Inżynieria agentowa w 2027 roku będzie wyglądać zupełnie inaczej

O czym jest ten film

David Ondrej, po ponad 2000 godzinach programowania z AI, twierdzi, że agenty przejmują pracę programistów, montażystów, matematyków i grafików; dowodem ma być repozytorium OpenAI z około 370 dowodami problemów uznawanych za nierozwiązane od dziesięcioleci, a nawet stuleci.
Ludzie pozostają lepsi w trzech obszarach: nowatorskim myśleniu i intuicji, praktycznym doborze priorytetów oraz „smaku” — czyli ocenie, co jest naprawdę dobre i co ma szansę się przyjąć.
Analogia z rolnictwa: w USA w 1800 roku ponad 75% pracujących trudniło się gospodarstwem, dziś poniżej 2%, a żywności jest więcej niż kiedykolwiek — technologia nie unicestwia pracy, zmienia jej charakter.
Praca przyszłości to praca „wyższego rzędu”: tworzenie agentów, zarządzanie ich flotami, alokacja budżetu, dobór modeli do zadań, ewaluacje — i przede wszystkim myślenie.
Człowiek jest wąskim gardłem: agentów nie powinien uruchamiać ręcznie wpisywany prompt, lecz wyzwalacze — harmonogram, webhook, awaria systemu, zachowania klientów.
Pętla agentowa to próba usunięcia człowieka z procesu, a fabryka oprogramowania to wiele pętli działających równolegle; autor pokazuje taką „mini-fabrykę” na żywo.
Problem laptopa: lokalne agenty umierają razem z baterią i Wi-Fi; według wewnętrznych danych Cursora odsetek zmian trafiających na produkcję z agentów chmurowych wzrósł w osiem miesięcy z około 10% do ponad 60%.
Ekonomia tokenów: według analizy SemiAnalysis subskrypcja Claude Code za 200 dolarów daje około dziesięciokrotnie więcej wartości niż porównywalny plan Codex; autor sam przeszedł z sześciu planów Codex na Claude Code.
Autor promuje własny produkt open source Cloud Room — demonstruje uruchamianie 15–110 subagentów w izolowanych piaskownicach chmurowych i tworzenie nowej automatyzacji głosem w niecałą minutę.
Przepaść między ludźmi na czołówce AI a resztą się pogłębia — koszt bycia poza czołówką nigdy nie był wyższy; lekarstwem mają być codzienne, godzinne sesje rozumowania od pierwszych zasad.

10 najważniejszych takeaways — z kontekstem zastosowania

1.To człowiek, nie model, jest wąskim gardłem

Na czym polega: Modele, tokeny i narzędzia wokół nich są już wystarczająco dobre i tanie. Realny limit stanowi człowiek: nie da się ręcznie „odblokowywać” więcej niż kilku agentów naraz, a wszystko, co wymaga ludzkiej uwagi, ma sztywny sufit wydajności.

Jak stosować: Zrób przegląd wszystkich miejsc, w których sam wpisujesz prompt albo zatwierdzasz kolejne kroki agenta. Zastępuj je wyzwalaczami: harmonogramem (co godzinę, co cztery godziny), webhookiem od systemu, alertem o awarii, zdarzeniem u klienta. Projektuj pętle, które działają bez ciebie, a tobie zostawiają tylko decyzje.

Na co uważać: W pełni samodzielna pętla nadal potrzebuje procesu weryfikacji wyników — bez niego agent masowo produkuje śmieciowe wytwory (tzw. slop). Zacznij od zadań przewidywalnych i niskiego ryzyka.

2.Przestań konkurować z agentami tam, gdzie przegrywasz

Na czym polega: Pisanie kodu linia po linii czy ręczne klikanie po interfejsach to dziś kwadratura koła — agenty robią to lepiej i szybciej. Człowiek wygrywa w nowatorskim myśleniu, intuicji, praktycznym wyczuciu („mamy godzinę, więc pomijamy te szczegóły”) i smaku.

Jak stosować: Oddaj implementację, a sam zajmij się stawianiem celów, ustalaniem priorytetów, oceną jakości i decyzją, co w ogóle warto budować. Test: jeśli nadal klepiesz kod ręcznie zamiast korzystać z Claude Code czy Codexa, hamujesz własną karierę.

Na co uważać: Smak nie przychodzi sam — trzeba go rozwijać, przyglądając się dobrym produktom i krytycznie oceniając wyniki agentów. Bez tego dostęp do AI nic nie zmieni.

3.Zacznij od 5% pracy i mierz, gdzie płynie twój czas

Na czym polega: Większość z nas codziennie wykonuje te same typy zadań — odpowiadanie na podobne maile, dostarczanie klientom, powtarzalna obsługa. To naturalny materiał na automatyzację. Warunkiem jest wiedza, gdzie czas faktycznie znika: autor od lat loguje kalendarz w 15-minutowych blokach i analizuje dane agentem.

Jak stosować: Przez dwa tygodnie śledź czas (kalendarz plus agent z dostępem do narzędzi typu Composio CLI), pogrupuj zajęcia w kategorie, wybierz najbezpieczniejsze 5% i zautomatyzuj. Potem dołóż kolejne 5%.

Na co uważać: Ludzie fatalnie szacują własny czas — kto sądzi, że poświęca na coś 20%, często dowiaduje się, że to 60%. Nie automatyzuj też procesu, który sam w sobie jest bez sensu.

4.Wyobraź sobie firmę 10–100 razy większą i odbuduj jej działy jako pętle agentowe

Na czym polega: Duża firma software’owa ma zespoły do bazy danych, rozliczeń, bezpieczeństwa, testów. Mini-fabryka autora odwzorowuje te działy jako pętle: przegląd kodu rozliczeniowego co cztery godziny, kontrola kondycji bazy, przeciwpiarSKI bezpieczeństwa co 90 minut, segregowanie zgłoszeń klientów co 10 minut.

Jak stosować: Wypisz działy firmy stokrotnie większej od twojej w tej samej branży (takie zapewne istnieją — zbadaj je). Każdy dział potraktuj jako kandydata na pętlę agentową z własnym wyzwalaczem. Dostrajaj częstotliwość z czasem.

Na co uważać: Pierwsze uruchomienia każdej automatyzacji zwykle wymagają poprawek, żeby wyniki były wartościowe, a nie tylko generowały ruch. Liczy się efekt biznesowy, nie liczba wyprodukowanych plików.

5.Przenieś agentów do izolowanych piaskownic w chmurze

Na czym polega: Laptop to wspólny komputer dla wszystkich agentów: zamykasz pokrywę, tracić Wi-Fi albo kończy się bateria — i wszystkie pętle padają. W chmurze każdy agent dostaje osobną piaskownicę, płacisz tylko za czas jego pracy i skalujesz bez limitu. Kryterium bezpieczeństwa też działa na plus: atak na piaskownicę kosztuje jednego agenta, a nie cały komputer z loginami i danymi.

Jak stosować: Pętle działające 24/7 przenieś na zawsze włączony serwer lub maszynę wirtualną, po jednej piaskownicy na agenta. Model płatności za faktyczne użycie pozwala na chwilowe zwiększenie skali o 20% bez kupowania nowego sprzętu.

Na co uważać: Część zadań lepiej zostawić lokalnie — prywatność, porządki w folderach. Chmurowe środowisko musi też uruchamiać wątki równie szybko jak lokalne, inaczej wrócisz do starych nawyków.

6.Dźwignia: jeden agent, który uruchamia dziesiątki następnych

Na czym polega: Zamiast startować pracowników pojedynczo, projektuje się agenta-menedżera, który tworzy podległe agenty. Autor pokazał hierarchię 110 agentów: „CEO” na Opusie, koordynatorzy pośrodku, robotnicy na tanim Haiku. Można też miksozwać narzędzia i modele według ról.

