O czym jest ten film
- Autor testuje GLM 5.2, otwarty model (Informacja dodatkowa: GLM to rodzina modeli chińskiego laboratorium Zhipu AI, udostępniana na otwartych licencjach), który jego zdaniem w typowych zadaniach — stronach-wizytówkach, standardowych prezentacjach, pierwszych wersjach tekstów, rutynowym kodowaniu — daje jakość wyższą niż Claude, przy cenie niższej o około 98%.
- Kluczowe rozróżnienie autora: „środek rozkładu” zadań (znane wzorce, łatwa kontrola wyniku) kontra „brzeg rozkładu” (zadania nietypowe, wymagające najmocniejszych modeli).
- Paradoks rynkowy: mimo istnienia taniego, znakomitego modelu przychody Anthropic i OpenAI wciąż rosną — bo przesiadka to nie zamiana wywołania API, tylko przebudowa całego systemu pracy wokół modelu.
- Trzy blokery migracji: presja pracowników na znane narzędzia, brak pomiaru rozkładu własnych zadań oraz konieczność przepisania otoczki (harnessu) od zera.
- Studium przypadku: Flo Crivello z Lindy publicznie opisał przejście z Claude’a na DeepSeek — zespół musiał przepisać otoczkę od podstaw, przeniesienie systemów „bez zmian” okazało się niemożliwe.
- Ruchy platform: GLM 5.2 wyszedł z własną otoczką w stylu Codexa, OpenAI komunikuje, że Codex działa także bez ich modeli, a Anthropic wypuścił Claude Tag — funkcję pozwalającą „wołać” Claude’a w Slacku, która sama wchłania firmowy kontekst.
- Główna teza o danych: skoro dekady temu uczono firmy, że dane to przewaga konkurencyjna, oddawanie całego kontekstu dostawcy modelu granicznego oznacza w praktyce wynajmowanie własnego mózgu od siebie samego.
- Wąskie gardło: talentów zdolnych zbudować „ostatnią milę” w AI jest tak mało, że stać na nie głównie hyperskalerów — to problem wart biliony i jednocześnie okazja.
- Kontekst regulacyjny: rząd USA spowalnia premiery modeli granicznych (dotknięty model „5.6”), rytm premier przestał być znany — znaczenie open source będzie tylko rosnąć.
- Wniosek dla praktyków: to czas dla budowniczych — agencji, konsultantów i inżynierów, którzy potrafią zrefaktoryzować potoki agentowe pod otwarte modele i dowieść oszczędności bez utraty jakości.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Najpierw zmierz rozkład zadań, potem wybieraj model
Na czym polega: Decyzja „drogi czy tani model” zależy od tego, czy praca firmy ląduje głównie w środku, czy na brzegach rozkładu zadań. Autor podkreśla, że niemal nikt nie zadał sobie tego pytania na serio.
Jak stosować: Usiądź z kartką i podziel zadania z ostatniego miesiąca na dwie kategorie: „znany schemat, wynik sprawdzam w minutę” oraz „nietypowe, wymagające najmocniejszego modelu”. Policzone proporcje wskażą, jaką część pracy można bezpiecznie przenieść na tańszy model.
Na co uważać: Praca, która wydaje się rutynowa, bywa w rzeczywistości nietypowa — rzadki typ klienta, osobliwy wymóg prawny. Klasyfikuj po faktycznej powtarzalności i łatwości weryfikacji, nie po tym, jak zadanie jest odbierane.
2.Nie wymieniasz modelu — wymieniasz cały system pracy
Na czym polega: Za modelem stoi harness: prompty systemowe, obsługa pamięci, wywołania narzędzi, ewaluacja. Zespół Lindy przy migracji z Claude’a na DeepSeek musiał przepisać całą tę warstwę od zera.
Jak stosować: Zanim ogłosisz migrację, zrób inwentaryzację otoczki: co dokładnie jest „przyczepione” do obecnego modelu. Zaplanuj budżet na przebudowę, a nie tylko na zmianę klucza API.
Na co uważać: Udany pilot na jednym zadaniu zaniża szacunek kosztów — reszta systemu może trzymać się starego modelu znacznie mocniej, niż się wydaje.
