Do AGI wciąż daleko, AI jeszcze długo nie zabierze nam pracy.

Budując swoje własne systemy agentowe, widzę na własne oczy, jak dalece niedoskonałe są najlepsze dziś modele językowe.

Główny problem to oczywiście halucynacje, gubienie kontekstu i konieczność pilnowania modelu niemal na każdym kroku. Przy codziennym korzystaniu z AI, gdzie często traktowana jest jako nowa, lepsza wyszukiwarka Google, wspomniane wyżej można często zbagatelizować. Gdy jednak chcemy oddać więcej autonomii AI i gdy chcemy pozwolić jej decydować w sprawach ważnych, wspomniane niedoskonałości stają się kompletnie nieakceptowalne.

Da się mitygować te problemy. Da się stworzyć systemy AI zabezpieczone przed halucynacjami, gubieniem wątku i spadkiem uwagi. Da się, ale wymaga to znacznego nakładu pracy nad przygotowaniem danych, promptów, mechanizmów kontroli kontekstu, wyłapywania błędów i wreszcie wielu, wielu testów i poprawek.

Ostatnio pracowałem nad swoim agentem AI do ultrapersonalizacji komunikacji emailowej z klientami. Przez ultrapersonalizację mam na myśli to, że system analizuje moją dotychczasową korespondencję z klientem, oraz jego historię w systemie CRM. Na podstawie powyższych informacji kolejna wiadomość do klienta jest tak bardzo do rzeczy, że do napisania jej własnoręcznie musiałbym poświęcić pewnie z 10-20 minut. Czas ten potrzebowałbym właśnie na analizę historii mojej relacji z klientem. Takich klientów z historią mam w CRM tysiące, więc taki agent AI przynosi nieocenioną oszczędność czasu. Nazywam swój system agentem AI, ponieważ rozwiązanie samodzielnie podejmuje decyzje, czy warto pisać, ale jeśli warto, to co napisać. Wkrótce będę testować dzwonienie, ale jestem niemal pewien, że ta próba zakończy się na testach, ponieważ dzisiejsze modele do dzwonienia nie są jeszcze wystarczająco dobre.

Szerzej o moich doświadczeniach z AI w produkcie piszę w artykule o vibe codingu i integracji Element z LinkedIn.