W pierwszej części opisaliśmy zmianę języka interfejsu: od WYSIWYG — What You See Is What You Get do WYTiWYG — What You Think Is What You Get. Teraz warto pójść głębiej, bo różnica między SEE i THINK nie dotyczy wyłącznie wygodniejszego sposobu obsługi komputera. Dotyczy miejsca, w którym zaczyna się produkcja. W epoce WYSIWYG człowiek widział na ekranie wierną reprezentację tego, co później otrzyma jako dokument, stronę lub wydruk. W epoce agentów AI człowiek coraz częściej zaczyna od opisania zamiaru, a system sam rozpisuje pracę, dobiera narzędzia, wykonuje kolejne kroki i przedstawia rezultat do akceptacji.
Najważniejsza zmiana brzmi więc tak: WYSIWYG skrócił dystans między wykonaniem a widokiem. WYTiWYG skraca dystans między intencją a wykonaniem. To znacznie większa rewolucja. Po raz pierwszy osoba, która nie potrafi samodzielnie prowadzić researchu, projektować interfejsu, programować, obrabiać obrazu ani wdrażać strony, może opisać pożądany efekt w języku naturalnym i uruchomić cały łańcuch produkcyjny. Co więcej, nie musi przychodzić z gotowym planem. Claude, Gemini, Copilot, Perplexity i inne systemy potrafią pomóc również w rozbiciu niejasnego pomysłu na pytania, założenia, kryteria i zadania. Właśnie w tym sensie AI zaczyna uczestniczyć nie tylko w GET, lecz także w THINK.
WYSIWYG było rewolucją widoku, ale nie rewolucją całego procesu
W połowie lat 70. edytor Bravo działający na komputerze Xerox Alto pokazał coś, co dziś wydaje się banalne: formatowany tekst można zobaczyć na ekranie w postaci zbliżonej do wydruku. Computer History Museum przypisuje Charlesowi Simonyiemu stworzenie Bravo, jednego z pierwszych edytorów WYSIWYG. Był to ogromny skok, ponieważ użytkownik nie musiał już mentalnie tłumaczyć kodów i poleceń na przyszły wygląd strony. Mógł pracować bezpośrednio na wizualnej reprezentacji rezultatu: zaznaczyć tekst, zmienić krój, przesunąć element i natychmiast ocenić efekt.
Rewolucja polegała na demokratyzacji kontroli nad formą. Wcześniej między człowiekiem a rezultatem znajdowała się techniczna warstwa komend, składu i urządzeń wyjściowych. WYSIWYG schował znaczną część tej warstwy pod graficznym interfejsem. Nie usunął jednak produkcji, która poprzedzała pojawienie się gotowego materiału. Nadal ktoś musiał wymyślić produkt, zebrać informacje, przygotować brief, napisać tekst, wykonać zdjęcia, zaprojektować layout, stworzyć kod, przeprowadzić testy, nanieść poprawki i doprowadzić całość do publikacji. Ekran pozwalał zobaczyć pracę wcześniej, lecz nie wykonywał pracy za zespół.
Dlatego w słowie WYSIWYG najważniejsze było SEE. Komputer obiecywał zgodność reprezentacji z rezultatem, nie realizację intencji. Photoshop pokazywał grafikowi finalny obraz, ale nie prowadził wywiadu z klientem. Edytor strony pokazywał układ sekcji, ale nie rozstrzygał, jaka architektura informacji najlepiej obsłuży proces zakupowy. Arkusz prezentował tabelę i wykres, ale nie decydował, które dane są potrzebne zarządowi. Użytkownik otrzymywał bezpośrednią kontrolę nad artefaktem, jednak droga od pomysłu do artefaktu nadal wymagała specjalistów, koordynacji i wielu przekazań między ludźmi.
THINK jest poleceniem wyższego poziomu
W modelu WYTiWYG punktem wejścia nie jest obiekt na ekranie, lecz stan, który chcemy osiągnąć. Zamiast ręcznie ustawiać sekcje strony, możemy powiedzieć: „Zbuduj stronę produktu dla właścicieli aptek. Ma wyjaśnić model programu, pokazać trzy udokumentowane wyniki, zebrać zapytanie i spełnić wymagania technicznego SEO”. To nie jest instrukcja wykonania pojedynczej czynności. To opis rezultatu zawierający odbiorcę, cel, dowody oraz ograniczenia. System może na tej podstawie zaproponować strukturę, zidentyfikować brakujące dane, napisać pierwszą wersję tekstu, przygotować interfejs, stworzyć kod, uruchomić testy i opublikować wersję roboczą.