3.Otwarty model rozstaw tam, gdzie wynik szybko sprawdzi człowiek
Na czym polega: W zadaniach o znanych wzorcach — strony wizytówki, konspekty prezentacji, pierwsze wersje tekstów, kodowanie znanych typów problemów — GLM 5.2 bywa lepszy od Claude’a i o rząd wielkości tańszy. Autor twierdzi, że to dziś najlepszy model świata właśnie w tej klasie pracy.
Jak stosować: Wypisz w firmie powtarzalne zadania o przewidywalnym kształcie wyniku — to pierwsi kandydaci do przeniesienia na tani model.
Na co uważać: „Darmowy” oznacza darmowy tylko przy własnym hostingu — dochodzi koszt serwerów i utrzymania. W chmurze model jest tani, ale nie darmowy.
4.Migracja ma sens tam, gdzie oszczędność na tokenach wraca do kieszeni
Na czym polega: Firmy sprzedające AI jako usługę (jak Lindy) migrują, bo każda oszczędzona złotówka trafia bezpośrednio do ich marży. Użytkownicy wewnętrzni — do kodowania czy automatyzacji zaplecza — mają motywację dużo słabszą.
Jak stosować: Policz miesięczny rachunek za tokeny per zadanie. Jeśli jest znaczący i rośnie, migracja ma twardy argument biznesowy; jeśli jest mały, trud przebudowy się nie zwróci.
Na co uważać: Przy niskich wolumenach koszt przepisania otoczki łatwo przewyższy oszczędności — licz pełny bilans, nie samą cenę tokenów.
5.Wygoda uzależnia — oceniaj nowe funkcje przez pryzmat wyjścia
Na czym polega: Claude Tag pozwala każdemu „zawołać” Claude’a w Slacku, a model sam wchłania całą niedopasowaną, żywą wiedzę z kanałów. To znakomity produkt i dokładnie dlatego trudny do wyrwania.
Jak stosować: Przed wdrożeniem każdej nowej, wygodnej funkcji zapytaj: co po roku stanie się z naszym kontekstem i procesami, jeśli zechcemy zmienić dostawcę? Zapisz odpowiedź zanim przyzwyczajenie zdecyduje za ciebie.
Na co uważać: Kontekst zakumulowany u dostawcy rośnie po cichu — zależność powstaje przez używanie, nie przez decyzję.
6.Kontekst firmy traktuj jak przewagę konkurencyjną
Na czym polega: Autor przywołuje stare przesłanie „dane to alfa”: jeśli dane są przewagą, oddanie całego firmowego kontekstu dostawcy modelu granicznego oznacza wynajmowanie własnej wiedzy od siebie — nawet przy wzorowej polityce prywatności.
Jak stosować: Wyznacz granice: jakie dane mogą trafiać do zewnętrznego modelu, a które zostają na własnych serwerach lub w rozwiązaniu hostowanym lokalnie.
Na co uważać: Etyka i prywatność dostawcy nie rozwiązują problemu strukturalnego — liczy się sam fakt, że kontekst firmy żyje poza nią.
7.Buduj niezależnie od modelu: oddziel logikę od silnika
Na czym polega: Autor lansuje składanie systemów z części niezależnych od agenta i od modelu (open skills, open brain, open engine), żeby móc korzystać z taniej inteligencji, gdziekolwiek się pojawi — Claude, Codex, Hermes czy własny hosting.
Jak stosować: Rozdziel warstwy: logika zadań, pamięć, definicje narzędzi. Projektuj tak, by dało się podmienić model bez przepisywania całości.
Na co uważać: Pełna abstrakcja kosztuje czas i złożoność. Kompromis — drogi model na brzegach rozkładu, tani w środku — bywa rozsądniejszy niż architektura „czysta na pokaz”.
8.Routing zadań to kompetencja na lata 2026–2027
Na czym polega: Umiejętność rozpoznania w locie, że zadanie wymaga modelu granicznego — a które może pójść do tańszego otwartego — będzie według autora wielkim tematem inwestycyjnym firm w dwóch najbliższych latach.
