Agenci już są. Autonomii jeszcze nie.

Co się naprawdę zmieniło

Cofnijmy się do 2023 roku i AutoGPT, które stało się viralem na pięknie prostym założeniu: daj modelowi językowemu cel, pozwól mu kręcić się w pętli i patrz, jak prowadzi ci firmę. Nie działało. Nie było planowania, nie było wychodzenia z błędu, nie było sposobu, żeby to coś sprawdziło własny wynik. Cała ówczesna gospodarka dem runęła pod jednym pytaniem: skąd agent wie, że ma rację?

Tym, co ostatecznie naprawiło agentów, nie był mądrzejszy model. Była nim weryfikacja. Systemy, które się przebiły — przede wszystkim agenci kodujący — trenowano w środowiskach, w których poprawność dało się sprawdzić automatycznie. Testy przechodzą albo nie. Kod się kompiluje albo nie. Zamknij model w pętli działaj, obserwuj, popraw; daj mu mały zestaw dobrze zaprojektowanych narzędzi; posadź kompilator w roli sędziego. Nagle to zaczyna działać — nie dlatego, że zmądrzało, ale dlatego, że coś na zewnątrz mogło mu wreszcie powiedzieć, kiedy się myli.

Najlepszą pojedynczą miarą tego, jak daleko to zaszło, dysponuje METR, instytut badawczy zadający wyjątkowo praktyczne pytanie: jak długie zadanie, mierzone ludzkim czasem pracy, agent jest w stanie dokończyć z 50-procentową niezawodnością? W styczniu 2026 roku odpowiedź dla najlepszego modelu brzmiała: 320 minut. Nieco ponad pięć godzin ludzkiej pracy, wykonane za jednym podejściem, w połowie przypadków. Dla modeli wydanych od 2024 roku ten horyzont podwaja się mniej więcej co trzy miesiące.

Ale trzeba trzymać obie połówki tego zdania razem. Pięć godzin. W połowie przypadków. Rzut monetą to nie jest współpracownik. METR jest przy tym godny podziwu w szczerości co do drobnego druku: słupki błędu sięgają mniej więcej dwukrotności w obie strony, horyzont jest 40 do 100 razy krótszy dla wszystkiego, co wymaga ekranu i myszy, a sam wskaźnik nie mówi absolutnie nic o niezawodności powyżej 99 procent, której naprawdę potrzebują systemy produkcyjne.

Kliknięcie to nie dowód

Lekcję o weryfikacji odebrałem w sposób najprostszy z możliwych, czyli popełniając błąd.

Zbudowałem agenta, który samodzielnie prowadzi publikację na Substacku. Pisze krótkie posty, komentuje cudze teksty, odpowiada każdemu, kto odpowie jemu, i robi to wszystko według harmonogramu, na moim własnym serwerze, o nic mnie nie pytając.

Na samym początku nauczył mnie czegoś, do czego nie przekonałaby mnie żadna praca naukowa: kliknięcie to nie dowód. Agent naciskał przycisk publikacji. Przycisk się wciskał. Log wiernie zapisywał sukces. A posta nie było. Gdzieś między przeglądarką a serwerami Substacka akcja po cichu wyparowywała, a prywatna księgowość mojego agenta zamieniała się w krótkie opowiadanie — co jest znacznie gorsze od błędu, bo nigdy się do tego nie przyznaje.

Naprawa nie polegała na sprycie. Polegała na zdegradowaniu moich własnych zapisów. Po każdej akcji agent wraca teraz i pyta Substacka, czy treść naprawdę tam jest, i dopiero wtedy odnotowuje ją jako zrobioną. Źródłem prawdy jest rzeczywistość; nasze relacje o rzeczywistości nią nie są. Ta sama zasada, w innej skali, sprawia, że restart w połowie przebiegu nie publikuje już tego samego posta dwa razy. (Całą budowę — wraz z porażkami — opisałem jako studium przypadku.)

