Gemini Argon wygrywa rankingi. Nie przeszedł jednak testu, który naprawdę się liczy

O czym jest ten film

1. Nowy model Google, Gemini Argon, zajmuje pierwsze miejsce na liście rankingowej, ale prawie nikt nie ma do niego dostępu — nie wiadomo zatem, czy jest faktycznie użyteczny.
2. Główna teza: benchmarki przestały być miarą wartości; prawdziwym testem jest „obsesja na punkcie klienta” — budowanie AI przez ludzi, którzy sami używają go bezustannie i naprawiają potknięcia.
3. Mapa laboratoriów: Anthropic celuje w przedsiębiorstwa, OpenAI łączy segment korporacyjny z konsumenckim, Meta (z modelem Muse) stawia wyłącznie na konsumentów — brakuje tylko jasnego powiązania Argonu z klientami Google.
4. Autor chce sukcesu Google: więcej graczy na rynku AI oznacza większe bezpieczeństwo i lepszą ofertę dla konsumentów.
5. Wyzwanie produktowe ery AI: budowanie na modelu, który zmienia się z tygodnia na tydzień; klasyczne mapy drogowe według autora przestają działać.
6. Praktyczny przykład: Dots w ChatGPT połączył rozproszone źródła finansowe i zbudował wspólny model subskrypcji prywatnych i firmowych; szybszy Muse wykonał akcje, w tym anulowanie subskrypcji.
7. Porównanie narzędzi: Dots jest wolniejszy, ale znakomity w konektorach i syntezie danych; Muse szybszy i sprawniejszy w działaniu w sieci — autor przypisuje im różne role.
8. Dots, pracujący w tle od kilku dni, przetwarza ponad 20 tysięcy polubień i zakładek z X, by stworzyć listę książek — na razie 741 tytułów.
9. „Tyrania czatbota”: od sukcesu ChatGPT (ok. 1,2 mld użytkowników) kolejne produkty kopiują ten sam wzorzec; potrzebna szersza wyobraźnia projektowa — przykład: aplikacja rozpoznająca rośliny dla dzieci na leśnych spacerach.
10. Plotki o modelu Fable 5.5 od Anthropic; autor zapowiada recenzję ze względu na wartość dla przedsiębiorstw, nie pozycję w rankingach — najbliższy rok ma być rokiem produktu.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Nowy benchmark to klient, nie tabela wyników

Na czym polega: Argon prowadzi w rankingu, ale prawie nikt nie może go używać, więc nikt nie jest w stanie powiedzieć, czy jest przydatny. Prawdziwym testem modelu jest to, czy rozwiązuje problemy konkretnych ludzi.

Jak stosować: Przy wyborze narzędzia pytaj w pierwszej kolejności: kto ma do niego dostęp dziś, do jakich zadań się nadaje, gdzie jest dostępny. Decyzje zakupowe opieraj na własnym pilotażu na realnych zadaniach, a nie na pozycji w tabeli.

Na co uważać: Wynik w teście nie mówi nic o dostępności, szybkości ani dopasowaniu do twoich potrzeb — imponujące liczby potrafią współistnieć z modelem, którego nie da się jeszcze kupić.

2.Sprawdzaj, komu dane laboratorium faktycznie służy

Na czym polega: Anthropic konsekwentnie obsługuje przedsiębiorstwa, OpenAI łączy segment korporacyjny z konsumenckim, Meta z modelem Muse stawia wyłącznie na konsumentów. Tylko przy Google nie widać, jak flagowy model łączy się z klientem.

Jak stosować: Dobierając model do produktu, patrz na „domowy kierunek” laboratorium — komu z definicji służy. To najlepsza prognoza, w jakim segmencie narzędzie będzie się rozwijać.

Na co uważać: Nawet znakomity model od podmiotu, który nie obsługuje twojego typu klienta, może nigdy nie doczekać się funkcji, których potrzebujesz.