Jak stosować: Zacznij od prostej reguły (typ zadania → model), mierz jakość wyników i koszty, dopiero potem dodawaj automatyczny dobór.
Na co uważać: Źle działający routing wysyła trudne zadania do słabego modelu. Wprowadź progi jakości i monitoring błędów zanim odłożysz nadzór człowieka.
9.Refaktoryzacja potoków agentowych to deficytowy fach
Na czym polega: Talentów AI jest tak mało, że stać na nie głównie hyperskalerów. Kto umie przebudować potoki agentowe tak, by działały z otwartym modelem — obsłużyć inne wywołania narzędzi, pamięć, prompty — będzie rozchwytywany.
Jak stosować: Rozwijaj konkretne kompetencje: różnice między modelami w obsłudze narzędzi, projektowanie pamięci, pisanie promptów pod modele nastawione na typowe zadania.
Na co uważać: Gdy otoczki się ustandaryzują, czysto techniczna przewaga stopnieje. Buduj równolegle wiedzę domenową — ona nie zwalnuje.
10.Dla agencji i konsultantów: sprzedawaj oszczędność, gwarantuj jakość
Na czym polega: Autor wprost nazywa ten moment kurą znoszącą złote jajka dla branży usługowej: można obiecać klientom ogromne oszczędności na tokenach — pod warunkiem dowiezienia przebudowy bez spadku jakości.
Jak stosować: Wprowadź do oferty audyt rozkładu zadań klienta i wycenę migracji; rozliczaj się częściowo z osiągniętych oszczędności, nie z godzin.
Na co uważać: Gdyby ta przebudowa była łatwa, nikt by za nią nie płacił. Zbyt optymistyczna obietnica jakości potrafi zniszczyć zaufanie szybciej niż wysoki rachunek za tokeny.
Redakcyjne tłumaczenie
Wstęp: model, który naprawdę powalił
Przetestowałem GLM 5.2 i powiem wprost: powalił mnie. Po tym materiale powinno być jasne, gdzie ten otwarty model warto wdrożyć, gdzie może bezpiecznie zastąpić drogi model — i gdzie przesiadka okazuje się pułapką, bo nie zamieniasz jednego wywołania modelu, tylko cały system pracy. I właśnie ten wątek chcę przeciągnąć przez cały materiał.
GLM 5.2 nie zaimponował mi na pokaz. Zaimponował naprawdę — i to nie tylko ceną. W chmurze kosztuje grosze, a po postawieniu na własnych serwerach nie kosztuje nic. Do tego w znacznej części codziennej pracy jest po prostu bardzo dobry. Często lepszy od Claude’a.
Środek rozkładu, czyli większość naszej pracy
Mówiąc „codzienna praca”, mam na myśli szeroki środek typowych zadań wykonywanych z pomocą AI: stronę-wizytówkę dla klienta, konspekt standardowej prezentacji, pierwszą wersję tekstu, rutynowe syntezy, wreszcie kodowanie problemów o dobrze znanych schematach. To zadania o znajomych kształtach, z milionami przykładów w treningu i z wynikiem, który człowiek sprawdza w minutę. Nasielscy nazwaliby to pracą ze środka rozkładu: rzeczami, które próbowano z modelami bezlik razy, gdzie wzorzec odpowiedzi jest znany, a produkt łatwo skontrolować. Ile podobnych stron-wizytówek widziałeś w życiu?
I właśnie tam GLM 5.2 jest znakomity. Szybki, tani, wygodny i bardzo wysokiej jakości — jakości przewyższającej Claude’a. Przy wielu takich zadaniach nieuczciwe byłoby powiedzenie, że jest „wystarczająco dobry”. Precyzyjniej: to dziś najlepszy model świata w zadaniach ze środka rozkładu, zwłaszcza tam, gdzie liczy się gust w warstwie wizualnej front-endu.
Ten materiał nie jest więc opowieścią o słabym modelu — choć GLM 5.2 nie jest moim narzędziem na co dzień i zaraz wyjaśnię dlaczego.