Przepaść między benchmarkiem a poniedziałkiem

Oto najważniejsza para liczb w tej historii. W SWE-bench Verified, standardowym egzaminie z inżynierii oprogramowania dla AI, czołowe modele osiągają około 90 procent. W telemetrii z mniej więcej 400 000 prawdziwych sesji programistycznych zweryfikowany wskaźnik sukcesu — u zawodowych programistów, czyli użytkowników w najlepszym możliwym przypadku — wyniósł 34 procent.

Dziewięćdziesiąt na egzaminie. Trzydzieści cztery w pracy.

Ta różnica nie jest oszustwem. Jest wszystkim, co benchmark odejmuje: prawdziwe zadania są niedookreślone, prawdziwe bazy kodu niosą lata nieudokumentowanego kontekstu, prawdziwa praca nie ma klucza odpowiedzi. Benchmarki są też bardziej nieszczelne, niż ktokolwiek by chciał — jedno z badań wykazało, że modele potrafią wskazać wadliwy plik na podstawie samego opisu zgłoszenia, co jest uprzejmym sposobem powiedzenia, że nauczyły się odpowiedzi na pamięć.

Ten wzorzec powtarza się wszędzie tam, gdzie przyjrzeć się bliżej. Agenci od pogłębionych analiz produkują raporty, które wyglądają nieskazitelnie: mierzona eksperckimi listami kontrolnymi prezentacja dostaje 85 do 90 procent, a kompletność tego, co faktycznie znaleźli, dostaje około 40. Raport czyta się jak skończony; skończony nie jest. Traktuj go jak listę tropów do sprawdzenia, nigdy jak zbiór ustaleń.

A obsługa klienta ma najlepiej zmierzony sufit ze wszystkich, bo jeden benchmark robi coś, czego nie robią pozostałe: uruchamia to samo zadanie wielokrotnie i podaje, jak często agent trafia za każdym razem. W zadaniach detalicznych agenci odnoszą sukces w około 69 procentach pojedynczych prób. Zażądaj ośmiu sukcesów z rzędu, a wskaźnik załamuje się do mniej więcej 25 procent.

To całe rozczarowanie korporacyjnym AI w jednym zdaniu. System, który działa dwa razy na trzy, to demo. Proces to coś, co działa za każdym razem.

Liczby o produktywności są poszarpane i to właśnie jest ustalenie

Zapytaj, czy agenci zwiększają produktywność ludzi, a badania odpowiadają: zależy, kim jesteś i co robisz, z niemal okrutną symetrią.

Nowicjusze przy wąskich zadaniach zyskują bardzo dużo. Przełomowe badanie na 5 000 konsultantów obsługi klienta wykazało średnio 14 procent więcej spraw rozwiązanych na godzinę — i 34 procent wśród najmniej doświadczonych, przy mniej więcej zerze u najlepszych. Eksperci przy pracy otwartej to inna historia. W badaniu z randomizacją doświadczeni programiści open source korzystający z narzędzi AI byli 19 procent wolniejsi, będąc przekonanymi, że są 20 procent szybsi. (Badacze zgłosili od tego czasu problemy ze sposobem doboru próby i traktują tę liczbę jako dolne ograniczenie, więc nie ma co jej kuć w kamieniu. „Z pełnym przekonaniem mylić się co do własnego przyspieszenia” wychodzi z tego bez szwanku.)

Oddal się do skali całej gospodarki, a obraz spłaszcza się jeszcze bardziej. Duńskie rejestry płacowe obejmujące około 25 000 pracowników pokazują dokładnie nic — żadnego mierzalnego wpływu na zarobki ani godziny dwa lata po wdrożeniu, przy statystycznym wykluczeniu jakiegokolwiek efektu powyżej 2 procent. Tymczasem analiza amerykańskich danych płacowych ze Stanfordu znalazła jedno miejsce, w którym coś drgnęło: zatrudnienie osób w wieku od 22 do 25 lat w zawodach wystawionych na AI jest o mniej więcej 19 procent poniżej trendu. Nie zwolnienia. Rekrutacje, które po cichu nigdy się nie odbyły. Najniższy szczebel się przerzedza, podczas gdy wszystko powyżej wygląda normalnie.

