W grach strategicznych chaotyczne klikanie nigdy nie zastępowało dobrej strategii. Firmy popełniają dziś podobny błąd w świecie AI — traktują liczbę tokenów, linii kodu i uruchomionych agentów jak dowód postępu. Tymczasem ograniczeniem coraz częściej nie jest moc modeli, lecz zdolność ludzi do sprawdzania ich pracy.
- Wysokie zużycie tokenów może tworzyć pozór intensywnej pracy, ale nie gwarantuje użytecznych rezultatów
- Agenci AI zużywają znacznie więcej zasobów niż zwykły czat, a systemy wieloagentowe wielokrotnie zwiększają ten koszt
- Najlepsi gracze w StarCraft wygrywali dzięki obserwacji i decyzjom, a nie dzięki największej liczbie kliknięć
- Firmy powinny rozwijać systemy weryfikacji AI szybciej niż zdolność modeli do generowania kolejnych treści
Przez lata gracze StarCrafta, Age of Empires czy Command & Conquer porównywali swoje umiejętności za pomocą APM, czyli liczby działań wykonywanych w ciągu minuty. Profesjonaliści zarządzali bazą, surowcami i walką na kilku frontach, dlatego wysoki wynik wydawał się symbolem mistrzostwa.
Zapisz się na newsletter BGR. Otrzymuj najlepsze informacje i porady, a także zaproszenia na eventy.
Klikając „Zapisz mnie”, potwierdzasz, że przeczytałeś i zgadzasz się z naszą Polityką prywatności.
Problem zaczął się wtedy, gdy wskaźnik stał się celem samym w sobie. Początkujący próbowali naśladować zawodowców, klikając jak najszybciej, nawet gdy wiele ruchów było zbędnych. Licznik rósł, ale szanse na zwycięstwo niekoniecznie. To przykład prawa Goodharta — kiedy miara staje się celem, przestaje być dobrą miarą.
Badania pokazywały, że sama liczba akcji nie odróżnia eksperta od nowicjusza. Ważniejsze były ocena sytuacji, wybór właściwego działania i efektywność ruchów. Starsi gracze rekompensowali wolniejsze reakcje lepszym osądem. Podobną lekcję przyniósł AlphaStar, system Google DeepMind grający w StarCrafta. Gdy pozwalano mu wykonywać więcej kliknięć, radził sobie gorzej, bo marnował zasoby na drobiazgi. Mimo niższego APM potrafił pokonywać profesjonalistów.
Dziś podobna obsesja pojawia się w świecie AI. „Tokenmaxxing” oznacza przekonanie, że im więcej tokenów zużywa model, tym bardziej wartościowa jest jego praca. Firmy chwalą się liczbą agentów, długością kontekstu oraz liczbą wygenerowanych dokumentów lub linii kodu. W praktyce mogą mierzyć nie produktywność, lecz skalę cyfrowego hałasu.
Według danych Anthropic agenci AI zużywają około czterech razy więcej tokenów niż zwykły czat, a systemy wieloagentowe nawet piętnaście razy więcej. Nie oznacza to automatycznie większej wartości. Mogą powtarzać kroki, tworzyć zbędne warianty lub przekazywać sobie błędne założenia.
Każdy rezultat trzeba później ocenić. W grze wynik jest jasny — wygrana albo porażka. W przedsiębiorstwie raport, prognoza czy kod wygenerowane przez AI mogą wyglądać przekonująco, a mimo to zawierać błędy. Wysokie zużycie tokenów zwiększa więc nie tylko rachunek za modele, ale też koszt kontroli.
Sprawdź też: 500 obserwujących wystarczy. Marki odkrywają siłę zwykłych ludzi w social mediach
Wąskim gardłem staje się ludzka weryfikacja
Lepszą analogię daje pętla OODA Johna Boyda — obserwacja, orientacja, decyzja i działanie. Przewagę zdobywa nie ten, kto działa najbardziej nerwowo, ale ten, kto szybciej rozumie sytuację i podejmuje trafniejsze decyzje.
Tak zachowywali się najlepsi gracze StarCrafta. Eksperci obserwowali większą część ekranu, częściej przenosili uwagę i lepiej rozumieli, co dzieje się na mapie. AlphaStar również zwyciężał dzięki decyzjom strategicznym, a nie mechanicznemu zalewaniu gry komendami.
W firmach odpowiednikiem oglądu całej planszy jest obserwowalność systemu. Trzeba wiedzieć, jakie zadanie wykonuje agent, z jakich danych korzysta, gdzie popełnia błędy i kto zatwierdza rezultat. Bez tego automatyzacja może rosnąć szybciej niż zdolność firmy do kontroli.
W programowaniu wąskie gardło już przesuwa się z produkcji do kontroli jakości. Analizy pracy developerów wskazywały, że więcej czasu poświęcali oni na przeglądanie i poprawianie kodu stworzonego przez AI niż na czekanie na jego wygenerowanie. Andrej Karpathy zauważał, że model może natychmiast napisać tysiąc linii kodu, ale człowiek nadal musi sprawdzić, czy nie wprowadza błędów i realizuje właściwy cel.
W polskich firmach problem może być szczególnie widoczny tam, gdzie wdrożenia AI zaczynają się od kupowania dostępu do kolejnych modeli, bez równoległego budowania procedur odbioru ich pracy. W sektorach regulowanych – finansach, ubezpieczeniach, ochronie zdrowia czy administracji – błędna odpowiedź może oznaczać naruszenie prawa, ryzyko reputacyjne lub kosztowną decyzję. Przewagą nie będzie więc największy budżet na tokeny, lecz najlepiej zaprojektowany proces weryfikacji.
Branża gier stworzyła wskaźnik „effective APM”, który odrzucał powtarzalne i bezwartościowe kliknięcia. Świat AI nadal nie ma równie prostego miernika. Firmy potrzebują własnych odpowiedników, czyli odsetka poprawnie wykonanych zadań, liczby rezultatów zaakceptowanych bez poprawek, czasu zaoszczędzonego pracownikom, kosztu weryfikacji oraz wpływu na sprzedaż czy jakość produktu.
Najważniejsza lekcja jest prosta: optymalizowanie liczby tokenów może stworzyć kosztowną iluzję produktywności. Skuteczny nadzór i mierniki jakości zamienią generowanie w rzeczywistą wartość.
Czytaj też: Czy osobliwość AI już się zaczęła? Wielkie słowa, mało twardych dowodów