Naturalny język staje się więc czymś w rodzaju warstwy orkiestracji. Człowiek nie musi określać każdego kliknięcia, podobnie jak dyrektor kreatywny nie instruuje fotografa, gdzie ma postawić każdy piksel. Przekazuje intencję, kontekst, standard i warunki brzegowe. Różnica polega na tym, że cyfrowy wykonawca potrafi w ciągu jednej sesji przechodzić między rolami, które wcześniej należały do oddzielnych osób i aplikacji. Może najpierw wystąpić jako researcher, następnie jako strateg, copywriter, projektant informacji, programista, tester i operator wdrożenia.
To właśnie tutaj „wystarczy pomyśleć” przestaje być wyłącznie efektownym sloganem. W dobrze ograniczonym środowisku cyfrowym myśl opisana słowami może uruchomić pracę narzędzi, plików, przeglądarki, repozytorium i infrastruktury. Nie oznacza to jeszcze dosłownego czytania myśli ani bezbłędnej realizacji wszystkiego. Oznacza natomiast, że jednostką sterującą przestaje być kliknięcie lub komenda techniczna, a staje się nią intencja możliwa do zinterpretowania przez model.
AI nie tylko wykonuje plan. Coraz częściej pomaga go stworzyć
Najbardziej radykalny element WYTiWYG pojawia się wtedy, gdy użytkownik nie ma jeszcze dobrze sformułowanej intencji. Klasyczne oprogramowanie czekało na decyzję: trzeba było wiedzieć, który dokument otworzyć, jaką funkcję wybrać i jaki parametr ustawić. System generatywny może odpowiedzieć pytaniem: „Kto ma podjąć decyzję po przeczytaniu tej strony?”, „Jakie fakty wolno uznać za potwierdzone?”, „Co będzie oznaczało sukces?” albo „Które ryzyko jest nieakceptowalne?”. Zamiast wymagać kompletnego briefu, może pomóc go wydobyć z rozmowy.
Gemini Deep Research dobrze pokazuje ten mechanizm. Narzędzie nie zaczyna wyłącznie od zbierania linków. Najpierw tworzy plan badania, który użytkownik może poprawić, następnie wykonuje serię wyszukiwań, modyfikuje ich kierunek wraz z pojawianiem się nowych informacji i składa materiał w raport ze źródłami. Wersje agentowe potrafią przeszukiwać setki stron oraz łączyć publiczny internet z dokumentami użytkownika. Człowiek zaczyna więc od pytania lub hipotezy, a nie od listy zapytań, otwartych kart, notatek i struktury raportu. AI pomaga przeprowadzić go przez sam proces dochodzenia do tego, co właściwie warto wiedzieć.
Claude i podobne systemy mogą działać w modelu „orchestrator–workers”, który Anthropic opisuje jako układ, w którym centralny model sam rozbija zadanie na nieznane wcześniej podzadania, deleguje je i syntetyzuje rezultaty. To zasadniczo inna logika niż klasyczna automatyzacja. Workflow wykonuje ścieżkę zaprojektowaną wcześniej przez człowieka. Agent dynamicznie decyduje, jakie kroki i narzędzia będą potrzebne. Jeśli w czasie analizy odkryje lukę w danych, może wrócić do researchu; jeśli test kodu nie przejdzie, może znaleźć przyczynę i przygotować kolejną wersję. Plan nie musi być kompletny na wejściu — może powstawać podczas pracy.
Claude: od polecenia do wielogodzinnego wykonania
Jednym z najbardziej wyrazistych przykładów przejścia od SEE do THINK jest programowanie agentowe. Klasyczny edytor kodu pozwalał programiście zobaczyć pliki, błędy i rezultat uruchomienia aplikacji. Nawet najlepsze środowisko developerskie nie przejmowało jednak odpowiedzialności za przejście od wymagania biznesowego do zmian w wielu plikach. Claude Code, GitHub Copilot w trybie agentowym, Cursor, Gemini Code Assist i podobne narzędzia mogą otrzymać zadanie na poziomie funkcji produktu, zbadać repozytorium, zaplanować modyfikacje, napisać kod, uruchomić testy i poprawić wykryte problemy.