3.Projektuj tak, jakby model miał się zmienić za tydzień

Na czym polega: Klasyczne mapy drogowe przestają działać, bo warstwa inteligencji pod produktem ewoluuje bez przerwy. Trzeba budować tak, by podmiana modelu nie była rewolucją, i przy tym tłumaczyć użytkownikom, co dobrego się zmieni.

Jak stosować: Traktuj model jako wymienny komponent architektury; planuj krótkimi cyklami i na podstawie tego, co realnie działa u odbiorców, a nie na podstawie wieloletnich założeń.

Na co uważać: Nie obiecuj użytkownikom konkretów uzależnionych od zachowań jednej wersji modelu i nie zaczynaj od technologii — bez zrozumienia klienta daleko nie zajedziesz.

4.Używaj własnego produktu nałogowo — i naprawiaj, co padnie

Na czym polega: Najlepsze produkty AI powstają w rękach ludzi, którzy sami pracują nimi codziennie, zauważają, gdzie coś szwankuje, i nie przechodzą obok potknięć obojętnie. To dyscyplina biznesowa w takim samym stopniu jak inżynierska.

Jak stosować: Wprowadź w zespole stałą praktykę pracy własnym produktem na prawdziwych zadaniach; prowadź rejestr potknięć i traktuj go jak listę priorytetów developmentu.

Na co uważać: Pokazowe testy raz na kwartał nie wystarczą — sedno w codziennym, długotrwałym obciążaniu produktu realną robotą.

5.Składaj narzędzia w pary: jedno do analizy, drugie do działania

Na czym polega: Autor złączył dane z wielu kont przez konektory Dots, zbudował wspólny model subskrypcji, a akcje — np. anulowania — oddelegował szybszemu Muse. Każde narzędzie dostało rolę dopasowaną do mocnych stron.

Jak stosować: Przy złożonym zadaniu rozdziel fazę zbierania i analizy danych (narzędzie dobre w konektorach i syntezie) od fazy działania (narzędzie szybkie, poruszające się po sieci); przekaż wyniki między nimi np. arkuszem.

Na co uważać: Przenoszenie danych między usługami wymaga weryfikacji — autor skrzyżował wyniki z pocztą e-mail. Pilnuj też zgodności z polityką firmy przy danych finansowych.

6.Deleguj też to, co umiesz zrobić sam

Na czym polega: Ktoś zwrócił autorowi uwagę, że subskrypcje można anulować ręcznie. Odpowiedź: można, ale przy braku czasu liczy się efekt — praca zrobiona, a nie sposób jej wykonania.

Jak stosować: Oceniaj agenta nie tym, czy zadanie jest wykonalne ręcznie, lecz kosztem twojego czasu i uwagi. Deleguj powtarzalne czynności o jasnych regułach i mierzalnym rezultacie.

Na co uważać: Przy decyzjach wrażliwych (finanse, zdrowie) zostaw sobie ostatnie słowo — agent ma wykonać robotę, nie podejmować decyzji za ciebie.

7.Każdemu narzędziu przypisz rolę według jego mocnych stron

Na czym polega: Dots jest nieco wolniejszy, ale świetnie łączy się z usługami i układa dużą ilość informacji w spójną całość — idealny do zleceń „na później”. Muse jest szybszy i bezpośrednio działa w sieci — do akcji tu i teraz.

Jak stosować: Prowadź własną, krótką mapę „narzędzie → do czego nadaje się najlepiej” i testuj konkurentów na tych samych zadaniach, by porównanie było uczciwe.

Na co uważać: Profil szybkości i umiejętności narzędzi zmienia się z każdą aktualizacją — mapę trzeba od czasu do czasu odświeżać.

8.Żmudne zadania oddawaj agentowi działającemu w tle

Na czym polega: Dots od kilku dni przemiela ponad 20 tysięcy polubień i zakładek z X, by zbudować listę książek do przeczytania — zadanie nie do ogarnięcia ręcznie. Efekt: 741 tytułów i licznik rośnie.

Jak stosować: Gdy coś jest zbyt pracochłonne na ręczne wykonanie, sprawdź, czy da się to oddać agentowi pracującemu w tle i odebrać wynik w wygodnej formie — listy, arkusza, zestawienia.

