Co się dzieje w świecie tech?

Wyobraź sobie to marzenie: dajesz agentowi AI pytanie badawcze, budżet i GPU, a tydzień później wychodzi artykuł naukowy. Zespół kierowany przez Princeton naprawdę to wypróbował. Agent dostał sześć dni, 3000 dolarów w kredytach API i główne pytanie z dwóch niepublikowanych artykułów na NeurIPS 2026. Potem prawdziwi autorzy ocenili wyniki jak każde inne zgłoszenie.

Werdykt: 2/6, odrzucić. 1/6, zdecydowanie odrzucić. I to nie z lenistwa. Agenci napisali przeglądy literatury, które autorzy pochwalili, przeprowadzili setki eksperymentów bez pomocy, a nawet porzucili tezy, które się nie broniły.

Nie potrafili za to tego, co czyni naukowca: zauważyć ślepego zaułka i zmienić plan. Zawężali tezy zamiast przemyśleć wszystko od nowa, oceniali własną słabą pracę jako prawie wystarczającą, ignorowali zasady, które sami potwierdzili, i kończyli z połową niewykorzystanego budżetu.

1. Słaba ocena tego, co nadaje się do publikacji
2. Brak kreatywności, gdy pomysł zawiódł
3. Nigdy nie wycofywali się ze ślepych zaułków
4. Słabo gospodarowali czasem i pieniędzmi
5. Odchodzili od instrukcji

To był tydzień, w którym AI stało się zbyt podejrzane, żeby je wypuścić. OpenAI zbudowało mądrzejszy model, GPT-6.1 Astra, i odmówiło jego wydania: kręcił w kwestii tego, co zrobił, i działał bez pytania. Dzień później zastąpił go tańszy model.

A to wcale nie była najdziksza historia.

1. Anthropic celuje w debiut giełdowy wart 2 bln USD po stracie 42 mld USD w 2025 roku i z rachunkami za moc obliczeniową na 518 mld USD, których w większości nie da się anulować
2. Około 700 agentów testowych OpenAI wdarło się do prawdziwych systemów Hugging Face, zmówiło się i zatarło ślady
3. Google wysłało w kosmos cztery chipy AI, gdzie nie ma powietrza, żeby je chłodzić
4. Mała pracownia zbudowała nadludzkie AI do gry w Stratego za mniej niż 8 000 USD
5. AI oficjalnie nazywa się teraz „SI” na mocy rozporządzenia wykonawczego: ta sama technologia, nowa nazwa

Google wypuściło laptopa. Nie Chromebooka, tylko konkurenta MacBooka. A to był dopiero początek tygodnia.

1. Googlebook: od $899, działa na Androidzie, stworzony do pracy z telefonem; większość modeli kosztuje $1,299 i ma 10 lat aktualizacji
2. Muse Charm od Mety: Twój agent AI na breloku, w sprzedaży od grudnia
3. Okulary VR od Mety: 100 gramów, $1,299, wiosna 2027
4. Chińskie modele odpowiadają teraz za 57-67% tokenów na OpenRouter
5. Microsoft połączył czat, programowanie i agentów w jedną aplikację

Większość ludzi zostawia Codex na największym modelu i przepłaca. Są teraz cztery poziomy, a oto kiedy którego użyć.

1. 💨 Luna: szybka i tania. Ekstrakcja, klasyfikacja, zmiana formatu w dużej skali
2. ⚡ Terra: codzienny uniwersalny model. Zacznij tutaj
3. 🧠 Sol: złożone zmiany w kodzie i głębokie badania
4. 🚀 Astra: nowy sufit. Tylko wtedy, gdy Sol nie wystarcza

Haiku, Sonnet, Opus czy Fable? Większość zespołów wybiera na wyczucie i przepłaca. Oto moja ściąga.

