiadać

Na czym polega: Dwie odmiany pytań. Sokratejska: model dopytuje „dlaczego to działa?”, „co się stanie, gdy podwoimy wejście?” i nie podaje odpowiedzi, dopóki sam jej nie znajdziesz. Egzaminacyjna: po jednym pytaniu naraz, coraz trudniejsze, aż zaczynasz zgadywać.

Jak stosować: „Uczę się X. Nie dawaj mi odpowiedzi — zadawaj pytania, aż sam znajdę swoje luki”. Do egzaminu: „Przepytuj mnie po jednym pytaniu, zwiększaj trudność, aż zacznę się mylić, i powiedz, gdzie jestem”.

Na co uważać: Na początku pytania irytująco wydłużają wszystko w porównaniu z natychmiastową odpowiedzią. Ta dodatkowa praca jest jednak właśnie mechanizmem uczenia się — nie skrót do ominięcia.

7.Oceniaj proces, nie tylko wynik

Na czym polega: Kontroler patrzy na kroki pośrednie, jak nauczyciel matematyki żądający pełnego rozwiązania: czy rozumowanie było poprawne, czy do wyniku doszedłeś przypadkiem i czy istniała krótsza droga.

Jak stosować: Wklej swoją pracę — streszczenie, dowód, kod — i powiedz: „Znajdź, co jest błędne lub czego brakuje, i powiedz, czy było szybsze rozwiązanie. Niczego nie przepisuj”. Zakaz przepisywania jest kluczowy, bo bez niego model zwykle po prostu nadpisze twoją pracę własną wersją.

Na co uważać: Ocena procesu ma zmieniać nawyki, nie tylko oceniać wyrób. Jeśli twoje streszczenie dało się uciąć o połowę, skróć następnym razem metodę, a nie tylko efekt.

8.Wiedzę pokazuj w trzech formatach: powiedz, napisz, narysuj

Na czym polega: Najlepsi uczący się wyjaśniają temat wieloma kanałami. Model może porównać z materiałem źródłowym trzy twoje wersje — nagraną na głos, napisaną zwięźle i w formie szkicu — i wskazać, czego w nich brakuje.

Jak stosować: Nagraj swobodny wywód (dyktowanie), narysuj szybki schemat koncepcji i napisz skondensowaną wersję — pisemna wymusza kondensację, bo mówiona zawsze się rozlewa. Potem każ AI ocenić wszystkie trzy i wskazać luki.

Na co uważać: Nie zadowalaj się jednym formatem. Umiejętność „na głos” nie przenosi się automatycznie na papier ani na schemat — prawdziwe opanowanie widać dopiero, gdy da się temat przekazać każdym z tych sposobów.

9.Powtarzające się błędy mają wspólny korzeń — każ go znaleźć

Na czym polega: Potknięcia w różnych dziedzinach często wynikają z jednego niezrozumiałego pojęcia — np. braków w prostej operacji matematycznej psuje statystykę, biologię i chemię naraz. Z wewnątrz widać tylko objawy, nie przyczynę.

Jak stosować: Zbierz błędy, które wracają (lub pozwól modelowi przejrzeć wasze ostatnie rozmowy), i zapytaj: „Jaka pomyłka logiczna łączy wszystkie te potknięcia?”. Ucz się potem korzenia, a nie każdego objawu osobno.

Na co uważać: Diagnoza działa tylko na prawdziwych przykładach błędów — na zmyślonych lub okrojonych model znajdzie korzeń, którego nie ma. Jeśli chcesz korzystać z historii rozmów, dbaj, by była dostępna dla agenta.

10.Trenuj pod presją: sparing z AI zamiast pierwszego „na żywo”

Na czym polega: Do umiejętności wykonawczych — rozmów, prezentacji, sprzedaży — potrzeba praktyki z przeciwnikiem. Model może odgrywać wymagającego rekrutera lub klienta, żądać odpowiedzi w 30 sekund, odpierać ogólniki i na koniec wystawić ocenę.

Jak stosować: „Zagraj trudnego rekrutera na stanowisko X. Jedno pytanie naraz, nie odpuszczaj, każda odpowiedź w 30 sekund, na końcu ocena”. Trudność podnoś etapami: krótszy czas, ostrzejszy przeciwnik.