Na co uważać: Przy dużych zbiorach pilnuj jakości filtrowania — agent może uznać za „książkę” wpisy, którymi nie są; zaplanuj czas na przegląd efektu.

9.Wyjdź poza wzorzec czatbota — projektuj dla sytuacji, nie dla okna rozmowy

Na czym polega: Od sukcesu ChatGPT kolejne produkty kopiują ten sam schemat: okno rozmowy plus pasek narzędzi, plus miejsce na artefakty. Autor wzywa do szerszej wyobraźni projektowej — przykład: aplikacja rozpoznająca drzewa i rośliny dla dzieci na leśnym spacerze.

Jak stosować: Przy projektowaniu pytaj, gdzie naprawdę żyje użytkownik (spacer z dzieckiem, czat rodzinny, poczta) i wplataj AI w tę konkretną sytuację, zamiast budować kolejne okno dialogowe.

Na co uważać: Nowa forma interakcji musi być przemyślana pod konkretnego odbiorcę — rodzica, dziecko, zespół — inaczej zostanie gadżetem.

10.Weryfikuj plotki o modelach pytaniem o wartość dla klienta

Na czym polega: Plotki o Fable 5.5 obiecują znakomity model, ale autor zapowiada recenzję nie z powodu pozycji w rankingach, lecz dlatego, że Anthropic konsekwentnie rozwiązuje problemy przedsiębiorstw — i to jest najlepsza prognoza użyteczności.

Jak stosować: Doniesienia z mediów społecznościowych filtruj pytaniem: „co to zmienia dla mojego zastosowania?”. Śledź laboratoria pod kątem zbieżności ich strategii z twoimi potrzebami.

Na co uważać: „Zdumiewające rzeczy na Twitterze” bywają nieprawdziwe — werdykt wydaj dopiero po teście na własnych zadaniach.

Redakcyjne tłumaczenie

Przestańcie śledzić rankingi

Możecie od dziś przestać czytać rankingi modeli AI. Obiecuję, że nic was nie ominie. Czas benchmarków dobiegł końca. Nowy model Google, Argon, zajmuje pierwsze miejsce na jednym z nich — a w tym samym czasie prawie nikt nie może z niego korzystać. Nikt więc nie powie wam, czy jest rzeczywiście przydatny. Dziś wygrywa AI budowane przez ludzi, którzy sami używają go bez ustanku i naprawiają wszystko, co się psuje. Oto nowy benchmark: obsesja na punkcie klienta. I dokładnie ten sam test czeka AI, które buduje wasza firma. (Informacja dodatkowa: nazwy modeli i narzędzi — Argon, Muse, Dots, Fable — podajemy za transkryptem nagrania.)

Kto komu służy: mapa laboratoriów

Jeśli przejrzeć poszczególne laboratoria i dostępne modele, rysuje się klarowna mapa powiązań: kto właściwie komu służy. Z jednym wyjątkiem. Anthropic stawia na klienta korporacyjnego — na to, żeby zawodowo wykorzystywać AI do sukcesu. OpenAI ma rosnące ramię biznesowe, a przy tym bardzo mocną obecność w segmencie konsumenckim. Meta siedzi w konsumencie po uszy: Muse to jej najnowszy model, a cała ofensywa Zucka opiera się na AI dla zwykłych użytkowników. A Google? Google zarabia krocie na mocy obliczeniowej, wyszukiwarką obsługuje ogromne rzesze ludzi i ma Gemini. Nie rozumiem natomiast, w jaki sposób Argon ma to wszystko wspierać. Po co komu model z samej granicy możliwości? I to właśnie nasunęło mi myśl, jak ważna jest dziś ścisła więź między produktem a klientem.

