O czym jest ten film
- Przez ostatnie pół roku AI zmieniło status: z narzędzia, z którego trzeba było coś wyciągać, zrobiło się coś w rodzaju stałego pracownika działającego w tle.
- Boris Cherny, twórca Claude Code, korzysta z Claude głównie przez Slacka — i wraz z innymi ludźmi z Anthropic pozwala agentom pracować samodzielnie przez całe tygodnie.
- Na najświeższych danych z wnętrza Anthropic AI pisze już ponad 80% kodu włączanego do repozytoriów firmy.
- Nową umiejętnością jest według autora „projektowanie ról” (role engineering): delegowanie zadań AI tak jak ludziom, zamiast doskonalenia promptów.
- Recepta Anthropic brzmi: traktuj Claude jak zdolnego, ale nowego pracownika — daj mu cel, tło i wzorzec dobrej pracy.
- Cele powinny spełniać ramkę SMART, a dla agenta najważniejsza jest mierzalność — tylko wtedy model może sam zweryfikować swoją robotę.
- Tłem dla agenta ma być stała baza wiedzy (u autora ponad 50 tys. rekordów), a nie kontekst składany od nowa przy każdej sesji.
- Nie da się kazać AI „zrobić coś dobrze” bez wzorca — trzeba wykonać zadanie choć raz samemu i ten przykład pokazać modelowi.
- Agentów trenuje się w pętli (5–10 powtórzeń, lista poprawek), aż wykrystalizują się zapisane procedury; sam trening zajmuje autorowi około połowy dnia.
- Koszty tokenów potrafią wymknąć się spod kontroli (2500 dol. dziennie w skrajnym przypadku autora), więc potrzebny jest audyt wydatków: dobór modelu do zadania, buforowanie promptów, API wsadowe i jeden agent dla całego zespołu.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Deleguj AI jak pracownika, nie jak narzędzia
Na czym polega: nowoczesne modele są na tyle sprawne, że liczy się już nie komponowanie promptu, lecz klasyczne delegowanie: cel, tło, wzorzec efektu i zaufanie. Anthropic samo zaleca traktowanie Claude jak genialnego, ale nowego pracownika, który nie zna waszych procesów.
Jak stosować: przy każdym zadaniu zadaj sobie pytania, jakie stawia się nowej osobie w zespole: co ma powstać, skąd potrzeba się wzięła, po co komu, jak wygląda dobry efekt i czego unikać. Dopiero z takim pakietem otwieraj rozmowę z modelem.
Na co uważać: swobodne delegowanie nie zwalnia z precyzji. „Zrób coś ładnego” to nie cel, tylko przypuszczenie — agent będzie zgadywał, a każde zgadywanie kosztuje czas i tokeny.
2.Cel musi być mierzalny — inaczej agent nie sprawdzi własnej roboty
Na czym polega: w ramce SMART (konkretny, mierzalny, osiągalny, istotny, terminowy) dla agentów kluczowa jest mierzalność. „Ulepsz stronę” nie da się zweryfikować; „strona główna ma się ładować na iPhonie w niecałe 2 sekundy” — jak najbardziej.
Jak stosować: zanim zlecisz zadanie, nazwij kryterium, które da się obiektywnie sprawdzić (czas ładowania, liczba błędów, zgodność ze wzorcem). Jeśli nie potrafisz go sformułować, najpierw doprecyzuj samo zadanie.
Na co uważać: mierzalny cel powinien być też osiągalny i wyznaczony w czasie. Cel bez terminu agent będzie realizował w nieskończoność — a rozliczani z tokenów będziecie wy.
3.Zbuduj bazę wiedzy zamiast składać kontekst od zera
Na czym polega: zamiast wklejać tło do każdej rozmowy, trzymaj je w stałej bazie, do której agent ma ciągły dostęp. Autor zgromadził ponad 50 tys. rekordów: maile, transkrypcje, wszystkie historyczne sesje z modelami, logi z GitHuba.
Jak stosować: zacznij od jednego repozytorium wiedzy, które agent potrafi przeszukiwać, i podłączaj je do sesji. Każdą sensowną decyzję i każdy udany wątek zapisuj tam od razu, żeby kontekst rósł sam.
