Robota staniała. Co dalej? — Fable 5 zmienia zasady pracy

O czym jest ten film

Recenzja modelu Fable 5, według autora najlepszego na świecie — chwilowo niedostępnego także dla niego. Jones sądzi, że to model rzędu 10 bilionów parametrów, trenowany od podstaw, a nie kolejna wersja w starym cyklu.
Wcześniejsza zapowiedź: podobne poczucie „wielkości” mają dać nowe modele ChatGPT w ciągu miesiąca oraz modele open source w perspektywie czterech–sześciu miesięcy.
Główna teza: Fable 5 nie jest ciekawy dlatego, że jest sprytniejszy albo że wygrywa testy porównawcze, tylko dlatego, że jest większy — to pierwszy model, przy którym autorowi zabrakło wielkich zadań do zlecenia, a nie modelowi możliwości.
W praktyce model zamiast po cichu „naprawiać” błędne dane, odizolował je, zinwentaryzował sfabrykowane poświadczenia i sam zbudował kolejkę spraw do ludzkiej weryfikacji; Stripe twierdzi, że skompresował miesiące pracy inżynierskiej do dni.
Realne wady: 50 dolarów za milion tokenów wyjściowych, przeciętny gust wizualny (ucięte nagłówki na slajdach), pomijanie treści z obrazów odręcznych i obowiązkowa weryfikacja końcowa wykonanej pracy.
Diagnoza: w latach 2023–2024 duże zlecenia kończyły się halucynacjami, więc nauczyliśmy się zlecać AI drobiazgi — i ta rutyna stała się wąskim gardłem między nagłówkami prasowymi a codziennością.
Postulowana umiejętność: „szczegółowa wyobraźnia zadaniowa” — dostrzeganie w swojej pracy całych, brudnych zadań, których nie ma w żadnym trackerze, i zlecanie ich z jasną definicją efektu końcowego.
Metoda na start: wypisanie „chmur nad swoją pracą”, wybór najcenniejszego zadania, zbudowanie pakietu danych (3–4 godziny przygotowań) i świadome odejście od biurka na czas pracy modelu.
Rynek pracy: zagrożone są wyłącznie stanowiska czysto wykonawcze; duże modele wymagają kierowania, karmienia danymi i oceniania — rola „menedżera modeli” staje się częścią niemal każdego zawodu.
Zapowiedzi autora: więcej trzeźwych analiz, nowości od OpenAI i szerszy przegląd modeli niż tradycyjny duet OpenAI–Claude; na Substacku — specyfikacja zadania, poradnik przebudowy promptów i umiejętności pod Fable.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Wąskim gardłem nie jest model — jest nim skala naszych zleceń

Na czym polega: Przy Fable 5 autor po raz pierwszy nie trafił na sufit możliwości maszyny, tylko na własny brak wielkich zadań do zlecenia. Trzy lata pracy z AI utrwaliły nawyk proszenia o drobiazgi.

Jak stosować: Zanim w ogóle uruchomisz model, osobno wypisz zadania, których nigdy nie zleciłbyś AI, bo wydawały się „za duże”. To one są kandydatami do pierwszego testu.

Na co uważać: Jeśli każdy punkt z listy mieści się w jednym prompcie, wciąż działasz w starej skali — wtedy każdy model z czołówki sprawi wrażenie identycznego i żaden nie zmieni twojego dnia.

2.Większy nie znaczy skończony — kontrola zostaje po stronie człowieka

Na czym polega: Model pomijał informacje z obrazów odręcznych, uciął nagłówki w prezentacjach, a każde uruchomienie kończyło się pracą weryfikacyjną na biurku autora. „Duży” oznacza zdolność uniesienia całego zadania, nie doskonałość.

Jak stosować: Każde zlecenie planuj z wbudowanym etapem weryfikacji — jako naturalną część procesu, nie jako awaryjny dodatek.