Studium Rakuten opublikowane przez Anthropic pokazuje skalę tej zmiany. Claude Code otrzymał zadanie implementacji metody ekstrakcji wektorów aktywacji w projekcie vLLM obejmującym około 12,5 mln linii kodu i pracował nad nim przez siedem godzin w jednym przebiegu, przy sporadycznych wskazówkach człowieka. Według case study osiągnięto 99,9% zgodności numerycznej z metodą referencyjną. W szerszym wdrożeniu Rakuten deklarował skrócenie średniego czasu wprowadzania nowych funkcji z 24 do 5 dni, czyli o 79%. Są to dane dostawcy i klienta, nie niezależny eksperyment, ale dobrze ilustrują nowy model pracy: inżynier nie musi obserwować i ręcznie wykonywać każdego kroku. Może wyznaczyć rezultat, udostępnić kontekst i okresowo korygować kierunek.
Najważniejsze nie jest nawet to, że agent pisze kod szybciej. Ważniejsze jest przejęcie ciągłości procesu. Dawniej wymaganie trafiało do analizy, potem do architektury, implementacji, code review, testów i dokumentacji. Każde przekazanie kosztowało czas i powodowało utratę kontekstu. Agent może utrzymać jedno zadanie przez wszystkie te fazy. Właśnie dlatego Claude jest tu ważniejszym przykładem niż zwykły chatbot: pokazuje, że generowanie odpowiedzi zmienia się w długotrwałe wykonywanie pracy.
Gemini i Perplexity: research przestaje być zbiorem ręcznych czynności
Podobną kompresję widać w pracy badawczej. Tradycyjny research wymagał sformułowania wielu zapytań, oceny źródeł, otwierania dokumentów, kopiowania notatek, porządkowania argumentów, budowania tabel i dopiero na końcu redakcji raportu. WYSIWYG pomagał ładnie złożyć wynik, ale nie przeprowadzał badania. Gemini Deep Research oraz analogiczne funkcje innych dostawców zaczynają od celu poznawczego i potrafią samodzielnie planować kolejne etapy. Użytkownik może zatwierdzić plan, odejść od komputera i wrócić do gotowego materiału z bibliografią, a następnie poprosić o rozwinięcie słabiej udokumentowanego wątku albo przekształcenie raportu w wizualizację.
Perplexity Labs rozszerzyło tę logikę poza sam raport. Firma zapowiadała tworzenie na podstawie jednego zadania nie tylko opracowań, ale także arkuszy, dashboardów oraz prostych aplikacji internetowych. System może prowadzić rozbudowany research, wykonywać kod, porządkować dane, stosować formuły i budować interaktywny rezultat. Granica pomiędzy „znajdź informację”, „przeanalizuj ją” i „zbuduj narzędzie do jej wykorzystania” zaczyna zanikać. Z perspektywy użytkownika całość może być jednym zdaniem opisującym potrzebę biznesową.
ChatGPT i narzędzia OpenAI są częścią tego samego krajobrazu — oferują research, pracę z kodem, plikami i przeglądarką — ale nie są jego jedynym centrum. Najważniejszym zjawiskiem jest konwergencja. Claude, Gemini, Copilot, Perplexity oraz wyspecjalizowane agenty coraz częściej łączą rozumowanie, wyszukiwanie, tworzenie artefaktów i wykonywanie działań. Rywalizacja nie dotyczy już wyłącznie jakości odpowiedzi w oknie rozmowy. Dotyczy tego, jak długi i złożony odcinek rzeczywistego procesu system potrafi przeprowadzić od intencji do wyniku.