Dlaczego mimo wszystko kibicuję Google

Tego skupienia na kliencie chciałbym zobaczyć u Google więcej, bo należę do osób przekonanych, że światu służy więcej AI, a nie mniej. Zwłaszcza gdy mówimy o AI o dużej mocy, lepiej, żeby ta moc trafiała do jak najszerszego grona, a nie do wąskiego kręgu. Jeśli więc jesteście wśród tych, którzy się martwią — „nie ufam Anthropic, nie ufam OpenAI, chcę innych graczy” — to bardzo dobrze. Chcecie kolejnego gracza w stawce? Proszę bardzo, niech gra też Google. Im więcej graczy, tym — jak to zwykle bywa — bezpieczniej i lepiej dla nas, konsumentów. Chcę więc, żeby Google odniosło sukces. I mówię to z pełną sympatią: na ten moment nie widzę jeszcze, jak Argon łączy się z klientami.

Jak zarabiać na inteligencji, która zmienia się co tydzień

To prowadzi mnie do szerszych pytań, ważnych dla nas wszystkich. Pracujecie w firmie? To materiał dla was. Pracujecie w korporacji, na stanowiskach kierowniczych? Dla was również. Trzeba zrozumieć, jak w świecie, w którym inteligencja ewoluuje z tygodnia na tydzień, zarabia się na AI — zwłaszcza gdy model, na którym stoicie, będzie się zmieniał dalej. Kiedy ja pracowałem przy produktach, po prostu wydawaliśmy oprogramowanie. Można je było aktualizować raz w miesiącu, raz na dwa; mieliśmy mapę drogową i to działało. Nie jestem już pewien, czy mapy drogowe w ogóle jeszcze działają. Myślę, że wiele osób z działów produktu przyzna, że nie. Głębszy kłopot polega na tym, że trzeba zbudować produkt na zmieniającej się pod spodem inteligencji — i przy tym pomagać użytkownikom zrozumieć, co dobrego zmieni się w ich świecie wraz z AI, bez rozdmuchiwania katastroficznych wizji. To zadanie gigantyczne. Trudne wyzwanie produktowe, na którego rozwiązanie właśnie leci dosłownie bilion dolarów. Ale jeśli nie zaczniecie od zrozumienia, kim jest wasz klient i co robi, daleko nie zajedziecie.

Ranking to tylko fasada

Wróćmy do wiadomości o benchmarku. Ta wiadomość nic nie znaczy. Odsłońmy, co kryje się pod spodem. Najlepsze produkty AI powstają w rękach ludzi, którzy sami używają ich nałogowo, zauważają, gdzie coś szwankuje, i nie przechodzą obok tych potknięć obojętnie. To dyscyplina biznesowa w takim samym stopniu jak inżynierska.

Subskrypcje prywatne i firmowe pod jednym dachem

Chcę się podzielić przykładem, bo sam niedawno trafiłem na bardzo praktyczne zastosowanie. Kilka tygodni temu opowiadałem, jak użyłem Muse do przeglądu prywatnych subskrypcji. Nie chciałem na tym poprzestać, bo mam też subskrypcje firmowe — ten sam problem powtarzał się w kilku obszarach mojego życia naraz, a dane były rozsypane po wielu kontach i wielu usługach. W czasie niedawnego lotu poszedłem więc o krok dalej. Użyłem narzędzia Dots w ChatGPT, żeby podpiąć wszystkie potrzebne źródła: Merkury i inne serwisy finansowe. (Informacja dodatkowa: Mercury to amerykański dostawca bankowości dla firm.) Wbudowane w OpenAI konektory pomogły mi zebrać w całość materiał o subskrypcjach, e-mail posłużył do skrzyżowania danych, a Dots przetworzył wszystko i postawił mi model finansowy subskrypcji — prywatnych i firmowych łącznie — w jednym miejscu. Czego nigdy wcześniej nie widziałem. Potem wziąłem ten arkusz, wgrałem go do Muse i kazałem mu działać jak dron myśliwsko-uderzeniowy: sam znajduje cele i sam je załatwia. Muse przeszedł po subskrypcjach, przeprowadził konkretne akcje i pomógł mi podjąć dobre decyzje. Częściowo dlatego, że Muse jest dziś szybszy od Dots, a częściowo dlatego, że umie tę szybkość przełożyć na poruszanie się po sieci i bezpośrednie załatwianie spraw. Coś takiego jak anulowanie subskrypcji mogłem po prostu oddelegować.