Na co uważać: Na hasła o „końcu pracy inżynierów” — pojawiają się przy każdej premierze modelu i za każdym razem wyolbrzymiają skalę zmian.

3.Przestań stać nad modelem — sprawdzaj jak właściciel

Na czym polega: Autor po raz pierwszy mógł realnie odejść od biurka po zleceniu pracy. Ciągłe pilnowanie każdego kroku modelu to nie profesjonalizm, lecz nawyk z czasów, gdy modele były zbyt słabe, by im ufać.

Jak stosować: Zleć, określ, co znaczy „gotowe”, oddaj materiały i wróć dopiero na koniec — wtedy sprawdzaj trzy rzeczy: poprawność wykonania, trafność kierunku i kompletność względem zakresu.

Na co uważać: Rezygnacja z pilnowania to nie rezygnacja z odpowiedzialności — ostateczna ocena i decyzja zawsze należą do człowieka.

4.To nie narzędzie na co dzień — ekonomia każe zlecać całe projekty

Na czym polega: 50 dolarów za milion tokenów wyjściowych sprawia, że streszczenie czy „trochę lepszy e-mail” to wyrzucenie pieniędzy; takie drobiazgi tańsze modele zrobą w kilka sekund.

Jak stosować: Utrzymuj zestaw dwóch narzędzi: tani model do codzienności, duży do zadań o wartości liczonych w dniach lub tygodniach pracy. Próg kwalifikacji: zlecenie ma ratować co najmniej kilka dni.

Na co uważać: Przy takiej cenie koszt zadania policz przed jego uruchomieniem, nie po — i nie przepisuj starych, drobnych promptów 1:1 na model tej klasy.

5.„Dać zadanie”, nie „poprosić o tekst” — specyfikacja jak dla samodzielnego specjalisty

Na czym polega: Poproszenie rodzi prompt; zlecenie rodzi robotę. Pełne zlecenie to trzy elementy: pakiet materiałów źródłowych, obraz gotowego efektu końcowego i ogólne wytyczne do samodzielnego rozstrzygania wątpliwości po drodze.

Jak stosować: Zanim cokolwiek wkleisz, napisz jeden–dwa akapity definicji „gotowe” — co dokładnie ma istnieć, gdy model skończy. Dopiero potem dokładaj dane i wytyczne.

Na co uważać: Stare prompty wymagają przebudowy, nie przeklejenia — zlecenia w nowej skali pisze się inaczej niż dotychczasowe polecenia.

6.Szukaj zadań spoza trackera — brudnych i bez właściciela

Na czym polega: Delegowanie dotyczy zadań, które już masz — z nazwą i terminem. Wyobraźnia zadaniowa dotyczy projektów, których nikt nie zapisał, bo są brudne i niejednoznaczne: 40 tysięcy opinii klientów do przejrzenia, 2 miliony rekordów w CRM do uporządkowania, 500-stronicowe materiały dla zarządu do sprawdzenia co do faktów.

Jak stosować: Prosty test kwalifikacji: na myśl o zadaniu wzdychasz i bierzesz się za głowę, a wszyscy w zespole wiedzą, że „kiedyś trzeba je będzie zrobić” — to ono.

Na co uważać: Zadanie musi mieć dostępne dane. Bez pakietu materiałów i mierzalnego efektu nawet największy model ruszyć nie zdoła.

7.Trzy–cztery godziny przygotowania to norma, nie strata czasu

Na czym polega: Złożenie pakietu danych i definicji efektu kosztuje ułamek czasu, który zadanie zwróci. Jedna robota tygodniowo, oszczędzająca dwa tygodnie, spokojnie opłaca model premium.

Jak stosować: Wyznacz osobny blok w kalendarzu na przygotowanie zlecenia — zanim usiądziesz przed modelem, nie w trakcie.

Na co uważać: Skracanie fazy przygotowania to najczęstszy sposób zmarnowania dużego modelu; pośpiech na starcie odbija się podwójnie przy weryfikacji.

