Druga najlepsza ręka. Co naprawdę mówi manifest AI Richa Schefrena?

Jeżeli chcesz zbudować przewagę konkurencyjną, przeczytaj to do końca. Tak, wiem, jak to brzmi. Dokładnie tak zaczyna Schefren. I właśnie o tym jest ten tekst.

Zastanawiam się nad tym częściej, niż wypada się przyznać. Buduję aplikacje, systemy i rozwiązania oparte na sztucznej inteligencji, a im dłużej to robię, tym uparciej wraca jedno pytanie: dokąd właściwie zaprowadzi nas ludzka kreatywność? Nas, twórców aplikacji, ludzi projektujących rozwiązania AI, całą tę branżę, która co miesiąc dostaje narzędzia mocniejsze od tych sprzed kwartału.

Zaraz za tym idzie pytanie znacznie bardziej przyziemne. To, które zadaje mi na spotkaniach właściwie każdy właściciel firmy: jak w tym wszystkim wyprzedzić konkurencję? Jak wyróżnić się na rynku, na którym wszyscy mają dostęp dokładnie do tych samych narzędzi? Widzę to zresztą w praktyce: kiedy osoby i firmy z tej samej branży pytają AI o to samo, dostają te same odpowiedzi. A w efekcie te same rozwiązania.

Rich Schefren próbuje na to odpowiedzieć. W 2006 roku opublikował „Internet Business Manifesto", tekst, który ukształtował sposób myślenia całego pokolenia przedsiębiorców internetowych. Dwadzieścia lat później wraca z „The A.I. Business Manifesto". Przeczytałem całość, jest długa, i od razu powiem uczciwie: to bardzo dobrze napisany list sprzedażowy. Część tez służy lejkowi autora, a niektóre „fakty" brzmią jak retoryczna eskalacja. A mimo to uważam, że to jeden z najważniejszych tekstów o AI w biznesie, jakie powstały. Poniżej moje notatki: co z niego wynika, co jest realną warstwą, a co marketingiem.

Manifest otwiera metafora, która została mi w głowie na dłużej: najgroźniejsza ręka w pokerze to nie najgorsza, tylko druga najlepsza. Dość mocna, żeby wejść all-in, i bita przez jedną rękę, której nie widzisz. Większość firm używających dziś AI trzyma dokładnie taką rękę. Mają wyniki na tyle dobre, że przestali szukać dalej.

Fala 1Biznes wokół AI, czyli trzy błędy, które popełnia prawie każdy

Błąd 1: instruujesz, zamiast zlecać wynik

Mechanizm degradacji wygląda tak: dałeś AI cały projekt, wyszło źle, dopisałeś szczegół, potem kolejny. Efekt końcowy? Zlecasz AI wyłącznie pracę, którą sam rozumiesz na tyle dobrze, żeby ją nadzorować. Paradoksalnie, im bardziej „zaawansowany" prompt, tym mniej inteligencji modelu wykorzystujesz. Gdy dyktujesz każdy krok, zadaniem AI przestaje być znalezienie najlepszej trasy; jego zadaniem staje się posłuszeństwo wobec twojej trasy.

Każda instrukcja w promptcie robi jedną z trzech rzeczy: daje kontekst (co wiedzieć), narzuca metodę (format, kroki, trasę) albo definiuje outcome (co ma stać się prawdą, gdy się uda). Typowy firmowy prompt wygląda tak: zero kontekstu, zero outcome'u, więzienie pełne metody.

Schefren proponuje trzy postawy, które od tygodni stosuję w praktyce. Bądź tyranem wobec kontekstu, czyli żądaj dowodu, że AI zrozumiało kontekst, a nie że wykonało twoje kroki. Bądź libertarianinem wobec metody, bo mniej instrukcji oznacza miejsce na trasę lepszą niż twoja. I bądź ewangelistą wobec outcome'u: powiedz, co praca ma zmienić i co ma się stać dalej.