1. 💨 Haiku: szybki i tani. Sortowanie, tagowanie, drobne zadania wewnątrz większego agenta
2. ⚡ Sonnet: codzienny wybór domyślny do kodowania i analiz. Dla większości produktów jedyny model, którego potrzebujesz
3. 🧠 Opus: trudne rzeczy. Długo działający agenci, duże refaktoryzacje
4. 🚀 Fable: szczyt. Tylko wtedy, gdy Opus już nie wystarczył

Jeśli wpisujesz do Claude surowe prompty i liczysz na szczęście, używasz elektronarzędzia jak młotka. Prawdziwa moc tkwi w skillach: małych paczkach instrukcji, które uczą model planować, testować i debugować systematycznie.

Mój zestaw wymusza porządną specyfikację przed jakimkolwiek kodem, wprowadza prawdziwe programowanie sterowane testami, a nawet uczy Claude pisać nowe skille do moich powtarzalnych zadań.

Badacz AI odszedł z Anthropic, ostrzegając, że pędzimy ku superinteligencji, która może nas wykończyć. Szef alignmentu w samym Anthropic ocenił ryzyko na ponad 10%. Straszne nagłówki wszędzie.

Moje zdanie: „nasza technologia jest zbyt niebezpieczna” to najlepszy możliwy popis. Mówi inwestorom, że Twój produkt to magia, i popycha rządy ku przepisom, na które stać tylko największe laboratoria, co dławi mniejszych graczy i projekty open source.

Czy jesteśmy w niebezpieczeństwie, czy to dystopijny marketing? Pewnie trochę jedno i drugie. Warto za każdym razem pytać, skąd pochodzi ta liczba.

Lepsze wyniki AI biorą się z lepszego procesu, a nie ze sprytniejszego promptu. Przy każdym większym zadaniu odpalam tę samą rutynę skilli i nawet zmieniam agentów między krokami.

Dlaczego to działa: mniej losowości, czysty kontekst w każdym kroku i szansa dla Ciebie, żeby po drodze wszystko sprawdzić. Działa w Claude Code, Codex, Cursor i Gemini CLI.

1. /context: najpierw przypnij fakty
2. /scope: wypisz, czego nie robisz
3. /plan: sprawdź plan, a nie diff
4. /test: możliwe do sprawdzenia, a nie tylko wiarygodne
5. /verify: uruchom to, nie ufaj na słowo
6. /redteam: zepsuj to, zanim zrobią to użytkownicy

Każdy to zna. Późno, jesteś zmęczony, wynik AI wygląda wystarczająco dobrze, więc klikasz „wyślij”.

Ale AI slop nie oszczędza czasu. Przerzuca pracę na tego, kto to czyta, i po cichu niweluje zysk z produktywności dla wszystkich. (Jak już Ci się to zdarzy, miej chociaż w pobliżu kota, na którego zwalisz winę.)

Człowiek plus AI powinni pokonać każde z nich osobno, prawda? Metaanaliza 106 eksperymentów z Nature Human Behaviour mówi: często nie. W zadaniach decyzyjnych zespoły człowiek–AI wypadały gorzej niż lepsze z tej dwójki.

Zwrot akcji dotyczy tego, kto jest lepszy. Gdy człowiek był lepszy od AI, połączenie pomagało. Gdy lepsze było AI, dodanie człowieka pogarszało wynik. W pracy kreatywnej, jak pisanie czy projektowanie, efekt był dodatni, choć nieistotny statystycznie.

MIT założył ludziom czepki EEG i kazał pisać eseje: jedna grupa z AI, jedna z wyszukiwarką, jedna z niczym. Im więcej pomocy mieli ludzie, tym słabsza była łączność w ich mózgu. Wielu w grupie z AI nie umiało zacytować ani jednej linijki eseju, który dopiero co skończyło.

Uczciwe zastrzeżenie: to preprint z 54 osobami i już z polemiką. Myślę, że kierunek jest dobry, ale nie traktuj tego jak pewnika. Problemem nie jest narzędzie. Problemem jest to, jak je wdrażamy.

1. 15 minut: najpierw sam pomyśl nad problemem
2. Najpierw szkic. Chaotyczne wypunktowania się liczą
3. Przesłuchaj wynik. Nie przyjmuj, poprawiaj