8.Oceniaj zachowanie modelu w sytuacjach wątpliwych, nie tylko wyniki

Na czym polega: Zamiast wtopić śmieciowe dane w czysty zbiór, Fable je odizolował, spisał fałszywe poświadczenia tak, by nie wyciekły, i sam zbudował kolejkę pozycji do ludzkiego przeglądu — zachowywał się, „jakby spodziewał się kontroli”.

Jak stosować: Testując duże modele, celowo podsuwaj materiał z błędami i sprzecznościami, a potem patrz, czy model sygnalizuje wątpliwości i zostawia ślad do weryfikacji.

Na co uważać: Model, który „sprawnie” usuwa problemy bez śladu, bywa groźniejszy niż ten, który otwarcie przyznaje się do niepewności.

9.Zarządzanie modelem staje się częścią każdego zawodu

Na czym polega: Duży model trzeba celować, karmić danymi i oceniać. Zagrożone są tylko stanowiska czysto wykonawcze, bez elementu osądu — a ludzie pracujący z modelami, zdaniem autora, pracują ciężej niż kiedykolwiek, wchodząc w nowe role.

Jak stosować: Nawet jako specjalista bez podwładnych myśl jak opiekun modelu: określaj zakres, dopilnuj danych, ustawiaj kryteria jakości, przeglądaj efekty.

Na co uważać: Na przekonanie, że „magik sam zrobi moją robotę” — to uproszczenie, które prowadzi prosto do rozczarowania i do niewykorzystania realnej siły narzędzia.

10.Niech model pochłonie to, co boli — a ty odzyskaj czas na to, co ważne

Na czym polega: Istota współpracy z takim modelem to wymiana: żmudna, frustrująca praca (500 stron korekty, dziesiątki tysięcy rekordów) przechodzi na maszynę, a człowiek dostaje czas na działania o największej wartości. Autor widział setki takich historii już przy słabszych modelach.

Jak stosować: Wypisz listę „chmur nad swoją pracą”, wybierz najbardziej wartościową pozycję, zadbaj o dane, zleć, zweryfikuj — i powtarzaj, aż stanie się to rutyną.

Na co uważać: Efekt przychodzi z powtarzalnością; pojedynczy drobny sukces nie uzasadnia kosztów utrzymania modelu tej klasy w codziennej rotacji.

Redakcyjne tłumaczenie

Model, którego na razie nie ma

Fable 5 to najlepszy model na świecie i wiem, że nie macie do niego dostępu. Ja też nie. Publikuję tę recenzję po to, żebyśmy wspólnie „przywołali we wszechświecie energię”, która sprowadzi go z powrotem. Żarty na bok: musimy znaleźć sposób, żeby rozmawiać o tym, co ten model potrafi, bo to kształtuje to, co zobaczymy w wielu innych modelach w najbliższych miesiącach. Nowe modele ChatGPT, które pojawią się za kilka tygodni, mają robić podobne wrażenie. To samo czeka nas w modelach open source za cztery, pięć, sześć miesięcy. Recenzję daję teraz z dwóch powodów. Po pierwsze, mam nadzieję, że Fable szybko wróci. Po drugie — wszyscy będziemy musieli zadawać naszym modelom zupełnie inne pytania, gdy zaczniemy pracować z modelami klasy dziesięciu bilionów parametrów. I tak, sądzę, że Fable 5 właśnie taki jest; nie jestem w tej ocenie odosobniony. To potężny model trenowany od podstaw i poczucie obcowania z czymś naprawdę wielkim czuć tu na każdym kroku. Nie mogę się doczekać, aż do niego wrócimy. Na razie — zapraszam do recenzji.