Różnicę widać na prostym przykładzie follow-upu sprzedażowego. Wersja metodyczna brzmi: „napisz follow-up, trzy akapity, zacznij od podziękowania, zakończ CTA". Wersja wynikowa: „oto wtorkowa rozmowa i nasza propozycja. Sukces oznacza, że klient poczuje, iż usłyszeliśmy wahanie, którego nie wypowiedział na głos, i odpisze, żeby umówić czwartek. A jeśli nigdy nie kupi, niech to wyjdzie teraz, nie za miesiąc. Format i długość zostawiam tobie." Pierwszy prompt produkuje szablon. Drugi produkuje sprzedawcę.

Outcome nie jest ostatnim ogniwem łańcucha. Jest punktem wyjścia.

Konsekwencja tego przestawienia jest większa, niż brzmi: przechodzisz z bycia ograniczonym własnymi umiejętnościami do bycia ograniczonym własną wyobraźnią.

Błąd 2: AI nie jest podłączone do firmy, bo to ty jesteś jego uprzężą

Twoje AI widzi biznes wyłącznie przez ciebie: tylko tę część, którą pamiętasz, żeby znaleźć, zebrać, wyjaśnić i przynieść. Jesteś pamięcią, posłańcem i tłumaczem. Ręcznie trzymasz cały biznes w kupie.

Odpowiedzią jest harness, czyli środowisko operacyjne niezależne od modelu. Składa się z pamięci i kontekstu, automatyzacji przepływu informacji, podłączenia do narzędzi takich jak CRM, mail czy analityka, standardów definiujących co znaczy „dobrze" oraz moment, w którym AI ma się zatrzymać i poprosić o ludzki osąd, a na końcu z silników biorących odpowiedzialność za cały rezultat, nie za pojedynczą akcję.

Dla technicznych: pod nową nazwą kryje się znany wzorzec, czyli orkiestracja event-driven plus pamięć, narzędzia i standardy. I tu uczciwość, którą sam autor stawia, a którą streszczenia zwykle gubią: harness to bilet wstępu, nie nagroda. Za rok będzie równie zwyczajny jak dobra strona internetowa.

Błąd 3: przyspieszasz pracę, która nie powinna istnieć

Najlepsza część historyczna manifestu. Gdy fabryki dostały elektryczność, podpięto silniki elektryczne, ale zostawiono układ hali wymuszony przez maszynę parową. Zysk przyszedł dopiero po przeprojektowaniu hali wokół przepływu pracy. Z komputerami było identycznie: drukowano plik, żeby zanieść go korytarzem. Nowa technologia nałożona na stare procesy potrafi wręcz obniżyć produktywność, a ekonomiści nazywają to krzywą J.

Stąd najbardziej użyteczny podział w całym tekście:

Linia:  TASK → OUTPUT → HUMAN REVIEW → NEXT TASK → STOP
Pętla:  EVENT → SIGNAL → ACTION → RESULT → BUSINESS UPDATE

Test jest brutalnie prosty. Jeśli wynik pracy AI nie zmienia tego, co dzieje się dalej w firmie, nie masz pętli uczącej. Masz zautomatyzowaną linię. Pytanie, które od tej lektury zadaję sobie przy każdym projekcie, brzmi: co dzieje się raz w moim biznesie, a mogłoby uczynić wszystko inne mądrzejszym?

Fala 2Osąd jako jedyna trwała przewaga

Sedno manifestu. Konkurent może zainstalować model z przyszłego roku, ale dopiero w przyszłym roku. Może skopiować twoje narzędzia i zbudować ten sam harness. Nie może cofnąć się w czasie i przechwycić osądu, którego nie zachowałeś w tym roku.

