O czym jest ten film
- Pytanie „co wdrożyłeś dzięki AI?” jest źle postawione — mierzy artefakt, a nie realną zmianę w sposobie pracy.
- Prawdziwa wartość AI to codzienna augmentacja, która kumuluje się w czasie (efekt składany 20% dziennie).
- Autor pokazuje konkretne przykłady: instalację oprogramowania przez agenta, mikroaplikacje do transkrypcji „myślenia na głos” i zarządzania serwerem GPU.
- AI pomogło mu też uporządkować i doprecyzować własną filozofię przez zadawanie pytań — bez „myślenia za niego”.
- Autor dzieli zastosowania AI na cztery poziomy: asystent osobisty, strateg/analityk, kodowanie oraz skalowanie.
- Porównuje modele lokalne (suwerenność, prywatność) i chmurowe (brutalna siła i duży kontekst) — oba mają sens, najlepiej hybrydowo.
- Rekomenduje harness Hermes do kontroli modeli lokalnych i tanie wejście przez subskrypcję ChatGPT jako „ścieżkę najmniejszego oporu”.
- Kwestionuje marketing Anthropic i OpenAI jako „jedynego słusznego” wyboru w kodowaniu; wskazuje na modele bez „barierek”, jak GLM 5.2 czy Kimi K2.
- Cel to augmentacja, a nie zastępowanie ludzi — i dobrze, że AI zawodzi w zastępowaniu człowieka.
- Zadanie na tydzień: wypróbować lokalny model i sprawdzić, czy wystarcza jako osobisty asystent.
Redakcyjne tłumaczenie
Złe pytanie
Nie wiem, czy ktoś zadał ci już pytanie: „co właściwie wdrożyłeś dzięki AI?”. Wraca ono nieustannie, a dla mnie jest całkowicie chybione. Ludzie zadają je z jednym celem — żeby udowodnić, że AI jest bezużyteczne. Jest błędne, bo zakłada, że wartość AI wiąże się z artefaktem, który powstaje w pracy z nim.
Prawdziwe pytanie nie brzmi jednak „co wdrożyłeś”, lecz „co zmieniło się w sposobie, w jaki pracujesz”. To jest realna zmiana, której właśnie doświadczamy.
Co robi teraz mój agent
Zanim opowiem więcej o tym, co można robić z AI, pokażę coś, co mój agent robi w tej chwili. Chciałem zainstalować VS Codium na moim pececie z Linuksem i na Mac mini — używam do tego Hermesa. To jest ta sesja. Jeszcze jej nie przeczytałem, bo dopiero się zakończyła, ale celem było dodanie VS Codium wraz z Hermesem oraz narzędziami open code i code X, tak abym miał dostęp do tych agentów wewnątrz tego programu.
(Informacja dodatkowa: VS Codium to wersja edytora VS Code pozbawiona telemetrii Microsoftu. Autor poleca ją przetestować.)
Zadaniem mojego AI nie było więc stworzenie artefaktu, lecz rozwiązanie problemu za mnie. Problem — trzeba to jeszcze sprawdzić — wygląda na rozwiązany, bo widzę, że na Mac mini instaluje się VS Codium. Muszę tylko zweryfikować, czy Hermes, open code i code X działają w nim poprawnie. Sam projekt znajduje się fizycznie na Mac mini, ale mam do niego dostęp z komputera z Linuksem. To może brzmieć banalnie, ale sam nie miałbym pojęcia, jak to zrobić — a mimo to teraz po prostu działa.