Większy, a nie tylko sprytniejszy

Fable 5 zadebiutował we wtorku. Jeśli mam dość słuchania, że kolejny model AI „zmienia wszystko”, zostańcie ze mną chwilę — ten materiał jest właśnie dla was. Te oszołomiające przymiotniki też mnie męczą: „przerażające”, „odbiera mowę”, „najlepszy model w historii”, „wszyscy stracimy pracę”. I powiem wprost: skok możliwości jest realny. Ale mniej interesuje mnie sam skok, a bardziej to, co da się z tym modelem zrobić. I o tym warto porozmawiać, bo Fable 5 nie jest ciekawy dlatego, że jest sprytniejszy. Nie jest ciekawy też dlatego, że wykręca maksymalne wyniki w testach. Jest ciekawy dlatego, że jest większy — i mówię to w bardzo konkretnym znaczeniu. To pierwszy model, przy którym nie natrafiłem na granicę jego możliwości, tylko na własny brak wielkich zadań do zlecenia. Zatrzymajcie się na chwilę nad tym, jakie to nietypowe. Przez trzy lata te modele potykały się na naszej pracy — a dziś wąskim gardłem jest nasza zdolność do wyobrażenia sobie zlecenia.

Chcę was przeprowadzić przez pięć rzeczy, które Fable 5 przestawia w wyścigu AI. Tylko pierwsza dotyczy samego modelu. Pozostałe dotyczą waszej pracy: tego, dlaczego AI w waszym życiu wyglądało zapewne skromniej, niż obiecywały nagłówki, jaka umiejętność to zmienia i co zrobić inaczej jeszcze w tym tygodniu. Na końcu będziecie wiedzieć, czy macie na biurku zadanie w skali Fable. Stawiam, że macie. Myślę, że macie ich kilka — i że przestaliście je widzieć, bo nikt nigdy nie uczył nas ich dostrzegać.

Jak w praktyce wygląda większy model

Te modele zwykle zawodzą w przewidywalny sposób: przemycają śmieciowe dane do czystych zbiorów, maskują sprzeczności, coś „poprawiają” i zostawiają nas z pytaniem, co jeszcze zmieniły bez pytania. Fable zrobił coś, czego wcześniej nie widziałem. Zamiast naprawiać błędne dane — odizolował je. Wykrył sfabrykowane dane uwierzytelniające, spisał je tak, by nie wyciekły, a potem, i to było dla mnie najciekawsze, zbudował kolejkę do przeglądu: każdą pozycję, co do której nie był pewien, odkładał człowiekowi do sprawdzenia. Nie prosiłem go o nic z tego. Zachowywał się, jakby zakładał, że jego pracę ktoś będzie kontrolował.

W pewnym momencie tej współpracy przestałem stać modelowi nad głową. Oddawałem mu pracę i naprawdę szedłem robić coś innego. Zawsze jakoś musiałem mieć te modele na oku — z dbałości o jakość nigdy nie leżało w moim stylu po prostu odejść i nie patrzeć. Przy Fable, gdy zlecam mu zadanie, naprawdę czuję, że mogę wyjść. Tak nigdy nie wyglądała moja relacja z tymi narzędziami. I nie jestem odosobniony: ludzie z wczesnym dostępem dobierają zaskakująco podobne słowa. Nie chodzi im o to, że model jest „sprytniejszy” — mówią o całych projektach oddawanych maszynie od początku do końca. Stripe twierdzi, że skompresował miesiące pracy inżynierskiej do dni. Po trzech, czterech dniach spędzonych z tym modelem mam wrażenie, że to prawda.

(Informacja dodatkowa: Stripe — jedna z największych na świecie platform płatniczych, znana z bardzo wczesnego wdrażania AI w pracy inżynierów.)

Gdzie model zawodzi — i dlaczego to nie koniec pracy

Zanim zrobi się z tego kolejny hymn pochwalny — ten model ma realne słabości. Po pierwsze, jest drogi: pięćdziesiąt dolarów za milion tokenów wyjściowych to niewiele tanio. Po drugie, gust wizualny jeszcze do niego nie doszedł. Prosiłem o projekty graficzne i nie trafiały w moją jakościową pułapę za pierwszym razem: ucięte nagłówki w prezentacjach, wykresy, od których grafik by się skrzywił. Przegapił też informacje istniejące wyłącznie na odręcznych notatkach — dopóki wprost nie kazałem mu ich tam szukać. I każde pojedyncze uruchomienie i tak kończyło się pracą weryfikacyjną, która lądowała na moim biurku.

