Witaj Reader!

Witajcie w kolejnym wydaniu mojego newslettera, który ostatnio stał się dość nieregularny.

Powody są zasadniczo dwa. Pierwszy jest taki, że są wakacje. Drugi jest taki, że własnie zaczynam nową pracę i w efekcie dużo mam na głowie innych tematów. Ale tworzenie tego newslettera mi samemu pomaga utrzymać jaki-taki kontakt z tym co się nowego dzieje w AI, więc nie zamierzam przestać choć regularność będzie cierpieć.

A dzieje się dużo i póki co naprawdę nie widać, żeby tempo miało zwolnić. Przeciwnie, w najbliższym czasie spodziewamy się całego wysypu kolejnych modeli od Gemini 4 po tajemniczy model przygotowywany przez aktualną firmę Ilya Sutskevera. A w ostatnich dwóch tygodniach też sporo się działo: Meta wróciła do otwierania wag i od razu dorzuciła manifest Zuckerberga o "superinteligencji dla wszystkich", SpaceX-AI pokazało Grok Bota, czyli agentów z własnymi komputerami w chmurze, a Google obniżyło cenę Gemini 3.7 Flash o połowę. Jednocześnie zrobiło się poważniej po stronie ryzyka: OpenAI wstrzymało trening modelu Astra, który otarł się o "krytyczny" próg zdolności cyberofensywnych, a Anthropic pokazało, co się dzieje, gdy wypuścić rój agentów do jednego środowiska.

W tym wydaniu sporo też o pieniądzach, ale w praktycznym sensie: o warstwie routingu modeli, która staje się nowym polem walki o koszty. A na koniec moja refleksja o tym gdzie użycie AI może być naprawdę niebezpieczne.

Zapraszam do lektury.

🦙 Meta wraca do otwartych wag i płaci za wasze dane treningowe

Meta Superintelligence Labs wypuściło Muse Glimmer - model o 30 miliardach parametrów na licencji Apache 2.0, zaprojektowany do zadań agentowych i obsługi komputera. Po kompresji do około 4 bitów mieści się w 20 GB, czyli spokojnie działa na jednej konsumenckiej karcie z 24-32 GB pamięci, zostawiając miejsce na cache i enkoder wizyjny do zrzutów ekranu. Dzięki speculative decoding (mały model "zgaduje" cały blok tokenów, duży weryfikuje go w jednym przebiegu) na RTX 5090 prędkość generowania rośnie z 75 do 233 tokenów na sekundę. W benchmarku MCP Atlas bije Gemmę 4 i Qwen3.6, choć w kodowaniu terminalowym i obsłudze komputera Qwen wypada lepiej.

Ciekawsza jest jednak ekonomia towarzyszącego wydania Muse Spark 1.2 i agenta terminalowego Muse Code. Meta wprowadziła dwa cenniki: standardowy (1,25 dolara za milion tokenów wejściowych, prompty nie trafiają do treningu) oraz "contributor" - 0,10 dolara za milion wejściowych i 0,20 za wyjściowe, czyli ponad dziesięciokrotnie taniej, ale w zamian za zgodę na trenowanie na wszystkim, co przechodzi przez agenta. To pierwszy raz, gdy ktoś tak otwarcie wycenił dane z sesji programistycznych: nie sam kod, ale cały proces - błędy, poprawki, ślepe uliczki. Limit 100 zapytań na minutę sprawia, że oferta celuje w indywidualnych deweloperów i małe zespoły, czyli tych, którzy najrzadziej mają prawnika na etacie.

Całość dopełnia esej Marka Zuckerberga na ~6500 słów, w którym przekonuje, że koncentracja zaawansowanej AI w kilku firmach lub rządach byłaby groźniejsza niż jej szerokie udostępnienie. Warto to czytać z jedną poprawką: Meta może pozwolić sobie na taniejącą warstwę inteligencji, bo posiada warstwę dystrybucji - WhatsAppa, Instagrama i Facebooka. Zasada może być szczera i jednocześnie strategicznie wygodna.

​Czytaj więcej | Czytaj więcej | Czytaj więcej (manifest Zuckerberga)​

🤖 Grok Bot: agenci z własnym komputerem w chmurze - i dlaczego to tylko pliki w folderze

SpaceXAI (już po pełnym połączeniu z Cursorem) wypuściło Grok Bota - system, w którym każdy agent dostaje dedykowany "komputer" w chmurze i loguje się do zwykłych narzędzi biznesowych bez potrzeby API czy MCP. Boty działają dalej, gdy wyłączysz laptopa, mogą wysyłać sobie wiadomości, dzielić kontekst i przekazywać zadania "specjalistom", a nawet nauczyć się procesu, obserwując, jak wykonujesz go na ekranie. Napędza je nowe Grok 4.6, które w Artificial Analysis Intelligence Index zdobyło 61 punktów, remisując z GPT-5.6 Sol Max i wyprzedzając Kimi K3, przy cenie 2 i 6 dolarów za milion tokenów wejściowych i wyjściowych. Dostęp na razie tylko dla planów za 200-300 dolarów miesięcznie.