Mikroaplikacje, które usuwają tarcie
Chcę pokazać jeszcze dwie rzeczy. Widzisz tę zieloną i czerwoną ikonę? To dwie mikroaplikacje, które zaprojektowałem dla swojego systemu. Ta niewielka aplikacja ma bardzo konkretną funkcję. Wychodzę do parku, myślę, nagrywam swoje myśli, wracam, podłączam urządzenie bezpośrednio do komputera — i to oprogramowanie uruchamia się automatycznie. Kopiuje plik MP3, zapisuje go w folderze, transkrybuje nagranie, sprawdza poprawność transkrypcji, a następnie za pomocą określonego protokołu przeprowadza analizę i weryfikuje, czy wszystko, co powiedziałem podczas sesji „myślenia na głos”, trafiło do analizy. Potem ta analiza jest dodawana do mojego „drugiego mózgu” w Obsidianie. Mam już mnóstwo takich analiz.
Każdy pojedynczy plik zająłby co najmniej 15–20 minut, gdybym korzystał z AI, ale bez tej automatyzacji — czyli sam kopiował plik, transkrybował, kopiował transkrypcję, robił analizę i dodawał ją do Obsidiana. AI wykonuje całą tę pracę transkrypcji i analizy, która ręcznie byłaby szalonym nakładem czasu. Dzięki AI robię to wszystko, zajmując się jednocześnie czymś innym. Jest też sposób, żeby podejrzeć status — klikam tutaj i widzę, co się właśnie dzieje. To dla mnie niesamowicie potężne narzędzie.
Drugą rzeczą, której używam codziennie, jest mikroaplikacja do zatrzymywania i uruchamiania serwera Qwen. Muszę go wyłączać za każdym razem, gdy chcę nagrać wideo albo montować w DaVinci Resolve, bo do montażu i nagrywania wykorzystuję kartę RTX 5090. Dlatego zatrzymuję i uruchamiam serwer jednym małym przyciskiem. Znów chodzi o usuwanie tarcia.
Efekt składany augmentacji
To tylko część rzeczy, które robię z AI — praca jest w rzeczywistości znacznie większa. Zastanówmy się nad tym, co przed chwilą zobaczyliśmy. AI to nie był sam artefakt. To był efekt składany korzyści, które dostajesz, gdy masz AI wykonujące codzienną augmentację. Oszczędzasz energię. Podejmujesz decyzje oparte na wiedzy, bo używasz AI do researchu — masz więc dostęp do większej ilości wiedzy. Usuwasz tarcie. AI codziennie wykonuje za ciebie mikrozadania. To się kumuluje.
Dziś to tylko niewielka przewaga. Ale za tydzień, miesiąc, rok ten efekt składany — te 20% augmentacji, które dostajesz każdego dnia — robi ogromną różnicę. Nie chodzi więc o pojedynczy artefakt. To nie strona internetowa ani mała aplikacja. To wszystko razem. To jest augmentacja, której doświadcza większość ludzi — a większość ją przegapia. Mówią: „AI nic nie potrafi, nie zastąpi mnie”. Owszem, AI zawodzi w zastępowaniu człowieka — i powinniśmy to świętować. Dobrze, że nie może nas zastąpić. Ale może nas wzmacniać.
Cztery poziomy zastosowań
Wyróżniłem cztery poziomy dla czterech scenariuszy użycia.
Pierwszym, z którego powinien korzystać każdy, jest asystent osobisty — mniej więcej to, co dziś pokazałem. Tworzy dla ciebie mikroautomatyzacje, mikroprogramy i mikroakcje, które usuwają mnóstwo tarcia i pozwalają rozwiązywać problemy, których sam byś nie rozwiązał albo za które byś się nie zabrał, bo to zbyt dużo pracy.
Nie użyłem AI tylko do tych trzech rzeczy pokazanych dzisiaj. Wykorzystałem je też, by pomogło mi spisać moją filozofię. Przez lata rozmyślałem o życiu i o tym, jak rozumiem je z własnej perspektywy, ale nigdy nie zebrałem w sobie sił, żeby to wszystko zapisać i przeanalizować — to ogrom pracy. Nagrałem więc godziny materiału, dałem go AI i powiedziałem: „Uporządkuj to, a potem poszukaj sprzeczności i rozwiążmy je”. AI zaczęło zadawać pytania. Kwestionując twoje pomysły, zmusza cię do doprecyzowania idei, pogłębienia jej, usunięcia sprzeczności, wniesienia jasności. AI nie wykonało za mnie żadnego myślenia — jedynie rzucało wyzwanie pytaniami. Filozofia wciąż w 100% jest moja.
