O czym jest ten film
- Korporacjom zajęło około dziewięciu miesięcy dogonienie open source — wypuściły osobistych agentów będących odpowiednikami narzędzi społeczności takich jak OpenClaw, Air Maze, Paperclip czy OpenCode.
- Różnica fundamentalna: rozwiązania korporacyjne przechowują i czytają dane użytkownika, a open source pozwalał trzymać pamięć agenta na własnym sprzęcie i dowolnie wymieniać modele.
- Wadą open source jest tarcie: koszt sprzętu, czas i wiedza potrzebne do uruchomienia oraz konfiguracji. Korporacje celują w masową adopcję przez maksymalne uproszczenie.
- Urocze, „ludzkie” interfejsy mają budować więź, a więź przekształca się w zależność — strategia zakłada, że suwerenna alternatywa pozostanie trudna i droga.
- Korporacje budują na niepewności wokół AI; dziś ich agenci głównie usuwają drobne przeszkody, uczą się nawyków użytkownika i wzmacniają zależność.
- Autor prezentuje własny system: kanban, który przechwytuje pomysły (m.in. z dyktafonu), poddaje je analizie AI, czeka na ludzką akceptację i sam wykonuje resztę.
- Silniki można wymieniać w locie: pojedyncze zadania wykonują DeepSeek Harness, Codex, Paperclip czy OpenCode; edytorem bywa VSCodium — odpowiednik VS Code bez telemetrii Microsoftu.
- Agenci działają na zawołanie (skróty klawiszowe), a cały system da się przenieść na prywatną chmurę, by pracował nieprzerwanie na lokalnym modelu i chmurowych subskrypcjach — autor nazywa ten układ przyszłością.
- Gmail i WhatsApp to precedens pułapek wygody; z AI korporacje odtwarzają dokładnie ten sam scenariusz. Obrona: zaakceptować tarcie, ale budować na gotowych elementach, nie od zera.
- Recepta praktyczna: oddziel harness (własny sprzęt, tanio, pełna kontrola) od modelu (drogi; lokalnie albo przez tanie API jak GLM czy DeepSeek), dobieraj agenta do zadania i najpierw opisz, jak chcesz pracować — dopiero potem każ AI to zbudować.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Wygoda to waluta, którą płacisz danymi
Na czym polega: Korporacyjni agenci są zaprojektowani pod masową adopcję — prosto, bez konfiguracji, „po prostu działa”. To nie filantropia: model biznesowy wymaga, by dane użytkowników zasilały infrastrukturę dostawcy. Open source oferował te same możliwości wcześniej i z pełną kontrolą nad danymi.
Jak stosować: Przy wyborze asystenta zadaj jedno pytanie: gdzie fizycznie działa jego pamięć i kto ma do niej dostęp. Jeśli u dostawcy — świadomie wymieniasz prywatność na wygodę, więc skonfrontuj tę decyzję z wrażliwością powierzanych danych.
Na co uważać: „Darmowy” asystent w chmurze zwykle rozlicza się danymi; pamięć nagromadzona u dostawcy staje się profilem, którego w całości nigdzie nie wyniesiesz.
2.Urodziwa buźka to strategia, nie ozdoba
Na czym polega: Nadawanie AI ludzkiego oblicza — imion, twarzy, „osobowości” — buduje więź, a więź przeradza się w zależność. Z kalkulatorem żegnasz się bez żalu; z asystentem, który zna twoją historię i jest wpleciony w twoją pracę — już nie.
Jak stosować: Traktuj antropomorficzny interfejs jak sygnał ostrzegawczy, a nie zaletę. Co jakiś czas sprawdź, czy da się wyeksportować dane i historię rozmów — to test na możliwość „wyjścia z relacji”.
Na co uważać: Im trudniej wyobrazić sobie odejście od narzędzia, tym głębsza zależność. Decyzję o pozostaniu podejmuj racjonalnie, nie sentymentalnie.
3.Rozdziel harness od modelu
Na czym polega: To dwa osobne koszty. Harness — warstwa narzędziowa spajająca model z twoim systemem — powinien działać na twoim sprzęcie: jest tani lub darmowy i daje niezależność. Model to wydatek: lokalnie wymaga mocnej maszyny, przez API — subskrypcji.
Jak stosować: Najpierw ustal własną, niezależną od dostawcy warstwę narzędziową, a dopiero pod nią podpinaj modele — wymienne, zadanie po zadaniu.
Na co uważać: Nie kupuj drogiej subskrypcji wyłącznie dla interfejsu — interfejs możesz mieć własny. Przywiązanie do jednego zamkniętego środowiska odbiera ci tę elastyczność.