Na co uważać: Symulacja nie odtworzy wszystkich niuansów prawdziwej rozmowy — traktuj ją jako pierwsze podejście, nie ostatnie. I trzymaj się warunków zbliżonych do rzeczywistego sprawdzianu, zamiast eskalować trudność do absurdu.

Redakcyjne tłumaczenie

Wstęp: technologia ma wzmacniać naukę, a nie ją udawać

Skąd bierze się różnica między ludźmi, którzy w jeden dzień przyswajają materiał, a tymi, którym zajmuje on tygodnie albo miesiące? I jak korzystać ze sztucznej inteligencji tak, żeby realnie wspierała naukę, a nie odbierała koncentracji? Autor odpowiada na oba pytania, powołując się na dwa atuty: prowadzi firmę generującą — jak sam podaje — 400 tysięcy dolarów miesięcznie, a wcześniej studiował neurobiologię zachowania, gdzie głównym wątkiem było właśnie wykorzystywanie technologii do poprawiania zdolności uczenia się. To jego zdecydowanie ulubiony temat i codzienne narzędzie pracy.

Zanim sięgniesz po AI: uczysz się przez robienie, nie przez czytanie

Większość ludzi sądzi, że uczy się przez konsumowanie: czyta tekst, ogląda film, dostaje wyjaśnienie od czatbota. Problem w tym, że to tylko wygląda jak nauka. Mechanizmy kodowania wspomnień i wydobywania ich z pamięci opierają się na produkcji: trzeba samodzielnie przypominać, przewidywać, tłumaczyć, a najlepiej po prostu próbować coś zrobić w rzeczywistości. To odczuwalnie trudniejsze, więc mózg, który za wszelką cenę oszczędza energię, stale nam to odradza. A właśnie ta różnica oddziela skutecznych uczących się od nieskutecznych.

Autor przywołuje badanie, w którym osoby czytające dokument cztery razy i przepytywane po pięciu minutach odtwarzały 83% treści — pozornie świetny wynik. Osoby, które czytały raz, a potem trzykrotnie same się testowały, osiągały 71%. Prawdziwa przepaść wychodzi jednak dopiero po tygodniu: wielokrotni czytelnicy pamiętali już tylko 40%, a grupa testująca się — około 61%. Ci pierwsi gubili z pamięci niemal połowę, drudzy zaledwie dziesięć punktów procentowych. (Informacja dodatkowa: opisane liczby pochodzą z klasycznego eksperymentu nad tzw. efektem testowania, przeprowadzonego w 2006 roku przez Henry’ego Roedigera i Jeffreya Karpickego — jednego z najczęściej cytowanych badań w tej dziedzinie.)

Ten rodzaj wyników był wałkowany tak często, że zwykle wchodzi jednym uchem, a wychodzi drugim. Wniosek jest jednak prosty: uczymy się przez aktywne wytwarzanie wiedzy. Cała sztuka polega na tym, żeby AI wzmacniało właśnie ten proces — a nie podmieniało go na kolejne czytanie.

Dziesięć ról AI, z których większość ludzi zna jedną

Sztuczna inteligencja może odgrywać w nauce wiele ról, ale przeważająca liczba użytkowników zna wyłącznie jedną: wyjaśniacza. Schemat znany każdemu — wklejasz fragment, piszesz „utknąłem, wytłumacz inaczej” i czytasz odpowiedź. To pasywna konsumpcja, a do tego ledwie jedna z około dziesięciu możliwych ról. Pozostałe dziewięć opiera się na produkcji, czyli na tym, co faktycznie utrwala wiedzę. Kto ogranicza AI do wyjaśniania, ten drapie samą powierzchnię możliwości i marnuje dziewięć zupełnie różnych mechanizmów. Oto one:

Ankieter — na starcie, gdy nie wiesz nawet, czego nie wiesz; zadaje pytania, żeby ustalić kierunek i poziom.
Kartograf — gdy temat nie ma kształtu; buduje plan nauki, czyli gotową „mapę”.
Sokratejski pytacz — gdy masz wrażenie, że coś rozumiesz; pytania to wrażenie weryfikują.
Egzaminator — gdy przerobiłeś temat i chcesz wiedzieć, ile naprawdę z niego zostało — jak obrona pracy przed komisją za dawnych czasów.
Kontroler — gdy w ramach nauki coś stworzyłeś; sprawdza, czy proces doprowadził do celu.
Słuchacz — tłumaczysz własnymi słowami, model wskazuje, czego brakuje.
Diagnosta — gdy ten sam błąd wraca; przegląda historię rozmów i szuka wspólnej przyczyny.
Sparingpartner — symuluje prawdziwe sytuacje: rozmowy, wystąpienia, negocjacje.
Sekretarz — porządkuje notatki i pilnuje materiału do powtórek.