Tania AI już istnieje: ceny, tokeny i spowolnione premiery
Model jest znakomity, a ja wciąż nie pracuję na nim codziennie. Podobnie mają liczne firmy, które znam: marzą o uniwersalnym routerze, który każde zadanie kierowałby do najtańszego zdatnego modelu. W praktyce wcale nie jest to proste. Dlaczego?
O tym będzie ten materiał: dokąd zmierza open source, jak wyglądać będzie praca w 2026 roku i jak — wracając do GLM 5.2 — trzeba naprawdę budować, by takie modele wykorzystać.
Bo tania AI nie jest teorią. Tania, znakomita AI już istnieje i będzie jej przybywać — tym bardziej że rząd USA spowalnia teraz premiery modeli granicznych, czyli najmocniejszych modeli czołowych laboratoriów. Ostatnio dotknięty jest model „5.6”: podobno będzie udostępniany kolejnym klientom pojedynczo, co w tłumaczeniu na ludzki język znaczy: nie wiadomo, kiedy go zobaczymy. Po raz pierwszy nie znamy rytmu kolejnych premier, choć laboratoria wciąż znakomicie szkolą swoje modele i doskonalą je uczeniem ze wzmocnieniem. Rozmów o open source będzie więc coraz więcej.
A duża część tych rozmów to w gruncie rzeczy rozmowa o schodzeniu w dół po krzywej kosztów. Modele graniczne są drogie, a dla firm bywają bardzo drogie. Krążą historie z liczbami, od których kręci się w głowie — na przykład inżynier, który w tydzień wydał 80 tysięcy dolarów na tokeny. Skoro ktoś wydaje dziesiątki tysięcy dolarów tygodniowo, presja na to, by tańsze modele po prostu zaczęły działać, jest gigantyczna.
Dlaczego firmy nie migrują: trzy czynniki
Skoro tak, dlaczego nie widzimy masowego przesilenia? Dlaczego przychody Anthropic i OpenAI wciąż rosną jak szalone, skoro istnieją równie dobre i dużo tańsze modele? Jest kilka przyczyn — znam je z rozmów z inżynierami i z kadrami zarządzającymi.
Pierwsza: wygoda i presja pracowników. Ktoś, kto o modelu usłyszał, kto się nim posługuje prywatnie, w telefonie — po prostu chce go mieć w pracy. Na Claude’a i narzędzia OpenAI pracownicy naciskają naprawdę; na modele open source nie naciska nikt. I to nie jest drobiazg: kiedy ludzie mówią wprost „to pomoże mi w pracy”, przeciążone działy IT zwykle ulegają.
Druga: nie wiadomo, jak zmierzyć własny rozkład zadań. Ustalenie, czy praca firmy ląduje głównie w środku, czy na brzegach rozkładu, jest bardzo trudne — a właśnie od tego zależy wybór. Brzegi wymagają modeli granicznych; środek otwarte modele obsłużą znakomicie, bo opierają się na znanych wzorcach. Tyle że nikt nie przywykł patrzeć na pracę w ten sposób — ani pojedynczy ludzie, ani zespoły. Firma układająca strategię modelową musi zacząć od pytania o rozkład własnych zadań, a niemal nikt nie zadał go sobie porządnie. Ludzie dopiero uczą się, jak to mierzyć.
Trzecia: każdy model potrzebuje własnej otoczki. I tu historia, która mówi najwięcej.
Lekcja Lindy: otoczkę trzeba przepisać od zera
Najdalej w mierzeniu rozkładu poszedł Flo Crivello (Informacja dodatkowa: założyciel Lindy, platformy automatyzacji opartej na agentach AI), który publicznie opisał swoją drogę od Claude’a do architektury zbudowanej wokół DeepSeek. Oszczędził mnóstwo pieniędzy — ale był też szczery co do ceny tego kroku: zespół Lindy musiał w praktyce napisać swoją otoczkę od podstaw. Nie dało się wziąć systemów zbudowanych wokół Claude’a — promptów, sposobu prowadzenia pamięci, wywołań narzędzi — i przenieść ich w całości, bez zmian. Tak to nie działa. Te modele wymagają własnych otoczek.