Proces jest możliwy, bo AI pomaga uporządkować chaotyczne myślenie i znaleźć słabe punkty. Gdy tekst był już gotowy, poprosiłem AI o research — żeby sprawdzić, czy pewne elementy nie występują już w innych filozofiach. Nie ma bowiem sensu pisać filozofii, która jest kopią czegoś istniejącego. Żeby filozofia zaistniała, musi mieć elementy oryginalności. Moja je miała, więc stworzyłem stronę cosmodestiny.com — jeśli cię to ciekawi, możesz tam przeczytać zasady i zobaczyć, jak myślę, a przy okazji zobaczysz, jak AI potrafi cię wzmocnić w rzeczach, które bywają wyjątkowo trudne, bo wymagają ogromu pracy.
Lokalnie czy w chmurze
Zacznijmy od zasady: powiem, co sprawdza się w AI lokalnym, a co w chmurowym. Oba są wartościowe, oba mają wady i zalety.
Dlaczego warto sięgnąć po model lokalny? Przede wszystkim: pełna suwerenność. Działa na twojej maszynie, twoja pamięć jest u ciebie, niczym się z nikim nie dzielisz — masz pełną prywatność. Jeśli to dla ciebie ważne albo jest wymogiem twojego biznesu, lokalny model to jedyna droga.
Model to jednak nie wszystko, co musisz wybrać — potrzebujesz też harnessu. Harness to oprogramowanie, interfejs, system, którym kontrolujesz model. Jednym z najlepszych rozwiązań open source do sterowania takimi modelami jest Hermes — agent Hermes. Potrafi wiele: kontrolować twój komputer i przeglądarkę, sam używam go najczęściej. To nie jedyne narzędzie, którego używam, ale dla większości ludzi jest najlepsze. Masz swobodę zmiany uruchamianego modelu, więc nie jesteś uzależniony od żadnej korporacji. Możesz w Hermesie korzystać z modeli korporacyjnych, ale nadal masz wolność, by je wybierać i wymieniać.
(Informacja dodatkowa: „harness” to warstwa oprogramowania sterująca modelem — pełni rolę agenta i interfejsu wykonawczego wokół samego modelu językowego.)
Druga ścieżka to ta najmniejszego oporu, najmniejszego tarcia. Jeśli nie wiesz, jak działa AI i jak je skonfigurować, najprościej wykupić subskrypcję ChatGPT od OpenAI za 20 dolarów. Zaczynasz jej używać, uczysz się, a potem wykorzystujesz ją, by zainstalowała ci Hermesa, skonfigurowała lokalny model i tak dalej. Tak właśnie możesz dojść do suwerenności — wykorzystując bezproblemowe systemy korporacji, by zbudować własny system.
Poziom 1: asystent osobisty
Od czego zacząć? Od asystenta osobistego. To AI, które wykonuje część pracy za ciebie — możesz mu ją delegować. Bywa to prosta robota, ale i tak złożona jak rzeczy pokazane wcześniej: tworzenie mikroaplikacji, usuwanie tarcia tu i tam, instalowanie oprogramowania, zarządzanie plikami, czytanie i streszczanie maili, research. Wszystko to możesz zlecić AI. Możesz też zaprogramować zadania na konkretną porę dnia — na przykład rano dostajesz brief swoich spotkań albo jakiś research. Możesz stworzyć własny codzienny brief.
