Analiza biografii Demisa Hassabisa pióra Sebastiana Mallaby’ego oraz danych rynkowych z 2026 roku wskazuje na gwałtowną erozję wartości systemów opartych na czystej informacji. Kluczowym czynnikiem sukcesu w architekturze IT staje się „przygotowany umysł”, zdolny do rozpoznawania przełomów technologicznych przed ich upowszechnieniem, przy jednoczesnej automatyzacji 99% procesów wykonawczych przez systemy agentowe. Transformacja ta przenosi przewagę konkurencyjną z posiadania modeli bazowych na głęboką integrację specyficznych przepływów pracy i danych z komodytyzowaną inteligencją.
Dlaczego przygotowany umysł to jedyna trwała przewaga konkurencyjna
Koncepcja „przygotowanego umysłu”, zaczerpnięta od Ludwika Pasteura, stanowi fundament strategii inwestycyjnej i technologicznej opisywanej przez Mallaby’ego w kontekście funduszu Accel Capital oraz sukcesu DeepMind. Polega ona na przeprowadzaniu symulacji scenariuszy przed pojawieniem się nowej technologii, co pozwala na błyskawiczną ocenę (w 90% opartą na wcześniejszej analizie) w momencie, gdy rozwiązanie staje się dostępne.
Przykładem tej strategii w praktyce była reakcja Ilyi Sutskevera na publikację architektury transformera w 2017 roku. Dzięki wieloletnim badaniom nad modelowaniem danych sekwencyjnych, Sutskever natychmiast rozpoznał rozwiązanie problemu, nad którym pracował od doktoratu, co pozwoliło OpenAI na natychmiastowe porzucenie innych projektów i skupienie się na budowie modeli językowych. W kontekście inżynierii systemów, przygotowanie umysłu oznacza:
- Identyfikację luk technologicznych: Utrzymywanie precyzyjnych pytań badawczych do momentu pojawienia się odpowiedniej architektury.
- Optymalizację poznawczą: Wykorzystanie LLM do „bootstrappingu” wiedzy (np. analizy progresji prac naukowych przed wywiadami), co pozwala na szybszą cross-walidację faktów z ludzkimi ekspertami.
- Ochronę tożsamości zawodowej: Świadome decydowanie, które procesy myślowe (np. pisanie długich form tekstowych powyżej 800 słów) pozostają domeną ludzką w celu zachowania zdolności do krytycznego wnioskowania.
Rekurencyjne samodoskonalenie i automatyzacja R&D do 2028 roku
Prognozy Jacka Clarka z Anthropic wskazują na 60% prawdopodobieństwo pełnej automatyzacji badań i rozwoju AI do końca 2028 roku. Systemy te przestają być jedynie narzędziami przyspieszającymi pracę kodera, a zaczynają samodzielnie projektować rusztowania pod przyszłe modele, co oznacza zamknięcie pętli, w której maszyna uczy samą siebie i swoich twórców.
Dane operacyjne z Anthropic potwierdzają tę trajektorię: obecnie od 70% do 90% kodu firmy jest generowane przez AI, a inżynierowie tacy jak Boris Cherny raportują okresy powyżej dwóch miesięcy bez napisania ani jednej linii kodu ręcznie. Kluczowe wskaźniki wydajności (KPI) autonomii AI wykazują trend wykładniczy:
| Rok | Czas pracy AI bez kalibracji ludzkiej |
|---|---|
| 2022 | 30 sekund |
| 2023 | 4 minuty |
| 2024 | 40 minut |
| 2025 | 6 godzin |
| 2026 | 12 godzin |
| 2026 (prognoza) | 100 godzin |
Źródło:
Z punktu widzenia architekta IT, automatyzacja „potu” (perspiracji) – czyli debugowania, przeglądów kodu i sweepów parametrów – pozwala na przesunięcie zasobów ludzkich w stronę „inspiracji” i UX. Ryzykiem projektowym staje się jednak utrata dystansu między twórcą a narzędziem, co utrudnia weryfikację ograniczeń dopasowania (alignment) w systemach, które ewoluują szybciej niż ludzka intuicja.
Architektura Slipstream i zmiana lokalizacji fosy technologicznej
Model biznesowy oparty na posiadaniu autorskiego, gigantycznego modelu bazowego staje się nieefektywny kapitałowo ze względu na szybką komodytyzację wag modeli (open-weight). Strategia „Slipstream”, stosowana przez Apple, polega na zamrożeniu małego, wydajnego modelu bazowego w urządzeniu i dynamicznym podmienianiu adapterów LoRA (low-rank adaptation) w czasie liczonym w milisekundach.
Technologia LoRA eliminuje problem „katastroficznego zapominania” (catastrophic forgetting) poprzez szkolenie niewielkiej liczby dodatkowych parametrów obok nienaruszonej podstawy. Pozwala to na: Suwerenność danych: Dane wrażliwe szkolą adapter, który nie opuszcza infrastruktury klienta. Efektywność kosztową: Obsługę setek spersonalizowanych klientów na jednym modelu bazowym i jednym zestawie sprzętowym. * Zwinność wdrożeniową: Wysyłanie poprawek o rozmiarze kilkuset megabajtów zamiast ponownego trenowania całego systemu.