„Przecież możesz kliknąć sam”

Gdy wspomniałem, że to robię, ktoś do mnie napisał: po co ci do tego Muse? Przecież możesz przeklikać się przez te strony sam. Odpowiedziałem: mogę, ale gdy mnie gniecie brak czasu, bardzo przyjemnie jest oddać robotę AI i po prostu mieć ją z głowy. Opowiadam tę historię, bo dobrze oddaje sedno: AI trzeba faktycznie używać. Sięgając po Dots i po Muse, przekonuję się na własnej skórze, gdzie sztuczna inteligencja gra, a gdzie fałszuje.

Dwa narzędzia, dwie role

Dots jest dziś nieco wolniejszy od Muse. Za to znakomicie radzi sobie z konektorami, mieści mnóstwo informacji i układa je w spójną całość. Korzystam z obu. Do Dots sięgam, gdy mam zlecić skomplikowaną robotę rozłożoną na dłużej i chcę ją po prostu oddać. W tej chwili Dots przemiela ponad 20 tysięcy polubień i zakładek z mojego konta na X i wyławia z nich te dotyczące książek, bo marzy mi się jedno miejsce z listą lektur — czytam dużo i chciałbym mieć dokąd wracać po kolejny tytuł. Nigdy wcześniej się to nie udało, bo zadanie było za duże i wymagało za dużo analizy. Dots przerabia je od kilku dni, spokojnie, w tle, i dobił już do 741 książek — licznik za chwilę pewnie urośnie o kilka pozycji. Chcę wam pokazać, jakiego doświadczenia klienta można dostawać, gdy bierze się AI, przepycha je przez realne zadania i odkrywa, jak ono naprawdę działa.

Używajcie tego, co sprzedajecie

Firmy powinny znacznie więcej korzystać z produktów, które sprzedają — żeby z własnego doświadczenia wiedzieć, które zastosowania stoją, a które się sypią. W AI jest miejsce dla wielu zwycięzców i nie ma co narzekać na porządne narzędzie agentowe, które działa. Jeśli agent wykonuje robotę, to dla sporej grupy ludzi będzie naprawdę pomocny. Na tej planecie żyje 8 miliardów ludzi, zastosowań jest bez liku — a więc i dla agentów znajdzie się mnóstwo zajęcia.

Nasza szansa: budować dla konkretnego odbiorcy

Patrząc tak na świat, wracam do punktu wyjścia: potrzebujemy w AI większej liczby graczy — takich jak Google, ale także i innych. Graczy, którzy potrafią wręczyć klientowi AI w sposób dla niego bliski i zrozumiały. Jestem dziś szczerze optymistą, jeśli chodzi o ludzi budujących produkty i o tych w firmach, które mają już ukształtowane relacje z klientami. Budowanie z myślą o odbiorcy nigdy nie było ważniejsze niż teraz, bo niepewność związaną z AI przeżywamy wszyscy razem i nie ma przed nią ucieczki. Każdy ma się dziś stać znawcą AI, a nie każdy jest na to przygotowany — choć z każdej strony oczekuje się od nas takiej kompetencji. To także nasza szansa: usiąść przy swojej dziedzinie, przy swoim kawałku rzeczywistości, i zapytać — co mógłbym zbudować, z czego sam chciałbym korzystać, co będzie ewoluować razem z AI i będzie naprawdę użyteczne dla konkretnych ludzi?

Produkt przemyślany pod rodzinę: leśne spacery z AI

A odbiorcą może być każdy. Niedawno trafiłem na nowy produkt oparty na rozpoznawaniu obrazu przez AI: bardzo proste narzędzie, dzięki któremu dzieci na leśnym spacerze rozpoznają rosnące wokół drzewa i rośliny. Nie wiem, czy się przyjmie, ale jako rodzic jestem zachwycony. Chcę, żeby dzieci poznawały to, co mają wokół siebie, żeby były związane ze światem, w którym żyją, żeby za długo nie przesiadywały przy ekranach — a przy tym żeby czerpały z AI. To przykład produktu przemyślanego pod kątem rodziców i pod kątem dzieci. Takich potrzebujemy więcej. Potrzebujemy więcej ludzi, którzy myślą, dokąd AI może zajść i jak może dostarczać użytecznych rozwiązań.

