O czym jest ten film
- Autor porównuje ok. pięćdziesiąt prób budowy automatyzacji z pomocą ChatGPT: kod za każdym razem wychodził nienaganny, ale ani jedna automatyzacja nie zaczęła działać.
- Powód jest prosty: model kończy na podaniu kodu — uruchomienie, postawienie na serwerze, harmonogram cyklicznych zadań i naprawianie awarii zostają po stronie użytkownika.
- Odpowiedzią autora ma być Kreo: narzędzie, które na podstawie opisu w naturalnym języku buduje działającą automatyzację, a nie sam fragment kodu.
- Gotowy efekt jest połączony z prawdziwymi usługami: Gmailem, Arkuszami Google i Slackiem.
- Automatyzację można zamienić w stałą aplikację uruchamianą według harmonogramu, cyklicznie, bez końca.
- Przykład z życia autora: codzienny e-mail z repozytoriami AI, które w ciągu ostatniej doby najbardziej zyskały na popularności na GitHubie, w formie jednolinijkowych streszczeń.
- Kluczowa różnica w działaniu: po zbudowaniu aplikacji AI nie bierze już udziału w jej pracy — kod wykonuje się deterministycznie, bez halucynacji i bez komunikatów o błędach.
- Całość jest materiałem promocyjnym narzędzia Kreo: autor odsyła do odnośnika w opisie filmu i podkreśla, że można zacząć bezpłatnie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Poprawny kod to jeszcze nie działająca automatyzacja
Na czym polega: Autor z pół setki prób dostał od ChatGPT bezbłędny kod — i żadna automatyzacja nie wystartowała, bo samo wygenerowanie to dopiero pierwszy krok.
Jak stosować: Planując automatyzację z modelem językowym, od razu dopisz do planu, gdzie kod będzie uruchamiany i kto odpowiada za jego ciągłą pracę.
Na co uważać: Demonstracja, która działa w oknie rozmowy, nie jest wdrożeniem — łatwo te dwie rzeczy pomylić.
2.Policz pracę, która czeka dopiero po wygenerowaniu kodu
Na czym polega: Po dostaniu kodu trzeba go uruchomić, umieścić na serwerze, ustawić cykliczne zadania, a gdy coś się wysypie — szukać błędów, nieraz nocą.
Jak stosować: Przy szacowaniu projektu dodaj osobną pozycję „utrzymanie”: godziny na hosting, harmonogram i reakcję na awarie.
Na co uważać: Awarie wybierają najgorsze możliwe momenty; brak planu reakcji z czasem staje się drogi.
3.Oceniaj narzędzia po tym, czy oddają uruchomiony system
Na czym polega: Kreo obiecuje pominąć etap „kod leży w rozmowie” i zwrócić działające narzędzie, od razu połączone z prawdziwymi usługami.
Jak stosować: Wybierając narzędzie do automatyzacji, zadaj jedno pytanie kontrolne: co dokładnie dostaję — listing czy program, który pracuje?
Na co uważać: To materiał promocyjny, więc obietnice zweryfikuj najpierw na jednym własnym, prostym zadaniu.
4.Opis w naturalnym języku obniża próg wejścia
Na czym polega: Zamiast programować, opisujesz zadanie zwykłymi zdaniami, a narzędzie buduje za ciebie rozwiązanie.
Jak stosować: W takim opisie podaj konkret: jakie dane, skąd je pobrać, co z nimi zrobić i gdzie dostarczyć wynik.
Na co uważać: Ogólnikowy opis da ogólnikowy efekt — precyzja nadal decyduje o jakości automatyzacji.
5.Integracja z prawdziwymi kontami to wygoda i ryzyko naraz
Na czym polega: Narzędzie łączy się z realną skrzynką Gmail, Arkuszami Google i Slackiem, dzięki czemu automatyzacja pracuje na żywych danych.
Jak stosować: Zanim połączysz konta, sprawdź, jakich uprawnień żąda narzędzie i czy da się je zawęzić do niezbędnego minimum.
Na co uważać: Dostęp do poczty czy komunikatora to dane wrażliwe — w firmie warto to skonsultować z osobą odpowiedzialną za bezpieczeństwo.
6.Zadania cykliczne to naturalni kandydaci do pełnej automatyzacji
Na czym polega: Przykład autora: każdego ranka narzędzie zbiera najpopularniejsze repozytoria AI z GitHuba z ostatniej doby i wysyła streszczenia e-mailem.
Jak stosować: Rozejrzyj się za rutynami o stałym rytmie typu „zbierz — streść — wyślij”; one spłacają się najszybciej.
Na co uważać: Automatyzacja opłaca się tam, gdzie struktura zadania jest powtarzalna; procesy zmienne i kreatywne słabiej się poddają.