Copilot i Cursor: dwa badania, pozornie sprzeczne wyniki
Entuzjazm wokół WYTiWYG trzeba zestawić z danymi, które pokazują granice obecnych systemów. W kontrolowanym eksperymencie dotyczącym GitHub Copilot programiści budujący serwer HTTP w JavaScript ukończyli zadanie o 55,8% szybciej niż grupa bez asystenta. Wynik jest mocnym argumentem za kompresją pracy, ale dotyczył konkretnego, względnie dobrze zdefiniowanego zadania. Kiedy polecenie, środowisko i kryterium zakończenia są jasne, AI może błyskawicznie wypełnić dużą część drogi od zamiaru do działającego kodu.
Badanie METR z 2025 roku przyniosło przeciwny rezultat. Szesnastu doświadczonych programistów wykonało 246 rzeczywistych zadań w dużych projektach open source, które znali średnio od pięciu lat. Korzystali głównie z Cursor Pro i modeli Claude. Przed eksperymentem spodziewali się, że AI skróci czas o 24%; po wykonaniu pracy nadal subiektywnie oceniali, że oszczędzili około 20%. Pomiar wykazał jednak, że faktycznie pracowali o 19% dłużej. Koszt pojawiał się przy czytaniu, weryfikowaniu i poprawianiu kodu, który był przekonujący, lecz nie dość precyzyjny dla dojrzałego repozytorium.
Nie są to wyniki, które wzajemnie się unieważniają. Pokazują najważniejszą cechę dzisiejszego WYTiWYG: wydajność zależy od dopasowania zadania do granicy możliwości systemu. AI świetnie kompresuje pracę, gdy cel jest testowalny, kontekst dostępny, a błędy można szybko wykryć. Może spowalniać, gdy środowisko zawiera dużą ilość ukrytej wiedzy, standard jakości jest wysoki, a poprawność wymaga doświadczenia, którego nie da się łatwo zapisać w instrukcji. Wtedy generowanie jest szybkie, ale weryfikacja droższa niż ręczne wykonanie.
Firefly, Midjourney, Canva i Runway: myśl staje się materiałem kreatywnym
W produkcji wizualnej przejście jest równie wyraźne. WYSIWYG dało projektantowi kontrolę nad płótnem: widział kompozycję, warstwy, typografię i kolor. Generatywne narzędzia, takie jak Adobe Firefly, Midjourney, Canva Magic Studio czy Runway, pozwalają rozpocząć od opisu sceny, nastroju, funkcji i ograniczeń marki. Pierwszy rezultat nie powstaje przez ręczne ustawianie tysięcy parametrów. Powstaje przez przełożenie wyobrażenia na język, obraz referencyjny lub szkic, który system rozwija.
To nie oznacza końca warsztatu projektowego. Oznacza zmianę ekonomii wariantów. W pilotażu opisywanym przez Axios IBM wykorzystał Adobe Firefly do stworzenia 200 obrazów i ponad 1000 wariantów kampanii. IBM podał, że materiały osiągnęły 26-krotnie wyższe zaangażowanie niż firmowy benchmark. Wynik nie dowodzi, że sam generator był jedyną przyczyną wzrostu, ale pokazuje, że skala personalizacji wcześniej wymagająca ogromnej pracy produkcyjnej może zostać osiągnięta przez mniejszy zespół. Adobe rozwija tę ideę dalej w kierunku wizualnie budowanych, zarządzanych workflow, które przyjmują brief, stosują reguły marki, generują warianty i kierują je do zatwierdzenia.
W tym modelu zadaniem człowieka coraz rzadziej jest wykonanie każdej wersji. Jego zadaniem jest określenie, które wersje w ogóle warto tworzyć, jakie emocje mają wywołać, czego marka nie może powiedzieć lub pokazać i po czym poznamy, że materiał działa. Produkcja pikseli tanieje. Smak, rozpoznanie kontekstu i odpowiedzialność za efekt stają się droższe.
Jedna osoba z AI może uzyskać część korzyści całego zespołu
Najmocniejszym argumentem za tezą o skróceniu pełnej ścieżki produkcyjnej nie jest jednak pojedynczy efektowny obraz ani fragment kodu. Jest nim pytanie, czy AI potrafi zastąpić część korzyści wynikających ze współpracy specjalistów. Badanie prowadzone z udziałem 776 pracowników Procter & Gamble porównało osoby i zespoły pracujące nad realnymi zadaniami rozwoju produktu — z AI lub bez niego. Osoby pracujące z AI osiągały jakość rozwiązań porównywalną z dwuosobowymi zespołami bez AI. System pomagał również ograniczać silosy: specjaliści techniczni tworzyli bardziej komercyjne propozycje, a osoby biznesowe proponowały rozwiązania bardziej techniczne.