Jak stosować: Znajdź zadanie, w którym 20–100 agentów naprawdę zrobi użyteczną równoległą pracę (analiza kodu, research, testy bezpieczeństwa). Zanim je odpalisz, określ umiejętności, reguły i proces przeglądu, które zagwarantują jakość.

Na co uważać: Mnożenie agentów bez dobrych warunków mnoży tylko śmieci. Najpierw zdefiniuj, co znaczy „dobra robota”, potem skaluj.

7.Buduj jednym modelem, weryfikuj modelem konkurencji

Na czym polega: Zmiany zbudowane z Opałem recenzuje model OpenAI i odwrotnie. Model z innej firmy ma inne ślepe punkty i inaczej patrzy na problem — dzięki temu wyłapuje błędy, których autor zmiany nie zobaczy.

Jak stosować: Do każdej istotnej zmiany dodaj krok adwersaryjnego przeglądu modelem „drugiej firmy”, a na końcu zapytaj model główny: „to realny problem czy przewrażliwienie?”. W tworzeniu testów autor łączy to z zasadą podwójnej zgody: test trafia do człowieka dopiero, gdy oba modele zgodzą się, że jest potrzebny.

Na co uważać: Recenzowanie tym samym modelem, który pisał kod, powiela jego słabości. Decyzje produktowe najwyższego rzędu i tak zostaw ludziom.

8.Dopasuj model do wartości zadania

Na czym polega: Nie każde zadanie zasługuje na najdroższy model. Rutynę można zlecić tanim, wydajnym modelom; decyzje — modelom zwracającym ustrukturyzowane wyniki; krytyczne zmiany — najlepszemu, co jest na rynku. Równolegle mierz, jaki odsetek zadań wykonują agenty i ile tokenów spalasz.

Jak stosować: W swojej fabryce przypisz klasy modeli do typów zadań i licz koszt na realny efekt, nie na tokeny same w sobie.

Na co uważać: Agenty uwielbiają generować testy i dokumentację — łatwo zalać nimi cały kod. Objętość nie jest wartością; zawsze stosuj przegląd adwersaryjny przed dodaniem czegokolwiek.

9.Subskrypcje zamiast API — i nie obniżaj planu, naucz się na tokenach zarabiać

Na czym polega: Według SemiAnalysis subskrypcja Claude Code za 200 dolarów daje obecnie około dziesięciokrotnie więcej wartości niż porównywalny plan Codex (szacunek autora: nawet 16–20 razy), bo subskrypcje są mocno subsydiowane względem cen API. Obniżenie planu to przyznanie się, że nie umiesz zamienić tokenów na przychód — a to ma być kluczowa umiejętność przyszłości.

Jak stosować: Jeśli stać cię na jeden plan za 200 dolarów, wybieraj ten z najlepszym bieżącym stosunkiem wartości do ceny i wyciskaj z tygodniowego limitu wszystko: marketing, produkt, bezpieczeństwo.

Na co uważać: Ten ranking zmienia się z wydaniem każdego dużego modelu — bywa, że w ciągu dwóch-trzech tygodni. Jeśli musisz płacić za API, rozważ tańsze modele chińskie.

10.Rezerwuj 60–90 minut dziennie na myślenie od pierwszych zasad

Na czym polega: Klikanie i klepanie przestało być trudną częścią pracy — agent z dostępem do ekranu zrobi to lepiej. Prawdziwym wysiłkiem jest teraz rozumowanie: co zmieni dana technologia, jakie są skutki drugiego i trzeciego rzędu, gdzie pojawi się wąskie gardło. Tak właśnie autor doszedł do wniosku o nieuchronności agentów chmurowych.

Jak stosować: Codziennie godzina rozumowania na jeden temat, bez telefonu i komputera — wystarczy nagranie głosowe. Nie odchodź od stołu, zanim popłyną pomysły: pierwsze 5–10 minut jest zwykle jałowych. Po miesiącu-dwóch rozumiesz przyszłość lepiej niż większość branży.

Na co uważać: Myślenie to praca, której ludzie unikają najskuteczniej — cytowany przez autora Joshua Reynolds mówił, że nie ma fortelu, do którego człowiek nie ucieknie, byle nie myśleć. Godzina klikania nie zastąpi godziny rozumowania.

Redakcyjne tłumaczenie

Wprowadzenie: dwadzieścia tysięcy godzin w tle

Nazywam się David Ondrej. W ciągu ostatnich czterech lat spędziłem ponad 2000 godzin na programowaniu z AI i osobiście rozmawiałem z najbardziej wiarygodnymi ludźmi tej branży. W tym materiale opowiem o tym, jak agenty przejmują ludzką pracę, o zupełnie nowym sposobie ich uruchamiania, o tym, dlaczego pętle agentowe i fabryki oprogramowania są nieuniknione oraz dlaczego agenty chmurowe wypierają lokalne. Pokażę też, jak za dwanaście miesięcy będzie wyglądać moja i twoja praca — a na końcu, na żywo, zbuduję od zera mini-fabrykę oprogramowania. Zrobię to dokładnie tak, jak robię to na co dzień.

„Wszyscy zostaniemy zastąpieni”

Praca z agentami zmienia się w szybkim tempie. To już nie tylko siedzenie przy Claude Code czy Codexie. Wszystko przemełła premiera Astry, a potem Opusa 5.5. Sporo wiarygodnych osób uznało, że Astra to AGI. Czy słusznie — nie wiem, ale dowody mówią same za siebie: OpenAI opublikowało kilka dni temu repozytorium z około 370 dowodami problemów, które przez dziesięciolecia, a czasem stulecia, uchodziły za nierozwiązane. Matematycy nie mogą się nadziwić.

Nie będę was okłamywał: zastąpienie dotyczy nas wszystkich. Programistów, montażystów wideo, matematyków, grafików, twórców treści — AI potrafi coraz więcej. Nasuwa się więc pytanie: co właściwie pozostanie ludziom? Wrócę do niego później, bo to pytanie egzystencjalne, przez które wielu ludzi traci sen. Tymczasem odpowiedź jest tak naprawdę jasna — tylko niewielu ją przemyślało do końca.

W czym ludzie wciąż wygrywają z agentami

Zacznijmy od oczywistości: ludzie pozostają lepsi w wielu rzeczach. Modele językowe są w gruncie rzeczy bardziej „robotyczne” — dostają dane wejściowe i wykonują określone czynności. Same nie wymyślają sobie celu, nie łapią przypadkowej myśli po drodze; ich łańcuch rozumowania widać gołym okiem i w całości wyrasta z danych treningowych.

Po pierwsze, człowiek wygrywa w myśleniu nowatorskim, intuicji i instynkcie. Przez całe życie „konsumujemy” niewyobrażalną ilość danych — dźwięków, wrażeń dotykowych, bodźców, których nikt nie spisał w internecie. Czego nie ma w danych treningowych, w tym modele są po prostu słabe.

Po drugie, praktyczność. Kiedy masz jedną godzinę na duży projekt programistyczny, wiesz, które szczegóły można pominąć i że nie ma sensu zalewać repozytorium tysiącem testów. Agent tej praktycznej wyczulonej alokacji zasobów nie ma.

Po trzecie, smak — po angielsku „taste”. Każdy dziś może wygenerować dziesięć tysięcy aplikacji albo setki obrazów, ale wiralem stanie się jeden na tysiąc, a pieniądze zarobi garstka. Wiedza o tym, co czyni świetny produkt, świetną miniaturę na YouTube czy świetną piosenkę, to właśnie smak. Większość ludzi go nie ma — a ci, którzy mają, będą wygrywać.

Dlatego przestań kurczowo trzymać się tego, w czym modele są lepsze. Jeśli wciąż piszesz kod linia po linii zamiast korzystać z Codexa czy Claude Code, nie wiem, co ci powiedzieć. Jesteś jak chłopiec od windy w czasach, gdy windy zaczęły jeździć same, albo jak człowiek sumujący arkusze ręcznie po wynalezieniu kalkulatorów. Rób to, w czym człowiek wygrywa, resztę oddaj agentom. Inaczej czeka cię bardzo przykra przyszłość.