4.Hybryda: lekkie modele lokalnie, najmocniejsze przez API
Na czym polega: Nie musisz wybierać między konfiguracją w pełni lokalną a w pełni chmurową. Małe modele mogą działać na twoim sprzęcie, a największe wołać na żądanie przez API. Tak autor łączy lokalny model z chmurowymi subskrypcjami.
Jak stosować: Rutynowe, powtarzalne kroki zlecaj tanim modelom (np. o otwartych wagach), a analizę wymagającą najwięcej „inteligencji” — najmocniejszym modelom w chmurze.
Na co uważać: Na uzależnienie od jednego dostawcy. Trzymaj przynajmniej dwie niezależne ścieżki dostępu, żeby zmiana cennika albo problem z kontem nie zatrzymały pracy.
5.Dobieraj agenta do zadania, nie odwrotnie
Na czym polega: Gdy poznajesz mocne strony poszczególnych modeli i harnessów, zaczynasz przypisywać kroki właściwym narzędziom: planowanie jednemu, wykonanie drugiemu. W systemie autora konkretne zadania mają przypisanych wykonawców — DeepSeek Harness, Codex, Paperclip czy OpenCode.
Jak stosować: Prowadź prostą mapę „typ zadania → narzędzie”. Przetestuj tę samą czynność na dwóch, trzech agentach i zostaw tego, który robi ją najtaniej i najpewniej.
Na co uważać: Najmocniejszy model wszędzie to przepalanie budżetu — nie każdy krok wymaga inteligencji z najwyższej półki.
6.Buduj interfejs pod własny przepływ pracy
Na czym polega: Korporacyjnych narzędzi nie da się ułożyć wokół jednej osoby; własny system — tak. Kanban autora przechwytuje pomysły z dyktafonu, AI je analizuje, człowiek zatwierdza, a resztę wykonują agenci.
Jak stosować: Zacznij od jednego wąskiego gardła (u autora: lawina pomysłów bez systemu ich przerabiania) i zbuduj wokół niego minimalny interfejs. Rozszerzaj dopiero, gdy pierwsza pętla działa.
Na co uważać: Klonowanie cudzych systemów bywa pułapką: jeśli nie odpowiadają twojemu sposobowi pracy, staną się kolejnym nieużywanym narzędziem.
7.Nie buduj od zera — sklejaj gotowe elementy
Na czym polega: Silnik już istnieje; zmienia się jedynie to, jak elementy na siebie oddziałują. Korzystanie z gotowych harnessów to nie kompromis, lecz świadoma strategia.
Jak stosować: Traktuj DeepSeek Harness, Codex, OpenCode czy Paperclip jako silniki wykonawcze, a własny wysiłek skup na tym, co naprawdę twoje: interfejsie i logice przepływu.
Na co uważać: Granica między gotowcem a własną warstwą musi być świadoma. Aktualizacje zewnętrznych elementów potrafią zmienić ich zachowanie, więc konfiguracje trzymaj w wersjonowanych kopiach.
8.Zaakceptuj tarcie — to element niezależności
Na czym polega: Gmail i WhatsApp pokazały, że wygoda potrafi zamknąć miliony ludzi w jednej usłudze mimo istnienia lepszych alternatyw. Z AI korporacje odtwarzają ten sam scenariusz. Recepta autora: zostać po stronie wymagającej wysiłku, ale bez męczarni na siłę.
Jak stosować: Gdy łatwiejsza opcja kusi, policz koszty odejścia za rok — dane, procesy, przyzwyczajenia. Jeśli są wysokie, to sygnał pułapki, nie wygody.
Na co uważać: Tarcie nie usprawiedliwia pracy od zera. Cała sztuka polega na równowadze między niezależnością a pragmatyzmem.
9.Wynieś system na własną chmurę i pozwól mu pracować bez przerwy
Na czym polega: System przeniesiony na prywatną chmurę może działać nieprzerwanie — jak menedżer projektów czuwający całą dobę, siedem dni w tygodniu, na lokalnym modelu i chmurowych subskrypcjach. Autor uważa ten układ za przyszłość pracy z AI.
Jak stosować: Gdy masz już działający lokalnie przepływ, przenieś go na własny serwer lub NAS i sprawdzaj efekty zdalnie — agenci wykonują zadania w tle.
Na co uważać: Stały dostęp agentów do twoich plików wymaga zabezpieczeń. Dostęp zdalny, uprawnienia i kopie zapasowe zaprojektuj od początku, a nie po pierwszym incydencie.