W tej architekturze „fosa” (moat) przesuwa się z surowej wydajności modelu w stronę głębokiej integracji inteligencji z konkretnym przepływem pracy i relacją z klientem.
Upadek literatury poradnikowej jako canaria w kopalni disrupting AI
Dane sprzedażowe Tima Ferrissa z połowy 2026 roku ujawniają drastyczny spadek popytu na literaturę faktu o charakterze instruktażowym (prescriptive nonfiction). Sprzedaż printu w tej kategorii spadła o 57% rok do roku w 2026, co stanowi łączny spadek o około 80% w porównaniu do roku 2022.
Przyczyną jest zmiana interfejsu dostępu do informacji: chatboty, które „przeczytały” tysiące książek, dostarczają spersonalizowane protokoły w 15 sekund, eliminując konieczność przeszukiwania lookup tables zawartych w tradycyjnych publikacjach. Zjawisko to dotyczy nie tylko książek, ale również: Filmów instruktażowych na YouTube (AI ekstrahuje potrzebne 40 sekund z 20-minutowego nagrania). Podcastów poradnikowych (automatyczna personalizacja wniosków z setek odcinków). * Kursów online i newsletterów (instrukcje przesyłane bezpośrednio z głowy twórcy do głowy odbiorcy tracą wartość na rzecz darmowych, interaktywnych interfejsów).
Jedynym trwałym zasobem pozostaje „transformacja” zamiast „informacji” – budowanie społeczności (1 000 prawdziwych fanów), autentyczność głosu oraz doświadczenia, których LLM nie jest w stanie sparametryzować, takie jak relacje międzyludzkie i wspólna nauka w działaniu.
Geopolityka i dylemat bezpieczeństwa w wyścigu z Chinami
Sebastian Mallaby argumentuje, że USA i Chiny znajdują się w sytuacji zbliżonej do zimnowojennej, gdzie konieczne jest wypracowanie traktatu o nieproliferacji AI (na wzór IAEA z 1956 r.), aby zapobiec wpadnięciu potężnych modeli open-weight w ręce podmiotów terrorystycznych. Mimo retoryki o braku zainteresowania Chin kwestiami bezpieczeństwa, wizyty Mallaby’ego w chińskich laboratoriach (np. Hikvision, Ant Group) potwierdzają, że bezpieczeństwo AI jest tam tematem obecnym i oddolnym.
Obecna przewaga USA nad Chinami w zakresie modeli granicznych szacowana jest na zaledwie 8 miesięcy, a kontrola eksportu chipów z października 2022 r. nie dostarczyła spodziewanej dominacji. Ryzyko eskalacji geopolitycznej wiąże się z potencjalnym wykorzystaniem superinteligencji do działań ofensywnych w cyberprzestrzeni (np. model Mythos od Anthropic, zdolny do penetracji systemów bankowych i operacyjnych), co może zmusić rządy do przejęcia kontroli nad infrastrukturą AI w imię bezpieczeństwa narodowego.
Wnioski praktyczne i rekomendacje
- Zautomatyzuj procesy debugowania i przeglądów kodu za pomocą agentów AI (np. Claude Code), celując w 70-90% generowanego automatycznie kodu, aby przesunąć zasoby na projektowanie architektury i UX.
- Wdróż architekturę opartą na adapterach LoRA zamiast inwestowania w szkolenie własnych modeli bazowych. Pozwoli to na zachowanie suwerenności danych i obniżenie kosztów infrastruktury przy zachowaniu domain-specific expertise.
- Skonfiguruj systemy LLM jako narzędzia do szybkiego prototypowania i analizy dokumentacji technicznej, ale zachowaj ludzki nadzór nad formami długimi i krytycznymi decyzjami projektowymi, aby uniknąć degradacji zdolności poznawczych zespołu.
- Zmierz opłacalność przejścia z SaaS na własne narzędzia generowane przez AI (vibe coding), biorąc pod uwagę koszty zgodności (compliance) i bezpieczeństwa danych, które w dużych organizacjach pozostają barierą dla pełnej adopcji modeli open-weight.
- Przygotuj scenariusze awaryjne na wypadek rządowej interwencji w dostęp do najpotężniejszych modeli (np. Mythos), dywersyfikując dostawców i monitorując międzynarodowe regulacje dotyczące nieproliferacji AI.
Źródła
- 4 Key Lessons from The Infinity Machine by Sebastian Mallaby | Book Review & Summary
- AI: Large Language Models – Scott Loftesness
- Has AI Already Killed How-To Nonfiction? Sales Trends, My Personal Data, and What It Might Mean for the Future – The Blog of Author Tim Ferriss
- How To Prepare Your Mind for the Age of AI — Sebastian Mallaby
- My interview with Sebastian Mallaby, author of 'The Infinity Machine: Demis Hassabis, DeepMind, and the Quest for Superintelligence’ – Faster, Please!
- Sebastian Mallaby’s New CFR Book Details the Rise of DeepMind’s Demis Hassabis
- Sebastian Mallaby: The AI Race Nobody Can Win | Foreign Affairs Interview – YouTube
- The Power Law: Venture Capital and the Making of the New Future – Next Big Idea Club
Dodaj komentarz