01
Kontekst nie trafia do delivery
Ustalenia zostają w callach, notatkach i wątkach zamiast zamieniać się w scope i kolejne kroki.
Founder story
Do AI wszedłem wtedy, gdy dało się je wpiąć w prawdziwą pracę.
Technologia fascynowała mnie od dawna. AI też — dużo wcześniej, zanim stało się obowiązkowym tematem każdego internetu. Ale przez długi czas bardziej interesowało mnie to, jak system działa naprawdę, niż jak się o nim mówi.
Ta strona to krótka, spokojna wersja tej drogi: od studiów i backendu, przez pracę z dużymi zbiorami danych, DevOps i narzędzia wewnętrzne, aż do momentu, w którym przeszedłem w AI w pełni i zostałem przy systemach agentowych oraz harnessach.
01 · Początek
Najpierw była ciekawość. Potem przyszły fundamenty.
Ukończyłem Wojskową Akademię Techniczną w Warszawie na kierunku Data Science. To był dla mnie ważny punkt wyjścia, bo porządkował coś, co czułem już wcześniej: technologia i AI nie były dla mnie chwilową fascynacją, tylko obszarem, do którego naturalnie wracałem.
Nie interesowała mnie sama narracja o przyszłości. Bardziej to, czy da się zbudować coś, co naprawdę działa, jest odporne na chaos i nie rozpada się przy pierwszym kontakcie z realnym użyciem.
02 · Backend
Backend nauczył mnie precyzji szybciej niż jakakolwiek teoria.
Pracowałem jako backend engineer i obsługiwałem duże zbiory danych. To był dobry trening pokory. Przy takiej pracy szybko widać, że system nie może być „prawie poprawny”. Musi być przewidywalny, stabilny i czytelny wtedy, kiedy naprawdę coś od niego zależy.
To doświadczenie zostało ze mną do dziś. Nawet kiedy myślę o AI, nadal patrzę na nie przez pryzmat workflow, niezawodności i jakości wykonania, a nie tylko przez samą warstwę modelową.
03 · Szerszy system
Później wszedłem w DevOps i budowę narzędzi wewnętrznych. To zmieniło perspektywę.
Z backendu przeszedłem też w stronę DevOpsu i tworzenia wewnętrznych narzędzi. Dzięki temu zacząłem patrzeć nie tylko na pojedynczy fragment systemu, ale na całość — przepływ pracy, ograniczenia, miejsca tarcia i to, jak ludzie naprawdę używają technologii.
To był ważny etap, bo właśnie wtedy AI przestało być dla mnie tylko interesującą dziedziną. Zaczęło wyglądać jak coś, co da się sensownie wpiąć w realne procesy — pod warunkiem, że podejdzie się do tego serio.
Co się tu zmieniło
- • mniej myślenia o pojedynczej usłudze
- • więcej myślenia o całym workflow
- • większy nacisk na operacyjność, nie tylko kod
04 · Wejście w AI
To był moment, w którym przestałem stać obok.
Zacząłem eksperymentować z różnymi narzędziami i bardzo wcześnie budować własne systemy RAG. Interesowało mnie nie tylko to, co model potrafi powiedzieć, ale jak zachowuje się cały układ: kontekst, retrieval, ograniczenia, błędy, jakość odpowiedzi i to, czy można nad tym realnie zapanować.
W pewnym momencie stało się jasne, że nie chcę już być „blisko AI”. Chciałem wejść w nie w pełni — i to zrobiłem. Nie jako zwrot w stronę trendu, tylko jako naturalny ciąg dalszy tego, co wcześniej dawało mi sens: budowania systemów, które mają działać w prawdziwej pracy.
05 · Dzisiaj
Dziś skupiam się na systemach agentowych i harnessach.
Najbardziej interesuje mnie ten obszar AI, w którym sama inteligencja nie wystarcza. Potrzebne są jeszcze sterowanie, evaluacja, testowanie, kontrola jakości i dobre wpięcie w workflow. Właśnie dlatego naturalnie trafiłem do agent systems i harnessów.