Większy nie znaczy gotowy — i nie znaczy, że praca zrobi się sama. Znów słychać, że to koniec pracy inżynierskiej; tak samo mówiono przy każdej poprzedniej premierze. „Większy” oznacza coś innego: model może podnieść zadanie i donieść je do końca, ja mogę mu zaufać, a na koniec wystarczy rzucić okiem na efekt. Zadaniem człowieka jest więc wymyślenie czegoś dostatecznie wielkiego. Dlatego mówię o całym projekcie doradczym — bo właśnie taka skala pasuje do tego modelu.

Jak nauczyliśmy się prosić o drobiazgi

Przypomnijcie sobie lata 2023–2024. Kto prosił o dużo, ten się parzył: oddawaliście modelowi coś poważnego, a on gubił wątek mniej więcej na szóstym kroku, wymyślał źródło i podsuwał błędne liczby z pełnym przekonaniem — klasyczna halucynacja. Zrobiliście więc to, co racjonalne: wyznaczyliście bezpieczny rozmiar zadań dla tej technologii. Jeden szkic. Wszystko weryfikować. Krótko i w strukturach.

Tyle że w tym świecie nie tylko nauczyliśmy się prosić o małe — staliśmy się w tym naprawdę dobrzy, a nasz obraz AI urósł dokładnie do rozmiaru modelu, na którym akurat pracowaliśmy. Zbudowaliśmy wokół niego całą rutynę. Inżynieria promptów najpierw stała się umiejętnością, a potem stanowiskiem — z powodu skali modelu. Każdy poradnik produktywności z AI, w tym wiele moich, zakładał model pewnej wielkości. Ale modele rosły dalej, a nasze zlecenia i wyobraźnia — już nie. I to jest cała różnica między nagłówkami a tym, jak wygląda wasz dzień. Jeśli wasze zlecenia mają rozmiar promptu, każdy model z czołówki — w tym Fable — sprawi wrażenie praktycznie identycznego. W skali, w jakiej dotąd zlecaliście pracę, żaden z tych modeli nie zrobi różnicy.

Fable 5 sprawił, że ten problem nie da się dłużej zignorować. Częściowo przez to, co potrafi, a częściowo — mówiąc bez ogródek — przez to, ile kosztuje. Przy takich cenach i takiej szybkości drobne zlecenia się nie opłacają; to marnotrawstwo samego modelu. To nie jest model do napisania „trochę lepszego e-maila”. To nie jest narzędzie na co dzień. Nikt nie powinien płacić stawki Fable za streszczenie, które tani model zrobi w kilka sekund. Sama ekonomia każe wam zlecać większe zadania.

Dać zadanie, nie poprosić o przysługę

Trzeci kluczowy wątek: potrzebna nam jest umiejętność wyobraźni zadaniowej. Nie „prosić” — „dawać”. Czujecie różnicę? Poproszenie kojarzy się z promptem. Zlecenie rodzi robotę. Daję modelowi stos materiałów źródłowych, cel w postaci gotowego wytworu na końcu i proszę, żeby po drodze rozstrzygał kwestie wymagające osądu według kilku ogólnych wytycznych. Nazywam tę umiejętność szczegółową wyobraźnią zadaniową: zdolnością spojrzenia na własną pracę i dostrzeżenia w niej całego zadania, które AI wykona, jeśli dostanie właściwy kontekst, właściwe narzędzia i jasny obraz tego, co znaczy „gotowe”.

(Informacja dodatkowa: token — najmniejsza jednostka tekstu, jaką model przetwarza; korzystanie z modeli przez API rozlicza się właśnie w tokenach.)

