Ukryty popyt, gorzka lekcja i model za pół roku: jak szef Claude Code buduje produkty AI

Zespół Claude Code w Anthropic zbudował Cowork, produkt używany przez miliony ludzi, w 10 dni. Wyłącznie za pomocą Claude Code. Wcześniej sam Claude Code powstał jako projekt jednego inżyniera, który przez miesiące nie wiedział, czy buduje cokolwiek sensownego.

Pierwszy wewnętrzny post o projekcie zebrał dwa lajki. Rok później Claude Code generuje miliardy dolarów przychodu.

Boris Churnney, szef tego zespołu, w ciekawym wywiadzie na YT podzielił się sekretami sukcesu. Specjalnie dla Ciebie zrobiliśmy krótkie zestawienie z praktycznymi poradami. Zapraszamy do lektury!

Ukryty popyt: najważniejsza zasada produktowa w erze AI

Boris Churnney nazywa to „latent demand” i uważa za najważniejszą zasadę w budowaniu produktów. Idea jest prosta: obserwuj, jak ludzie nadużywają (czyli korzystają z produktu inaczej niż sam sobie założyłeś) twój produkt do celów, do których nie został zaprojektowany. Potem zbuduj coś, co robi to lepiej.

Przykład z Facebooka: w 2016 roku 40% postów w grupach na Facebooku dotyczyło kupna i sprzedaży rzeczy. Nikt nie zaprojektował grup do handlu. Ludzie sami na to wpadli, bo potrzeba była tak silna, że przeskakiwali przez niedogodności produktu. Wnioski były oczywiste. Powstał Facebook Marketplace.

Dokładnie tak samo powstał Cowork. Przez miesiące ludzie używali Claude Code (narzędzia terminalowego dla programistów) do rzeczy, które nie miały nic wspólnego z programowaniem. Ktoś hodował za jego pomocą pomidory. Ktoś analizował swój genom. Ktoś odzyskiwał zdjęcia ślubne z uszkodzonego dysku. Ktoś przeglądał wyniki rezonansu magnetycznego.

Churnney opisuje moment, który to uświadomił zespołowi. Przyszedł do biura i zobaczył analityka danych Brendana siedzącego przed terminalem z Claude Code. Brendan nie jest programistą. Jakoś sam nauczył się otworzyć terminal, zainstalował Node.js i Claude Code, i robił analizy SQL. Tydzień później robili to wszyscy analitycy w firmie. Gdy ludzie przeskakują przez przeszkody, żeby użyć twojego produktu do czegoś, czego nie przewidziałeś, to najsilniejszy sygnał, że powinieneś im to ułatwić.

Churnney dodaje też współczesne rozszerzenie tej zasady. Tradycyjny ukryty popyt to obserwacja zachowań użytkowników. Nowy ukryty popyt to obserwacja, co model sam próbuje zrobić. Przy budowie Claude Code zespół odwrócił typowe podejście. Zamiast zamykać model w sztywnej architekturze, dali mu minimalny zestaw narzędzi i pozwolili samodzielnie decydować, które użyć i w jakiej kolejności. Produkt to model. Reszta to rusztowanie.

Nie zamykaj modelu w pudełku

Większość firm budujących na AI robi to samo: bierze model, obudowuje go ścisłym workflow (krok 1, krok 2, krok 3), dodaje orkiestrator, który pilnuje kolejności, i w efekcie dostaje system kruchy jak domek z kart. Każda zmiana modelu wymaga przebudowy rusztowania.

Rada Churneya jest odwrotna: daj modelowi narzędzia, daj mu cel, pozwól mu samodzielnie zdecydować, jak go osiągnąć. Nie mów mu, w jakiej kolejności ma używać narzędzi. Nie pakuj kontekstu na siłę. Daj mu narzędzie do zdobycia kontekstu, którego potrzebuje.

Rok temu takie podejście nie działało. Modele potrzebowały rusztowania, bo bez niego gubiły się. Dziś, przy Opus 4.6, to rusztowanie jest zbędne, a często wręcz szkodliwe. Model radzi sobie lepiej, gdy sam wybiera strategię. To wymaga zaufania do modelu, którego wiele firm jeszcze nie ma.