Tyrania czatbota

Nie wszystkie te pomysły wypalą, wiem jednak, że przestrzeni jest więcej, niż nam się wydaje. Jesteśmy uwięzieni w tyranii czatbota. ChatGPT osiągnął już chyba 1,2 miliarda użytkowników, a każdy kolejny produkt w jakimś sensie pożycza z tamtej pierwotnej filozofii projektowej. Bierzemy ideę ChatGPT i mówimy: dodajmy pasek narzędzi, dodajmy miejsce na artefakty. Dopiero zaczynamy pojmować, czym jest AI — i potrzebna nam szersza wyobraźnia projektowa oraz więcej wyrozumiałości dla klientów.

Pytania, które zadaję Google

Dlatego gdy myślę o Argonie — wiem, że jego wyniki w testach są znakomite — pierwsze pytanie brzmi: w którym z produktów Google ten model się pojawi i dla jakich klientów? Dlatego zwracam się do Google: wydajcie go, pokażcie go. Chcę, żeby się udało. Trafi do wyszukiwarki? Do Gemini? A jeśli do Gemini, to po co? W czym będzie tam wygrywał? Czym będzie użyteczniejszy od obecnego modelu? Co sprawia, że Argon naprawdę gra? A to tylko jeden przykład. Potrzebujemy więcej obsesji na punkcie klienta i więcej wiary w klienta w świecie AI. Dominująca dziś retoryka zagłady odbiera nam nadzieję — nadzieję dla naszych odbiorców i dla tego, co potrafi inteligencja, gdy jest wszędzie.

AI w trudnej chwili

W weekend rozmawiałem z kimś, kto użył Muse, żeby zorientować się, jak zareagować, gdy dziecku podczas zabawy czymś wpadło do oka. Sytuacja skończyła się dobrze — i dziecko, i oko są całe, spokojnie. Ta osoba chciała jednak porozmawiać z kimś dostępnym na miejscu, kto pomoże jej spojrzeć na sprawę z dystansu. Doskonale wiedziała, że Muse nie jest lekarzem, ale w tamtej chwili potrzebowała perspektywy. I sam przyłapuję się na tym, że rozmawiam z AI, gdy potrzebuję spojrzenia z boku. Nie dlatego, żebym budował z modelem jakąś dziwną relację paraspołeczną, ale dlatego, że jego obecność pomaga mi myśleć na głos — a więc myśleć lepiej. Mógłbym wskazać mnóstwo konkretnych zastosowań, w których AI realnie wydłuża moją pamięć, wzmacnia myślenie i pomaga rozumieć, co się dzieje. Widzę to w pojedynczych chwilach — jak ta medyczna historia moich znajomych. A takich chwil przybywa, gdy koncentrujemy się na kliencie bez reszty. Moja znajoma przesłała mi zrzut ekranu z Muse: zauważyła, że model wziął pod uwagę samopoczucie jej syna. „Twój syn przeszedł pewnie trudną chwilę. Wykład o ostrożnym obchodzeniu się z zabawkami może poczekać. Będzie dobrze — po prostu daj mu chwilę.” To model, który potrafił dać użytkownikowi moment prawdziwego zachwytu: w emocjonalnie trudnej chwili, gdy martwi się rodzic i martwi dziecko, ta AI znalazła sposób, żeby utrzymać równowagę — nie udzielać porad medycznych, a mimo to okazać empatię. To jest właśnie obsesja na punkcie klienta. I tego potrzebujemy więcej.