Znasz to z codziennej pracy. Pierwsze 80% AI oddaje w sekundy. Wydajesz osąd na ostatnie 20%, poprawiasz, odrzucasz, wybierasz, a ta korekta znika razem z zamkniętym czatem. Następne zadanie: płacisz od nowa. Schefren odwraca tu własną radę sprzed dwudziestu lat. Wtedy mówił: przestań być wąskim gardłem, wyjmij się z pracy. Teraz mówi: przestań się usuwać, zwielokrotnij się. Skaluj swój osąd, nie tylko procesy.

Manifest nazywa też podatek, który płaci prawie każda firma. Trapped tax to premia płacona wtedy, gdy najcenniejsza inteligencja w biznesie daje się użyć tylko tam, gdzie akurat fizycznie stoi jedna osoba. Przez stulecia nie było na to rady, bo, jak ujął to filozof Michael Polanyi, wiemy więcej, niż potrafimy powiedzieć. Dlatego mistrzostwa uczyło terminowanie: rutyny uczysz się w miesiące, ale lata schodzą na czekanie na wyjątki. Wiedza ukryta przemieszczała się wyłącznie przez fizyczną bliskość.

Dwa przykłady z tekstu pokazują skalę problemu i rozwiązania. Bezos przez lata obsesyjnie szukał sposobu, by „wstrzyknąć swój sposób patrzenia" we wszystkie spotkania Amazona. Stąd leadership principles, sześciostronicowe narracje i dokumenty working-backwards. Wszystkie miały ten sam limit: niosły tylko to, co Bezos zdołał ubrać w słowa.

Drugi przykład jest mocniejszy, bo mierzalny. Schefren przywołuje badanie wdrożenia asystenta AI u 5 179 agentów wsparcia, które identyfikuje jako przypadek Intuit. Produktywność wzrosła o 14%, a wśród najmniej doświadczonych pracowników nawet o 35%. Po czterech miesiącach ludzie z systemem przewyższali kolegów z dwukrotnie dłuższym stażem. Najlepsi agenci wciąż siedzieli w jednym miejscu. Ich osąd już nie.

Lekcja Klarny, najczęściej pomijana

W 2024 asystent AI Klarny obsługiwał, według samej firmy, dwie trzecie czatów i wykonywał pracę równą 700 etatom. Rok później CEO publicznie przyznał, że jakość spadła, bo firma za mocno skupiła się na koszcie. Powierzchowna lekcja brzmi: „AI nie zastąpi ludzi". Głębsza, którą wskazuje manifest, jest inna: błędem nie było oddanie pracy AI, tylko zredukowanie ludzi niosących osąd, zanim system przechwycił to, co wiedzieli. Model nie zawiódł. Zawiodła sekwencja.

Rules vs verdicts, najbardziej operacyjna rzecz w całym tekście

Dlaczego samo pokazanie AI gotowego, dobrego outputu nie działa? Bo model wymyśli setki możliwych powodów, dla których tekst wyszedł tak, a nie inaczej. Output to odpowiedź z oderwanym pytaniem. Dlatego pamięć AI, która wie tylko co zdecydowałeś, jest groźna. Odmówiłeś obniżenia ceny, ale dlaczego? Pozycjonowanie? Obietnica wobec partnerów? Brak wiary w prognozę? Ta sama decyzja, cztery możliwe powody, cztery zupełnie różne decyzje następnym razem. AI może brzmieć dokładnie jak ty, wyciągając błędną lekcję z tego, co zrobiłeś.

Sześć miesięcy feedbacku metodycznego tworzy bardziej posłusznego obcego. Sześć miesięcy feedbacku wynikowego tworzy błyskotliwego ucznia.