Na co uważać: baza bez higieny zamienia się w magazyn nieaktualnych notatek — agent wyciągnie też przestarzałe informacje. Warto regularnie robić porządki i oznaczać, co straciło ważność.
4.Zrób zadanie raz sam — to będzie twój wzorzec jakości
Na czym polega: polecenie „zrób to dobrze” nic nie znaczy, bo model nie zna twojej definicji „dobrze”. Potrzebuje przykładu najwyższej jakości — a żeby go mieć, zwykle trzeba wykonać pracę własnoręcznie przynajmniej raz.
Jak stosować: przed oddelegowaniem powtarzalnego procesu przejdź go sam raz od początku do końca i zachowaj wynik jako wzorzec. Potem zlecaj: „ma być zrobione dokładnie tak jak tutaj”.
Na co uważać: wzorcowanie opłaca się tylko przy zadaniach, które będą się powtarzać. Według autora to i tak najlepiej zainwestowany czas w całym procesie — ale nie warto go marnować na robotę jednorazową.
5.Trenuj agenta w pętli, aż wykrystalizują się procedury
Na czym polega: pojedynczy dobry wynik to za mało. Zleć to samo zadanie 5–10 razy, oceń efekty jak prace podwładnego, zbierz listę konkretów do poprawy i każ zamykać je w kolejnych przebiegach. Efekt: zapisane SOP-y, które można podawać kolejnym agentom latami.
Jak stosować: prowadź listę uwag per zadanie („w zadaniu A zrobiłeś tamto — nie podoba mi się; w zadaniu B zabrakło X, Y, Z”). Całą listę przekazuj modelowi do następnego przebiegu i zapętlaj, dopóki nie zamknie wszystkich punktów.
Na co uważać: pętla zjada tokeny i czas — autor szczerze przyznaje, że sam feedback do agentów zajmuje mu połowę dnia. Trenuj tak tylko procesy o dużej wartości; błahe zadania deleguj od ręki.
6.Nowy model to „darmowa podwyżka” — testuj na własnych zadaniach
Na czym polega: przejście z jednej wersji modelu na następną nie da, zdaniem autora, +10% kompetencji, lecz nawet +100% przy zdecydowanym spadku liczby błędów. Wyćwiczone procedury i baza wiedzy zostają, więc cała ta wartość przenosi się na nowszy model.
Jak stosować: trzymaj stałą listę rutynowych zadań agenta. Gdy pojawia się nowa wersja modelu, przepuść tę listę przez starą i nową wersję, porównaj jakość i koszty — o migracji decyduj na własnych danych.
Na co uważać: wyniki w ogólnych testach nie muszą się potwierdzić na twoich konkretnych zadaniach. Własny benchmark jest ważniejszy niż publiczne rankingi.
7.Dopasuj model do zadania jak stopień do roli
Na czym polega: tak jak nie posyła się seniora na juniorską robotę (ani odwrotnie), tak nie trzeba najdroższego modelu do wszystkiego. Haiku — proste zadania, Sonnet — codzienna praca umysłowa, Opus — praca, od której naprawdę zależy wynik firmy.
Jak stosować: podziel swoje zadania na trzy koszyki: rutynowe, standardowe i strategiczne. Przypisz im modele i pilnuj, żeby agenci korzystali z właściwego.
Na co uważać: oszczędność na modelu bywa pozorna — przy zadaniu o wysokiej stawce koszt pomyłki przewyższa oszczędność na tokenach.
8.Nie przepalaj zniżki z buforowania promptów
Na czym polega: w API Anthropic kolejny prompt złożony w krótkim odstępie od poprzedniego rozliczany jest według 5–10% zwykłej stawki. To zachęta do kompresowania sesji w czasie; długie przerwy między sesjami oznaczają pełne stawki.
Jak stosować: pracuj blokami — planuj sesje, w których te same materiały (instrukcje, dokumentacja) powtarzają się jedna po drugiej, zamiast rozrzucać pytania na cały dzień.
