2026-11-12 · ← Aktualności
Microsoft pokazuje, gdzie AI skraca pracę, a gdzie nadal potrzebuje człowieka
Microsoft Research zebrał pięć odrębnych projektów, od dowodu hipotezy KLS po tańsze działanie coding agents. Najmocniej łączy je podział pracy: AI przeszukuje możliwości i przygotowuje materiał, a człowiek nadal wybiera kierunek i odpowiada za wynik.
Nie udało się wczytać obrazu.
Microsoft Research opublikował pięciominutowy przegląd pięciu projektów. Wyniki obejmują matematykę, wielojęzyczne przetwarzanie tekstu i działanie coding agents, dlatego jest to raczej mapa badań niż jedno wielkie ogłoszenie produktowe.
Pięć projektów łączy szukanie wąskich gardeł
Najbardziej konkretne dane operacyjne przynosi badanie context compaction. Analiza 13,5 miliona sesji wykazała, że kompresji potrzebowało mniej niż 8 % z nich, ale odpowiadały one za 44 % wszystkich kosztów przetwarzania AI. APEC przygotowuje podsumowania w tle, a w testach obniżył koszty nawet o 25,4 % i czas wykonania o 9,6 %, jednocześnie poprawiając wyniki programistyczne.
Przegląd obejmuje też Latent Core Tokenizer testowany w 104 językach, rozmowę o tłumaczeniu maszynowym i staż związany z robotyką. Część matematyczna dotyczy rozwiązania 31-letniej hipotezy KLS. Microsoft podaje, że wynik sprawdzono niezależnie i formalnie zweryfikowano z pomocą komputera.
Oszczędność w długich sesjach może znaczyć więcej niż kolejna funkcja
Dla zespołów wdrażających coding agents kluczowy jest rozkład kosztów. Niewielka grupa wyjątkowo długich sesji może pochłaniać prawie połowę rachunku za obliczenia. Ciągłe przygotowywanie podsumowania rozwiązuje konkretny problem operacyjny, zamiast dodawać kolejną efektowną funkcję do dema.
Wynik matematyczny pokazuje inny podział pracy. Ludzie kierowali procesem badawczym, a agenci równolegle sprawdzali możliwe podejścia. Wartością jest tańsze badanie ślepych uliczek, a nie autonomiczny matematyk.
Przegląd Microsoftu nie zastępuje osobnych publikacji
Liczby pochodzą z krótkiego firmowego podsumowania i testów autorów. Nie pokazują, jak APEC działa z obcymi agentami, modelami i repozytoriami ani jaki narzut dodaje do zwykłych sesji, które nie wymagają kompresji. Lepsza tokenizacja w 104 językach także nie dowodzi identycznych korzyści dla każdego języka i zadania.
O wartości praktycznej zdecydują powtórzenia poza Microsoftem
APEC warto porównać ze standardową kompresją na tych samych zadaniach, mierząc pełny koszt, czas i jakość zmian. Tokenizer wymaga wyników dla poszczególnych języków. W matematyce najważniejsze będą dalsze niezależne kontrole dowodu oraz sprawdzenie, czy opisany proces pomaga przy innych otwartych problemach.
Werdykt Lilith
Te pięć badań łączy jeden trzeźwy obraz: agent przeszukuje korytarze, lecz człowiek nadal trzyma mapę i podpisuje wynik.