Pasjans i 26-poziomowy system walidacji treści — tym samym narzędziem

Rozpiętość, która nie ma precedensu

System walidacji z 26 warstwami logiki to projekt, który w normalnych warunkach wymagałby zespołu deweloperów, kilku sprintów i budżetu rzędu kilkudziesięciu tysięcy złotych. Pasjans to godzina pracy juniora. Oba powstały stosunkowo w podobnym czasie. Bez pisania ani jednej linii kodu ręcznie.

Tu nie chodzi o to, że AI jest „mądre”. Chodzi o coś zupełnie innego: LLM-y obsługują jednocześnie tak skrajnie różne poziomy abstrakcji i potrzeb, że tradycyjny podział na „narzędzia dla programistów” i „narzędzia dla reszty” po prostu przestał istnieć. Jeden interfejs; zakres od przepisu na zupę po architekturę produkcyjną.

To jest po prostu bezprecedensowe. Arkusze kalkulacyjne były dla analityków. Photoshop dla grafików. Nawet internet przez lata wymagał pewnego progu umiejętności, żeby cokolwiek sensownego zbudować. LLM-y ten próg obniżyły praktycznie do zera — albo przynajmniej do: „umiesz pisać zdania w swoim języku”.

Warto jednak pamiętać, że ta łatwość ma swoją pułapkę. Niski próg wejścia nie oznacza, że każdy output jest dobry. Odróżnienie sensownego rezultatu od przekonująco brzmiącego błędu to umiejętność — i akurat tej modele nie zastąpią.

Okno jest otwarte — pytanie ile jeszcze potrwa

GPT-4 przy premierze w 2023 roku kosztował w API 0,06 dolara za 1000 tokenów wyjściowych. Dziś modele o porównywalnych lub wyższych możliwościach kosztują 0,003 dolara, a część jest w ogóle bezpłatna. To spadek przekraczający 95% w ciągu niecałych dwóch lat. Żaden inny rynek technologiczny nie zanotował czegoś podobnego w tak krótkim czasie.

Powód jest prosty: rynek jest teraz w trybie zdobywania użytkowników. Anthropic, OpenAI, Google — wszyscy dopłacają do każdej rozmowy, żeby zbudować bazę i uzależnić od siebie przepływy pracy. To klasyczny playbook platform: tani dostęp na wejściu, monetyzacja gdy użytkownik jest już „wewnątrz”.

Tylko, że to się zmieni. Jak szybko i jak gwałtownie? Nikt nie wie. Historycznie podobny cykl przeszły usługi chmurowe: AWS przez pierwsze lata był absurdalnie tani, potem stopniowo normalizował ceny przez kolejną dekadę. Wolniej niż się wszyscy spodziewali; szybciej niż chcieliby użytkownicy.

Kiedy więc budować kompetencje, jeśli nie teraz?

Co „kompetencje AI” znaczą dla kogoś, kto nie jest programistą

Słyszę to nieporozumienie często. „Muszę się nauczyć programować.” „Muszę zrobić kurs machine learningu.” „Muszę opanować prompt engineering na poziomie eksperckim.”

Nie! Nie o to chodzi.

Kompetencje AI dla freelancera, właściciela małej firmy czy marketing managera to nawyk myślenia. Nawyk zadawania sobie pytania: „Czy część tego, co teraz robię ręcznie, mogę zautomatyzować? Przyspieszyć? Choćby zaprototypować zanim zainwestuję czas?”

Konkretny przykład: znajoma pracuje w HR i nie napisała w życiu linijki kodu. Od trzech miesięcy używa modeli do wstępnego przeglądania CV (z wyraźnymi zastrzeżeniami co do ograniczeń i ryzyka bias), generowania szkiców ogłoszeń, streszczania długich dokumentów onboardingowych. Nie „wdrożyła systemu AI”… po prostu zaczęła eksperymentować. I teraz odzyskuje tygodniowo kilka godzin na zadaniach, które wcześniej po prostu zjadały jej czas.

Nawyki buduje się przez eksperymentowanie — nie przez czytanie o eksperymentowaniu. To akurat nie jest żadne odkrycie; ale w kontekście AI wyjątkowo łatwo o tym zapomnieć i zostać na etapie „czytam artykuły o możliwościach” zamiast „próbuję”.

Dlaczego rozpiętość jest ważniejsza niż „inteligencja”

Wróćmy do pasjansa i systemu walidacji. To zestawienie jest dla mnie ważniejsze, niż mogłoby się wydawać na pierwszy rzut oka.

Publiczna dyskusja o AI kręci się wokół dwóch biegunów: albo „superinteligencja zagrażająca cywilizacji”, albo „to tylko statystyczna papuga bez prawdziwego rozumienia”. Oba ujęcia pomijają to, co w LLM-ach jest naprawdę fascynujące w codziennej praktyce.

Mianowicie: jeden model obsługuje jednocześnie twojego tatę szukającego przepisu na zupę pomidorową i ciebie piszącego architekturę systemu walidacji. Ten sam model; ta sama chwila; zero konfiguracji pomiędzy. Żadne wcześniejsze narzędzie nie miało takiego zakresu użytkowników na jednym produkcie. To coś jakościowo nowego — i nie wymaga żadnych filozoficznych rozważań o świadomości, żeby to dostrzec i z tego skorzystać.

Choć trzeba uczciwie powiedzieć: ta powszechność ma też koszt. Im szerszy zakres użytkowników, tym więcej błędnych przekonań o tym, co model „wie” a czego nie. Osoba z niskim progiem technicznym ma trudniej z oceną, kiedy output jest rzetelny a kiedy jest przekonującym zmyśleniem. Ten problem nie zniknie sam.

Co zrobić przed końcem tego okna — trzy rzeczy, nie dwadzieścia

Nie będę dawać listy 47 narzędzi AI, które „musisz znać”. Trzy rzeczy wystarczą:

• Znajdź jedno powtarzalne zadanie ze swojej pracy i spróbuj je choć częściowo oddelegować. Nie musisz w to wierzyć — wystarczy jeden eksperyment. Ile czasu zajęło? Co działało? Co wymagało poprawy? To twój punkt startowy, nie tutorial na YouTube.
• Zbuduj coś bezużytecznego. Serio. Pasjans dla kogoś z rodziny; generator głupich żartów; cokolwiek bez presji rezultatu. Zabawa z narzędziem w bezpiecznym kontekście to najszybsza droga do zrozumienia, co jest możliwe — a co jest poza zasięgiem i dlaczego.
• Obserwuj granice, nie tylko możliwości. Modele mylą się przewidywalnie: konfabulują szczegóły, są pewne siebie gdy powinny być niepewne, tracą kontekst przy długich zadaniach. Rozumiesz gdzie i dlaczego się mylą? To ważniejsza umiejętność niż znajomość wszystkich funkcji.

Okno jest otwarte. Może przez rok; może przez dwa. Może któryś z graczy ogłosi „pivot do rentowności” za trzy miesiące i darmowe warstwy znikną w ciągu kwartału. Nie wiem. Nikt nie wie, choć wielu, dużo by dało, żeby taką wiedzę posiadać.

Ale wiem jedno: kompetencje zbudowane teraz, gdy eksperymentowanie jest niemal bezkosztowe, zostają — nawet gdy ceny wzrosną. Przyzwyczajeń nabytych w środowisku niskiego ryzyka trudno się potem oduczyć.