To niezwykle ważne dla WYTiWYG. Tradycyjna ścieżka od pomysłu do produktu potrzebowała zespołu nie tylko dlatego, że pracy było dużo. Potrzebowała go również dlatego, że żadna osoba nie posiadała wszystkich perspektyw. AI może dostarczyć użytkownikowi część brakujących punktów widzenia, zasymulować krytykę, przygotować wariant techniczny i komercyjny, a następnie pomóc je połączyć. Nie staje się prawdziwym zespołem w społecznym i odpowiedzialnym sensie, ale może odtworzyć część jego funkcji poznawczych.
Podobny mechanizm widać w badaniu ponad pięciu tysięcy agentów obsługi klienta opisanym przez NBER i później opublikowanym w „Quarterly Journal of Economics”. Asystent generatywny zwiększył liczbę rozwiązanych spraw na godzinę średnio o około 14–15%, a największy wzrost — około 34% — dotyczył mniej doświadczonych pracowników. Autorzy wskazywali, że narzędzie pomagało rozpowszechnić wzorce zachowań najlepszych konsultantów. AI nie tylko pisało szybciej. Przenosiło skodyfikowaną część doświadczenia w moment podejmowania decyzji przez nowicjusza.
Gdy AI prowadzi THINK, rośnie ryzyko myśli, której nikt nie sprawdził
Możliwość przeprowadzenia użytkownika przez proces myślowy jest jednocześnie największą zaletą i najważniejszym ryzykiem nowego modelu. Jeśli system proponuje pytania, selekcjonuje źródła, buduje plan, wykonuje analizę i redaguje wniosek, może stworzyć niezwykle spójną ścieżkę prowadzącą od błędnego założenia do pięknie przygotowanego rezultatu. Człowiek otrzymuje nie tylko odpowiedź, lecz również gotowe uzasadnienie, przez co trudniej zauważyć, gdzie należało zakwestionować kierunek.
Badanie Microsoft Research i Carnegie Mellon objęło 319 pracowników wiedzy, którzy opisali 936 rzeczywistych przypadków użycia generatywnej AI. Wyższe zaufanie do AI wiązało się z mniejszą intensywnością krytycznego myślenia, natomiast większa pewność własnej wiedzy — z większą skłonnością do kontroli. Jednocześnie autorzy zauważyli, że krytyczne myślenie nie znika, lecz przesuwa się z samodzielnego tworzenia w stronę weryfikacji informacji, integrowania odpowiedzi i nadzoru nad zadaniem.
To trafny opis nowej pracy. W świecie SEE ekspert koncentrował się na wykonaniu i wizualnej kontroli artefaktu. W świecie THINK powinien kontrolować założenia, źródła, uprawnienia, testy oraz konsekwencje. Jeśli tego nie robi, WYTiWYG może zmienić się w „What the Model Assumed Is What You Get”. Im sprawniej system wykonuje kolejne kroki, tym większą szkodę może spowodować źle zdefiniowany cel lub nieujawnione założenie.
Nowa linia produkcyjna: od rozmowy do wdrożenia
Pełna ścieżka WYTiWYG zaczyna się od rozmowy o rezultacie. Człowiek opisuje problem, odbiorcę i pożądany stan. AI nie powinno natychmiast generować finalnego produktu, lecz najpierw ujawnić luki: zapytać o dostępne dane, ograniczenia, ryzyka i kryteria sukcesu. Następnie tworzy plan i przedstawia go do korekty. Dopiero zaakceptowany plan uruchamia wykonanie: research, syntezę, tekst, projekt, kod, testy oraz przygotowanie publikacji.
Kolejny etap jest agentowy. System sam dobiera działania w granicach udzielonego dostępu. Researcher przeszukuje źródła, model analityczny porządkuje dane, generator obrazu przygotowuje oprawę, agent kodujący osadza materiał w serwisie, a tester sprawdza linki, responsywność, metadane i działanie formularzy. Nie musi to być jeden produkt ani jeden model. Claude może prowadzić kod i repozytorium, Gemini — research w ekosystemie dokumentów, Perplexity — szybkie rozpoznanie źródeł, Firefly lub Midjourney — kierunek wizualny, Copilot — pracę w środowisku Microsoft, a wyspecjalizowane agenty — publikację i kontrolę.