Powtórki rozłożone w czasie

Zaraz po nauce pamiętamy dużo, ale jeśli do materiału nie wracamy, siła wspomnień opada niemal wykładniczo. Powtórki rozłożone w czasie polegają na tym, że co jakiś czas wracamy do tematu i aktywnie go z siebie wydobywamy — jak przy nauce działania silnika: tłoki, cylindry, cztery suwy, ssanie i tak dalej. Rytm powtórek wyznacza opisana ponad sto lat temu krzywa zapominania. (Informacja dodatkowa: jej autorem jest Hermann Ebbinghaus, niemiecki psycholog, który pod koniec XIX wieku badał pamięć, ucząc się na zapamiętywanie bezsensownych sylab.)

Każda powtórka działa dwojako: spadek pamięci staje się łagodniejszy (krzywa coraz bardziej się wypłaszcza), a poziom, poniżej którego pamięć już nie opada, rośnie. Efekt? Kilka chwil powtórek daje więcej niż odrabianie całej nauki od zera po długiej przerwie.

AI świetnie pasuje do tego mechanizmu. Samo napisze fiszki, ułoży harmonogram powtórek (można też sięgnąć po gotową aplikację, np. Anki — (Informacja dodatkowa: darmowy, bardzo popularny program do fiszek z wbudowanym algorytmem powtórek rozłożonych w czasie.)), a błędy popełnione przy okazji sparingów czy testów zamieni w nowe karty do powtórzenia.

Ankieter: najpierw ustal, czego naprawdę chcesz

Ustawienie proste: na ekranie po lewej czat, po prawej ty. Zamiast „naucz mnie X” mówisz: „wypytuj mnie o wszystko, żeby ustalić, ile już wiem o X i czego brakuje, żeby pozamykać dziury” — przy współpracy z kartografem. To naturalne zadanie dla AI: model to swego rodzaju kompres niemal całej ludzkiej wiedzy, szybki sposób na przybliżenie tematu i wskazanie kierunku.

Przykład: „chcę się nauczyć programować”. AI pyta: po co? — Na rozmowę o pracę za trzy tygodnie. Już wiadomo, że celem nie jest „programowanie w ogóle”, tylko zdanie rozmowy. Co już umiesz? — Podstawy Pythona, dwa tygodnie jakiegoś bootcampu. Jak będziesz sprawdzany? — Żywym kodowaniem na czas. Wniosek: nie trać czasu na podstawy, które już masz — ćwicz kodowanie na czas, bo to odzwierciedla warunki egzaminu. Wszystko to wyszłoby na jaw prędzej czy później, gdybyś był idealnie racjonalny, ale na starcie zwykle brakuje wiedzy, żeby w ogóle zadać sobie te pytania.

Gotowe polecenie: „Zanim cokolwiek mnie nauczysz, wypytaj mnie o cel, poziom i wszystko, co trzeba wiedzieć, żeby ta nauka była skuteczna.”

Uwaga praktyczna: mgliste odpowiedzi rodzą mglisty plan. Zamiast „chcę zdać rozmowę” mów: „rozmowa techniczna na LeetCode (Informacja dodatkowa: popularna platforma z zadaniami programistycznymi, standard przy przygotowywaniu się do rozmów w branży IT.), znam podstawy Pythona do poziomu zapytań HTTP, pięć minut na zadanie, pytania z takiego a takiego banku”.

Kartograf: mapa zamiast bezkresu

Dlaczego plan jest taki ważny? Bo bez niego większość energii pochłania gonienie myśli „co dalej?” — niepokój niemal emocjonalny, który zaczyna się, zanim w ogóle ruszy nauka. Wystarczy dać sobie następny krok: po skończeniu modułu nie stoisz bezradnie, tylko od razu ruszasz dalej. Nawet niedoskonały plan daje wielokrotnie więcej niż jego brak.