Na co uważać: zniżka dotyczy powtarzającego się wspólnego początku rozmowy. Jeśli zmieniasz go przy każdej sesji, buforowanie nic ci nie da.
9.Zadania z 24-godzinnym luzem zlecaj nocą, paczką
Na czym polega: dostawcy AI, w tym Anthropic, oferują API wsadowe: wysyłasz dużą porcję zadań na noc, a system wykonuje je w momentach niskiego obciążenia procesorów graficznych — taniej i bez twojego udziału.
Jak stosować: wydziel pracę, która nie musi być gotowa od ręki (raporty, przetwarzanie danych, porządki w bazie), i wysyłaj jednym rzutem na noc. Rano odbierasz wyniki.
Na co uważać: tryb wsadowy nie służy niczemu interakcyjnemu — w trakcie realizacji nie pogadasz z agentem ani nie skorygujesz kursu.
10.Jeden agent dla zespołu zamiast pięćdziesięciu „etatów”
Na czym polega: koszty potrafią wymknąć się spod kontroli — autor w skrajnym przypadku wydał 2500 dol. tokenów w jeden dzień, co w przeliczeniu daje ponad pół miliona rocznie. Jeden agent, wpięty we wspólny kanał komunikacji, pokrywa według niego 80% zadań.
Jak stosować: podepnij Claude lub innego agenta do Slacka bądź Teamsów, ustal zasady korzystania i trzymaj wspólne procedury oraz kontekst, żeby cały zespół pracował na tej samej wiedzy.
Na co uważać: rachunek przeglądaj jak budżet działu — regularny audyt wyników i kosztów to stały element zarządzania agentami, nie jednorazowa akcja.
Redakcyjne tłumaczenie
Od narzędzia do stałego pracownika
Boris Cherny, twórca Claude Code, korzysta dziś z tego narzędzia głównie przez Slacka — nie przez terminal ani dedykowane okno czatu. Podobny kierunek widać w aplikacjach dla zwykłych użytkowników: Grok Bot, Muse, Dots i tak dalej. Przez ostatnie pół roku AI przestało być narzędziem, z którego trzeba było coś wyciągać — a stało się kimś w rodzaju stałego pracownika. Jeszcze półtora roku temu sporo się o tym rozpisywano, każdy drugi opowiadał, jak to „pracownicy AI prowadzą moją firmę”, ale dziś naprawdę jesteśmy w tym punkcie. Uznałem więc, że warto porozmawiać o przejściu od klepania promptów do zarządzania AI. Ostatnie siedem lat budowałem systemy AI i zarobiłem na tym miliony dolarów, więc chcę wam opowiedzieć o tej zmianie — i o czymś, co nazywam „projektowaniem ról” (role engineering).
Jak pracują sami twórcy Claude
Co to konkretnie znaczy — przejście od narzędzia do stałego pracownika? Boris Cherny i inni ludzie z Anthropic wielokrotnie mówili już publicznie, że dają Claude zadanie, a potem pozwalają mu pracować samodzielnie przez całe tygodnie. W tle. Co jakiś czas zaglądają, jak idzie, coś korygują, dopracowują z nim efekt końcowy. Nie siedzą przy Claude non stop. Nie czekają na każde jego słowo. Po prostu są w tej samej firmie — a Claude co jakiś czas podchodzi i pyta: „Dobrze?”. Oni odpowiadają: „Dobrze” — i każdy wraca do swojego. Skutek? Na najświeższych danych, sprzed zaledwie kilku dni, AI pisze w samym Anthropic ponad 80% całego kodu włączanego do repozytoriów — w sesjach o ekstremalnie długim kontekście, o których już wspominałem.
Koniec inżynierii promptów
Przed tą zmianą główną umiejętnością było to, jak sformułować polecenie. Tak właśnie działała inżynieria promptów: mnóstwo wyszukanych sformułowań i niezłych systemów do generowania promptów, dzięki którym dało się zmusić AI do zrobienia tego, czego się chciało. Dziś, gdy modele są tak uniwersalne i sprawne, chodzi o to, żeby nic z tego nie robić — dokładnie tak, jak nie dyktuje się pracownikowi każdego zdania. Człowiekowi w zespole daje się zarys zadania i ufa, że zrobi je dobrze. Uderzająco podobnie wygląda dziś praca z Claude.