Lekcja z rolnictwa: przestań się bać

Żeby zrozumieć, dokąd zmierza przyszłość, warto zajrzeć w przeszłość — a rolnictwo jest tu świetną analogią. W USA w 1800 roku ponad 75% wszystkich pracujących trudniło się gospodarstwem. Przytłaczająca większość społeczeństwa. Dziżej to poniżej 2%, a jedzenia jest więcej niż kiedykolwiek. Dzięki czemu? Dzięki technologii. Kiedy patrzę na stare zdjęcia żniwiarzy z kosami, dosłownie widzę nas samych: klikających po formularzach, rozliczających podatki, prowadzących księgowość. Współczesny kombajn to znacznie trafniejszy obraz tego, co nas czeka — choć wciąż nie oddaje, jak dokładnie będziemy orkiestrować agentami.

Krótko mówiąc: przestań się bać. Rewolucje przemysłowe już przechodziliśmy. Były nawet „ludzkie komputery” — piętrowe budynki, w których na każdej piętrze ludzie liczyli coś ręcznie. Jeśli w dziesiątkach tysięcy lat naszej historii jest jeden stały wzorzec, to właśnie ten: zawsze się adaptujemy.

Przerwa na sponsora

Najczęstszy błąd, jaki widzę u nowych założycieli firm, to za mało informacji zwrotnej od prawdziwych użytkowników. Z AI zbudujesz oprogramowanie szybciej — ale im szybciej budujesz, tym ważniejsze stają się dane od klientów. W końcu musisz wiedzieć, czy budujesz właściwą rzecz. Dlatego opowiem o dzisiejszym sponsorze, PostHog. Pokazuje on, jak ludzie realnie korzystają z twojego produktu: gdzie utykają, których funkcji używają i czy do ciebie wracają, a dzięki nagraniom sesji możesz zobaczyć dokładnie, co robili. Korzystają z niego m.in. Y Combinator, Supabase, Fireworks AI, ElevenLabs czy Railway. Supabase dzięki PostHog zauważyło falę nowych użytkowników przybywających z narzędzi do budowania aplikacji AI i na podstawie tych danych nawiązało z nimi partnerstwa — jak to ujęła jedna z osób z ich marketingu: „PostHog pomógł nam zdobyć dziesięciokrotnie więcej nowych użytkowników tygodniowo niż rok temu”. Szczegóły pod linkiem go.posthog.com/david, pierwszym pod filmem.

(Informacja dodatkowa: powyższy akapit to płatna sekcja sponsorska oryginalnego filmu.)

Praca wyższego rzędu: co pozostanie człowiekowi

Prosty schemat: dziś po prostu wykonujesz zadanie — siedzisz przed komputerem i robisz konkretną rzecz. Jeśli oglądasz mój kanał, to miejmy nadzieję, że jesteś poziom wyżej: uruchamiasz agentów (Claude Code, Codex, Cursor, Pi, Hermes — cokolwiek). Większość ludzi utknęła na poziomie pierwszym albo drugim. Czas przejść wyżej: najpierw projektowanie pętli agentowych, potem prowadzenie fabryki agentów. Im dalej w prawy górny róg tego schematu, tym praca jest mniej ręczna, mniej powtarzalna — bardziej unikalna, kreatywna i abstrakcyjna.

Konkrety. Uruchamianie agentów pojedynczo to przeszłość. Tak, w 2024, w 2025, a nawet przez pierwsze trzy kwartały 2026 roku było to w porządku. Teraz już nie jest. Przepaść między osobami na prawdziwej czołówce a tymi „używającymi AI tak sobie” będzie się pogłębiać. Popatrz na przeciętnego konsumenta: darmowy ChatGPT, darmowa google’owska wyszukiwarka AI — fatalne modele w porównaniu z Opusem 5.5 na wysokich trybach pracy.

W przyszłości będziemy projektować rzeczy działające według harmonogramu. I to nie my będziemy tych agentów uruchamiać. Wszystko, co wymaga człowieka, ma wbudowane wąskie gardło. Jak w biznesie: prezes pięciotysięcznej firmy nie może decydować o myciu podłóg, zamykaniu ksiąg, zwalnianiu juniorów ani kończeniu kampanii marketingowej. Musisz sobie uzmysłowić: wszyscy wkrótce będziemy prowadzić „firmę pięciu tysięcy podmiotów” — część z nich to ludzie, większość to agenty.

Warto pamiętać, że AI to dziedzina osiemdziesięcioletnia i wiele przełomów wzięło się z naśladowania biologii — sieć neuronowa to w końcu model mózgu. Dziś limitem odpalania większej liczby agentów jest coś prozaicznego: nie jesteś fizycznie w stanie wszystkich ich odblokowywać. Zwłaszcza po Opusie, który działa tak szybko, że utrzymywanie więcej niż pięciu agentów naraz to już wyzwanie. Gdy to sobie uświadomisz, staje się oczywiste, że człowiek nie może siedzieć w pętli. Kiedyś hasłem było „human in the loop” — człowiek w pętli. Teraz musimy się z tej pętli usunąć. Potrzebujemy innych wyzwalaczy niż prompt wpisany na klawiaturze: harmonogramów, webhooków (czyli automatycznych powiadomień, jakie jeden system wysyła drugiemu), reakcji na awarie, zachowań klientów. Prompt głosowy jest lepszy od pisania, ale wciąż kosztuje twoją uwagę i czas. Jeszcze rok temu to wystarczało. Dziś nie.

Co więc będziemy robić? Zauważ, że nawet ludzie z frontline’u, których zapraszam do podcastu, mają problem z odpowiedzią na to pytanie. Wiem dlaczego: nie jest ono oczywiste. Niektóre elementy widać wyraźnie we mgle — ale nie wiemy, co kryje się za mgłą. Na podstawie tego, co wiemy dziś: będziemy tworzyć nowych agentów, dedykowanych albo ogólnych. Wyżej abstrakcyjnie — zarządzać flotami agentów: zespół do marketingu, zespół do produktu, zespół do obsługi klienta. Będziemy alokować zasoby: firma robi 50 tysięcy dolarów miesięcznie — ile z tego na tokeny, ile na pensje, ile na reklamy, ile na nowy sprzęt? Będziemy dobierać modele do zadań: to zadanie jest proste, więc wystarczy wydajny cenowo model typu DeepSeek 4.1 Flash; tu potrzebny model decyzyjny, który zwraca wynik w ustalonej strukturze; a tu gra idzie o wszystko, więc bierzemy Opusa 5.5, a w przyszłości może Fable 5.5 albo Astrę 6.1. Będziemy stawiać ewaluacje i benchmarki: jaki odsetek zadań wykonują agenty, a jaki ludzie, ile tokenów spalamy. I będziemy po prostu więcej myśleć: jak przenieść ten biznes na wyższy poziom, gdzie użyć więcej agentów, czego jeszcze nie robimy. To jest prawdziwa praca — taka, jaką dziś wykonują prezesi i zarządy, a którą wykonywać będziemy wszyscy, bo całą resztę przejmą agenty.

Pętle agentowe: od czego zacząć

Wielu ludzi nie rozumie, czym w ogóle jest pętla agentowa. Była moda na spory o pętle i grafy — zignorujcie to całkowicie, będę mówił praktycznie. Pętla agentowa to w gruncie rzeczy próba usunięcia samego siebie z procesu. A droga do tego jest taka sama, jak przy n8n lata temu: nie próbuj automatyzować wielkiego zadania od razu. Zacznij od małego. Przeanalizuj swoją pracę.