Jeden z mechanizmów zjadających te zyski ma już nawet nazwę: workslop, czyli materiał wygenerowany przez AI, który wygląda jak skończona praca, a nią nie jest. Dwie piąte ankietowanych pracowników biurowych dostało coś takiego w ciągu ostatniego miesiąca, a uporanie się z każdym takim przypadkiem kosztowało około dwóch godzin. Zysk produktywności jest prawdziwy dla nadawcy; rachunek idzie do odbiorcy.

Dlaczego zawodzą: mechanizm, nie tajemnica

Przez pewien czas „agenci rozsypują się na długich zadaniach” było folklorem. Teraz ma mechanizm. Opublikowane w tym roku badania pokazały, że porażki na długim horyzoncie to głównie porażki wykonania, nie rozumowania — modele zawodzą nawet wtedy, gdy dostaną i wiedzę, i gotowy plan. Winowajca ma nazwę: samowarunkowanie. Agent, który widzi w swoim kontekście własne wcześniejsze błędy, staje się bardziej skłonny do popełniania nowych. Powiększanie modelu tego nie naprawia. (Jest i pogodny wniosek z tego, rzadko cytowany: ponieważ błędy kumulują się multiplikatywnie, małe przyrosty dokładności na pojedynczym kroku kupują duże przyrosty tego, jak daleko agent zajdzie.)

Dwa kolejne ograniczenia wyglądają na bardziej uparte. Agenci nie potrafią niezawodnie poprawiać samych siebie bez sygnału z zewnątrz — druga opinia od tego samego modelu pogarsza rozumowanie, i właśnie dlatego każdy działający system opiera się na weryfikatorze, czy to zestawie testów, czy schemacie, czy człowieku. Brakuje im też wiedzy milczącej: niezapisanego kontekstu, negatywnych wyników, których nikt nie opublikował, tego „próbowaliśmy tego w 2019” istniejącego wyłącznie w czyjejś głowie. W tej telemetrii programistycznej eksperci odnosili sukces w 34 procentach sesji, a nowicjusze w 15. Ten sam model, inny kontekst. Brakującym składnikiem nie jest inteligencja.

Jedno z ograniczeń nie jest w ogóle techniczne. Kiedy chatbot Air Canada wymyślił zasady zwrotu pieniędzy, linia lotnicza argumentowała przed sądem, że bot był „odrębnym podmiotem odpowiedzialnym za własne działania”. Odpowiedź trybunału zasługuje na oprawienie w ramkę: nie ma żadnej różnicy, czy informacja pochodzi ze statycznej strony, czy z chatbota. Słowa twojego agenta są twoimi słowami.

A nad wszystkim wisi to: prompt injection pozostaje nierozwiązany. Badacze z Google DeepMind wzięli dwanaście opublikowanych zabezpieczeń i złamali je ze skutecznością powyżej 90 procent. Praktyczna mądrość mieści się w jednej regule, „śmiertelnej triadzie” Simona Willisona: nigdy nie pozwól, by jeden agent łączył dane prywatne, niezaufaną treść i możliwość wysłania czegokolwiek na zewnątrz. Wybierz dowolne dwa.

Instrukcja obsługi w jednym zdaniu

Zdejmij szum, a dowody podpierają jedną zasadę: agent się opłaca dokładnie tam, gdzie sprawdzenie jego pracy kosztuje mniej niż wykonanie tej pracy.