Lista kontra sieć

Dlaczego pojedyncze werdykty są warte więcej, niż się wydaje? Schefren daje przykład pięciu pozornie niezależnych decyzji marketingowych: odczekanie po dużej promocji, odrzucenie tańszego wariantu produktu, zwrot pięciocyfrowej sprzedaży, otwarcie kampanii od nazwania, dla kogo ona nie jest, oraz zabicie sprytnego tematu maila. Żadna z nich nie zawiera planu launchu. Ale plan wyłania się tam, gdzie się łączą: zaufanie przed konwersją, dopasowanie przed wolumenem, integralność ceny przed krótkoterminowym wynikiem. Lista potrafi odtworzyć, co powiedziałeś. Sieć potrafi użyć tego, co jej pokazałeś, żeby zdecydować, co byś zrobił dalej.

Zapracowana autonomia

Bez zapisanego osądu AI zlepia w jedno regułę, precedens i zgadywankę, a potem podaje wszystkie trzy z tą samą pewnością siebie. System, który zna twoje werdykty, zaczyna je rozdzielać. Rutyna przechodzi automatycznie, decyzje wsparte wcześniejszym osądem przychodzą z rozumowaniem i dowodami, a do ciebie trafiają wyłącznie prawdziwe wyjątki. Autonomia nie jest nadana z góry, tylko zapracowana werdykt po werdykcie. Zasada portfelowa, która to domyka:

Wynajmuj towar. Imprintuj przewagę.

Techniczna strona tej warstwy, czyli narzędzia Imprint i Atlas, które Schefren wypuścił na otwartych licencjach, to w gruncie rzeczy preference learning i graf wiedzy z rewizją przekonań. Najcenniejszy jest sam schemat danych: sytuacja, decyzja, powód i odrzucone alternatywy zapisywane surowo, zanim wyprowadzi się z nich jakąkolwiek zasadę. Brakujący powód zostaje pusty, bo system nigdy nie powinien wymyślać „dlaczego" za ciebie.

Jeśli miałbym z całej tej warstwy zostawić jedno zdanie do wdrożenia od jutra, brzmiałoby ono tak: nie zapisuj tylko finalnej wersji, zapisuj, dlaczego finalna wersja wygrała. Minimalny schemat przechwytywania mieści się w jednej linijce: co było na wejściu, co zaproponowało AI, jaka reguła została naruszona, jak wyglądała poprawka, dlaczego, co z tym zrobiono. Sześć pól, które z każdego review robią materiał treningowy.

Fala 3Osoba stojąca za osądem

Najbardziej osobista i jednocześnie najbardziej sprzedażowa część, bo tu zaczyna się lejek autora. Teza broni się jednak sama: AI używane na ślepo nie naprawia twoich najgorszych wzorców, tylko je wzmacnia i przyspiesza.

Schefren opisuje pięć poziomów „znania cię" przez AI. Pierwszy to, co wyprodukowałeś, czyli dokumenty i maile. Drugi to, co zdecydowałeś. Trzeci to, jak decydujesz. Czwarty to, kto decyduje, a więc twoje okablowanie, mocne strony i martwe pola. Piąty to, kim się stajesz. Większość pamięci AI zatrzymuje się na poziomie drugim, a między drugim a trzecim stoi ściana.

Najciekawsza obserwacja dotyczy tempa. W ludzkim tempie nierozwiązane sprzeczności między celami tworzyły dryf. W tempie AI tworzą kolizje. Nie musisz chcieć tylko jednej rzeczy, ale musisz zdecydować, która wygrywa, gdy się spotkają.

Dwie rzeczy z tej fali zostają ze mną mimo sprzedażowego opakowania. Pierwsza to pytanie „czego przestałeś chcieć?". Cicha rezygnacja nie ogłasza, że marzenie umarło. Powoli przekonuje cię, że nie jesteś już osobą, która mogłaby je zrealizować. AI wytrenowane wyłącznie na twojej przeszłości potrafi zamienić twoją historię w twoją przyszłość. Druga to praktyka dwóch osobnych plików: kim jesteś teraz i kim się stajesz. Jeśli się zleją, AI pomyli aspirację z rzeczywistością. Większość pamięci AI domyślnie kumuluje ten pierwszy plik, więc pytanie brzmi: którego ciebie AI ma skumulować?