Prawda jest taka, że ty i ja wykonujemy codziennie te same typy zadań. Charakter pracy zmienia się dopiero, gdy zakładasz firmę, zaczynasz nowy projekt albo piszesz książkę — coś radykalnie innego. Przez większość czasu jest tak samo: odpowiedz na maila, otwórz Slacka, dostarcz klientowi, załatw kolejną współpracę z marką. Nie dokładnie to samo każdego dnia, ale ten sam typ — a to znaczy: okazja do automatyzacji. Dawniej nieosiągalna zwykłym kodem; dziś możliwa dzięki agentom. Różnica robią modele i narzędzia wokół nich — tzw. harnessy, czyli oprzyrządowanie spinające model z twoim komputerem i repozytorium. Postęp w tej dziedzinie przez ostatni rok jest gigantyczny: rok temu najlepszym harnessem był może Claude Code, potem w styczniu przyszło OpenClaw, w lutym agent Hermes, ogromną popularność zyskał Pi, pojawił się PRIME — kolejny samodoskonalący się agent. Większość z nich jest open source, więc gdy jeden ulepszy pomysł, pozostali biorą go i rozwijają. (Szkoda tylko, że modele przestały być otwarte.) Efekt: rzeczy niemożliwe rok temu — pełny design, animacje — są dziś rutyną, zwłaszcza po Oopusie 5.5. Nie masz więc wymówki, żeby robić wszystko ręcznie.

Zacznij od zautomatyzowania 5% swojej pracy — tego, co najbardziej przewidywalne i bezpieczne. Potem dołóż kolejne 5%. Popatrz na typy swoich zadań. Ja na przykład od lat zapisuję w kalendarzu czas co piętnaście minut, każdego dnia. Mam więc górę danych i mogę po prostu kazać agentowi — przez Composio CLI, wewnątrz Cloud Room — sprawdzić, czym zajmowałem się przez ostatnie czternaście dni. Proszę: pomiń wszystko prywatne, rozgrubszej na duże kategorie. Agent odpala skill Composio CLI i po około trzydziestu sekundach mam wynik. Trzeba wiedzieć, gdzie płynie czas — dokładnie tak, jak śledzisz wydatki w księgowości, żeby wiedzieć, co optymalizować. Większość ludzi nie ma zielonego pojęcia: komuś się wydaje, że poświęca na coś 20%, a wychodzi 60%; ktoś uważa się za osobę regularnie ćwiczącą, a na siłownię chodzi trzy razy w miesiącu.

I jeszcze jedno: w każdym biznesie najcenniejszym zasobem jest czas szefa. Nie obchodzi mnie, czy mówimy o SpaceX i Elonie Musku, czy o trzyosobowym zespole. Mój zespół jest mały, a mimo to ja jestem wąskim gardłem dla prawie wszystwego. Jeśli prowadzisz firmę — twój czas to najcenniejszy zasób i musisz wiedzieć, dokąd znika. Znajdź sposób, żeby to mierzyć, a potem zastępuj te 5% pętlą agentową albo mini-fabryką.

My jesteśmy wąskim gardłem, nie modele

Wielki błąd, jaki popełnia wiele osób, to założenie, że praca z agentami będzie wyglądać tak jak dotychczasowe bawienie się ChatGPT, Claude, Perplexity czy Cursorem. Nie będzie. Po Astry i Oopusie 5.5 doszliśmy do punktu, w którym to my — i to jest naprawdę poważny problem. Wszyscy doskonale wiemy, że powinniśmy uruchamiać więcej agentów. I nie robimy tego. Wąskim gardłem nie są już modele ani tokeny. Tokeny są tanie: ilość obliczeń, jaką dostajesz w ramach subskrypcji za 200 dolarów, jest szalona, a jeśli nie masz budżetu, darmowy OpenCode daje niewiarygodny stosunek wartości do ceny. Przy własnym sprzęcie tokeny są w praktyce darmowe — raz kupione żelazo liczy bez końca. To nie są też harnessy. Czego więc brakuje? Wszystkiego innego. To bardzo abstrakcyjny problem i to nad nim spędzam najwięcej czasu.

Mam na ekranie setki otwartych wątków i wszystkie czekają na mnie. Widać to dosłownie w moim panelu: przed chwilą same z siebie wystartowały pętle — zbieranie uwag od użytkowników Cloud Room, automatyczny agent robiący cyberbezpieczeństwo, inny upraszczający bazę kodu. Ja niczego nie kliknąłem. Ale większość pozostałej pracy wciąż czeka na mnie — a ja blokuję wszystkich tych agentów, blokuję postęp. Prawdziwym wyzwaniem jest więc zaprojektowanie fabryki, pętli, czegoś, co działa bez ciebie. Jak usunąć siebie z pętli.

Przestań zakładać, że to ty będziesz wysyłać prompty. Ludzie, którzy mówią ci co innego, żyją w przeszłości — może to była prawda pół roku temu, ale już nie jest. Dziedzina zmienia się w zawrotnym tempie i trzeba to zaakceptować. Jeśli nie lubisz zmian — powodzenia. Odłącz emocje, zobacz grę taką, jaka jest, i graj.

Cała ta układanka ma dwie części: wyzwalacz i wykonanie. Wyzwalacz: harmonogram, webhook — na przykład baza dobija do 90% dozwolonych połączeń albo płatności zaczynają się wywalać i system wysyła sygnał. Trzeba rozumieć, czym jest dobra jednostka pracy. Wykonanie: mocny model, ale też umiejętności, które mu dasz, kontekst, serwery MCP i API, do których masz dostęp. I to jest właśnie sztuka — wymyślenie wyzwalacza i wykonania.

Natura pracy się zmieni, więc nie zakładaj, że sposób, w jaki pracujesz z agentami dziś, przetrwa kolejnych dwanaście miesięcy. Przy tym liczba agentów stale rośnie. Dziś w danym dniu wchodzę w interakcje z setkami różnych agentów — rok temu tak nie było. I za rok będzie ich znów dużo więcej. Wyzwanie polega na tym, żeby dotrzeć tam szybciej niż inni i zdobyć przewagę, z którą nikt nie nadąży.

Problem laptopa

Pytanie, dlaczego nie uruchamiamy większej liczby agentów, uważam za kwestię wartą biliony dolarów. Zacznijmy od problemu laptopa. Wyobraź sobie, że przychodzisz do nowej firmy, a tam mówi ci się: „będzie pan dzielił laptopa z dwudziestoma osobami”. Dokładnie to oznacza odpalanie wielu agentów na jednym komputerze. Osobne gałęzie robocze (git worktree) trochę pomagają, ale w końcu agenty zaczną się gryźć. Tryb computer use — gdy agent przejmuje ekran i klika jak człowiek — oznacza losowe okienka i nowe karty przeglądarki wyrywane ci w trakcie pracy. Zamykasz laptopa — agenty umierają. Tracisz Wi-Fi — umierają. Siada bateria — stają. To jest kryminalne, i to coraz bardziej, im więcej agentów pracuje dla twojego biznesu. Może dziś jeszcze nie bolałoby — ale pomyśl o przyszłości, gdy agenty robią 20, 40, 60% zadań: obsługują klientów, badają konkurencję, zdobywają leady, tworzą kreacje reklamowe, pomagają z treścią, poprawiają produkt, łatają błędy. Jeśli to wszystko padnie, bo laptop trafił w złe warunki albo po prostu zdechł — twój biznes umarł. Wystarczy, że jeden agent uzna, że warto odpalić Dockera i duży zestaw testów, a już słychać wentylatory.

Jest i druga przyczyna: skoro agenty mają startować z wyzwalaczy, a nie z twojego prompta, potrzebujesz serwera pracującego bez przerwy — maszyny w chmurze z dostępnością 99,99%, świetnym łączem i skalowalnością. Kupowanie potężnego stacjonarnego Maca czy Linuksa nie rozwiązuje problemu: rozwiążesz go dla X agentów, a gdy będzie potrzebne X plus 20%, nie dokupisz 20% do pudełka — będziesz musiał kupić drugie. A jeśli te dodatkowe 20% potrzebujesz tylko przez tydzień? Skalowanie musi działać w obie strony. I tak dalej: setki agentów naraz po prostu nie odpalisz na domowym sprzęcie. A co, gdy pojawi się okazja — duży klient, ruch na rynku — wymagająca uruchomienia setek agentów w jednym momencie? Twój komputer ci na to nie pozwoli.