Recepta Anthropic: zdolny, ale nowy pracownik
Jak to robić w praktyce? Po pierwsze: przeczytajcie nowy poradnik Anthropic z zaleceniami. Piszą tam wprost — cytuję: „Traktuj Claude jak genialnego, ale nowego pracownika, który nie zna waszych norm ani waszych procesów.” Jeśli nigdy nikogo nie zatrudnialiście (ja robiłem to kilka razy), te zalecenia sprowadzają się do prostego pakietu: daj Claude cel; daj całe tło, jakie potrzebuje, żeby rozumieć, na czym cel polega, skąd się wziął i po co go chcesz; a do tego pokaż przykład naprawdę porządnej pracy. No i oczywiście błędy, których chcesz uniknąć.
Jak to zrobić? Ramka SMART — dokładnie ta sama, którą menedżerowie posługują się przy delegowaniu od około pół wieku. Skrót pochodzi od angielskich specific, measurable, attainable, relevant, time-bound: cel ma być konkretny, mierzalny, osiągalny, istotny i wyznaczony w czasie. Zadanie musi mieć wszystkie pięć cech, żeby miało sens. Dla agenta najważniejsza jest mierzalność — bo to, co mierzalne, jest zarazem weryfikowalne, a tylko wtedy agent może sam sprawdzić swoją pracę i ocenić, czy zrobił to, czego oczekiwano. Zlecenie w stylu „zrobisz mi stronę lepszą?” celem mierzalnym nie jest; agent nie ma się czego uchwycić. Ale „chcę, żeby strona główna ładowała się na iPhonie w mniej niż dwie sekundy” — i nagle wszystko jest jasne.
Baza wiedzy zamiast klejenia kontekstu
Jak przekazać tło? Przez bazę wiedzy. Nakręciłem o tym osobny film kilka dni temu. Moja baza przechowuje ponad 50 tysięcy moich rekordów: wszystkie maile, transkrypcje wszystkich nagrań (takich jak to, które właśnie oglądacie), wszystkie sesje z AI — każdą rozmowę, jaką kiedykolwiek prowadziłem z Claude, ChatGPT czy innymi modelami — a do tego cała reszta: logi commitów z GitHuba, wszystkie repozytoria, cokolwiek chcecie. Chodzi o to, żebym nie musiał układać kontekstu od zera przy każdej rozmowie, jak kazała „inżynieria kontekstu”, następca inżynierii promptów. Agent po prostu nieustannie ma dostęp do wszystkiego, czego potrzebuje, żeby rozumieć moje motywacje i cele.
Wzorzec dobrej roboty trzeba pokazać, nie opisać
Na koniec tego pakietu: pokaż przykłady pracy, która ci się naprawdę podoba. Ludzie nie doceniają tego, że nie można po prostu kazać AI „odrobić robotę na medal”, bo model nie wie, co „medal” oznacza w twoim świecie. Musi mieć punkt odniesienia, coś, z czym porówna wynik. A to niestety oznacza, że dane zadanie trzeba zrobić przynajmniej raz samemu. Bardzo to rekomenduję. Ten czas to prawdopodobnie najlepiej zainwestowane godziny w twoim życiu — i, jeśli zrobisz to dobrze, ostatni raz, w którym to zadanie wykonujesz osobiście. Potem przekazujesz AI przykład i mówisz: „chcę, żeby wyglądało dokładnie tak”. Zrobione z głową — da znakomity rezultat.
I to jest dziś naprawdę awangarda wykorzystania AI w pracy umysłowej. Szczerze mówiąc, wolałbym przesadzać. Wolałbym to zmyślać. Sam jeszcze rok albo dwa lata temu wyśmiewałem ludzi, którzy tak właśnie mówili. Serio, człowieku? Prowadzisz całą firmę pełną takich „agentów AI”? Przecież te rzeczy nie umiały odpowiedzieć na maila, nie wciskając w niego czterech tysięcy półpauz. A jednak właśnie tu jesteśmy. Nie ma żadnej tajnej recepty. Traktujesz AI jak pracownika w firmie, zapewniasz mu dostęp do całej wiedzy — przez bazę wiedzy i konektory do potrzebnych usług — a resztę ogarniają dziś za ciebie narzędzia pokroju Grok Bota, Dots czy Muse, po cichu, w tle.