Schefren daje też przykład na poziomie czwartym, który rozpozna każdy przedsiębiorca. Gdy projekt zbliża się do końca, umysł produkuje „lepszy pomysł". Nie brzmi to jak unikanie, brzmi jak podnoszenie poprzeczki. Efekt jest taki, że projekt nie umiera, tylko staje się trwale prawie skończony. Jego AI zna dziś ten wzorzec i idzie do króliczej nory za niego: bada nowy pomysł i wraca z rekomendacją, nie zabierając autora ze sobą.

PraktykaOd czego zacząć, czyli dwa reżimy przechwytywania

Po lekturze rozbiłem wdrożenie na dwa reżimy, bo mają zupełnie inną ekonomię:

Przykład z mojej własnej produkcji, żeby nie zostawiać tego w teorii. Oopisy.pl, moje narzędzie do skalowania opisów produktowych, pisze treści dla sklepów z dziesiątkami tysięcy ofert. Reguły od dawna siedzą w promptach: nie zmyślaj stanu, nie obiecuj gwarancji, parametry bierz wyłącznie z karty produktu. A mimo to przy review dalej odrzucałem opisy, które były formalnie poprawne. Długo robiłem to bez zapisywania powodu i te same poprawki wracały w każdej partii. Zmieniło się dopiero wtedy, gdy przy odrzuceniu zacząłem dopisywać jedno zdanie, na przykład: „brzmi jak katalog producenta, a kupujący używanego sprzętu szuka potwierdzenia stanu, nie marketingu". Taki powód da się wkleić do promptu, więc werdykt po kilku powtórzeniach awansował na regułę i przestał wymagać mojego udziału. Cała pętla z tego artykułu w jednym narzędziu.

I jedna zasada higieny, której pilnuję: nie pozwól modelowi dopisywać powodów za ciebie. Pusty powód jest lepszy niż wymyślony. Jeśli poprawkę złapałby regex, to jest reguła, a nie werdykt, więc nie zaśmiecaj nią bazy osądu.

Mojewnioski po lekturze

1. Outcome prompting to warunek wstępny, nie osobna technika. Bez niego twój feedback uczy AI posłuszeństwa, nie oceniania, więc nie ma czego przechwytywać.
2. Reguły zamieniaj w skille i SOP-y. Werdykty zapisuj jako sytuację, decyzję i powód. Bez pytania, na które odpowiadały, uczą model błędnych rzeczy z pełną pewnością siebie.
3. Przechwytywanie osądu to dźwignia, nie przewaga. Tu się z manifestem nie zgadzam, bo Schefren tę granicę zaciera. Najpierw pozycja: dane, dystrybucja albo odpowiedzialność za wynik. Potem dźwignia. Zaimprintowane AI bez dystrybucji robi z ciebie kogoś, kto bardzo szybko produkuje rzeczy, których nikt nie kupuje.
4. Test do każdego projektu: „Gdyby zdolny entuzjasta z Claude'em miał na to trzy miesiące, zbudowałby to?" Jeśli tak, pytanie brzmi: co mam, czego on nie zdobędzie? Liczą się trzy odpowiedzi: dane, dystrybucja, odpowiedzialność za wynik.
5. Szukaj pętli, nie linii. Jedno pytanie zmienia sposób patrzenia na każdy proces w firmie: co dzieje się u nas raz, a mogłoby uczynić wszystko inne mądrzejszym?

Źródła: „The A.I. Business Manifesto" — Rich Schefren, Strategic Profits, otwarte repozytoria Imprint i Atlas. Dane o wzroście produktywności agentów wsparcia pochodzą z badania Brynjolfssona, Li i Raymond opublikowanego przez NBER; identyfikacja firmy jako Intuit jest twierdzeniem Schefrena. Tekst jest moim autorskim omówieniem i komentarzem, nie zastępuje lektury oryginału.