Dlaczego nie piszę o przełomach matematycznych

Gdy myślę o przyszłości AI i o tym, dlaczego w tej chwili wierzę w ludzi, którzy budują, mam w głowie właśnie takie historie. Historii o benchmarkach mamy już dość. Historii o badaczach rozpychających granice tego, co możliwe — też. Jak również o równaniach Naviera–Stokesa i całej tej matematyce. (Informacja dodatkowa: równania Naviera–Stokesa opisują ruch płynów; ich pełne rozwiązanie to wciąż otwarty, słynny problem matematyczny.) Zauważyliście, że niewiele miejsca poświęcam na tym kanale przełomom matematycznym? To celowe. Według mnie dla większości z nas nie mają one większego sensu. Sensowniejsza jest rozmowa o tym, jak naprawdę używamy AI do codziennych spraw.

26 zastosowań w trzy miesiące

Dziś spisałem listę wszystkiego, do czego używałem agentów. W same ostatnie trzy miesiące wyszło mi 26 osobnych zastosowań. Sprawy wokół rozliczeń podatkowych, planowania podróży, rozplątywania szkolnych planów dzieci, porządkowania historii medycznej — wszystko to odkryłem, bo wcinałem się coraz głębiej i starałem się zrzucać z barków coraz więcej złożoności, żeby zostać z tym, co naprawdę ważne. Wiem, że nie jest jeszcze idealnie. W latach 2024–2025 niedoskonałość brała się częściowo z samych modeli. Coraz bardziej jednak — im dłużej nad tym zastanawiam — niedoskonałość naszych doświadczeń z AI, owe bolesne punkty, nie bierze się z modeli. Bierze się z doświadczenia produktowego. Ten film powstaje dlatego, że moim zdaniem modele nie są już wąskim gardłem. Benchmarki też nie. Wąskim gardłem jest dziś doświadczenie produktowe i obsesja na punkcie klienta.

Szukam przykładów: Instinct i czat grupowy

Nie natrafiam na tyle przykładów naprawdę klientocentrycznych doświadczeń z AI, ile bym chciał, a bardzo chcę ich widzieć więcej. Jeśli znacie jakieś, o których tu nie wspomniałem — a wiem, że startupów jest mnóstwo — dajcie znać. Jest mnóstwo ludzi, którzy takich doświadczeń szukają; mnóstwo ludzi, którzy innowują. Instinct, kolejny startup AI, właśnie uruchomił czat grupowy z AI: wrzucacie Instinct do rozmowy ze znajomymi, a on pomaga ustalić następne wspólne wyjście, następny seans, następną kolację — i gdzie ta kolacja się odbędzie. Zobaczymy, czy to chwyci, ale to przynajmniej propozycja skrojona pod konkretny typ klienta. Takich potrzebujemy więcej. Chętnie od was usłyszę, gdzie widzicie działające przykłady, bo to naprawdę istotne.

Fable 5.5: recenzja tak, ale nie z powodu rankingu

A skoro rozmawiamy o benchmarkach: krążą pogłoski, że lada chwila zadebiutuje Fable 5.5. (Informacja dodatkowa: nazwa pochodzi z automatycznej transkrypcji nagrania.) Mówią o niezwykle mocnym modelu. Na Twitterze widywałem zdumiewające rzeczy — widujemy je wszyscy. Nie wszystkie są prawdziwe. Fable 5.5 może zawładnąć rankingami albo i nie — ale jedno jest niemal pewne: będzie działał dla przedsiębiorstw. Skąd ta pewność? Stąd, że tym właśnie żyje Anthropic. Cała firma koncentruje się na rozwiązywaniu problemów przedsiębiorstw, a Fable 5.5 będzie kolejnym orężem w jej arsenale, służącym do dostarczania im wybitnej wartości. Tak, są też pochłonięci budowaniem coraz lepszego modelu — ale mają tę świadomość biznesową i tę obsesję na punkcie klienta. Napiszę oczywiście pełną recenzję Fable 5.5, ale nie dlatego, że model okupi szczyt tabeli. Napiszę ją z powodu wartości, jaką wnosi dla klientów. Tym się kieruję. Jeśli więc oglądacie i pytacie: „gdzie jest Fable 5.5?” — oto odpowiedź: nadchodzi, recenzja będzie, a powodem jest wartość dla odbiorców, nie lokata w rankingach. Najbliższy rok w AI będzie rokiem produktu, nie benchmarków.