Gorzka lekcja: stawiaj na ogólność

Rich Sutton, pionier uczenia maszynowego, opublikował około 10 lat temu esej zatytułowany „The Bitter Lesson” (Gorzka lekcja). Teza jest zwięzła: bardziej ogólny model zawsze w dłuższej perspektywie pokonuje model specjalizowany. Na zespole Claude Code to obowiązkowa lektura.

W praktyce oznacza to: nie próbuj dopasowywać małych modeli do konkretnych zadań. Nie doszkalaj (fine-tune), jeśli nie musisz. Nie buduj złożonych workflow, które poprawiają wynik o 10-20%, bo te zyski zostaną zniwelowane przez kolejną wersję modelu bazowego. Lepiej poczekać na lepszy model niż inwestować w prowizorki.

Dla firm, które budują produkty na AI, to zasada kontraintuicyjna. Instynkt mówi: zoptymalizuj, dostosuj, wyspecjalizuj. Gorzka lekcja mówi: nie rób tego. Postaw na najbardziej ogólne rozwiązanie, jakie masz. Z czasem to się opłaci.

Bądź cierpliwy/a!

Gdy Churnney zaczął budować Claude Code, model Sonnet 3.5 pisał może 20% jego kodu. W maju 30%. Dopiero w listopadzie 100%. Przez miesiące produkt nie działał tak, jak powinien, bo model nie był jeszcze gotowy.

To była świadoma decyzja: budować produkt pod model, który będzie za sześć miesięcy, nie pod obecny. Przez pierwsze miesiące product-market fit był słaby. Użytkownicy nie rozumieli, do czego Claude Code służy. Wielu nie wracało. Ale gdy w maju 2025 pojawił się Opus 4, wszystko kliknęło. Wzrost stał się wykładniczy i od tamtej pory przyspiesza.

Rada Churneya dla startupów: będzie niekomfortowo. Twój produkt przez pół roku może wyglądać, jakby nie działał. Ale jeśli trafnie ocenisz trajektorię modelu, to gdy nadejdzie odpowiednia wersja, będziesz jedynym, kto ma gotowy produkt. Reszta dopiero zacznie budować.

Co konkretnie zakładać na najbliższe miesiące? Churnney wymienia trzy rzeczy: modele będą coraz lepiej obsługiwać narzędzia i interakcje z komputerem; modele będą działać coraz dłużej bez nadzoru (z kilkudziesięciu sekund rok temu do dziesiątek minut teraz, wkrótce godzin i dni); modele będą coraz lepsze w samodzielnym planowaniu i podejmowaniu decyzji.

Niedofinansuj zespół (celowo)

Jedna z zasad zespołu Claude Code brzmi: celowo przydzielaj mniej zasobów niż wydaje się potrzebne. Czasem do projektu trafia jeden inżynier. Gdy brakuje ludzi, ludzie zaczynają kreatywnie wykorzystywać AI. To nie jest efekt uboczny. To jest mechanizm.

Churnney podkreśla, że nie chodzi o cięcie kosztów. Chodzi o to, że ograniczenia wymuszają innowację. Jeśli masz jednego inżyniera i deadline, ten inżynier znajdzie sposób, żeby Claude zrobił za niego trzy czwarte pracy. Gdyby miał zespół czterech osób, nikt by nawet nie próbował.

To jest dokładnie odwrotne do tego, co mówi większość poradników zarządzania. Ale w świecie, gdzie AI potrafi wykonać większość pracy wykonawczej, tradycyjne kalkulacje headcountu przestają obowiązywać.

Daj ludziom tokeny, nie procesy

Churnney rozmawia z CTO firm różnej wielkości i jego rada jest zawsze ta sama: na początku nie optymalizuj kosztów AI. Daj inżynierom tyle tokenów, ile chcą. Niektóre firmy zaczynają oferować „unlimited tokens” jako benefit przy rekrutacji.