Na końcu człowiek nie powinien jedynie „zobaczyć” rezultatu. Powinien go odebrać według wcześniej zdefiniowanych kryteriów. Czy źródła rzeczywiście potwierdzają dane? Czy kod przeszedł testy? Czy materiał jest zgodny z marką? Czy system nie wykroczył poza przyznane uprawnienia? Czy można wycofać zmianę? Paradoksalnie więc SEE wraca na końcu WYTiWYG jako kontrola jakości. Najpierw myślimy i delegujemy, później sprawdzamy to, co system zrobił z naszą myślą.
Wąskim gardłem przestaje być produkcja. Staje się nim osąd
Przez dziesięciolecia firmę ograniczała liczba godzin specjalistów. Nawet dobry pomysł czekał na researchera, copywritera, grafika, developera, analityka i kolejne okno w planie produkcyjnym. Generatywna AI obniża koszt pierwszej wersji oraz koszt tworzenia wariantów. Microsoft w Work Trend Index 2025 podał, że 46% badanych liderów deklarowało wykorzystywanie agentów do pełnej automatyzacji workflow lub procesów biznesowych, a 82% spodziewało się używać „cyfrowej pracy” do zwiększania mocy zespołów w ciągu 12–18 miesięcy. Są to deklaracje, nie audyt faktycznych wdrożeń, lecz wskazują kierunek oczekiwań rynku.
Gdy wykonanie staje się dostępne niemal na żądanie, organizacje nie wygrywają już samą zdolnością do produkowania większej liczby tekstów, obrazów i funkcji. Wygrywają zdolnością do wyboru właściwego problemu, dostarczenia lepszego kontekstu, rozpoznania słabego rezultatu i szybkiego uczenia się na danych. Pytanie „czy potrafimy to zrobić?” coraz częściej ustępuje pytaniom „czy powinniśmy to zrobić?”, „dla kogo?”, „na podstawie czego?” i „jaką decyzję ma to poprawić?”.
To dlatego skrót WYTiWYG nie jest pochwałą bezmyślnego promptowania. Przeciwnie: im tańsza produkcja, tym bardziej cenna staje się jakość decyzji poprzedzającej produkcję. AI może przeprowadzić nas przez analizę, zasugerować pytania i pokazać alternatywy, ale nie posiada własnej odpowiedzialności biznesowej. Nie ponosi kosztu błędnej kampanii, utraty reputacji, naruszenia prawa ani wdrożenia funkcji, której klienci nie potrzebują.
Co naprawdę musi pozostać po stronie człowieka
W praktyce nie warto bronić wszystkich dawnych czynności tylko dlatego, że kiedyś wykonywali je ludzie. Ręczne przepisywanie danych, tworzenie dziesiątek podobnych wariantów, mechaniczne formatowanie czy powtarzalne testy są dobrymi kandydatami do automatyzacji. Trzeba natomiast zachować ludzką odpowiedzialność tam, gdzie decyzja zależy od niejawnego kontekstu, wartości, relacji, konsekwencji prawnych albo reputacyjnych. Model może przedstawić opcje, ale ktoś musi mieć mandat, by wybrać i podpisać się pod skutkiem.
Równie ważny jest smak. AI potrafi wygenerować poprawną stronę, prezentację lub film, lecz statystyczna poprawność łatwo prowadzi do podobieństwa. Przewaga marki nie bierze się z posiadania generatora, do którego mają dostęp także konkurenci. Bierze się z własnej wiedzy, wyrazistego punktu widzenia, materiałów źródłowych i konsekwencji w selekcjonowaniu wyników. WYTiWYG działa najlepiej, gdy „You” w formule oznacza konkretną organizację z pamięcią, doświadczeniem i standardem — nie anonimowego użytkownika wpisującego przypadkowe polecenie.