10.Najpierw opisz, jak chcesz pracować — potem każ AI to zbudować
Na czym polega: Warunkiem zbudowania własnego systemu nie jest biegłość w programowaniu, lecz jasność co do własnego sposobu pracy. Autor projektuje interfejsy, rysując je na kartce, a realizację zleca AI.
Jak stosować: Zapisz w kilku zdaniach swój dzienny przepływ pracy i jedno wąskie gardło. Przekaż ten opis agentowi i ulepszaj działający prototyp.
Na co uważać: Jeśli nie wiesz, jak chcesz pracować, AI zbuduje ci system według cudzych założeń — i wrócisz do punktu wyjścia, tylko droższego.
Redakcyjne tłumaczenie
Korporacje dogoniły open source — ale nie dogoniły niezależności
Korporacjom zajęło blisko dziewięć miesięcy, żeby dogonić open source. W końcu zbudowały to, co społeczność miała już od dawna: osobistych agentów AI. Wersje tego, co dają narzędzia takie jak OpenClaw, Air Maze, Paperclip czy OpenCode — czyli otwarte odpowiedniki korporacyjnych asystentów: Dot, Grok Bota i Muse. Różnica jest jednak fundamentalna. Duże firmy zatrzymują twoje dane i czytają je; o prawdziwej prywatności nie ma mowy. Tymczasem my przez wiele miesięcy korzystaliśmy z rozwiązań dających pełną suwerenność: pamięć agenta działała na naszym sprzęcie, model można było podmienić na dowolny — również na lokalny — a całą warstwę narzędziową, tzw. harness, dopasować dokładnie do własnych potrzeb.
(Informacja dodatkowa: „harness” to warstwa pośrednia między modelem językowym a twoim systemem — szkielet, który daje modelowi dostęp do terminala, plików i innych narzędzi; przykładami są OpenCode czy Codex. Pozostałe nazwy narzędzi podajemy za automatyczną transkrypcją nagrania i ich pisownia może odbiegać od oficjalnej.)
Był jednak jeden problem: tarcie. Trzeba było własny system najpierw doprowadzić do stanu, w którym po prostu działa. Korporacje poszły w drugą stronę — budują coś tak prostego, że poradzi sobie z tym każdy. Z ich perspektywy to logiczne: liczy się masowa adopcja. Infrastruktura zwraca się tylko wtedy, gdy AI używa jak najwięcej ludzi. I od razu zaznaczę: nie sprzeciwiam się temu, by AI trafiło do wszystkich. Od zawsze powtarzam na tym kanale, że każdy z nas powinien mieć własnego, lokalnego asystenta. Po prostu dziś korporacje oferują takich asystentów z mniejszym wysiłkiem wdrożenia niż własnoręcznie skonfigurowany system.
Prawdziwa cena: sprzęt, czas i wiedza
Żeby zobaczyć całość, trzeba połączyć kilka elementów. Pierwszy to koszt sprzętu — lokalne AI stale drożeje. Drugi to czas: odwykanie od korporacyjnych agentów i przyzwyczajenie się do niezależności wymaga miesięcy. Do tego dochodzi opór na starcie: trzeba zrozumieć, co w ogóle uruchomić, jak to skonfigurować i jak sprawić, żeby narzędzie realnie pracowało na twoją korzyść. To nie jest proste. W zamian dostajesz coś znacznie mocniejszego niż oferty korporacji — ale wymaga to zrozumienia i pracy. Za chwilę do tego wrócę, bo chcę pokazać, jakie możliwości daje open source w porównaniu z chmurą.
Buźka, która buduje zależność
Co oferuje chmura? Ślicznie zaprojektowanych osobistych agentów z uroczymi twarzyczkami, którzy mają być maksymalnie przyjaźni. To nadawanie AI ludzkiego oblicza — i robi się to celowo, bo bliskość rodzi więź, a więź przeradza się w zależność. Kalkulatora wymieniasz bez wahania: wyszedł nowy telefon, nowy model — nieważne. Ale gdy zaczynasz mieć z czymś relację, gdy ta rzecz nosi w sobie twoją pamięć, wie, kim jesteś i jak pracujesz, i jest wpleciona we wszystkie twoje obowiązki — odejście staje się naprawdę trudne. Masz z tą technologią relację.
