Wielu ekspertów z branży technologicznej otwarcie krytykuje duże modele językowe (LLM), a mimo to – podobnie jak ja – korzysta z nich na co dzień. To poczucie dysonansu towarzyszyło uczestnikom niedawnej konferencji Local-First Conf w Berlinie. Nawet twórcy narzędzi wspierających pracę z AI przyznają, że zmagają się z zalewem niskiej jakości treści generowanych automatycznie, co zmusza ich do masowego odrzucania zgłoszeń w projektach open source. Mimo tej krytyki, na salach wykładowych widać było dziesiątki osób korzystających z zaawansowanych asystentów kodowania, co pokazuje, że w świecie technologii panuje obecnie specyficzne rozdarcie między deklarowaną niechęcią a praktycznym uzależnieniem od tych narzędzi.
Dlaczego krytyka LLM jest uzasadniona?
Zgadzam się z większością argumentów podnoszonych przez przeciwników AI. Problemy, które wywołują te technologie, są realne i poważne:
Dlaczego mimo to warto z nich korzystać?
Mimo powyższych zagrożeń, modele językowe stały się narzędziem, które – odpowiednio wykorzystane – pozwala na pracę o wyższej jakości. Kluczem jest zmiana podejścia: nie pozwalamy AI „myśleć” za nas, lecz traktujemy ją jako wzmacniacz naszych własnych przemyśleń. Modele świetnie sprawdzają się w burzy mózgów, sprawdzaniu gramatyki czy pełnieniu roli „adwokata diabła”.
Warto inwestować w modele lokalne, które działają na własnym sprzęcie. Zapewniają one niezależność od wielkich korporacji i gwarantują, że praca nie zostanie przerwana przez decyzje polityczne. Choć koszty korzystania z najpotężniejszych modeli są wysokie – w czerwcu 2026 roku wydałem na tokeny blisko 10 tysięcy dolarów (ok. 40 tys. zł) – dla profesjonalisty wartość płynąca z przyspieszenia pracy jest wymierna.
Jak używać AI, by nie tworzyć „śmieci”?
Aby uniknąć generowania bezwartościowych treści, wypracowałem kilka metod pracy, które wymuszają na mnie zachowanie kontroli nad procesem twórczym:
Interview me relentlessly about every aspect of this until we reach a shared understanding. Walk down each branch of the decision tree, resolving dependencies between decisions one-by-one. For each question, provide your recommended answer. Ask the questions one at a time, waiting for feedback on each question before continuing.
Ta technika, którą nazywam „grill-me”, zmusza mnie do precyzyjnego definiowania problemu przed przystąpieniem do pisania kodu czy tekstu. Zamiast pozwalać AI na domysły, krok po kroku budujemy wspólne zrozumienie zadania. Inne techniki, które stosuję, to:
Ostatecznie, LLM-y nie zastąpią ludzkiego myślenia. Mogą jedynie sprawić, że nasze myśli zostaną wyrażone szybciej i ostrzej. Jeśli jednak nie posiadamy własnej wiedzy w danej dziedzinie, AI jedynie wygeneruje przekonująco brzmiący bełkot. Dlatego używam tych narzędzi tylko tam, gdzie potrafię odróżnić „dobre” od „beznadziejnego”. To jedyny sposób, by w świecie zdominowanym przez AI zachować wiarygodność i jakość.