Praktyczna zasada WYTiWYG: myśl, pozwól AI dopytać, deleguj i odbierz
Dojrzały proces można sprowadzić do czterech ruchów. Najpierw człowiek określa zmianę, którą chce wywołać, zamiast zamawiać sam artefakt. Nie „napisz artykuł”, lecz „pomóż dyrektorowi marketingu zrozumieć, kiedy agent AI rzeczywiście skraca produkcję, a kiedy zwiększa koszt kontroli”. Następnie pozwala AI zakwestionować niejasności i przygotować plan. W tym momencie model działa jako partner w myśleniu, a nie wykonawca pierwszego polecenia.
Po zatwierdzeniu kierunku następuje delegowanie wykonania z jasno określonym zakresem dostępu. System może korzystać ze źródeł, dokumentów, narzędzi kreatywnych, kodu i infrastruktury, ale powinien mieć bramki bezpieczeństwa przed działaniami kosztownymi, publicznymi lub nieodwracalnymi. Na końcu rezultat jest odbierany na podstawie dowodów: bibliografii, testów, logów, porównania z briefem i możliwości wycofania zmiany. W takim układzie szybkość AI nie usuwa kontroli; przenosi ją z ręcznego wykonywania każdego kroku na projektowanie i nadzorowanie systemu.
Od „pokaż mi rezultat” do „zrealizuj mój zamiar”
WYSIWYG zmieniło komputery, ponieważ pozwoliło człowiekowi pracować na tym, co widzi. WYTiWYG może zmienić organizacje, ponieważ pozwala pracować na tym, co człowiek chce osiągnąć. Między tymi dwiema formułami mieści się cała historia przesuwania abstrakcji: od kodu do interfejsu, od interfejsu do rozmowy, od rozmowy do agenta, który planuje i działa.
Nie jesteśmy jeszcze w świecie, w którym każda myśl automatycznie zamienia się w bezbłędny produkt. Jesteśmy jednak wystarczająco blisko, aby zmienić sposób projektowania pracy. W cyfrowych, dobrze opisanych procesach jedna osoba może z pomocą AI wykonać część zadań dawnego sztabu: przeprowadzić research, skonfrontować perspektywy, przygotować treść i obraz, zbudować aplikację, przetestować ją i wdrożyć. A jeżeli sama nie wie, jak zacząć, AI może pomóc jej dojść do właściwego pytania.
Dlatego akcent w WYTiWYG musi pozostać na THINK. Nie dlatego, że wykonanie przestaje mieć znaczenie. Dlatego, że staje się coraz łatwiejsze, szybsze i bardziej autonomiczne. W epoce obfitej produkcji najrzadszym zasobem nie będzie kolejna wersja. Będzie nim trafny zamiar, dobry osąd i odwaga, by odrzucić rezultat, który wygląda doskonale, ale rozwiązuje niewłaściwy problem.
Bibliografia i źródła
- Computer History Museum, Charles Simonyi — twórca edytora Bravo dla Xerox Alto.
- Anthropic, Building effective agents, 19 grudnia 2024.
- Anthropic / Rakuten, Rakuten accelerates development with Claude Code, 2025.
- Google Workspace, Meet Deep Research, your new AI research assistant, 6 marca 2025.
- Perplexity, Introducing Perplexity Labs, 29 maja 2025.
- Peng, S. i in., The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, 2023.
- Becker, J. i in., Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025.
- Dell’Acqua, F. i in., The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise, 2025.
- Brynjolfsson, E., Li, D., Raymond, L., Generative AI at Work, NBER / „Quarterly Journal of Economics”, 2023–2025.
- Lee, H.-P. i in., The Impact of Generative AI on Critical Thinking, CHI 2025.
- Microsoft, 2025 Work Trend Index: The Frontier Firm is born, 23 kwietnia 2025.
- Anthropic, Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations, 2025.
- Axios, IBM tests Adobe’s Firefly for personalized marketing at scale, 6 marca 2024.
- Adobe, Firefly Creative Production for enterprise.
Uwaga metodologiczna: WYTiWYG wykorzystujemy jako autorską metaforę zmiany sposobu pracy z AI, a nie nazwę formalnego standardu technicznego. Dane pochodzące z case studies dostawców opisujemy jako deklarowane wyniki konkretnych wdrożeń; nie należy automatycznie przenosić ich na każdą organizację i każdy proces.