A zbudowanie takiej relacji, takiej zależności, wymaga czasu. I przez ten czas kluczowe są dwie rzeczy: lokalne AI ma pozostać naprawdę drogie, a suwerenna alternatywa — naprawdę trudna. W ten sposób korporacje zdobywają większość ludzi. Gdyby uruchomienie czegoś lokalnie było banalne, robiłby to każdy. Kto z własnej woli wydałby więcej pieniędzy, został bardziej zależny i oddał więcej prywatności, gdyby nie wygoda — gdyby opór nie był aż tak duży? Niestety, dziś jest zbyt duży. Alternatywa, choć w gruncie rzeczy nie jest taka trudna, nadal wymaga więcej wysiłku niż włączenie asystenta w istniejącą subskrypcję OpenAI czy skorzystanie z narzędzia, które już siedzi w twoim systemie.
Budują na niepewności
Wkrótce ci agenci zaczną realnie pracować na twoją korzyść. Problem w tym, że nikt go do końca nie rozwiązał — wiele kwestii wciąż nie jest jasnych. Dla korporacji brak jasności to kłopot, ale czekanie, aż wszystko się wyjaśni, też jest kłopotem. I właśnie na tej niepewności, na tym, że AI jest czymś nowym i wymaga zrozumienia, korporacje opierają swoje strategie.
Uroczy asystent pomaga ci w codziennej robocie — i dziś na tym koniec. Cały sens tego etapu to usuwanie drobnych przeszkód, pogłębianie twojej zależności, uczenie się twoich nawyków i ulepszanie oprogramowania w kolejnych iteracjach. Natomiast w chwili, gdy używasz własnego, lokalnego systemu, w chwili, gdy mówisz: „chcę, żeby to działało inaczej” — wszystko może się zmienić. Bo teraz to ty decydujesz. Możesz tak dostroić system, żeby działał idealnie dla ciebie.
Mój system: od pomysłu do wykonania
Pokażę teraz kilka rzeczy, które buduję. Nie po to, żeby cokolwiek promować, tylko żebyście zobaczyli moje podejście do problemu — i zrozumieli, że nie jesteście uwięzieni między chmurą a open source.
To klasyczny kanban, ale z pewną różnicą. Część pracy wykonuje się za mnie: przechwytywanie pomysłu i zatwierdzanie go po analizie AI. Reszta dzieje się automatycznie. W etapie uwag i poprawek mogą pracować równolegle człowiek i AI.
I najważniejsze: nie musiałem budować wszystkiego od zera. System działa na gotowym silniku — DeepSeek Harness. Ja zmieniam jedynie to, jak poszczególne elementy na siebie oddziałują. Mogę też w każdej chwili podmienić to, co pracuje w tle. To zadanie wykonuje agent planujący w DeepSeek Harness, tamto — Codex. Mogę wybrać inny system: Paperclip, OpenCode. Jako edytor może mi posłużyć VSCodium — odpowiednik VS Code bez telemetrii Microsoftu — albo Cursor.
Po co mi to i dlaczego o tym mówię? Bo mam problem: mnóstwo pomysłów. Chcę je przechwytywać i zamieniać w coś konkretnego — produkt, usługę, cokolwiek. To jest wyzwanie. Popatrzcie — pomysłów jest bez liku, lista się nie kończy. Chcę, żeby z tego powstało coś realnego: z takim interfejsem, taką architekturą i taką kontrolą, jaką tu widać. Korporacyjnych rozwiązań nie da się tak ułożyć, bo ten system jest zbudowany wokół mnie — wokół moich potrzeb. Podpinam dyktafon do maszyny, wszystko zostaje przechwycone, każdy nagrany fragment może stać się elementem listy zadań i przejść analizę. Gdy zatwierdzę, system rusza.
Agenci na zawołanie
Potrzebuję też innego rodzaju agentów. To mój agent wspomagający (ang. augmented agent) — akurat w tej chwili pracuje na moim NAS-ie, kopiuje pliki i robi kopie zapasowe. Mam ich kilku. Mogę po prostu zapytać: „Jaka jest stolica Francji?” — i póki agent łączy się z moją lokalną maszyną i myśli, mam sobie małą animowaną ćme do oglądania. „Stolicą Francji jest Paryż.” No właśnie. O to chodzi: tak łatwo mogę tych agentów przywoływać i z nimi pracować. I znowu — nie zbudowałem całego systemu od podstaw. Zbudowałem interfejs, który działa dla mnie. Mogę używać różnych harnessów: przełączam się między DeepSeek Harness Pi a Codexem. Podmieniam technologię, która pracuje pod spodem — i to jest niesamowicie mocne. Nie muszę zamykać się w jednym systemie; w każdej chwili mogę dodać innego agenta.