Agenci kodujący kwitną, bo zestaw testów jest darmowym, natychmiastowym i nieprzekupnym sędzią. Agenci badawczy rozczarowują, bo sprawdzenie każdego przypisu kosztuje niemal tyle, co samodzielne wykonanie tej analizy. Cała reszta jest z tego wnioskiem. Wybieraj zadania, które da się cofnąć w dziesięć minut; każda głośna katastrofa z agentem była porażką nieodwracalności, nie inteligencji. Tnij pracę na kawałki po dwie godziny ludzkiego wysiłku albo mniej, z punktem kontrolnym pomiędzy nimi, bo tam właśnie mieszka dzisiejsza niezawodność. Pytaj dostawców o wskaźnik sukcesu za każdym razem, a nie o najlepszą z jednej próby. I wyceniaj najgorszy prawdopodobny wynik, nie ten środkowy.

Moje ulubione własne upokorzenie należy do reguły nieodwracalności. Zbudowałem tryb na sucho, który blokował wszystkie wywołania modeli, więc uruchomiłem go z pełnym przekonaniem — i na żywym koncie poszły dwa polubienia, bo przełącznik zatrzymywał modele, ale nie przeglądarkę. Nic nie ucierpiało. Nic też nie dało się cofnąć. Teraz przed każdą pojedynczą akcją dotykającą świata zewnętrznego stoi osobna kontrola, a zestaw testów musi udowodnić, że wyłapuje tę awarię, którą deklaruje wyłapywać.

Firmy, które to wszystko przyswoiły, mają realne zwroty w miejscach zupełnie nieefektownych: pisanie testów, migracje, aktualizacje zależności, pierwsze wersje tekstów, które człowiek i tak przepisze, pierwsza linia wsparcia z twardą ścieżką eskalacji. Firmy, które nie przyswoiły, stają się statystyką — według jednej z analiz zaledwie 16 procent korporacyjnych wdrożeń „agentów” to w ogóle agenci. Reszta to zwykłe przepływy pracy ubrane w słowo tego sezonu.

Widok z Polski

Polska jest ostrym studium przypadku tego, co naprawdę blokuje adopcję, bo nie jest nią technologia.

Według danych Eurostatu 8,4 procent polskich firm korzysta z AI przy średniej unijnej 20 procent — trzecie miejsce od końca. Odczytaj to jako narodowe zacofanie, a odczytasz źle: wśród dużych polskich firm 44 procent już deklaruje korzystanie z agentów AI, co jest wynikiem na poziomie w pełni zachodnim. Ta luka to luka małych firm i luka kompetencyjna.

Wymowna statystyka jest inna. Osiemdziesiąt procent polskich pracowników nie ma formalnej zgody na używanie generatywnej AI w pracy. Używają jej, rzecz jasna, i tak. Narzędzia przyszły przed regułami, załoga ruszyła przed zarządami, a ogromna ilość pracy wspomaganej przez AI dzieje się w ciemności — niezmierzona, nienadzorowana i oficjalnie nieistniejąca.

Co jest, w miniaturze, historią wszędzie. Agenci nauczyli się pracować szybciej, niż instytucje nauczyły się pracować z nimi. Modele będą dalej piąć się po swojej stromej, dobrze zmierzonej krzywej; wąskie gardło przesunęło się na nas — na to, jak precyzyjnie umiemy powiedzieć, czego chcemy, jak tanio umiemy sprawdzić, co dostaliśmy, i jak uczciwie to potem liczymy. Jak ujęła to tej wiosny Rachel Laycock, CTO Thoughtworks: „Punkt zwrotny, w którym jesteśmy, nie dotyczy technologii. Dotyczy techniki”.

Mój własny agent nauczył mnie tego samego w mniej cytowalnej formie. Wersja poprzedzająca tę, która działa, miała 71 598 linii Pythona, 2 817 testów i 42 migracje schematu, i wyprodukowała dwa artykuły, zanim runęła pod ciężarem własnej maszynerii. Ta, która chodzi codziennie, ma 6 526 linii. Autonomia przyjdzie albo nie przyjdzie. Praca polegająca na nauczeniu się sprawdzania już przyszła.