>[!info] Komentarz >Ten wpis jest żywy — edytuję go regularnie, bo temat zmienia się szybciej niż cykl wydawniczy. Traktuję go jak notatnik roboczy, nie encyklopedię. AI to nie trend. To zmiana warstwy, na której operuje praca — sposób przetwarzania [[Informacja|informacji]] staje się tak samo ważny jak sama informacja. Kto to zrozumie wcześniej, zyska realną przewagę. Z perspektywy osoby, która AI stosuje zawodowo i produktowo: w odpowiednich warunkach nie daje 20–30% wzrostu efektywności — daje 200–300%. Ale tylko wtedy, gdy wiesz, czego od niej chcesz. ## Jak AI wspiera moje procesy ### Research i analiza Największa wartość to kompresja czasu pracy intelektualnej. Research, który zajmował dni — godziny. Synteza dużych zbiorów dokumentów, ekstrakcja kluczowych faktów, porównywanie źródeł. To obszar, gdzie AI jest dziś po stokroć wydajniejsza od człowieka — biorąc pod uwagę sam czas. Kluczem jest jednak jakość danych wejściowych. Słabe dane wejściowe = pewne i przekonujące bzdury na wyjściu. Stąd [[Bazy wiedzy|bazy wiedzy]] jako fundament — własne, dobrze ustrukturyzowane zasoby jako kontekst dla modeli. ### Systemy RAG i własne systemy asystentów RAG (Retrieval-Augmented Generation) to podejście, w którym model językowy nie "wie wszystkiego" — zamiast tego sięga po konkretne dokumenty z twojej bazy w czasie rzeczywistym. Rezultat: asystent, który odpowiada na pytania na podstawie *twoich* danych, nie generycznych treści treningowych. Buduję takie systemy zarówno dla własnych projektów, jak i klientów. Przykłady: bazy wiedzy o produktach, wewnętrzne narzędzia do analizy dokumentacji, asystenci branżowi. ### Automatyzacja treści i procesów Generowanie szkiców, korekta, formatowanie, tłumaczenia, klasyfikacja — to dziś rutyna. Ważniejsze: łączenie tych kroków w przepływy pracy (workflow), które działają bez ręcznej interwencji przy każdym kroku. ### Wymiar biznesowy Moim zdaniem AI najsilniej działa nie tam, gdzie "zastępuje człowieka", lecz tam, gdzie **eliminuje wąskie gardła między etapami pracy**. Research → brief → szkic → korekta → publikacja: każde przejście to potencjalne miejsce na automatyzację lub wzmocnienie. Skumulowany efekt jest nieporównywalnie większy niż suma pojedynczych usprawnień. ## Narzędzia, z których korzystam Nie będę robić pełnej listy — deaktualizuje się szybciej niż jestem w stanie aktualizować ten wpis. Wymieniam to, co faktycznie jest w moim codziennym lub projektowym użyciu. **Modele** (głównie via API — nie interfejsy www): - **[OpenAI API](https://platform.openai.com/)** — backbone większości projektów produkcyjnych, niezły do powtarzlnych zadań, interacji, szeroki wybór modeli do różnych potrzeb - **[Claude](https://claude.ai/)** (Anthropic) — najlepszy model do pracy z długimi dokumentami, analizy i pisania; wyraźnie inny charakter niż GPT, warto znać oba - **[Gemini](https://gemini.google.com/)** (Google) — dobre okno kontekstowe; wyróżnia się też generowaniem i edycją grafik (Imagen) — przydatne w projektach contentowych - **[Perplexity](https://www.perplexity.ai/)** — wyszukiwarka z AI; dobry pomysł, ale jakość odpowiedzi bywa nierówna — używam ostrożnie, weryfikuję źródła - **[Ollama](https://ollama.com/)** — lokalne uruchamianie modeli open-source bez chmury; prywatność danych, zero kosztów per-token, działa offline **Lokalne systemy i orkiestracja:** - **[AnythingLLM](https://anythingllm.com/)** — lokalny hub agentów i RAG; prosty w konfiguracji, dobry jako baza produktowa lub do pracy