Ben Tossell, który przetestował Grok Bota po premierze, ma trzeźwą diagnozę: to nie jest nowa kategoria technologii, tylko lepsze opakowanie. "Personalny agent" to w praktyce folder z plikiem instrukcji, plikiem o użytkowniku, plikiem pamięci i zestawem narzędzi. Nazwanie agenta Emily od maili czy Andym od księgowości działa dlatego, że ludziom łatwiej delegować zadania "koledze z zespołu" niż konfigurować automatyzację. To samo można zbudować w Codeksie czy Claude Code, tylko z większą kontrolą nad tym, co dokładnie ląduje w kontekście.

​Czytaj więcej

🛑 OpenAI wstrzymuje trening, bo Astra otarła się o "krytyczny" próg bezpieczeństwa

To bezprecedensowa decyzja: OpenAI zatrzymało na dwa tygodnie treningi reinforcement learning dla swoich najnowszych modeli, a największy planowany przebieg RL nadal jest wstrzymany. Powód jest podwójny. Po pierwsze, incydent z Hugging Face, gdzie modele ewaluacyjne wyszły poza "piaskownicę" i dostały się do Internetu. Po drugie, wyniki testów nadchodzącego modelu Astra były na tyle mocne, że firma nie mogła wykluczyć przekroczenia progu "Critical" w kategorii cyberbezpieczeństwa według własnego Preparedness Framework.

Sam Altman potwierdził, że niewydane modele wykazują wyraźne "stopnie niedopasowania". Odpowiedzią OpenAI jest przesunięcie mocy obliczeniowej z samego skalowania na monitoring: automatyczna analiza łańcucha rozumowania na poziomie tokenów, obowiązek eskalacji podejrzanego zachowania do człowieka w ciągu 30 minut, lepsze "piaskownice" i mniej stałych uprawnień w środowiskach badawczych. Monitoring dokłada około 20 procent narzutu obliczeniowego przy inferencji - koszt, który firma deklaruje wziąć na siebie, a nie przerzucić na klientów.

Warto zestawić to z ostrzeżeniem Grega Brockmana, że agenty potrafią już łączyć subtelne podatności i wyciekłe hasła w realne ataki. W tym samym czasie OpenAI wypuściło GPT-5.6-Cyber w ramach programu Daybreak, który w wewnętrznych testach wykonał 95 procent zaawansowanych zadań bezpieczeństwa wobec 1,5 procent dla standardowych modeli. Ta sama zdolność po obu stronach barykady.

​Czytaj więcej​

💧 Anthropic znakuje każdy tekst Claude'a co wywołuje burzę

Anthropic zaczęło wbudowywać niewidoczne "znaki wodne" we wszystkie teksty generowane przez nowe modele Claude - w aplikacji, API, Claude Code i na platformach chmurowych, globalnie. Mechanizm bazuje na SynthID-Text od Google: sekretny, kluczowany proces delikatnie przechyla model w stronę określonego wyborów słów tam, gdzie istnieje kilka równie dobrych opcji, tworząc statystyczny wzorzec wykrywalny przez detektor. Obrazy przetwarzane przez Claude'a dostają podpisane metadane C2PA. Bezpośrednim powodem jest artykuł 50 unijnego AI Act, ale firma zdecydowała się wdrożyć znakowanie wszędzie, nie tylko w Europie.

Reakcja była ostra. Dziesiątki użytkowników publicznie ogłaszało anulowanie subskrypcji, a narzędzie do usuwania tych znaków zebrało 10 tysięcy gwiazdek na GitHubie w kilka dni. Krytycy podnoszą trzy rzeczy: że manipulowanie prawdopodobieństwami tokenów może pogarszać jakość pisania (Anthropic zaprzecza), że fałszywe detekcje uderzą w ludzi używających AI tylko do redakcji lub tłumaczenia, oraz że użytkownicy mają prawo do prywatnych myśli bez cyfrowego śladu.

Sama firma jest zaskakująco szczera co do ograniczeń. Wykryty znak nie dowodzi, że Claude jest autorem - mógł jedynie streścić, przetłumaczyć albo poprawić tekst człowieka. Brak znaku też niczego nie dowodzi, bo znika przy mocnym przepisywaniu, w krótkich fragmentach i w kodzie deterministycznym. Innymi słowy: dostajemy sygnał o tym, że AI dotknęła tekstu, ale nie odpowiedź na pytanie, czy ktokolwiek za ten tekst odpowiada.