Trzy przykłady z Anthropic
Nie wierzycie? Proszę bardzo — przykłady tego, jak ludzie z Anthropic i innych firm faktycznie używają tego podejścia.
Boris Cherny chciał przepisać aplikację desktopową Claude na Swifta, inny język programowania. Jego prompt brzmiał dosłownie: „Przepisz aplikację Electron na Swifta. Uruchom wersję Electron w wirtualnym interfejsie Maca, zrób zrzuty ekranu i porównaj piksel po pikselu z wersją w Swifcie. Nie przerywaj, dopóki nie skończysz.” To działało ponad dwa tygodnie.
Albo takie coś: Claude sam wskakuje w wątek na Slacku i skleja dane z kilku różnych narzędzi w jedną odpowiedź. Boris poprosił w sumie o tyle: „Zrobisz jakieś projekty? Zarysuj mi to.” Powiedzcie, że nie tak właśnie zwracacie się do pracownika.
Nick Carlini, badacz z Anthropic, kazał szesnastu agentom Claude budować razem z nim kompilator C. Powiedział im dosłownie: „Działajcie, dopóki nie będzie idealnie.” I znowu: jakieś dwa tygodnie pracy. Niczego trudnego do wyobrażenia, prawda? Claude to po prostu kolejny pracownik w organizacji — i dopóki traktujecie go z takim samym szacunkiem jak każdego innego członka zespołu, zrobicie razem mnóstwo.
Trening w pętli, czyli jak powstają SOP-y
Gdy Claude zaczyna robić dla was takie rzeczy, czas go wytrenować. Nie każcie mu wykonać zadania raz — niech wykona je pięć, dziesięć razy. Tak jak oceniacie wyniki pracownika, tak musicie oceniać wyniki Claude. Wyjdzie to w sporych tokenach i zapewne w więcej czasu, niż byście chcieli — ale przynajmniej na razie jest to kluczowe.
Waszym zadaniem jest wtedy przejrzeć wszystkie wyniki, wziąć średnią i wskazać kierunki poprawy. I nie poprzestawajcie na tym. Mówicie: „W zadaniu A zrobiłeś tamto — nie podoba mi się. W zadaniu B zabrakło ci X, Y, Z; zmieniamy to przy następnym podejściu. W zadaniu C znowu robisz to-i-to…”. Składacie z tego sporą listę konkretnych poprawek, podajecie ją Claude i zapętlacie, dopóki nie zamknie wszystkich punktów. Gratulacje: właśnie zdobyliście zinstytucjonalizowane SOP-y — to samo, co w zarządzaniu i szkoleniach uchodzi za świętego Graala, z tą różnicą, że macie to spisane w formacie, który przez najbliższych pięć–dziesięć lat możecie podać każdemu agentowi, a on odtworzy to, co właśnie zrobiliście.
Ta praca zajmuje mi dziś jakieś 50% dnia i wcale nie ściemniam. Cały dzień wymyślam formaty treści, wdrożenia, systemy do zbudowania — deleguję to paczce agentów i subagentów Claude, po czym siedzę i mówię, co bym poprawił w X, Y i Z. W pewnym sensie ja trenuję je tak samo mocno, jak one trenują mnie.
„Darmowe podwyżki” i własny benchmark
Kiedy ten etap macie za sobą, dostajecie pracownika, który ulepsza się sam — praktycznie całe życie. Ludzie w organizacjach z czasem robią się sprawniejsi, poznając firmę od podszewki; pomnóżcie to przez tysiąc. Gdy Opus 5.5 zamieni się w Opusa 6, nowy model nie będzie o 10% lepszy. Na wielu zadaniach będzie sprawniejszy o całe 100%, a liczba błędów spadnie na poziomy, których dziś jeszcze nie widzimy.
