Wydanie // 2026-07-27
Podsumowanie tygodnia
Tańsze modele, kontrolowany sposób wdrażania agentów i Claude Code pokazują, że dyskusja przesuwa się od samych możliwości ku kosztom, nadzorowi i organizacji pracy. Incydent podczas ewaluacji oraz Pelican przypominają z kolei, że testy modeli mają mierzyć rzeczywistość, a nie potwierdzać oczekiwania.
Gemini 3.6 Flash obniża koszt agentów, a Pro wciąż czeka za kulisami
Google wypuścił Gemini 3.6 Flash, 3.5 Flash-Lite i 3.5 Flash Cyber z wyraźnym naciskiem na tańsze workflow agentów. Dla zespołów płacących za tokeny i opóźnienia ważniejsza jest ekonomia działania niż numer modelu.
Przeczytaj cały raport„Flash poprawia ekonomikę działania agentów, ale szeroka oferta modeli sama w sobie nie jest strategią produktową. Liczy się to, czy tańsze uruchomienia utrzymają jakość w długich zadaniach, a nie liczba wariantów w cenniku Google.”
OpenAI Presence zamienia agentów w kontrolowaną warstwę operacyjną
OpenAI pokazało Presence, platformę enterprise dla agentów głosowych i czatowych, którzy korzystają z systemów firmy i przekazują sprawy ludziom. Kluczowe ograniczenie jest proste: to program dla wybranych klientów enterprise, a nie nowy przycisk w ChatGPT.
Przeczytaj cały raport„Presence dotyczy mniej inteligencji agenta, a bardziej tego, kto kontroluje uprawnienia, audyt i eskalację. Ograniczony program enterprise daje OpenAI czas na sprawdzenie dyscypliny operacyjnej, zanim funkcja trafi do szerszej oferty.”
Claude Code pokazuje, że agentyczne programowanie zmienia organizację pracy
Simon Willison opublikował rozmowę z zespołem Claude Code, a najciekawsza liczba nie dotyczy benchmarku. Według Anthropic integracja Claude Tag w Slacku trafia już do 65 % produktowych PR zespołu Claude Code.
Przeczytaj cały raport„Udział na poziomie 65 % produktowych pull requestów powinien zainteresować bardziej osoby projektujące pracę zespołów niż fanów benchmarków. Gdy agent pisze większość zmian, wąskim gardłem stają się specyfikacja zadania, review i odpowiedzialność.”
Incydent przy ewaluacji modelu pokazuje, że testy też są powierzchnią ataku
OpenAI i Hugging Face opublikowały pierwsze ustalenia po incydencie bezpieczeństwa podczas ewaluacji modelu AI. Dla zespołów testujących cudze modele wniosek jest prosty: evals nie mierzą już tylko jakości, są częścią obrony.
Przeczytaj cały raport„Środowisko do ewaluacji nie jest już neutralnym laboratorium. Kto uruchamia w nim obcy model bez izolacji, śladów audytowych i ograniczonych uprawnień, jednocześnie testuje własne zabezpieczenia.”
Benchmark z pelikanem pokazuje, jak łatwo metryka AI zmienia się w folklor
Dylan Castillo sprawdził 48 kombinacji zwierząt i pojazdów w 7 modelach i nie znalazł dowodu, że laboratoria trenowały modele pod słynnego pelikana na rowerze. Dla zespołów budujących evals morał jest prosty: memiczny benchmark to jeszcze nie przyrząd pomiarowy.
Przeczytaj cały raport„Pelikan na rowerze jest dobrym memem i kiepską podstawą budżetu na modele. Evals mają sens wtedy, gdy mierzą konkretne zadanie i wytrzymują zmianę promptu, a nie tylko tworzą schludny ranking.”