Chmura prywatna i praca hybrydowa
Teraz przenoszę to wszystko na moją prywatną chmurę. Chodzi o to, żeby taki menedżer projektów pracował dla mnie całą dobę, siedem dni w tygodniu — korzystając z mojego lokalnego modelu, ale też z chmurowych subskrypcji. Ten hybrydowy sposób pracy uważam za przyszłość, a wdrażanie open source za wyjątkowo ważne.
Nie dajcie się złapać na haczyk wygody. Widzieliśmy to już wielokrotnie: najpierw pułapka Gmaila — dziś każdy „musi” mieć konto Google. Potem WhatsApp — alternatyw jest mnóstwo, lepszych, ale wszyscy siedzą w tym jednym. Korporacje odtwarzają teraz dokładnie ten sam scenariusz, tyle że z AI.
Jak się chronić: zostań przy tarciu
Jak się przed tym chronić? Zachowaj tarcie. Zostań po tej stronie, na której coś kosztuje. Zaakceptuj, że nie będzie łatwo i że trzeba będzie popracować. Ale to nie znaczy, że musisz zaczynać od zera — jak mówiłem, opieram się na tym, co już istnieje. Z narzędzi open source korzystam z DeepSeek, Pi, Paperclip czy Hermes. Z chmurowych — np. Codex, który jest naprawdę świetny. A ceny tych subskrypcji, trzeba uczciwie przyznać, wciąż nie są wygórowane.
Dwie rzeczy, które trzeba rozdzielić: harness i model
Rozjaśnijmy jedną kwestię. Są tu dwa elementy: harness i model. Harness musi działać na twoim sprzęcie. Niewiele kosztuje albo nic, a daje ci pełną niezależność. Model to ta droga część. Droga, bo jeśli chcesz go uruchamiać lokalnie, potrzebujesz potężnej maszyny. Ale możesz podejść hybrydowo: mniejsze modele na twoim sprzęcie, większe — w chmurze, przez API. Mieszać na różne sposoby. I nie uzależniaj się od jednej korporacji. Subskrypcja OpenAI jest naprawdę dobra, niedroga i daje dostęp do potężnych modeli. Są też inne: GLM, DeepSeek — modele open weight są bardzo dobre i tanie.
(Informacja dodatkowa: „open weight” oznacza modele o publicznie udostępnionych wagach — można je uruchamiać lokalnie albo u wybranego dostawcy, często za ułamek ceny modeli zamkniętych.)
Im lepiej poznajesz te narzędzia, tym trafniej dobierasz zadanie do agenta. Na przykład w moim systemie analizą wysokopoziomową zajmuje się Codex, a pozostałe kroki wykonują inne harnessy i modele. Na ekranie widać, jak wiele modeli mam dostępnych — część lokalnie, część w chmurze.
Nie ma jednej słusznej drogi — jest twoja
W momencie, w którym zrozumiesz, że nie istnieje jeden słuszny sposób, tylko twoja własna ścieżka — i nią pójdziesz — będzie ci lepiej. Nie przyjmuj gotowych asystentów ani od korporacji, ani od społeczności open source. Zrozum, co chcesz budować. Mnie osobiście potrzebne jest takie połączenie z tą technologią, które realnie mi pomaga. System, który zbudowałem sam, używam najczęściej, bo w każdej chwili mam jakieś pytanie albo decyzję do podjęcia — i po prostu rozmawiam z moim agentem. To, że mogę go przywołać skrótem klawiszowym, jest niesamowite. A to, że wszystko działa lokalnie na mojej maszynie — po prostu to kocham.
Zrozum, jak lubisz pracować, zrozum, czego potrzebujesz — a potem to zbuduj. Użyj AI do budowy. Jedno musi być jasne, zanim zaczniesz: to, jak ty chcesz pracować. Zapisz to. A potem każ AI to zbudować.
Pracuję właśnie nad nowym interfejsem do czegoś, co niedługo pokażę. I sposób, w jaki go tworzę, jest banalny: rysuję. Biorę kartkę i mówię: „ma wyglądać tak”. Zapowiada się ekscytująco, więc subskrybuj kanał — to będzie coś zewnętrznego, namacalnego, co zobaczycie na własne oczy.
Na koniec: wspólnota pionierów
Jest jeszcze jedna rzecz, którą chcę wam przekazać. Istnieje wspólnota pionierów AI — ludzi takich jak wy. Spotykamy się, pokazujemy sobie, co budujemy, uczymy się od siebie i budujemy razem. Link w opisie filmu. Do zobaczenia na Discordzie. Dzięki, że zostaliście do końca. Obejrzyjcie następny film — i ciao!