Jak to rozwiązaliśmy? Jeden z inżynierów w Cloud Room pokazał, że można po prostu polecić jednemu agentowi uruchomienie 110 agentów. Hierarchia od najmocniejszego w dół: menedżer na Oopusie, koordynatorzy w środku, robotnicy na tanich Haiku. Zwykły prompt. Proszę bardzo — to jest sposób myślenia: zaprojektuj jednego agenta, który potrafi odpalić dziesięć kolejnych, i zobacz, jaką dźwignię dostajesz. Znajdź zadanie, w którym 20, 50, 100 agentów wykona sensowną pracę, i ustal warunki, żeby robiły ją dobrze, a nie zalewały cię śmieciami. To jest wyzwanie przyszłości: umiejętności, reguły, warunki, interfejsy, procesy przeglądu.

Od tego właśnie zacząłem. Opublikowałem kilka otwartych repozytoriów, między innymi „Immortal Agents”: ilekroć agent zaśnie albo zginie — na przykład przez utracone internetowe połączenie albo zamknięcie laptopa — po wznowieniu sam się restartuje. Proste narzędzie, ale skierowało mnie właściwą drogą. Bo wielkim problemem okazało się to, że agenty działają lokalnie.

Lokalne kontra chmurowe

Różnica jest prosta: agent lokalny działa na twoim laptopie albo komputerze; agent chmurowy — na serwerze, maszynie wirtualnej, w izolowanej piaskownicy. Laptop, nawet najmocniejsza stacja robocza czy Mac Studio, ma sztywno określone CPU, RAM i dysk — i już zostajesz z tym, co kupiłeś. W chmurze, zwłaszcza gdy każdy agent siedzi w osobnej piaskownicy, płacisz tylko za czas faktycznej pracy agenta, a skala jest nieograniczona: dziesięć agentów — dziesięć piaskownic, pięćset agentów — pięćset piaskownic. Nigdy nie uderzysz w sufit. Fundamentem jest po prostu poprawne środowisko — a laptop jest ograniczony na wiele sposobów.

Dane to potwierdzają. Cursor przeprowadził badanie wewnętrzne: na początku roku zaledwie około 10% zmian (pull requestów) trafiających na produkcję pochodziło z agentów chmurowych. W sierpniu — ponad 60%. Z dziesięciu do sześćdziesięciu procent w osiem miesięcy; nie trzeba być geniuszem, żeby dostrzec krzywą wykładniczą. Wkrótce będzie 90%; do setki pewnie nie dojdzie, bo czasem lokalny agent ma sens — prywatność, sprzątanie folderów. Ale zdecydowana większość zadań, powyżej 95%, a według mnie ponad 98%, wykonuje się lepiej w chmurze.

Osobny temat: tryb computer use, w którym ostatnie trzy-cztery miesiące przyniosły ogromny postęp. Jeśli nie próbowałeś computer use w Codexie czy narzędzi typu KUA Driver — wiele tracisz. Agenty przejmują ekran, klikają, wypełniają formularze, ogarniają najbardziej pokręcone interfejsy świata typu AWS czy Google Cloud Console. Nigdy więcej nie musisz ich dotykać — dajesz mocnemu modelowi dostęp do komputera i tyle. Problem w tym, że przejmują twój ekran: wyskakują im okienka, proszą o uprawnienia, otwierają karty, kiedy ty próbujesz pracować. Trzymanie dwudziestu kilku agentów na tej samej maszynie, na której pracujesz, jest po prostu bardzo nieprzyjemne.

Wreszcie cyberbezpieczeństwo, którego waga rośnie z każdym dniem. Rozmawiałem niedawno z szefem Vercel, Guillermo Rauchem, który powiedział wprost: „chmura jest bez porównania lepsza dla bezpieczeństwa”. I to się broni. Naszkuj sobie: twój laptop oraz kilka piaskownic z agentami w chmurze. Jeśli ktoś przejmie jedną piaskownicę, traci co najwyżej tego jednego agenta. Jeśli ktoś przejmie twój główny komputer — bo odpaliłeś model, ktoś go zaatakował promptem i model ściągnął złośliwy pakiet — tracisz wszystko: loginy, dane, całe życie. Im ważniejsze bezpieczeństwo, tym mocniejszy argument za chmurą, i to właśnie za piaskownicami izolowanymi.

(Informacja dodatkowa: Guillermo Rauch to założyciel i prezes firmy Vercel.)

Moja mini-fabryka: rozliczenia, baza, bezpieczeństwo

Pokazałem już, że automatyzacje startują u mnie same. Opowiem, co właściwie robią. Przegląd rozliczeń sprawdza co cztery godziny cały kod płatności: czy nie ma nowych błędów, czy czegoś nie przeoczyłem poprzednim razem. Kontrola kondycji bazy danych — bo wiele może pójść nie tak: kilku power userów budzi się naraz, połączenia równoległe nie wyrabiają, CPU lub pamięć siadają. To, patrzcie, jest projekt software’owy, a te wszystkie obszary w dużej firmie programistycznej byłyby osobnymi działami: zespół bazodanowy, zespół rozliczeń i płatności, zespół bezpieczeństwa i autoryzacji. Cokolwiek robisz, pomyśl, jak podzieliłaby się twoja firma, gdyby była dziesięciokrotnie większa — i jakie pętle agentowe możesz dziś zbudować dla tych obszarów.

Szczególnie udana jest automatyzacja zgłoszeń. Każdy użytkownik może w Cloud Room napisać po prostu „zgłoś to Davidowi”. Automatyzacja co dziesięć minut sprawdza tabelę w Supabase i jeśli pojawia się nowy wpis, odpala agenta na Oopusie 5.5, żeby go zbadał. Piękno polega na tym, że nie kosztuje mnie to ani minuty: jeśli to drobiazg — rzadki przypadek brzegowy, pomysł niezgodny z kierunkiem produktu — agent wyjaśnia mi sprawę dwoma zdaniami po ludzku i sam się archiwizuje. Jeśli to poważna usterka albo świetny pomysł na funkcję, wątek zostaje otwarty i czeka na mnie. To, co widzę w panelu, to tylko te sprawy, które agent zdecydował się zachować. Najmądrzejszy model świata co dziesięć minut bada zgłoszenia i sam zamyka te bez znaczenia — to jest ogromna wartość. Prowadzę bardzo szczupły zespół, a robimy więcej niż firmy z pięćdziesięcioma, stu, dwustu programistami. Dlaczego? Bo umiemy używać agentów i mamy te automatyzacje.

I koniecznie: przeczeskiwanie bezpieczeństwa. Co dziewięćdziesiąt minut szerokie testy penetracyjne i badania bezpieczeństwa mojej bazy kodu. Jeśli tego nie robisz, ktoś zrobi to na tobie. Przyszłość będzie wyglądać tak, że wygra ten, kto wyda więcej tokenów na próby złamania własnego oprogramowania — dostania się do wrażliwych danych, zdobycia uprawnień administratora. To nie jest opcjonalne. Wszyscy to wdrożycie; pytanie brzmi, czy zrobicie to dziś, czy poczekacie sześć-dwanaście miesięcy, aż stanie się oczywiste dla wszystkich — i przewaga zniknie.