Zanim w komentarzach pojawi się „Nate, to znowu ta rozmowa o delegowaniu” — nie, nie jest, a różnica ma znaczenie. Delegowanie dotyczy zadań, które już macie: siedzą w waszym trackerze, mają nazwę i właściciela. Od dawna twierdzę, że można AI delegować całe zadania. Tu chodzi o coś większego: o projekty, których nie ma jeszcze w żadnym trackerze, bo są brudne i niejednoznaczne. Te duże liczby podaję celowo — to właśnie liczby, o których trzeba myśleć przy zlecaniu tego modelu. Fable 5 drobne zadanie wykona, ale to zwykłe marnowanie jego siły. Szukajcie zadań, których nikt nigdy nie zapisał — takich, do których nikt nie miał dotrzeć albo które wydawały się tak wielkie, że nie było sensu brać się za nie z modelem. Takie zadania składają się na codzienność w firmie i to one robią z pracy mękę. Potem pomyślcie, jak zrobić takie zadanie widocznym dla Fable. Jak wrzucić mu 40 tysięcy opinii klientów? Jak podać pełny eksport z CRM i poprosić o uporządkowanie dwóch milionów rekordów klientów — duplikaty, przestarzałe dane, notatki o kontach, wszystko — tak, żeby dało się to odtworzyć? Jak sprawdzić co do faktów i spójności 500-stronicowy pakiet materiałów dla zarządu? Temu modelowi trzeba dać mnóstwo materiału do przeżucia, jasne poczucie, co znaczy „gotowe”, i pewność, że po drodze zostanie ślad nadający się do weryfikacji.

To także model dla programistów

Tak, to także model do kodu. Wiem, że kilka moich przykładów nie dotyczyło programowania — zrobiłem to celowo, bo zwykle zakładamy, że te modele są dobre właśnie w kodzie, i tu założenie się sprawdza: Fable 5 zdaje testy znakomicie i jest bardzo mocnym modelem programistycznym. Przemyślany, dokładny, bierze na klatę duże zadania — dokładnie to, co opisywałem wyżej, tylko w kodzie. Można go poprosić o refaktoryzację całego repozytorium i on to zrobi. W tym świecie — niezależnie od tego, czy jesteście inżynierami — musicie pomyśleć o tym, co trzeba zrobić, by postawić przed tym modelem zadania takiej skali.

Od definicji „gotowe” do odejścia od biurka

Jedna zachęta na drogę: zanim zaczniecie model karmić, zapiszcie, co znaczy „gotowe”. Niech to będzie jeden wyraźny akapit o tym, co ma istnieć na końcu zadania. Potem oddajcie materiały i — to najtrudniejsze — odejdźcie. Pozwólcie mu działać. Chęć pilnowania każdego kroku to nawyk trenowany przez trzy lata i to ten nawyk jest przestarzały, nie nasz zawodowy osąd czy wyczucie jakości. Przyzwyczailiśmy się do AI, które było za małe. Gdy Fable wróci, przeglądajcie jego pracę tak, jak właściciel sprawdza dorobek doświadczonego, samodzielnego współpracownika: czy zadanie wykonano poprawnie, czy kierunek jest trafny, czy efekt obejmuje pełny zakres tego, o co prosiliście. A jeśli trzeba — zlećcie mu poprawki.

Jeśli każde ukończone zadanie przyspiesza działanie firmy; jeśli każde zdejmuje wam z ramion konkretny ciężar, bo zjada coś, co bolało i co dotąd było za duże dla AI — to znak, że zlecacie pracę w skali Fable. I nie ma znaczenia, czy jesteście w zarządzaniu produktem, w inżynierii, w sprzedaży czy w marketingu. Myślcie w skali Fable. Macie w komputerze niesamowicie potężnego czarodzieja; żeby zaczął działać, wystarczy podać mu surowiec i pokazać, co znaczy „dobrze zrobione”.