Poziom 2: strateg i analityk
Drugi poziom to zastosowanie bardziej zaawansowane — dla strategów i osób zajmujących się analizą danych. Tu potrzebujesz czegoś znacznie mocniejszego, bo lokalny model wykona większość pracy, ale nie całą. Pojawia się rozwiązanie hybrydowe: część modeli lokalnych plus model chmurowy na chwile, gdy potrzebujesz tej brutalnej, granicznej inteligencji. Często jest ona konieczna, gdy potrzebujesz dużego okna kontekstowego, by przeanalizować wiele danych naraz, wyższego poziomu inteligencji albo modelu zdolnego pracować dłużej i wykonywać wiele zadań jedno po drugim. To da się zrobić także lokalnym modelem — wymaga tylko mocniejszego sprzętu.
Poziom 3: kodowanie
Trzeci poziom to kodowanie. Tu jest wiele różnych rozwiązań. Pułapką jest tak silny marketing Anthropic, że wszyscy myślą, iż Anthropic to jedyne słuszne narzędzie, a cała reszta to strata czasu.
Spójrzmy jednak na rzeczywistość. Dosłownie w zeszłym tygodniu mieliśmy przypadek zbuntowanego modelu OpenAI, który zhakował Hugging Face, by oszukać jeden z benchmarków — włamał się, żeby znaleźć dane pozwalające ściągać. Hugging Face, chcąc naprawić problem, nie mógł użyć do tego modeli Anthropic ani OpenAI, bo te odmówiły współpracy. Ich zabezpieczenia są tak mocne, że nie wykonają żadnej pracy z zakresu cyberbezpieczeństwa. Jaka więc była alternatywa dla Hugging Face? Model, który mogli uruchomić lokalnie i w pełni kontrolować — usunąć bariery, zapewnić suwerenność i ochronę danych, nie dzieląc się niczym z nikim. Wybrali GLM 5.2. To niesamowity model: prawdziwa inteligencja, naprawdę szybki, potrafi niemal wszystko, co modele graniczne, ale za ułamek kosztu i z ogromną prędkością. To jest rzeczywistość — to jest to, czego ludzie faktycznie używają, gdy naprawdę potrzebują wyników.
(Informacja dodatkowa: to relacja autora z przekazu medialnego; szczegółów opisanego incydentu z „zbuntowanym modelem” nie da się zweryfikować na podstawie samego materiału.)
Przez reklamę wmawia się, że Codex czy Anthropic to jedyne narzędzia, których powinieneś używać. Oczywiście, że nie. Musisz znaleźć narzędzia właściwe dla siebie. Zwykle znów jest to rozwiązanie hybrydowe, jeśli cię na nie stać: lokalne AI plus subskrypcja. Jeśli nigdy nie próbowałeś żadnej z alternatyw wobec wielkich modeli granicznych z amerykańskich laboratoriów AI, radzę je sprawdzić i wyczuć, kiedy jest właściwy moment, by sięgnąć po alternatywę.
Dla programisty zwykle sensownie jest mieć naprawdę mocne AI do planowania, mniejsze, szybsze i tańsze AI do samego kodowania, a potem AI wystarczająco potężne, by sprawdzać podatności i naprawiać błędy. W tym ostatnim przypadku najlepsze są modele bez barierek — GLM 5.2 to jeden z nich, Kimi K2 to kolejny. Możesz używać też modeli Anthropic i OpenAI, ale pamiętaj, że część pracy odmówią wykonać. Wszystko, co dotyczy cyberbezpieczeństwa, wychodzi im słabo. W reszcie — wyszukiwaniu błędów i rozwiązań — są znakomite.
Poziom 4: skalowanie
Ostatni poziom jest dla tych, którzy chcą skalować — chcą napisać system, który potem uruchomią w dużych centrach danych. Właśnie po to Nvidia stworzyła DGX Spark, czyli mikrosuperkomputer. Oczywiście jest mniej mocny i wolniejszy niż maszyny w centrach danych, ale architektura jest ta sama. Stos oprogramowania działający na DGX Spark (lub odpowiedniku) jest identyczny. Możesz więc budować i testować swoje oprogramowanie na DGX Spark, a gdy jest gotowe i dobrze przetestowane, przenieść je do centrum danych.