Crivello miał ku temu twardą motywację: dosłownie sprzedaje AI jako usługę, więc jeśli potrafi dostarczyć ją taniej i skuteczniej, mieściąc się w marży, wpływ na biznes jest ogromny. Dla firm, które używają AI wewnętrznie — do kodowania czy automatyzacji zaplecza — zwrot z takiej inwestycji jest mniej oczywisty, a więc i motywacja do zmiany słabsza.
Widziałem to na własne oczy, nie tylko w historii Lindy — znam przedsiębiorców, którzy mierzą się z tym problemem dziś. Ci, którzy faktycznie przeskoczyli na open source i przedzierają się przez inne narzędzia, inną architekturę pamięci i tak dalej, mają jedną wspólną cechę: skupiają się na zwrocie z konkretnej usługi AI, którą mają na rynku. Tak jak Lindy — oszczędność na tokenach od razu czują w kieszeni. Wszyscy pozostali, bez tak silnej zachęty, nie podejmą trudu budowy otoczki. I to nie jest drobiazg.
Jedno z najważniejszych zdań, jakie chcę tu przekazać: model może być znakomitym mózgiem w słoju — ale bez otoczki nie przyda ci się do niczego.
Trzy sygnały z rynku otoczek
Dlatego tak bacznie śledzę innowacje właśnie w tej warstwie. Trzy sprawy rzucają się w oczy w kontekście GLM 5.2.
Po pierwsze, GLM 5.2 wyszedł z własną otoczką — interfejsem wzorowanym na Codexie (Informacja dodatkowa: Codex to narzędzie do pracy z kodem od OpenAI). Wygląda na to, że twórcy otwartych modeli zdają sobie sprawę, iż muszą dostarczać również otoczki. Spodziewam się kolejnych kroków w tę stronę.
Po drugie, OpenAI zaczyna publicznie podkreślać, że Codexa można używać bez żadnego modelu OpenAI. To znamiennie — bo otwiera im inną drogę do wartości. Modele pozostają domyślne, ale jeśli firma stanie się „otoczką dla całej pracy”, będzie trudna do podmiany w dłuższym terminie.
Po trzecie, zespół Anthropic nie siedzi bez ruchu. W tym tygodniu wypuścili Claude Tag — produkt o ogromnej sile przyciągania. To otoczka na poziomie zespołu, a właśnie tam skupia się dziś cała energia, bo większość naszej pracy z AI jest produktywna indywidualnie, nie zespołowo. Wszyscy zastanawiamy się, jak przekuć produktywność pojedynczych osób w produktywność całego zespołu. Claude Tag — każdy może oznaczyć Claude’a w Slacku i zlecić mu robotę — to jeden z pierwszych przykładów wciągającej, wirusowej, zespołowej otoczki. Zwykły pracownik wiedzy w konkretnej firmie potrafi sobie wyobrazić, że z niej korzysta. Nie musi znać słowa „harness” — po prostu oznacza Claude’a i działa.
Popatrz na to strategicznie, z pozycji Anthropic. Przestają zdobywać samych inżynierów — zdobywają wszystkich pracowników wiedzy siedzących w Slacku. Czytają cały nieuporządkowany kontekst, który żyje w kanałach i którego nikt nie umie skodyfikować, a który teraz sam spływa do Claude’a. W granicach polityki prywatności Anthropic może się z niego uczyć i — patrząc długoterminowo — zacząć „posiadać” otoczkę w danym przedsiębiorstwie tak, że nie da się jej wyrwać.
Kontekst firmy to przewaga: ryzyko wynajmowania własnego mózgu
Rozważ scenariusz. GLM 5.2 jest o jakieś 98% tańszy od Claude’a i na większości zadań prawie równie dobry. Racjonalnie rzecz biorąc, powinno się zbudować router i kierować do niego większość pracy. Tylko że… czy będziesz mieć Claude Tag? Czy ta wygoda zostanie? Czy przyjdzie ci od nowa wtłaczać w AI kontekst firmowy — skoro Claude „magicznie” wchłonął go w Slacku i nie musiałeś kiwnąć palcem?
