Po pojawieniu się LLM, eksperymenty na poziomie aplikacji nigdy nie ustały. Od dostosowywania promptów, przez konfigurację workflow, aż po budowę agentów, ostatecznym celem jest ten sam: sprawić, by LLM lepiej pracował dla ludzi, maksymalizując wydajność maszyny. Wyciskanie z LLM można podzielić na dwa wymiary. Pierwszy to pomoc w znalezieniu optymalnych algorytmów, aby wnioskowanie nie błądziło. W tym celu przeszliśmy prawie wszystkie możliwe ścieżki, aby nauczyć LLM refleksji (reflection, self-consistency, self-critics), wnioskowania i planowania (reasoning, planning, chain-of-thought, tree-of-thought); nauczyć go pamięci (short-term memory, long-term memory), aby nie zapominał podczas długich rozmów; nauczyć go znajdowania wiedzy (RAG, knowledge graph), aby uzupełniał fakty w zewnętrznym świecie; nauczyć go budowania kontekstu (context building), aby w ograniczonej liczbie tokenów umieścić więcej skutecznych informacji; nauczyć go korzystania z narzędzi (tool-use, function calling, MCP), aby zlecał zadania zewnętrznym programom, a nie polegał tylko na własnej generacji; i tak dalej. Te rzeczy, w końcu, to techniki i mechanizmy, których zasadniczym celem jest umożliwienie LLM szybszego zrozumienia, co ludzie chcą osiągnąć, i znalezienie jak najtańszej drogi do celu (goal-oriented), aby dotrzeć do optymalnego rozwiązania. Drugi wymiar to wyciskanie czasu, aby LLM mógł działać 7×24 godziny bez przerwy. Kiedy zyskaliśmy głębsze zrozumienie LLM, łatwo przyszło nam na myśl, aby przekształcić go w „cyfrowego pracownika” należącego do nas lub naszej organizacji, który nie męczy się, nie narzeka, może działać nieprzerwanie i ciągle się uczyć. Większość ludzi dzisiaj korzysta z AI w sposób, który ogranicza się do wyszukiwania informacji, podsumowywania treści, pisania raportów tygodniowych i miesięcznych w tych pojedynczych scenariuszach. Jeśli chcemy naprawdę zbudować „nieprzerwanego cyfrowego pracownika AI”, to tylko to nie wystarczy. Musimy najpierw zaplanować naszą własną cyfrową fabrykę AI — przemyśleć, jaki „produkt” chcemy stworzyć, czy to system gromadzenia wiedzy, zautomatyzowany proces biznesowy, czy usługa, która może być długoterminowo iteracyjna. W tej fabryce AI jest wykonawcą na linii produkcyjnej, odpowiedzialnym za konkretne przetwarzanie i produkcję; a rola ludzi ulega zmianie, z „pracowników wykonujących zadania” na „nadzorców i menedżerów”. Ludzie nie wykonują już każdej czynności ręcznie, ale projektują linię produkcyjną, ustalają zasady, definiują wskaźniki, monitorują jakość i w razie potrzeby zarządzają zasobami. Innymi słowy, wartość AI nie polega na tym, że „wykonuje dla nas trochę pracy”, ale na tym, że pomaga uruchomić całą linię produkcyjną, a ludzie stają się bardziej „menedżerami cyfrowej fabryki”. Gdy te dwa wymiary się łączą, pojawia się prawdziwy punkt zwrotny. LLM przestaje być tylko zimnym narzędziem, a stopniowo staje się partnerem do długoterminowej współpracy. Może wykonywać powtarzalne zadania, a także dostarczać wgląd w złożone problemy. Nie jest tylko „pomocnikiem w pracy”, ale „współpracownikiem w pracy”. Przyszła różnica nie polega na tym, kto potrafi napisać ładniejszy prompt, ale na tym, kto potrafi naprawdę włączyć LLM w swoje czas i organizację, tworząc stabilny sposób produkcji. Dlatego umiejętność korzystania z AI, głębokość wykorzystania oraz możliwość ciągłej optymalizacji to długoterminowe źródła konkurencyjności. Kto potrafi uruchomić AI jako „fabrykę”, przekształcając się z wykonawcy w nadzorcę i menedżera, ten zyska prawdziwą, powtarzalną i kumulatywną przewagę w przyszłej codziennej pracy i działalności.

Nie tylko prowadzi głębokie badania, ChatGPT ostatnio wspiera również zakupy online, integrując porównania cen z różnych platform oraz prawdziwe opinie użytkowników w chatbota, a podczas rozmowy można złożyć zamówienie. W obrębie platformy można zrealizować cały proces: „komunikacja potrzeb → rekomendacje produktów → porównanie cen produktów → odniesienie do opinii użytkowników → wybór → złożenie zamówienia”.

Ostatnio AI daje mi wrażenie stabilnego emocjonalnie, pracowitego, wytrwałego i efektywnego badacza, który uczy się, gdy czegoś nie rozumie, a gdy nie może zrozumieć, to sprawdza, a gdy trudno jest znaleźć informacje, po prostu robi zrzut ekranu. Aby zapewnić dokładność, porównuje informacje przed i po, a w ciągu zaledwie czterech minut kończy badania i zbieranie dowodów, które zajmowały mi dwa godziny.