Statystyka to pojęcie bardzo pojemne i przez to bezkształtne. AI rozbije je na moduły składowe: najpierw średnie, potem rozrzut i prawdopodobieństwo, dalej rozkłady i próbkowanie, na końcu testy A/B.

Standardowe polecenie autora przed rozpoczęciem nauki brzmi: „Narysuj mi mapę statystyki: główne części, zależności między nimi i miejsca, w których ludzie zwykle się gubią — żeby mógł z góry rozplanować czas.”

Wyjaśniacz: najpopularniejsza rola, używana w połowie

Tę rolę zna każdy: przeczytałeś, jak coś zrobić, może nawet to skonfigurowałeś, a przy realnym rozwiązywaniu problemu utknąłeś. Wyjaśniacz rozjaśnia właśnie ten fragment — tłumaczy, jak działa rozwiązanie, żebyś szybciej ruszył dalej.

Problem w tym, że prawie nikt nie robi następnego kroku: powtórzenia całej pierwotnej czynności bez pomocy. A nauka to niemal w całości produkcja. Jeżeli model ci wyjaśni, a ty powiesz „aha, jasne, już umiem” — i nie sprawdzisz, czy dasz radę sam — to nie znaczy, że się nauczyłeś. Przeczytałeś o tym. To zasadnicza różnica.

Dlatego po przejściu całej ścieżki z pomocą trzeba cofnąć się do pierwszego kroku i przejść ją od podstaw samodzielnie — od zera do jedynki. Autor opisuje własną rutynę przy poznawaniu nowych narzędzi AI: najpierw wywiad o stanie wiedzy, potem mapa pojęć, potem próba; jeśli utknie — wyjaśnienie; a po dojściu do końca powrót na sam początek i cała ścieżka na własną rękę. Kosztuje to 10–15% dodatkowego czasu nauki, a zwrot — w tym, ile wiedzy zostaje i jak dobrze umie się ją potem wytłumaczyć innym — jego zdaniem nie ma sobie równych.

Polecenie: „Próbowałem zrobić X, utknąłem na Y. Wytłumacz mi tylko ten fragment, na poziomie mojej wiedzy.” Potem koniecznie wróć i dokończ resztę sam.

Sokratejski pytacz: znajdź lukę sam

Często masz poczucie, że coś rozumiesz — AI wyjaśnił, przerobiłeś raz, „łapię sedno”. Sokratejski pytacz to kumpel do nauki, który pyta: „Dlaczego ta zasada statystyczna w ogóle działa?”. Jeśli nie umiesz odpowiedzieć, luka pokazała się natychmiast. Pytanie pogłębiające: „A co się stanie, gdy podwoimy wejście?” — „No to wynik będzie błędny”. Model uczy się, gdzie są twoje braki, ty je widzisz, a to odsyła cię z powrotem do wyjaśniacza. Tak krążysz między pytaniem, wyjaśnieniem i nową mapą — także po tematach, o których nie wiedziałeś, że ich nie znasz. Odpowiedzi nie dostaniesz podanej na tacy: pytania zmuszają cię do samodzielnego wytwarzania, więc w efekcie rozumiesz, a nie tylko tak ci się wydaje.

Polecenie: „Chcę się nauczyć X, Y i Z. Nie dawaj mi odpowiedzi — zadawaj pytania, aż sam znajdę to, czego nie wiem.”

Egzaminator: pytania coraz trudniejsze

Bywa tak, że wydaje ci się, iż coś rozumiesz, ale ponieważ się nie testujesz, nie widzisz, gdzie kończy się twoja wiedza. Egzamin o rosnącej trudności działa jak suwak: poziom pierwszy — zaliczony, drugi i trzeci — jasne, czwarty — jeszcze ujdzie, piąty — tu już się wyłożyłem. I od razu wiadomo, dokąd skierować naukę dalej.

Cała omawiana metoda polega właśnie na tym: tak kierować nauką, by każdy wysiłek trafiał tam, gdzie trzeba. Ludzie mają w sobie ogromny potencjał, ale przestarzałe instytucje edukacyjne i formy jak wykład — wymyślone tysiące lat temu i nieskalujące się do obecnej ery — sprawiają, że wydajemy z niego może 10–20%.