z własnymi dokumentami - **[Dify](https://dify.ai/)** — budowanie przepływów pracy AI (agenty, RAG, chatboty); dynamiczny rozwój, świetny interfejs do prototypowania - **[OpenClaw](https://openclaw.ai/)** — osobisty asystent AI z dostępem do narzędzi, pamięcią, harmonogramem i integracjami; to właśnie przez niego zarządzam tym vaultem **Transkrypcja i audio:** - **[Whisper](https://openai.com/research/whisper)** (OpenAI) — transkrypcja audio/wideo; używam do przetwarzania nagrań spotkań, podcastów i materiałów wideo na tekst gotowy do analizy **Dane i wizualizacje:** - **[Nomic Atlas](https://atlas.nomic.ai/)** — wizualizacja dużych zbiorów danych i embeddingów; pozwala "zobaczyć" strukturę wiedzy ukrytą w tysiącach dokumentów; jedno z moich ulubionych narzędzi do eksploracji danych ## Polskie projekty warte uwagi AI nie dzieje się tylko w Dolinie Krzemowej. Kilka polskich projektów, które warto znać: **[Bielik](https://speakleash.org/)** (SpeakLeash) — pierwszy poważny otwarty model językowy w języku polskim, trenowany przez społeczność SpeakLeash z pomocą ICM UW. Bielik to nie tylko narzędzie — to projekt kulturowy: tworzenie infrastruktury językowej AI dla polskiego. Używam go tam, gdzie kontekst językowy i kulturowy ma znaczenie. **[ElevenLabs](https://elevenlabs.io/)** — polska firma (założona przez Piotra Dąbkowskiego i Matiego Staniszewskiego) budująca najlepszą na rynku syntezę i klonowanie głosu. Dziś jeden z globalnych liderów w audio AI. Przykład polskiego projektu, który zdefiniował całą kategorię. Warto obserwować polską scenę AI — jest aktywniejsza, niż się wydaje. ## Filozofia i granice AI niesie ze sobą łatwość, która ma swój koszt: stopniową utratę zdolności do głębokiej pracy intelektualnej, jeśli przekazujemy jej zbyt dużo. To nie jest abstrakcyjne zagrożenie — to zjawisko, które obserwuję. Dlatego rozróżniam, co delegować do AI (kompresja, formatowanie, research wstępny, rutynowe decyzje), a co zachować jako ludzką robotę (synteza, ocena, kierunek, relacje, finalna decyzja). AI jest tak dobra, jak dane i pytania, które jej podajesz. I dokładnie tak jak w [[Bazy wiedzy|bazach wiedzy]] — architektura i jakość wejścia decydują o jakości wyjścia. ## Źródła i dalsze lektury - Stuart Russell & Peter Norvig, *Artificial Intelligence: A Modern Approach* (4. wyd. 2020, Pearson) - Max Tegmark, *Life 3.0: Being Human in the Age of Artificial Intelligence* (2017, Knopf) - Ethan Mollick, *Co-Intelligence: Living and Working with AI* (2024, Portfolio/Penguin) — najbardziej praktyczna i aktualna pozycja o pracy z AI - [Andrej Karpathy — Neural Networks: Zero to Hero](https://karpathy.ai/zero-to-hero.html) — jeśli chcesz rozumieć mechanizm, nie tylko efekt - [Hugging Face](https://huggingface.co/) — największe repozytorium otwartych modeli - Vaswani et al., [*Attention Is All You Need*](https://arxiv.org/abs/1706.03762) (2017) — paper, który zapoczątkował erę transformerów; jeśli chcesz rozumieć skąd pochodzi GPT, Claude i reszta - Mustafa Suleyman, *The Coming Wave: Technology, Power, and the Twenty-First Century's Greatest Dilemma* (2023, Crown) — jeden z twórców DeepMind o tym, co nadchodzi i dlaczego jest to problem nie tylko technologiczny - [The Batch](https://www.deeplearning.ai/the-batch/) (Andrew Ng, DeepLearning.AI) — tygodnik o AI; konkretny, bez hype'u - [Anthropic Research](https://www.anthropic.com/research) — prace o bezpieczeństwie AI i Constitutional AI; warto czytać niezależnie od tego, czy używasz Claude'a