Kiedy będziecie chcieli spróbować Fable, na początek nie siadajcie do komputera. Usiądźcie i opiszcie pogodę wokół waszej pracy: wszystko, co jak chmury burzowe wisi nad nią, co jest paskudne i splątane, nie ma właściciela, a wszyscy w zespole wiedzą, że trzeba to kiedyś zrobić. Jeśli na myśl o czymś wzdychacie i bierzecie się za głowę — mamy kandydata. Potem poświęćcie chwilę na wybór tego jednego, najcenniejszego dla was zadania. Ustalcie, gdzie leżą potrzebne dane, i zacznijcie składać pakiet danych do przekazania Fable. I uwaga: składanie tego pakietu ma zająć czas. Może wam to zabrać dwie, trzy, cztery godziny przygotowań — ale jeśli dzięki temu odzyskacie dwa tygodnie pracy, rachunek jest prosty. Taki poziom przygotowania wymaga praca z tym modelem i dlatego nie nazywam go narzędziem na co dzień: do codzienności jest za drogi i to armata na wróbla. Bierzcie go do poważnych zadań — bo ratuje poważny czas. Jeśli Fable wykona wam raz na tydzień zadanie oszczędzające dwa tygodnie, opłaca się bez dyskusji. To właśnie chcę, żebyście zrobili: zapiszcie, co was w pracy przytłacza; zapiszcie, co ma ruszyć Fable; przemyślcie, jakich danych potrzebuje — i dajcie mu je.

Co z naszymi etatami

Piąta część — tu chcę być z wami szczery: porozmawiajmy o tym, jak model zdolny wykonać dwa tygodnie pracy zmienia obraz zatrudnienia. Widziałem takie tezy u bardzo znanych twórców: „to zabójca miejsc pracy”. Tymczasem ten model wyeliminuje wyłącznie stanowiska czysto wykonawcze, w których nie ma ani krzty osądu. Skąd ta pewność? Z tego, że wymaga on sporo opieki i ciągłego karmienia. Żeby się sprawdził, potrzebni są ludzie, którzy będą nim zarządzać — którzy powiedzą: to jest zakres, skala i kierunek, a to są dane, którymi karmimy model, żeby wykonał robotę.

Czy to oznacza ogromną zmianę w tym, jak spędzamy dni z AI, i że czeka nas więcej takich zmian, gdy modele będą rosły? Tak. Czy to oznacza, że musimy zejść na wyższy poziom abstrakcji i — nawet nie będąc menedżerami ludzi — zacząć myśleć o sobie jak o menedżerach modeli? Zdecydowanie. Ale ten model nadal trzeba celować, karmić, oceniać; nadal potrzebuje ludzi, którzy przejrzą jego pracę. Powinni się bać o etat tylko ci, którzy wykonują ręczne zadania, które dało się zautomatyzować w każdej chwili ostatnich dziesięciu lat — a być może już dawno powinny być zautomatyzowane.

Możecie obejrzeć ten materiał i powiedzieć do siebie: „Chcę używać Fable w mojej roli. Jak to zrobić?” — i praktycznie nikt was nie powstrzyma. Jeśli macie wyobraźnię i odwagę, żeby spojrzeć na swoją pracę inaczej — bo zrobiliście ćwiczenie, zapisaliście to, co was przytłacza, oddaliście to Fable, on to wykonał i teraz działa lepiej — nikt nie stanie wam na drodze. W dzisiejszych czasach to wręcz zaproszenie do awansu, zaproszenie do sukcesu zawodowego. A jeśli jesteście liderami, przyjdzie wam inaczej myśleć o dostępności danych i o kosztach tokenów — ten model otwiera całą serię pytań kierowniczych. Najważniejsze jest jednak co innego: jeżeli sprowadzimy całość do założenia, że czarodziej zamknięty w modelu magicznie wykona nasze zawody, popełniamy błąd prymitywnego upraszczania i zawyżamy to, co model potrafi. Narzędzie, które wykonuje mnóstwo pracy na naprawdę wysokim poziomie, to rzecz potężna — i jednocześnie nie jest to model, który jednym pociągnięciem ręki przejmie nasze etaty, bo wymaga kierunku, bo wymaga kogoś, kto zarządza danymi, bo wymaga osądu tego, co działa. Te modele potrzebują mnóstwa opieki. Moi znajomi pracujący z modelami AI — nie w gigantach technologicznych — pracują ciężej niż kiedykolwiek w życiu. Nie wypracowują się ze swoich zawodów; wypracowują się w nowe zawody, bo te modele wymagają właśnie takiej troski.