Polecenie: „Przepytuj mnie z tego tematu, po jednym pytaniu naraz. Rób kolejne pytania coraz trudniejsze, aż zacznę się mylić.” Wtedy wiesz, gdzie przebiega granica twojej wiedzy.

Kontroler: sprawdza proces, nie tylko wynik

Nie uczymy się dla samej nauki — zwykle po to, żeby coś stworzyć. Kontroler ocenia pracę według jasnych kryteriów, trochę jak egzaminator, ale patrzy na co innego: czy proces, który doprowadził do wyniku, był poprawny. Przypomina nauczyciela matematyki, który mówi: „nie chcę samego wyniku, pokaż tok rozwiązania — jak wymnażasz te wyrażenia”. Kontroler przegląda kroki pośrednie i sprawdza, czy rozumowanie było spójne.

Zastosowanie: zrobiłeś streszczenie, dowód, fragment kodu, zadanie matematyczne — każ modelowi ocenić rozumowanie i sprawdzić, czy istniała krótsza droga do tego samego celu. Może się okazać, że streszczenie dało się uciąć o połowę. Dzięki temu następnym razem szybszy będzie sam proces, a nie tylko wynik.

Polecenie: „Oto moja praca nad ustaleniem X, Y, Z. Znajdź, co jest błędne lub czego brakuje, i powiedz, czy była szybsza albo prostsza droga. Niczego nie przepisuj.”

Słuchacz: powiedz, napisz, narysuj

Wiedzę można wykazywać na wiele sposobów — ustnie, pisemnie, graficznie — i najlepsi uczący się potrafią to robić w każdym z nich. Autor radzi angażować możliwie dużo ścieżek umysłu: powiedzieć, pokazać obrazem, napisać.

Słuchacz porównuje twoje tłumaczenie z materiałem źródłowym w każdej z tych postaci — sprawdza rozumowanie na głos, wykład na piśmie i wizualizację. Praktyka autora: nagrywa swobodny wywód przez dyktowanie, szkicuje szybki rysunek koncepcji i pisze znacznie krótszą, zwięzłą wersję (bo ta mówiona zawsze się rozlewa), a potem porównuje wszystkie trzy z tekstem źródłowym — powiedzmy z opisem nowej architektury sieci neuronowej. Model ma trzy różne wersje do skonfrontowania i trzykrotnie szuka rozbieżności ze źródłem.

Polecenie: „Wytłumaczę ten pomysł własnymi słowami. Oceń to wobec tekstu źródłowego i powiedz dokładnie, co pominąłem.”

Diagnosta: wspólny korzeń powtarzających się błędów

Nazwa jak łamaniec językowy, ale rola ważna. Błędy w nauce często mają te same korzenie. Nie rozumiesz jakiejś prostej operacji matematycznej — i przez to potykasz się o to samo w statystyce, biologii i chemii, choć każda z tych dziedzin wydaje się osobnym światem. Z pozycji studenta widać tylko objawy, nie przyczynę — mimo że potknięcia powtarzają się według schematu.

Zadanie dla modelu: „Przejrzyj nasze ostatnie sto rozmów. Jaki błąd logiczny popełniam regularnie we wszystkich egzaminach, testach i odpytywaniach?”. Odpowiedź zwykle brzmi: „Ciągle robisz ten sam skok od X do Y — prawdopodobnie dlatego, że nie rozumiesz Z”. I zamiast łatać każdy objaw osobno, uczysz się tego jednego korzenia.

Polecenie: „Oto lista rzeczy, w których ciągle się mylę. Co te błędy łączy? Jaka wspólna pomyłka za nimi stoi?”

Sparingpartner: obijaj się, póki nie wychodzisz na ludzi

Autor przyznaje, że z tej roli korzysta najchętniej — zwłaszcza od czasu, gdy zaczął nagrywać podcasti i prowadzić poważniejsze negocjacje biznesowe. Schemat: „Za tydzień rozmowa o X. Chcę się obić w sparingu. Odpowiadam na głos, każda odpowiedź w 30 sekund — bo tyle pewnie będę miał naprawdę.” Pytanie: „Dlaczego mamy cię zatrudnić?” — „Bo jestem pracowity.” Przygotowany do roli agent nie będzie zachwycony — i słusznie: „Za ogólnie. Podaj przykład.” — „W zeszłym miesiącu skróciłem czas oczekiwania klientów o połowę.” I to właśnie powinno paść na początku.