Dlaczego agenty chmurowe są trudne (i czym jest Cloud Room)

Chmurowe agenty są trudne — dlatego większość ludzi wciąż ich nie używa. Najlepsze produkty są zamknięte i pochodzą od wielkich firm: Codex, Cursor, Claude, Devin od Cognition. Nigdy nie było dobrego rozwiązania, które dawałoby pełną suwerenność nad danymi, eksport czatów, swobodę wyboru modelu, narzędzia i subskrypcji. Bo to wszystko jest naprawdę wymagające: wątek w chmurze musi startować błyskawicznie i czuć się jak lokalny — jeśli nie będzie równie szybki, ludzie nie zostaną. Twoje repozytoria, kontekst i umiejętności muszą być na miejscu. Chcesz korzystać z subskrypcji, za które już płacisz (Codex, Claude Code, Cursor), a zamknięte platformy zmuszają do własnych planów i własnego oprzyrządowania. Płacimy wszyscy za tokeny więcej niż kiedykolwiek — naturalne jest, że chcemy wykorzystać to, co już mamy. Czasem agent wciąż potrzebuje laptopa. Każda z tych drobin wystarczy, by ktoś zrezygnował z chmury.

Moja wizja to Cloud Room: platforma do produktywnego uruchamiania tysięcy agentów, budowana jako open source. Dowolny model, dowolne narzędzie, dowolna subskrypcja. Zaprojektowana zarówno do pracy dzisiejszej — czatu z każdym modelem, od Claude Code przez Cursora po Codexa, Devina, Pi, OpenCode, Herkesa — jak i do tych futurystycznych kroków: pętli agentowych, automatyzacji, fabryk oprogramowania, zarządzania tysiącami agentów z jednego interfejsu. Możesz wybrać, czy wątek odpali lokalnie, czy w chmurze — bo czasem naprawdę chcesz posprzątać folder Pobrane albo desktop, i wtedy lepszy jest agent lokalny, ewentualnie w osobnej gałęzi roboczej; a każdy wątek chmurowy dostaje własną izolowaną piaskownicę.

Grupa docelowa to nie zwykli użytkownicy, lecz przedsiębiorcy i superużytkownicy — zaawansowani programiści i ludzie robiący mnóstwo pracy agentowej. Jeśli nie płacisz za kilka subskrypcji po 200 dolarów miesięcznie, to narzędzie jeszcze nie jest dla ciebie. Idealna osoba ma już plan za 200 dolarów na Claude Code i plan za 200 na Codexa oraz realną potrzebę uruchamiania agentów w chmurze. Nie zamierzam nikogo przekonywać — jeśli po całym tym materiale wciąż nie widzisz wartości, nic już nie zmieni twojego zdania. Zbliżamy się do ogólnodostępnego startu i wcześniej chcę współpracować z garstką osób, które prowadzą biznes albo realnie potrzebują wielu agentów na infrastrukturze chmurowej. Dlatego otwieram plan Cloud Room Ultra: na cloudroom.dev znajdziesz szczegóły, a w ramach Ultra dostajesz 10 tysięcy startów agentów chmurowych na 30 dni — każdy w osobnym środowisku — oraz spersonalizowane wdrożenie ze mną i moim zespołem.

(Informacja dodatkowa: Cloud Room to własny produkt autora; ta część materiału ma charakter promocyjny.)

Demonstracja: podagenty w chmurze

Pokażę, jak to działa. W Cloud Room wybieram środowisko i proszę: „wystrzel 15 podagentów, każdy na modelu Sonet 5.5 w trybie extra high, każdy analizuje inny fragment bazy kodu pod kątem drobnych błędów”. Główny agent startuje w mniej niż sekundę — większość platform chmurowych potrzebuje na uruchomienie piaskownicy dwudziestu, trzydziestu sekund; mój zespół bardzo nad tym pracował, bo poprzeczka jest jedna: chmura musi być tak szybka jak lokal. Opus rozrzuca zadania, w boczny panel wjeżdżają wątki podagentów. To właśnie jest coś, czego nie potrafi na przykład Claude Desktop — programowej interakcji z innymi wątkami. I kluczowa zaleta chmury: każdy agent w osobnej piaskownicy, więc nie zabierają sobie nawzajem CPU, pamięci ani dysku.

Teraz proszę: „zatrzymaj wszystkie”. Zrobione. „Zarchiwizuj wszystkie i uruchom ponownie jako Codex z modelem GPT-6.1 Solo — i to 25 podagentów zamiast 15”. I proszę: archiwizuje, odpala nową pulę z innym narzędziem i innym modelem. Można swobodnie łączyć: Opus jako orkiestrator i Solo jako robotnik, Astra jako menedżer i Opus lub Sonet jako wykonawca. Wszystko zależy od ciebie.

Zasada wąskiego gardła i ekonomia subskrypcji

Wróćmy do zasady: jesteś wąskim gardłem. To fundament rozumienia przyszłości pracy — jeśli nie usuniesz siebie z kolejnych obszarów, nie skalujesz się. Jak w firmie: żeby urosnąć do 10, 20, 30 osób, prezes musi wychodzić z zadań, bo nie może robić wszystkiego. Ty jesteś prezesem armii agentów — i ta sama logika obowiązuje.

Opus 5.5 jest już na poziomie AGI. Jeśli się nie zgadzasz — mylisz się. To zdecydowanie najlepszy model dostępny dziś, bo łączy ekstremalną wydajność kosztową z ogromną szybkością i inteligencją. Powiem szczerze: wszystkie animacje i grafiki w Cloud Room powstały w mojej pracy z Opusem 5.5. Tak, prosiłem o wiele wariantów i sam szlifowałem płynność animacji — i tak, trzeba mieć smak, żeby ocenić, co jest dobre — ale żaden inny model nie zbliżył się do tych rezultatów. Opus to AGI.

Skoro tak, naucz się z niego wyciskać wszystko. Wielu z was zostawia ponad połowę tygodniowego limitu niewykorzystaną — a da się z tym zrobić bardzo dużo. Są dwie drogi. Zła: obniżacie subskrypcję i oszczędzacie sto dolarów miesięcznie — ale tym samym przyznajecie, że nie umiecie zamieniać tokenów na przychód. A to będzie główna umiejętność przyszłości: czy potrafisz za tokeny wygenerować więcej pieniędzy, niż kosztuje cię subskrypcja? Tym bardziej że subskrypcje u Anthropic są mocno subsydiowane — według badań SemiAnalysis tokeny Opusa 5.5 dostajesz w ramach planu o 50–90% taniej niż przez API.

Więc rób coś: poprawiaj marketing, produkt, bezpieczeństwo. Możecie bez skrupułów podkraść moje automatyzacje: przegląd rozliczeń, kontrola bazy, wątki z uwagami klientów, przegląd problemów i pull requestów na GitHubie, przegląd publicznych repozytoriów, alerty piaskownic i limitów, przeczeskiwanie bezpieczeństwa, upraszczanie bazy kodu — wyszukiwanie zbędnej złożoności i martwego kodu. Jest też bardziej zaawansowana: lukę testową. Agenty uwielbiają testy — zalałyby ci całą bazę kodu testami jednostkowymi, komponentowymi, integracyjnymi. Ta automatyzacja działa subtelniej: sprawdza różne części systemu i szuka miejsc, gdzie naprawdę brakuje oczywistego testu. Gdy Opus go znajdzie, odpala GPT-6.1 Solo do recenzji adwersaryjnej — z założeniem, że test jest zbędny. Dopiero gdy oba modele zgodzą się, że test jest potrzebny, trafia do mnie do zatwierdzenia. Widzicie, jak te automatyzacje potrafią się komplikować z czasem.

Zbuduj takie swoje — niezależnie od branży: oprogramowanie, agencja marketingowa, pośrednictwo nieruchomości. Wyobraź sobie firmę stokrotnie większą od twojej — takie pewnie istnieją, po prostu je zbadaj — i spójrz na jej działy. Część twoich automatyzacji będzie działać co dziesięć minut, część co cztery godziny, część z wyzwalaczy. Pytanie zawsze brzmi: w co jeszcze mogłem skierować Opusa, Astrę czy GPT-6? Jaka pętla, jaka mini-fabryka byłaby kierunkowo słuszna? Próbuj — niektóre skasujesz jako bezużyteczne. Ale jeśli nie spróbujesz, nie znajdziesz tych świetnych.