Jeśli więc to wy martwicie się zwolnieniami z powodu AI, patrzycie na możliwości — moja recenzja mówi wprost, że ten model jest większy niż cokolwiek dotąd — i na jego wyniki w testach (zresztą będę musiał wymienić własny zestaw testów, bo ten model wyczerpał ich możliwości), zapraszam was do czegoś przeciwnego: pomyślcie o zlecaniu modelowi większych zadań i o tym, czego to od nas wymaga. Jeśli zrobimy to zbiorowo, będziemy w znacznie lepszej pozycji wobec tych modeli i ich wpływu na pracę. Będziemy się bowiem pytać: jak sięgnąć po najbardziej oporne problemy, z którymi ludzie sobie nie radzą? Jak zawrzeć umowę, w której ból — frustracja z przeglądania 500 stron w poszukiwaniu literówek i niespójności, z przekopywania 40 tysięcy rekordów klientów — przechodzi na model, który jest w tym dobry, a my w zamian odzyskujemy czas na działania o największej dźwigni? To jest właśnie zaproszenie, jakie stawiają modele pokroju Fable. Pozwólcie Fable pochłonąć to, co boli was w firmie. Jeśli to zrobicie, nie pożałujecie. Nawet jako pojedynczy specjalista ruszycie na drogę wyraźnego skoku zawodowego, bo te modele będą jak osobisty czarodziej w kieszeni i zrobią was w pracy niesamowicie skutecznymi. Nie mówię tego, żeby rozkręcić entuzjazm — to po prostu fakt. Te modele mają taką moc. Widziałem setki przykładów i prawdziwych historii w mojej społeczności na Substacku od ludzi, którzy zrobili to na słabszych modelach niż Fable — a Fable jest jeszcze silniejszy. To możliwe. Trzeba tylko wyobrażać sobie więcej.

Co dalej

Jeśli ten materiał był dla was użyteczny i chcecie wejść głębiej — zobaczyć, jak wygląda taka wyobraźnia i co robić inaczej z tym modelem — po to jest mój Substack. Jest tam cała specyfikacja zadania do przepracowania, jeśli chcecie rzucić na Fable coś naprawdę dużego. Jest kompletny poradnik rozbiórki starych promptów i ich przebudowy pod Fable — bo i to trzeba będzie zrobić. Jest też zestaw umiejętności dopasowanych do Fable, które pomagają, gdy model się na czymś potyka, na przykład w pisaniu: jak nauczyć go waszego głosu, jak pokazać firmowy styl w PowerPoint i Excelu, jak zakomunikować, jak ustrukturyzowaliście dane — bez tradycyjnych promptów. Wszystko to rozpisuję na Substacku, żebyście mogli realnie podnieść produktywność z największym modelem świata i najlepszym koderem świata. Bo to jest najlepszy model na świecie — nie owijajmy w bawełnę. Ale liczy się to, jak go użyjecie. Wkrótce więcej trzeźwych analiz: zbliżają się ciekawe rzeczy od OpenAI, a na horyzoncie też inne modele — będziemy rozmawiać o szerszym wachlarzu niż tradycyjny duet OpenAI i Claude. Subskrybujcie — do zobaczenia następnym razem.