Tokeny wydane na eksperymenty pojedynczego inżyniera to ułamek kosztu jego pensji. Ale mogą prowadzić do odkrycia czegoś, co zmieni cały produkt. Optymalizować (zamienić Opus na Sonnet lub Haiku, zmniejszyć kontekst, skrócić prompt) warto dopiero wtedy, gdy pomysł się sprawdził i trzeba go skalować.

W Anthropic są już inżynierowie wydający setki tysięcy dolarów miesięcznie na tokeny. To skrajny przypadek, ale ilustruje kierunek: koszt tokenów staje się budżetem narzędziowym porównywalnym z infrastrukturą czy licencjami na oprogramowanie.

Co to znaczy dla polskiego biznesu?

Zasady Churneya nie dotyczą tylko firm budujących produkty AI. Dotyczą każdej firmy, która korzysta z AI w codziennej pracy.

Obserwuj, co twoi ludzie próbują robić z AI mimo ograniczeń narzędzi. Jeśli handlowcy korzystają z ChatGPT, żeby pisać oferty, chociaż firma tego oficjalnie nie wspiera, to nie problem do zablokowania, ale potrzeba do obsłużenia. To jest ukryty popyt wewnątrz organizacji. Agencje AI, w tym GTAI, regularnie spotykają się z sytuacją, w której pracownicy klienta już używają AI na własną rękę, a firma nie ma pojęcia, jak to ustandaryzować i wykorzystać.

Nie buduj skomplikowanych systemów, gdy prosty prompt wystarczy. Wiele polskich firm inwestuje w złożone integracje i automatyzacje, które lepszy model za pół roku uczyni zbędnymi. Zamiast budować wieloetapowy pipeline, sprawdź, czy nowy model nie zrobi tego samego za jednym podejściem.

Dawaj ludziom budżet na eksperymenty z AI bez wymogu natychmiastowego ROI. Najciekawsze zastosowania AI w firmach nie wynikają z planów strategicznych. Wynikają z tego, że ktoś miał czas i tokeny, żeby wypróbować coś szalonego. Firmy, które tego nie umożliwiają, będą się uczyć z case study konkurencji.

FAQ

Czym jest „ukryty popyt” (latent demand) w kontekście produktów AI?

Ukryty popyt to sytuacja, w której użytkownicy nadużywają produkt do celów, do których nie został zaprojektowany. W kontekście AI oznacza to również obserwowanie, co model sam próbuje zrobić, i budowanie narzędzi, które mu to ułatwiają.

Co to jest „gorzka lekcja” Richa Suttona?

Esej opublikowany około 2019 roku przez pioniera uczenia maszynowego Richa Suttona. Główna teza: w dłuższej perspektywie bardziej ogólne podejścia (większe modele, więcej danych) zawsze wygrywają z wyspecjalizowanymi rozwiązaniami opartymi na ludzkiej wiedzy domenowej.

Czy warto budować workflow i orkiestratory wokół modeli AI?

Według szefa Claude Code: raczej nie. Skomplikowane orkiestratory mogą poprawić wynik o 10-20%, ale te zyski znikają z kolejną wersją modelu. Lepiej dać modelowi narzędzia i cel, a resztę zostawić mu.

Ile kosztują tokeny AI i czy warto je ograniczać?

Koszt tokenów przy indywidualnym eksperymentowaniu jest niski w porównaniu z pensją pracownika. Boris Churnney radzi: nie ograniczaj tokenów na etapie eksperymentowania. Optymalizuj koszty dopiero wtedy, gdy pomysł działa i trzeba go skalować.

Jak Cowork został zbudowany w 10 dni?

Zespół Anthropic wykorzystał Claude Code do napisania całego kodu Cowork, łącznie z systemem bezpieczeństwa i wbudowaną maszyną wirtualną. Kierowali się zasadą: wypuść wcześnie, zbieraj feedback, iteruj.

Źródło: Rozmowa Borisa Churneya (Head of Claude Code, Anthropic) w podcaście Lenny’s Podcast, marzec 2025.