Ekonomia inferencji: kto daje więcej za dwieście dolarów

Zarządzanie fabryką to w dużej mierze jedno: ile wydajesz na inferencję i jakie tokeny spalasz. Świetne badanie opublikowało SemiAnalysis — mniej naukową wersję wrzuciłem na Twittera i zrobiła się z niej wirusowa sensacja. Ludzie sądzili, że żartuję albo przesadzam. Nie żartowałem. Zanim wyszedł Opus 5.5, miałem sześć planów Codex po 200 dolarów miesięcznie. Dlaczego? Bo Astra przez solidne trzy tygodnie była najlepszym modelem świata, wyraźnie lepszym od Fable 5.1. Potem pojawił się Opus 5.5 — i jedna subskrypcja Claude Code za 200 dolarów obsługuje tyle samo, a nawet więcej pracy, bo Opus jest znacznie szybszy od Astry. Stąd mój szacunek, że obecnie Claude Code za 200 dolarów daje szesnasto- do dwudziestokrotnie więcej użyć niż Codex za 200. OpenAI międzyczasem, jeszcze przed swoim dev dayem, przecięło limity planu Codex o połowę i wypuściło plan za 500 dolarów — cóż, jest jak jest. SemiAnalysis, choć mniej radykalnie, potwierdziło około dziesięciokrotną przewagę. Jeśli więc masz miejsce tylko na jeden plan za 200 dolarów — nie ma o czym dyskutować. W dobrej wierze nie mogę dziś polecić wam planu Codex za 200 dolarów. Opus 5.5 jest najlepszym modelem; kto sądzi inaczej, ten się myli. Oczywiście za dwa, trzy tygodnie może wyjść nowy wielki model i wszystko się odwróci — ta dziedzina zmienia się błyskawicznie. Ale Anthropic jest teraz w życiowej formie i jeśli wydadzą Fable 5.5, to ono również będzie najlepsze.

Dla przejrzystości: większość moich tokenów pochodzi dziś z jednej subskrypcji Claude Code za 200 dolarów. Dorzuciłem drugą pod te pętle agentowe, więc płacę za dwie — z własnej kieszeni, żadna z firm mi za nie nie płaci.

A po co w ogóle modele GPT? Do recenzowania. Pokażę na przykładzie: to szesnaste wykonanie automatyzacji upraszczającej bazę kodu — widzicie prompt, model Solo w trybie max, cztery mininy dwanaście sekund pracy, znaleziony fragment do posprzątania. Teraz robię krok wstecz i proszę: „odpal recenzję OpenAI, sprawdź, czy to zasadne, zapisz do usunięcia”. I tu kluczowa zasada: zawsze recenzuj modelem drugiej firmy. Na froncie są dziś dwie spółki — OpenAI i Anthropic; pozostałe próbują, ale to nie jest żadna konkurencja. Zbudowałeś coś z GPT-6.1 Solo albo Astrą — daj to do recenzji Opusowi 5.5. Zbudowałeś z Opusem — recenzuj GPT-6.1. U mnie 98% wątków pracuje na Oopusie jako modelu głównym, a przy poważnych zmianach odpalam do recenzji GPT-6.1 Solo albo Astrę, czasem oba, i na koniec pytam Opusa: „to rzecz legitna czy przewrażliwienie?”.

Unikajcie cenników API jak ognia — subskrypcje to po prostu lepszy interes. A jeśli już musicie płacić za API, sięgajcie po modele chińskie, bo ich stosunek ceny do możliwości jest znacznie korzystniejszy; z zachodnich niezłym interesem stał się Haiku od Anthropic. Konkretne liczby znajdziecie w serwisie Artificial Analysis. Podsumowując: Anthropic daje dziś dużo lepszy deal i nikt mu nawet nie jest blisko.

Wyzwalacze zamiast promptów

Wróćmy do wyzwalaczy, bo o to chodzi w budowaniu fabryk. Co ma uruchamiać agenta? Większość z nas wciąż odpala agentów ręcznie — na okres przejściowy jest to w porządku, ale powinniście z kolejnych obszarów usuwać siebie i szukać innych wyzwalaczy: harmonogram — co piętnaście minut, co pięć godzin, raz dziennie; webhook — z nich najbardziej elastyczny; osobny incydent — awaria bazy, skok błędów; informacje zwrotne od klientów — im więcej klientów, tym więcej sygnałów; proaktywne polowanie na błędy. A na froncie zjawisk będzie jeszcze jeden typ: agent uruchamiany przez innego agenta. Mam open source’owe repo „Director” — głównego agenta, który zarządza pozostałymi, uczy się twojego stylu promptowania i twoich decyzji z czasem. To będzie najdziksza granica: wyobraźcie sobie menedżera z piętnastoma, dwudziestoma pięcioma podagentami. Jeśli masz dobre umiejętności, wiedzę i reguły działania, i potrafisz nauczyć tego mocny model jako „dyrektora”, zajdziesz bardzo daleko — odblokowuje innych agentów sprawniej, niż byś przypuszczał.

Wyzwalacz to połowa układanki. Druga połowa to wykonanie.

Prompty, umiejętności i sekwencje

Ludzie nie rozumieją, czym są umiejętności (skills). „Ach, plik markdown”. Tymczasem to pierwszy krok w stronę automatyzacji i optymalizacji. Poziomy są trzy.

Pierwszy: prompt, a właściwie szablon promptu — coś, co robisz cały czas. Mam całą baterię takich skrótów w Raycast, wywoływanych szybciej, niż zdołasz zarejestrować, co się dzieje: „zrób rebase z głównej gałęzi i sprawdź, czy kod poprawiono — odpowiedz krótko po ludzku”, „bądź zwięzły: skróć i uprość, zostaw to, co naprawdę ważne”, „zrób research i trzykrotnie głębokie zbieranie danych na ten temat”, „jest tu coś do zrobienia, czy nie naprawdę?”, „przypomnij mi, po co w ogóle powstał ten wątek”.

Drugi poziom: umiejętności — bardziej rozbudowane procesy, odpowiedniki standardowych procedur operacyjnych w firmach: czynności, które powtarzasz i zauważasz, że powtarzasz. U mnie na przykład umiejętność podejmowania decyzji, recenzent z modelu konkurencji, pełny przegląd zmian, różne typy wydań, obsługa trybu computer use. Moje repozytorium umiejętności jest open source — ponad cztery tysiące gwiazdek — możecie brać, co się przyda.

Ale jeśli uważnie słuchaliście, zauważyliście problem: w tej pętli wciąż jesteś potrzebny ty. I to nie jest idealne. Prompty i umiejętności to krok we właściwym kierunku, ale dalej trzeba się z tego wycofywać. Przewiduję, że po umiejętnościach przyjdą sekwencje: łańcuchy wielu umiejętności spinanych automatycznie na podstawie prawdopodobieństwa wyliczonego z waszych własnych zachowań. Każdy, kto używa agentów od kilku miesięcy, ma na komputerze tysiące zapisanych sesji. System zobaczy: „w takiej sytuacji David odpala te trzy umiejętności pod rząd z prawdopodobieństwem 98%” — i zrobi z tego sekwencję. To będzie kolejny wielki paradygmat najbliższych sześciu miesięcy. I znów: człowiek wciąż będzie potrzebny w pewnym stopniu, więc optymalizować trzeba jednocześnie pracę asynchroniczną i tę twarzą w twarz z człowiekiem.

Od pętli do mini-fabryki oprogramowania

Formalnie: pętla to wyzwalacz, praca agenta i kontrola, która się powtarza. Fabryka oprogramowania to wiele pętli robiących różne rzeczy, działających równolegle dla konkretnego celu — w twoim życiu albo biznesie. Ja mówię o „mini-fabryce”, bo to wciąż wczesne dni i nie chcę krzyczeć — ludzie od trzech lat wykrzykują, że AGI już tu jest. Uważam, że AGI nastąpiło, ale nie twierdzę, że to, co mam, to najlepsza możliwa fabryka. Dlatego „mini”. Moja obejmuje różne dyscypliny i typy pracy software’owej, bo buduję firmę software’ową — przy innym biznesie wyglądałaby inaczej.