Najprostszy sposób, żeby to śledzić: weźcie listę zadań, które agent wykonuje rutynowo, i zapiszcie gdzieś. Gdy wychodzi nowy model, przepuśćcie tę samą listę przez oba i zmierzcie różnicę. Od razu zobaczycie, o ile lepszy jest nowy — a przy okazji porównacie koszty.
Rachunek, który potrafi zaboleć
No właśnie, koszty — czas na gorszą część. Kilka dni temu zostawiłem w tokenach jakieś 2500 dolarów, w kilku sesjach Claude. Po pomnożeniu przez dwadzieścia dni roboczych w miesiącu wychodzi około 50 tysięcy dolarów, czyli ponad pół miliona rocznie. Zapewne jestem przypadkiem skrajnym, bo siedzę w AI po uszy i nie zamierzam zatrudniać nikogo, kogo zatrudniać nie muszę. Ale rachunki potrafią urosnąć do sporej wielkości, zwłaszcza gdy chcecie mieć rzeczy zrobione szybko i od ręki, po cenach API.
Dlatego kolejna warstwa to — zupełnie jak przy ludziach — regularny audyt wyników i zarządzanie kosztami. Sposobów jest wiele, ale dziś polecam przede wszystkim te:
Dobierz model do zadania. Tak jak nie posyła się seniora na robotę dla juniora ani juniora na zadania seniorskie, tak Haiku wystarczy do prostych, oczywistych rzeczy, Sonnet — do zwykłej, codziennej pracy umysłowej, a Opus — do tej najwyższej półki, od której naprawdę zależy los firmy. (Informacja dodatkowa: Haiku, Sonnet i Opus to trzy klasy modeli Claude — od najtańszego i najszybszego po najmocniejszy.)
Nie przepalajcie zniżek z buforowania promptów. Jeśli w określonym oknie czasowym wyślecie do Claude kolejny prompt, ten drugi kosztuje was już tylko 5–10% zwykłej stawki. Ten mechanizm nazywa się prompt caching i ma zachęcić prowadzących ciężkie sesje robocze, by kompresować je w czasie — wtedy użycie Claude jest przewidywalne. Jeśli między sesjami robicie długie przerwy, koszty rosną. (Informacja dodatkowa: zniżka dotyczy powtarzającego się wspólnego początku rozmowy — np. instrukcji i dokumentacji — rozliczanego taniej, dopóki sesje następują po sobie w niedługim odstępie.)
Odroczcie albo puśćcie paczką. Jeśli coś nie musi być zrobione natychmiast — powiedzmy, że akceptujecie termin dłuższy niż 24 godziny — można to odłożyć, a nawet wysłać wsadowo. Anthropic i wielu innych dostawców ma dziś API batch: wysyłacie wieczorem dużą porcję zadań i rano budzicie się z gotowcem. Dostawcy po prostu kierują te zlecenia w momenty, gdy ich procesory graficzne stoją nieużywane.
I po prostu pilnujcie rachunku. Tak jak nie zatrudnilibyście pięćdziesięciu ludzi nie konsultując tego z działem finansów, tak nie powinniście „zatrudniać” pięćdziesięciu Claude’ów. Realistycznie: jeden agent ogarnia dziś jakieś 80% waszych zadań. Można też wpiąć Claude albo innego agenta bezpośrednio w kanał komunikacji zespołu — i niech wszyscy zadają pytania temu jednemu.
Na koniec
Mam nadzieję, że się podobało. Okazje w AI przybywają i rosną — ale maleje czas, w którym da się je wykorzystać. Jeśli chcecie się tego nauczyć i zbudować firmę sprzedającą takie rozwiązania realnym klientom, zajrzyjcie do Maker School — link w opisie. To mój 90-dniowy program z rozliczaniem postępów, z gwarancją: pierwszy płacący klient na usługę AI lub automatyzacji w 90 dni albo zwracam wam wszystkie pieniądze. Tak prosto. Poza tym napiszcie w komentarzu, o czym mam nagrać następny film — większość pomysłów czerpię od widzów. Łapka w górę, subskrypcja — do zobaczenia następnym razem.