Przez dekady powtarzano firmom: dane to przewaga — inwestorzy powiedzieliby „alfa”. Jeśli dane są alfa, to co myśleć o oddawaniu całego tego kontekstu dostawcy modelu granicznego? Nawet jeśli nie trafi do danych treningowych, nawet jeśli polityka prywatności jest wzorowa i firma zachowuje się etycznie — a nie mam powodów sądzić, że jest inaczej — to i tak w praktyce wynajmujesz własny kontekst od siebie samego. Claude siedzi w twoim Slacku jako zespołowa otoczka, jest blisko całej pracy twoich ludzi i nie da się go wyrwać. Niezależnie od tego, jak tanie będą modele klasy GLM 5.2. Jak wyrwać model, który siedzi tak blisko kontekstu?
Myślę, że zespół GLM 5.2 to rozumie — dlatego wydał z modelem otoczkę wzorowaną na Codexie. To pierwszy strzał. Musimy jednak pójść dużo dalej, bo firmy, które wiedzą, że potrzebują otoczki, zazwyczaj nie są w stanie zatrudnić talentów AI do jej zbudowania — chyba że są firmy wybitne. Talent AI jest tak poszukiwany, że żąda, ile chce, i zwykle i tak trafia do któregoś z hyperskalerów albo innej wielkiej korporacji. Weszliśmy więc w dynamikę, w której własną „ostatnią milę” — własny router — zbudować mogą tylko ci, na których stać na te deficytowe kompetencje.
Bilionowa ostatnia mila i deficyt talentów
Jeśli przemyślisz tę całą dynamikę — że mamy jednocześnie znakomity otwarty model, którym wszyscy są zachwyceni, i to, że Anthropic wciąż może brać duże pieniądze za tokeny ledwie trochę lepsze — zobaczysz, że nie jest to historia o inteligencji. To historia o ostatniej mili w AI i o tym, że talent potrzebny do jej zbudowania jest straszliwie rzadki.
I szczerze: dla wielu z was powinno to być powodem do optymizmu. Skólnie brakuje ludzi, że firmy zamykają się w kontraktach z dostawcą modeli granicznych, bo nie umieją zbudować otoczki samodzielnie — to niebywała okazja dla tych, którzy wiedzą, jak budować z AI. Ta praca nie jest łatwa. Trzeba wiedzieć, jak obsłużyć wywołanie narzędzia w GLM 5.2 i czym różni się ono od Claude’a. Trzeba zaprojektować pamięć takiego systemu. Trzeba przerobić prompt systemowy, bo to model nastawiony na typowe zadania. To spora robota techniczna — i jeśli umiesz ją wykonać, choćby po części, jeśli potrafisz zrefaktoryzować potoki agentowe tak, by działały z otwartym modelem, będą o ciebie walczyć. Zwłaszcza jeśli dołożysz umiejętność routingu: rozpoznawania w locie, że dane zadanie jest „graniczne” i powinno pójść do drogiego modelu, a wszystko inne — do tańszego otwartego. To będzie wielki temat inwestycyjny firm w 2026 i 2027 roku, i innowacje będą postępować.
Claude Tag świetnie pokazuje, skąd biorą się znakomite doświadczenia w świecie zamkniętych modeli granicznych: zachęty. Kto ma siłę cenową, ten jest mocno zmotywowany do tego, by jego produkt był maksymalnie wygodny. Tych cech będzie przybywać szybko i hurtowo — z Anthropic i z OpenAI, bo obu opłaca się trzymać ceny wysoko i gonić ten biznes. W open source nie ma takiej marży, takiego przepływu pieniędzy ani takiej motywacji, by wysyłać tysiące inżynierów prosto do klientów i doprowadzać te otoczki do perfekcji.
Stąd jeden z ciekawszych wniosków: GLM 5.2 może być jednocześnie znakomitym modelem, na który przełączają się przedsiębiorcy z jasnym zwrotem z inwestycji i odpowiednimi kompetencjami — i modelem, którego przeciętna firma, jaką znajdziesz w książce telefonicznej, po prostu nie użyje bez poważnego zastanowienia. Podpisanie kontraktu z dostawcą granicznym, który wejdzie w istniejące procesy, wymaga o wiele mniej myślenia.