Suwak trudności masz w ręku: skracaj czas na odpowiedź, każ modelowi wcielać się w coraz wymagalszych rozmówców. Zaleta jest taka, że podejścia trzeba faktycznie wykonać.

Autor uczy m.in. prowadzenia rozmów sprzedażowych (usługi AI i automatyzacji). Uczniowie często nigdy w życiu takiej rozmowy nie prowadzili: boją się, nie wiedzą, co mówić, jak ją poprowadzić, jak pokazać wartość usługi. Jego rada: „Wejdź w rozmowę z agentem, oto krótki szablon; agent gra potencjalnego klienta, ty handlowca — i do dzieła”. To nie odtworzy rozmowy jeden do jednego, ale pierwsze podejście masz już za sobą — a to czyni ogromną różnicę. Środowiska treningowe tego typu — zdaniem autora — zdobędą znaczenie w najbliższych latach: AI czyni nas lepszymi, a my czynimy lepszym AI.

Polecenie: „Zagraj wymagającego rekrutera na stanowisko X. Albo: udawaj, że mnie rekrutujesz — oto lista wcześniejszych rozmów tego rozmówcy. Nie idź na łatwiznę, odpieraj mocno, upewnij się, że naprawdę rozumiem. Każda odpowiedź w 30 sekund.”

Sekretarz: porządek bez twojego wysiłku

Niedoceniana rola. Masz stertę chaotycznych notatek albo pośrednich kroków sprawdzianów — wklejasz i prosisz: „zrób z tego czytelny konspekt” albo „zrób z tego fiszki”. W połączeniu z powtórkami rozłożonymi w czasie daje to — według autora — pięcio-, a nawet dziesięciokrotnie lepszy zwrot z każdej minuty nauki: wystarczy uporządkować informacje i regularnie do nich wracać.

Sekretarza autor lubi też z innego powodu: całe myślenie zostaje po twojej stronie, porządkujesz jedynie to, co sam wymyśliłeś. Człowiek żongluje dziedzinami i pojęciami naraz; model potrafi składać je w coraz prostsze i bardziej ogólne ujęcia, co z czasem porządkuje wiedzę także w twojej głowie.

Polecenie: „Zamień moje notatki w czytelny konspekt. Nie dodawaj niczego, czego nie napisałem — uporządkuj hierarchię informacji tak, żebym mógł z tego zrobić np. materiał do powtórek.”

Trzy zasady ogólne: poziom, warstwy, najlepsze materiały

Poziom. Najwięcej uczymy się tuż poza strefą komfortu — nie za daleko i nie za blisko. W psychologii nazywa się to strefą najbliższego rozwoju. (Informacja dodatkowa: pojęcie wprowadził Lew Wygotski, radziecki psycholog, w pierwszej połowie XX wieku.) Polecenie: „Przepytuj mnie ze statystyki, od łatwych po trudne. Przestań, gdy zacznę zgadywać, i powiedz, na jakim jestem poziomie.” Od tego momentu wracamy do pozostałych ról: kartograf, ankieter, kontroler, egzaminator, diagnosta.

Warstwy. „Wytłumacz mi to pojęcie na trzech poziomach: dziecku, licealiście i ekspertowi.” Od razu widać, jakim zasobem słownictwa i niuansów dysponujesz — i czego brakuje, żeby mówić o temacie precyzyjniej.

Najlepsze materiały. „Wiem, jak zrobić A, nie wiem, jak zrobić B, jestem mniej więcej początkujący. Znajdź najlepsze wyjaśnienia tego tematu, uzasadnij, czemu każde jest dobre, i dodaj linki.” To ludzie wciąż są najlepszymi sędziami jakości i najprostszego tłumaczenia — model może wskazać kierunek, ale trafność „idealnej metafory”, która w pięć sekund rozjaśnia temat, pochodzi od człowieka. Autor twierdzi, że dzięki temu trafiał na wyjaśnienia, których nigdy sam nie znalazłby, a każde z nich oszczędzało mu dni albo tygodnie. Przykład: zamiast grzebać się w kiepskich podręcznikach — sięgnąć po prosty poradnik o sieciach neuronowych sprzed kilku lat, opisywany jako najprzystępniejszy dla początkujących.

