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

Rich Schefren opublikował w 2006 roku „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 — to 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 nie szukają dalej.

Fala 1Biznes wokół AI — 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: zero kontekstu, zero outcome'u, więzienie pełne metody.

Schefren proponuje trzy postawy, które od tygodni stosuję w praktyce: bądź tyranem wobec kontekstu (żądaj dowodu, że AI zrozumiało kontekst — nie że wykonało kroki), libertarianinem wobec metody (mniej instrukcji = miejsce na trasę lepszą niż twoja) i 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: „napisz follow-up, 3 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 — twoja decyzja." 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 — 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: środowisko operacyjne niezależne od modelu — pamięć i kontekst, automatyzacja przepływu informacji, podłączenie do narzędzi (CRM, mail, analityka), standardy definiujące co znaczy „dobrze" i kiedy AI ma się zatrzymać po ludzki osąd, wreszcie silniki biorące odpowiedzialność za cały rezultat, nie pojedynczą akcję.

Dla technicznych: pod nową nazwą kryje się znany wzorzec — orkiestracja event-driven + pamięć + narzędzia + 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 — 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: 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 — 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 — i ta korekta znika razem z zamkniętym czatem. Następne zadanie: płacisz od nowa. Schefren odwraca własną radę sprzed dwudziestu lat. Wtedy: przestań być wąskim gardłem, wyjmij się z pracy. Teraz: przestań się usuwać — zwielokrotnij się. Skaluj swój osąd, nie tylko procesy.

Manifest nazywa też podatek, który płaci prawie każda firma: trapped tax — 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, dokumenty working-backwards. Wszystkie miały ten sam limit: niosły tylko to, co Bezos zdołał ubrać w słowa. Drugi przykład: Intuit postawił asystenta AI obok ponad pięciu tysięcy agentów wsparcia. Produktywność wzrosła o 14%, a wśród najmniej doświadczonych — 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 dwie trzecie czatów i wykonywał pracę równą 700 etatom. Rok później CEO publicznie przyznał, że jakość spadła. Powierzchowna lekcja: „AI nie zastąpi ludzi". Głębsza, którą wskazuje manifest: błędem nie było oddanie pracy AI — błędem było 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, 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 — i 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 — jest zapracowana werdykt po werdykcie. Zasada portfelowa, która to domyka:

Wynajmuj towar. Imprintuj przewagę.

Techniczna strona tej warstwy (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 — a 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: 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 — tu zaczyna się lejek autora, więc streszczam ją krócej. Teza broni się sama: AI używane na ślepo nie naprawia twoich najgorszych wzorców, tylko je wzmacnia i przyspiesza. Schefren opisuje pięć poziomów „znania cię" przez AI: od tego, co wyprodukowałeś (dokumenty, maile), przez to, co zdecydowałeś, jak decydujesz, kto decyduje (twoje okablowanie i martwe pola), aż po to, kim się stajesz. Większość pamięci AI zatrzymuje się na poziomie drugim. Najciekawsza obserwacja dotyczy tempa: w ludzkim tempie nierozwiązane sprzeczności między celami tworzyły dryf. W tempie AI tworzą kolizje. Nie musisz chcieć tylko jednej rzeczy — musisz zdecydować, która wygrywa, gdy się spotkają.

Dwie rzeczy z tej fali zostają ze mną mimo sprzedażowego opakowania. Pierwsza: 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: 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. 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: projekt nie umiera, tylko staje się trwale prawie skończony. Jego AI zna ten wzorzec i dziś idzie do króliczej nory za niego — bada nowy pomysł i wraca z rekomendacją, nie zabierając autora ze sobą.

PraktykaOd czego zacząć — dwa reżimy przechwytywania

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

I jedna zasada higieny, której pilnuję: nie pozwól modelowi dopisywać powodów za ciebie. Pusty powód jest lepszy niż wymyślony. Jeśli poprawkę złapałby regex — to reguła, nie werdykt; 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 — Schefren to zaciera, bo sprzedaje. 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, Atlas. Tekst jest moim autorskim omówieniem i komentarzem — nie zastępuje lektury oryginału.