Pokażę, jak łatwo zbudować automatyzację zwykłym językiem. Odpalam nowy wątek — najpierw chmurowy, żebyście zobaczyli szybkość, wystarczy Opus 5.5 w trybie high — a potem lokalny, bo chcę pokazać całość: w Cloud Room można pracować i lokalnie, z Codexem czy Claude Code. Nagrywam głos: „Stwórz nową automatyzację: co dwie godziny powstaje wątek z modelem Opus 5.5 w trybie extra high, który szuka luk w produkcie względem wszystkich decyzji architektonicznych zapisanych w katalogu /docs/ADR oraz jednego oczywistego ulepszenia — funkcji, czytelniejszego interfejsu, czegokolwiek — byle zgodnego z tymi decyzjami. Gdy skończy i będzie mieć dobry pomysł, niech odpali podległego agenta z modelem GPT-6.1 Solo w trybie extra high do recenzji adwersaryjnej: niech argumentuje, dlaczego tego nie dodawać. Po zakończeniu podagenta główny agent rozpatruje jego uwagi od pierwszych zasad: jeśli się z nimi zgadza, po prostu archiwizuje oba wątki; jeśli nie — zostawia wątek otwarty, czekający na mnie, Davida. Stwórz tę automatyzację teraz. Prosto, bez przekombinowywania”.

I to wszystko. Mniej niż minuta mówienia, a mam gotową automatyzację, która może bez końca ulepszać mój produkt. Jedno zastrzeżenie: świeżo uruchomiona automatyzacja zwykle potrzebuje kilku poprawek podczas pierwszych uruchomień, żeby zacząć dawać dobre wyniki, a nie wyrzucać tokenów w błoto i produkować śmieci. I tu sedno, bo wielu ludzi chepi się pustką: słyszałem niedawno, jak ktoś chepił się ponad pół miliona plików markdown. Nikogo to nie obchodzi — tani model wygeneruje ci ich pół miliona w overnight. Nie chwal się liniami kodu ani liczbą plików. To tylko sygnał, że jesteś początkujący. Wielkie decyzje produktowe powinny należeć do ludzi, a interfejs i doświadczenie użytkownika wciąż wymagają smaku — ale backend, błędy w bazie, optymalizacje, przyspieszanie kodu? W tym wszystkim Opus jest ode mnie lepszy i nie mam w tej sprawie żadnego ego. Puść to, w czym agenty wygrywają, obejmij to z całych sił — i buduj pętle.

Test uruchomiony: agent przeszukuje bazę kodu w poszukiwaniu pomysłu, obok startuje podagent z modelem Solo do recenzji. Wątki są otagowane — mogę je oznaczać, na przykład „szukanie błędów”, i jednym kliknięciem archiwizować wraz z podagentami. Agenty mogą wchodzić ze sobą w relacje i hierarchie — granicą jest wyłącznie wasza wyobraźnia. Sprawdźmy jeszcze środowiska: pytam „na jakiej maszynie jesteśmy?”. W wątku lokalnym odpowiedź: MacBook Pro, 128 gigabajtów RAM. To samo pytanie w wątku chmurowym — i proszę, odpowiedź przyszła tak szybko jak lokalnie: jesteśmy w chmurowej piaskownicy. A w liczniku automatyzacji: było 31, jest 32 — ta nowa, produktowa, co dwie godziny. Włączasz, wyłączasz, jednym kliknięciem.

„AI pomoże wszystkim”? Przepaść rośnie

Na koniec muszę sprostować kompletne kłamstwo, które mogliście usłyszeć od ludzi pokroju Sama Altmana — że sztuczna inteligencja przyniesie korzyść wszystkim i wszystkich podniesie. Panowie: przepaść rośnie. Jest właśnie w San Francisco i spotkałem mnóstwo ludzi siedzących w tym po uszy — i wszyscy są zgodni: jeśli ktoś potrafi produktywnie i użytecznie prowadzić 50, 100, 200 agentów, jego przewaga nad przeciętnym przechodniem będzie po prostu niesprawiedliwa. Przypomnijmy: większość ludzi wciąż nie używa żadnej AI. Wasza rodzina i znajomi — nie siedzą w tym wcale. A nawet ci, którzy używają, siedzą na darmowym planie ChatGPT czy Gemini. Nie budują fabryk oprogramowania. Ludzie na czołówce uciekają coraz dalej i stają się absurdalnie produktywni w stosunku do reszty. Koszt bycia poza czołówką nigdy nie był wyższy. Szefowie wielkich spółek tego nie powiedzą, bo w telewizyjnym wywiadzie brzmiałoby to fatalnie. Mnie to nie obchodzi — powiem prawdę: przepaść rośnie.

Jak rozumować o przyszłości

Możesz zapytać: „Dobrze, David, ale jak ja mam o tym wszystkim myśleć?”. Otóż wiele z tych rzeczy staje się oczywistych, jeśli po prostu usiądziesz i pomyślisz. W moim zespole robimy godzinne sesje — wystarczy dyktafon w telefonie — i rozpracowujemy jeden konkretny temat: dlaczego ta firma rośnie; zauważyliśmy takie zachowanie ludzi przy AI — co z tego wynika; co implikują tanie modele decyzyjne. Siadacie, bez telefonów, bez komputerów, i rozumujecie w jednym kierunku przez 60–90 minut. Jeśli będziesz to robić codziennie przez miesiąc-dwa, zrozumiesz przyszłość lepiej niż większość ludzi w AI — większość ludzi na samej czołówce — bo myślenie jest trudne. Rozumujecie od pierwszych zasad: o zachowaniach ludzi, dynamice rynków, nowych przełomach technologicznych. Co się zmieni? Jakie są skutki drugiego rzędu, trzeciego rzędu? I nie odchodźcie od stołu, zacznie popływać — pierwsze pięć, dziesięć minut jest zwykle jałowych, nic się nie dzieje, a potem przychodzą pomysły.

Tak właśnie doszedłem do Cloud Room i do przekonania, że agenty chmurowe są nieuchronne: rozumując, dociekałem, co będzie wąskim gardłem. Modele są już dość mocne, żeby prowadzić setki i tysiące agentów — a my ich nie prowadzimy. Więc co blokuje? I próbuję zdejmozać te blokady jedną po drugiej.

Musisz na to przeznaczać czas, bo — jak mówił Joshua Reynolds — nie ma takiego fortelu, do którego człowiek by nie uciekł, byle tylko uniknąć prawdziwego trudu myślenia. Innymi słowy: ludzie zrobią cokolwiek innego. Godnie odpracują dziesięć godzin dziennie przez czterdzieści lat, byle tylko nie usiąść i nie pomyśleć, jak znaleźć lepszą pracę, jak rozwinąć karierę, w jakiej branży właściwie działać. Myślenie to ta trudna część. Klikanie i wykonywanie już nią nie jest — agent z dostępem do ekranu i kilkoma serwerami narzędzi zrobi mnóstwo rzeczy lepiej od człowieka. Prawdziwa, ciężka praca naszych czasów to myślenie i rozumowanie o przyszłości od pierwszych zasad. Róbcie to — i nie uciekajcie przed bólem myślenia.

Na koniec

Dziękuję za obejrzenie. Jeśli chcesz pracować ze mną bliżej: będę osobiście wdrażał mniej więcej pierwsze dziesięć osób, które zapiszą się na plan Ultra w Cloud Room — pomogę im wprowadzić agentów chmurowych do firmy i życia. Jeśli prowadzisz biznes, jesteś realnym power userem z co najmniej dwoma planami po 200 dolarów — jesteś moim odbiorcą. Jeśli nie — spokojnie, to narzędzie jeszcze na ciebie nie czas. Dziękuję i życzę produktywnego tygodnia.