Symulacje i aplikacje treningowe

Poza odgrywaniem ról („zagraj wymagającego rekrutera na stanowisko analityka w Antropicu — jedno pytanie naraz, na końcu ocena”; (Informacja dodatkowa: Anthropic to firma stojąca za modelem Claude.)) można zlecać AI realistyczne zadania z konkretnymi wytworami. Przygotowujesz się do pracy w obsłudze klienta? Model wygeneruje serię e-maili, ty będziesz musiał mądrze na nie odpowiadać, a potem oceni cię — bądź z samego wyniku, bądź z procesu, jakim do niego doszedłeś. Po takim treningu dużo lepiej wiesz, gdzie faktycznie jesteś.

Claude, Codex i inne agenty potrafią też budować małe aplikacje treningowe: serie fiszek do przemknięcia w godzinę, wizualizacje wiedzy. To ważne, bo opanowanie tematu to nie tylko tekst — trzeba umieć go powiedzieć i pokazać na ekranie („narysuj coś, co odpowiada temu pojęciu”). Według autora poziom modeli pozwala dziś robić to z powodzeniem — i to za ułamek kosztu człowieka. „Uruchom, zbierz ocenę, podkręć trudność, uruchom ponownie — to hiperboliczna komora czasu dla wiedzy.” (Informacja dodatkowa: „hiperboliczna komora czasu” to nawiązanie do mangi i anime Dragon Ball — magiczne pomieszczenie, w którym rok treningu mieści się w jednym dniu na zewnątrz.)

Dlaczego nie zawsze: nauka dzieje się w trudzie

Najpoważniejszy kontrargument: uczymy się w zmaganiu. Normalnie, żeby coś pojąć, trzeba przejść przez fazę męczenia się — wpatrywania się w ekran z myślą „co tu się dzieje, nie umiem zmusić tego do działania”. A to jest właśnie aktywna produkcja. AI często pozwala tę fazę pominąć — i wtedy nie zostaje nic. Wyjaśnienie daje poczucie zrozumienia, które nim nie jest.

Autor przywołuje badanie sprzed kilku lat: osoby korzystające z nawigacji GPS mają gorsze wyobrażenie otoczenia w głowie. Z AI jest podobnie: jeśli nie myślisz sam, a tylko skracasz drogę do wyniku, osłabiasz — jak przy GPS — te obszary mózgu, które odpowiadają za logikę prowadzącą do celu. A gdy do tego model przytakuje twoim półprawdom albo wymyśla liczby i źródła, proces nauki zamienia się w zbieranie notatek o temacie. To potrafi wyrządzić nauce realną szkodę.

Zakończenie: nie używaj AI tak jak wszyscy

Nie musisz korzystać ze sztucznej inteligencji tak, jak robi to większość. To może być partner do myślenia, wzmacniający różne obszary życia — byle nie wpaść w domyślny tryb, do którego wszyscy są mimowolnie zachęcani: „Claude, zarabiaj dla mnie miliardy i nie popełniaj błędów; Codex, chcę zostać prezydentem USA — zrób to”. Trzeba poświęcić trochę więcej czasu i wysiłku na przemyślane stosowanie tych narzędzi — przynajmniej dopóki modele nie staną się ogólnie inteligentniejsze. Jak z każdą technologią, także z Facebookiem: sensowne zastosowania istnieją, ale sposób, w jaki używa go większość, jest po prostu słaby. I właśnie w tej różnicy tkwi twoza szansa.

Autor dodaje, że sam korzysta z tych narzędzi codziennie, w życiu i w firmie. Zainteresowanych przeniesieniem tego podejścia na grunt biznesowy odsyła do swojego programu Maker School — 90-dniowego cyklu z rozliczaniem się z postępów, w którym pomaga zdobyć pierwszego płacącego klienta na usługi AI lub automatyzacji, a w razie niepowodzenia zwraca całą wpłatę. Program — jak zapewnia — zbudował na tych samych zasadach, które omówił w materiale.