Augmentacja, nie zastępowanie
To są cztery główne scenariusze użycia AI. I raz jeszcze: fakt, że AI zawodzi w zastępowaniu człowieka, powinniśmy świętować. Zastąpienie było złym celem. To, do czego używamy AI, to augmentacja — te 20%, które kumulują się w czasie, byśmy mogli osiągać rzeczy niemożliwe bez AI, nie tracąc przy tym suwerenności w naszej pracy.
Jeśli prowadzisz zespół czy firmę i chcesz wykorzystać AI, to jest zmiana, której potrzebujemy. Nie myśl o tym, jak zastąpić ludzi. Myśl o tym, jak wzmocnić każdego z nich. Każdy ma inną lukę w umiejętnościach — użyj AI, by ją wypełnić. Użyj AI, by wzmacniać to, w czym są dobrzy, żeby mogli robić jeszcze więcej. Tak, AI zawodzi w zastępowaniu. Nie zawodzi w augmentacji.
Zadanie na ten tydzień: wypróbuj lokalny model i sprawdź, czy wystarcza jako asystent, którego potrzebujesz. Każdy powinien mieć asystenta.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Mierz zmianę w sposobie pracy, nie liczbę „wdrożeń”
Na czym polega: Wartość AI to nie pojedynczy artefakt (strona, aplikacja), lecz to, jak zmienił się twój sposób pracy — mniej tarcia, więcej delegowanych mikrozadań.
Jak stosować: Zamiast pytać „co wdrożyłem?”, prowadź listę czynności, które AI przejęło lub przyspieszyło, i obserwuj tę zmianę w czasie.
Na co uważać: Ta perspektywa łatwo staje się wymówką dla braku efektów. Co jakiś czas zweryfikuj, czy augmentacja rzeczywiście przekłada się na oszczędzony czas, a nie tylko na wrażenie nowoczesności.
2.Efekt składany 20% dziennie
Na czym polega: Codzienna, drobna augmentacja kumuluje się — po tygodniach i miesiącach niewielka przewaga staje się ogromną różnicą.
Jak stosować: Wybieraj powtarzalne, codzienne czynności do automatyzacji zamiast jednorazowych spektakularnych projektów — to one się składają.
Na co uważać: „20%” to metafora autora, nie zmierzona wartość. Nie traktuj jej jako obietnicy — sam efekt składany wymaga faktycznej konsekwencji w używaniu.
3.Buduj mikroaplikacje usuwające tarcie
Na czym polega: Autor tworzy drobne programy do konkretnych czynności — automatyczna transkrypcja i analiza nagrań głosowych, przycisk do zatrzymywania serwera GPU przed montażem wideo.
Jak stosować: Wypatruj powtarzalnych, irytujących kroków w swoim dniu i zleć AI zbudowanie pod nie jednoprzyciskowej automatyzacji.
Na co uważać: Autor sam zaznacza, że efekt „trzeba jeszcze sprawdzić” — automatyzacje wymagają weryfikacji poprawności, zwłaszcza gdy dotykają twoich danych.
4.Użyj AI jako sokratejskiego rozmówcy, nie autora
Na czym polega: Przy pisaniu filozofii AI nie myślało za autora — porządkowało chaotyczny materiał, szukało sprzeczności i zadawało pytania zmuszające do pogłębienia myśli.
Jak stosować: Nagraj lub spisz surowe myśli i poproś AI o uporządkowanie oraz wyłapanie sprzeczności i słabych punktów, a wnioski wyciągaj sam.
Na co uważać: Granica między „challengowaniem” a „wyręczaniem” jest cienka. Jeśli zaczniesz przyjmować gotowe tezy modelu, efekt przestaje być twój.