Ta ostatnia mila to dosłownie bilionowa ostatnia mila AI. I jedno z największych otwartych pytań brzmi: czy zdążymy wyskalować talenty na tyle, by firmy mogły się tym zająć, nie płacąc tak dużo, że nie będą w stanie tego udźwignąć? Nie znam odpowiedzi. Odpowiemy na nią wszyscy razem — w ciągu najbliższych trzech do sześciu miesięcy. Zobaczymy, zwłaszcza że amerykański rząd skutecznie wstrzymuje premiery graniczne, a systemy open source będą cały czas dostępne: czy firmy poradzą sobie z faktem, że inteligencja jest o 98% tańsza, ale ostatnią milę trzeba zbudować samemu? Czy znajdą zespoły, które tę milę zbudują?
Okazja dla budowniczych
Jeśli działasz w agencji albo w konsultingu — to jest twój moment, jak znalezienie kury znoszącej złote jajka. Masz szansę rozkręcić się na całego: możesz obiecać klientom ogromne oszczędności na tokenach jako element swojej propozycji wartości — pod warunkiem że dowieziesz przebudowę bez utraty jakości, co wcale nie jest trywialne. Gdyby to było łatwe, nie rozmawialibyśmy o tym.
Podsumowanie: pytania, które trzeba sobie zadać
GLM 5.2 to znakomity model. Nie należy go wyśmiewać ani ignorować dlatego, że jest dobry „tylko” w zadaniach ze środka rozkładu — bo z definicji to większość naszej pracy. Jako gatunek wykonujemy głównie pracę wiedzową właśnie ze środka rozkładu. A skoro tak, model, który jest w niej naprawdę dobry, trzeba brać na poważnie. I jeśli bierzemy go na poważnie, na poważnie musimy potraktować ostatnią milę — czyli otoczkę.
Duża część tego, co robię publicznie, to właśnie artykułowanie, jak taką otoczkę zbudować: open skills, open brain, open engine — wszystko to omawiałem na kanale. Jak składać te elementy w sposób niezależny od agenta i od modelu, żeby móc je instalować i korzystać z całej inteligencji na wyciągnięcie ręki? Claude, Codex, Hermes, cokolwiek zechcesz — także własny model postawiony na własnym sprzęcie. Powinieneś móc łatwo dobudować tę ostatnią milę.
Wiem, że dla każdej firmy to sporo pracy szytej na miarę — dlatego nie ustaję w powtarzaniu, że to czas dla budowniczych. Ale jeśli nie ruszymy tą drogą, będziemy w praktyce wynajmować mózg i kontekst własnej firmy od dostawców modeli granicznych. Oni go posiądą, będą go wykorzystywać do dalszego ulepszania swoich systemów, a te będą niezwykle wygodne i trudne do porzucenia. I co nam pozostanie? Będziemy musieli ich używać.
To przełomowy moment dla korporacji. Firma nigdy wcześniej nie stanęła przed sytuacją, w której jej własny mózg jest wynajmowany. A właśnie na to wystawiamy się z narzędziami pokroju Claude Tag — które są, owszem, niezwykle użyteczne. I to jest dokładnie ta niebezpieczna rzecz.
Nawet jeśli prowadzisz małą firmę — własną agencję, jednoosobową działalność — potraktuj te pytania równie poważnie jak lider dużej organizacji. Zastanów się, czy chcesz ten kontekst i tę inteligencję wynajmować, czy zbudować coś na własność. Zapytaj siebie:
- Czy w ogóle wiesz, jak wygląda rozkład twoich zadań?
- Czy masz dostęp do talentów technicznych, które zbudują ci ostatnią milę?
- Które zestawy zadań chciałbyś przekierować, żeby realnie ciąć rachunek za tokeny?
Mało kto siada z ołówkiem w ręku i szczerze odpowiada sobie na takie pytania. Mam cały rozbudowany zestaw, którym pracuję z kierownictwami — znajdziesz go na moim Substacku. To poważna sprawa. To moment dla open source. GLM 5.2 otworzył nam wszystkim te drzwi — a czy przez nie przejdziemy, zależy już tylko od nas. Powodzenia. Cześć.