7.Wskaźnikiem sukcesu jest brak Twojego udziału
Na czym polega: Autor mierzy efekt wprost: raport przychodzi codziennie „bez mojego zaangażowania” — i to jest właściwy cel automatyzacji.
Jak stosować: Po wdrożeniu sprawdzaj, ile razy w tygodniu musisz w automat interweniować; jeśli często, wróć do poprawek.
Na co uważać: Automatyzacja wymagająca codziennego pilnowania jest tylko półproduktem.
8.AI przy budowie, kod przy pracy
Na czym polega: Po pierwszym zbudowaniu aplikacji model przestaje uczestniczyć w jej działaniu — program wykonuje kod bezpośrednio i za każdym razem identycznie.
Jak stosować: Projektuj tak, by model językowy pomagał na etapie tworzenia, a samo wykonanie było powtarzalne i przewidywalne.
Na co uważać: Skoro AI nie pilnuje już wyniku, błędy z etapu generowania zostają w kodzie na stałe — przetestuj pierwsze uruchomienia szczególnie uważnie.
9.Powtarzalność zamiast „przepraszam, wystąpił błąd”
Na czym polega: Utrzymana automatyzacja nie halucynuje i nie przerywa pracy z kaprysu — działa kod, a nie rozmowa z modelem.
Jak stosować: Tam, gdzie liczą się niezawodność i powtarzalność, unikaj trzymania modelu w pętli wykonawczej.
Na co uważać: Powtarzalność nie oznacza nieomylności — zmiany po stronie usług, z których korzysta automat, mogą wymagać aktualizacji.
10.Bezpłatny start służy testom, nie decyzjom
Na czym polega: Autor wskazuje, że narzędzie można wypróbować bez płacenia — odnośnik znajduje się w opisie filmu.
Jak stosować: Zużyj darmowy etap na jedno realne zadanie z własnej pracy i zmierz czas od pomysłu do działającego wyniku.
Na co uważać: Bezpłatny próg bywa marketingowym haczykiem — sprawdź ceny i limity, zanim zbudujesz coś, od czego zaczniesz zależeć.
Redakcyjne tłumaczenie
Chyba pięćdziesiąt prób — i ani jedna automatyzacja nie ruszyła
Prosiłem ChatGPT o zbudowanie automatyzacji dobre pięćdziesiąt razy. Kod za każdym razem wychodził bez skazy — i ani jedna z tych automatyzacji nigdy nie zaczęła działać.
Sedno problemu jest takie: ChatGPT podaje kod i na tym poprzestaje. Ten kod trzeba jeszcze gdzieś uruchomić, umieścić na serwerze, ustawić harmonogram cyklicznego odpalania (Informacja dodatkowa: programiści mówią o tzw. cronie, czyli planie automatycznego uruchamiania skryptów o wyznaczonych porach), a gdy coś pójdzie nie tak — szukać błędów o drugiej w nocy.
Kreo: opisujesz słowami, dostajesz działające narzędzie
Kreo ma cały ten etap pominąć. Opisujesz, czego potrzebujesz, zwykłymi zdaniami — a narzędzie buduje nie kod, lecz gotowe, realnie działające rozwiązanie: program, który faktycznie pracuje i jest połączony z twoją prawdziwą skrzynką Gmail, prawdziwymi Arkuszami Google i prawdziwym Slackiem. Taką automatyzację można dodatkowo zamienić w stałą aplikację, która od tej pory według harmonogramu wykonuje się w nieskończoność.
Poranny przegląd GitHuba bez ruszania palca
U mnie wygląda to tak: każdego ranka narzędzie pobiera listę repozytoriów o tematyce AI, które w ciągu ostatniej doby najbardziej zyskały na popularności na GitHubie, i przesyła mi e-mailem jednolinijkowe streszczenie każdego z nich. Dzieje się to codziennie, bez mojego udziału. I w tym właśnie tkwi cała idea Kreo: to narzędzie przypomina ChatGPT, tylko że zamiast porady oddaje ci działający system.
Po wdrożeniu sztuczna inteligencja wychodzi z gry
Ma to istotne znaczenie. Po pierwszym zbudowaniu aplikacji AI w ogóle przestaje brać udział w jej działaniu. Program po prostu wykonuje kod bezpośrednio, sprawnie i za każdym razem identycznie. Żadnych halucynacji, żadnego „przepraszam, właśnie pojawił się błąd” — po prostu działa.
Odnośnik do Kreo znajdziecie w opisie filmu; na start nie trzeba płacić.
(Informacja dodatkowa: ten fragment — a właściwie cały film — ma charakter promocyjny: Kreo to komercyjne narzędzie, które autor poleca i do którego odsyła widzów. Porównanie z ChatGPT warto więc sprawdzić na własnym przykładzie, zanim uzna się je za rozstrzygające.)