5.Wybierz świadomie między modelem lokalnym a chmurowym
Na czym polega: Lokalny daje suwerenność i prywatność; chmurowy — brutalną siłę, duży kontekst i dłuższą pracę nad wieloma zadaniami. Oba są ważne.
Jak stosować: Jeśli prywatność danych jest wymogiem biznesowym, wybierz lokalny. Do ciężkich analiz sięgaj po chmurę lub rozwiązanie hybrydowe.
Na co uważać: Lokalny dorówna chmurze dopiero na mocnym sprzęcie. Zanim zainwestujesz, sprawdź, czy twój model lokalny realnie udźwignie twoje zadania.
6.Pamiętaj o harnessie, nie tylko o modelu
Na czym polega: Sam model to za mało — potrzebujesz warstwy sterującej (harness), która pozwala mu działać: kontrolować komputer, przeglądarkę, pliki. Autor poleca Hermesa.
Jak stosować: Wybierając stack, oddziel decyzję o modelu od decyzji o narzędziu sterującym; dobry harness pozwala swobodnie wymieniać modele.
Na co uważać: To rekomendacja i osobiste preferencje autora, nie neutralny ranking. Hermes działa też w tym środowisku, ale sprawdź własne wymagania, zanim się zwiążesz z jednym narzędziem.
7.Zacznij od ścieżki najmniejszego oporu
Na czym polega: Jeśli nie wiesz, jak skonfigurować AI, wykup tanią subskrypcję ChatGPT, naucz się na niej, a potem użyj jej, by pomogła ci zainstalować i skonfigurować lokalny system.
Jak stosować: Potraktuj płatne narzędzie chmurowe jako trampolinę do zbudowania własnego, suwerennego systemu — a nie jako cel docelowy.
Na co uważać: Wygoda korporacyjnego narzędzia bywa uzależniająca. Jeśli zależy ci na suwerenności, świadomie planuj moment przejścia na własny system.
8.Nie ulegaj marketingowi „jedynego słusznego” narzędzia
Na czym polega: Autor kwestionuje przekonanie, że tylko Anthropic czy Codex nadają się do kodowania, i wskazuje wydajne, tanie alternatywy jak GLM 5.2 czy Kimi K2.
Jak stosować: Przetestuj alternatywy wobec modeli granicznych i wyczuj, kiedy tańszy, szybszy model wystarczy zamiast najdroższego.
Na co uważać: To wyraźnie opinia autora, oparta m.in. na niezweryfikowanej anegdocie. Modele „bez barierek” niosą realne ryzyka bezpieczeństwa i etyki — używaj ich odpowiedzialnie i tam, gdzie masz do tego prawo.
9.Rozłóż pracę programisty na modele o różnych rolach
Na czym polega: Mocne AI do planowania, mniejsze i tańsze do samego kodowania, a osobne — do wyszukiwania podatności i naprawy błędów.
Jak stosować: Zbuduj pipeline, w którym dobierasz model do etapu; nie płać za flagowy model tam, gdzie wystarczy szybszy i tańszy.
Na co uważać: Modele Anthropic i OpenAI odmawiają części pracy z cyberbezpieczeństwa — planując pipeline, uwzględnij te ograniczenia zawczasu.
10.Celuj w augmentację zespołu, nie w zastępowanie
Na czym polega: W firmie zysk daje wzmacnianie ludzi — wypełnianie ich luk kompetencyjnych i wzmacnianie mocnych stron — a nie ich zastępowanie.
Jak stosować: Zmapuj luki umiejętności w zespole i dobierz AI tak, by każdy mógł zrobić więcej w tym, w czym już jest dobry.
Na co uważać: To teza strategiczna, nie recepta. „Augmentacja” nie zwalnia z pytań o organizację pracy i realny wpływ na zespół — traktuj ją jako kierunek, nie gwarancję.