​Czytaj więcej | Czytaj więcej (krytyka)​

Moja krytyka: głupie urzędasy z UE jak zwykle szkodzą... na szczęście można to prosto usunąć (narzędzie). Jeśli ktoś chciałby dokładniej zrozumieć jak to działa Sebastian Raschka przygotował szczegółowe omówienie na czym polega "znakowanie tekstu" (jak nie chcesz słuchać całego trwającego 47 minut video przejrzyj chociaż slajdy).

🐝 Roje agentów: zmowy cenowe, sabotaż i "wirusy umysłu"

Anthropic puściło grupy agentów Claude do wspólnych środowisk - forów, baz kodu, symulowanych rynków - i wyniki są bardzo interesujące. W grze cenowej agenci z prywatnym kanałem komunikacji ustalili minimalne ceny do trzeciej rundy. Po odcięciu kanału nadal zmawiali się cenowo, dopasowując oferty co do grosza przez publiczną tablicę. Przy zadaniu migracji tego samego kodu do różnych języków agenci założyli, że pozostali ich sabotują - i zaczęli pisać samoreplikujące się skrypty zabijające procesy rywali, podszywać złośliwe oprogramowanie pod cudze oraz blokować sobie nawzajem konta.

Najbardziej niepokojący jest jednak konformizm: 18 z 30 agentów niezależnie wybrało identyczną nazwę gałęzi, a kilka z nich poproszonych o napisanie własnego opowiadania stworzyło tekst o tym samym tytule. Gdy agenty dzielą model, popełniają te same błędy jednocześnie.

Osobna praca Anthropic i uczelni ze Szwajcarii opisuje "wirusy umysłu" - idee rozprzestrzeniające się przez zwykłe wiadomości między agentami, które utrwalają się, przekonując zainfekowane agenty do wpisania siebie do plików ładowanych w kolejnych sesjach. Dobra wiadomość: proste ostrzeżenie w instrukcjach zatrzymywało wszystkie testowane ataki na pierwszym skoku.

Że to nie tylko laboratorium, pokazuje przypadek z Australii. Agent OpenClaw działający na Claude, poproszony o poprawę pozycji użytkownika na liście oczekujących na zajęcia na siłowni, sprawdził API rezerwacji, odkrył brak autoryzacji przy anulowaniu i po prostu skasował rezerwację obcej osoby z pierwszego miejsca. Potem napisał raport o błędzie. Prawnicy nie mają dobrej odpowiedzi na pytanie, kto za to odpowiada: użytkownik, twórca agenta, dostawca modelu czy operator strony, który zostawił tak oczywistą dziurę w API.

​Czytaj więcej | Czytaj więcej (hack siłowni)​

💸 Gemini 3.7 Flash za pół ceny, a DeepSeek wprowadza taryfy szczytowe

Zaledwie trzy tygodnie po Gemini 3.6 Flash Google wypuściło wersję 3.7, celując wyraźnie w kodowanie i zadania agentowe. Skok w benchmarkach jest spory: 43,6 procent na FrontierCode 1.1 wobec 34,4 dla poprzednika i 65,3 wobec 49,0 na DeepSWE. Kluczowa jest jednak cena: 0,75 dolara za milion tokenów wejściowych i 3,75 za wyjściowe do końca 2026 roku, czyli połowa pierwotnej stawki 3.6 Flash. Od stycznia 2027 stawki mają wzrosnąć dwukrotnie, więc to promocja z terminem ważności. OpenAI odpowiedziało obniżką cen GPT-5.6 Sol o ponad 20 procent.

W drugą stronę idzie DeepSeek. Wraz z produkcyjnym wydaniem V4-Pro, z regulowanym poziomem wysiłku rozumowania (low, high, max) i natywnym wsparciem dla OpenAI Responses API, firma wprowadziła ceny szczytowe i pozaszczytowe - z podwyżkami sięgającymi od 50 procent do ponad 1000 procent w niektórych pozycjach cennika. Era niemal darmowej inteligencji z Chin chyba właśnie się kończy, choć DeepSeek nadal jest tańszy od zachodnich konkurentów.

Osobno OpenAI pokazało Ultrafast - tryb API, w którym GPT-5.6 Sol działa na sprzęcie Cerebras z prędkością do 750 tokenów na sekundę, czyli do 14 razy szybciej niż standardowo. W teście Humanity's Last Exam przerobił 2500 pytań w 11 godzin, podczas gdy Claude Fable 5 potrzebował ponad 78 godzin przy podobnej dokładności. Na razie to zamknięty podgląd bez ujawnionego cennika.

​Czytaj więcej | Czytaj więcej (DeepSeek V4-Pro)​

🔓 Otwarte wagi na poważnie: Qwen3.8-Max, DeepSeek Harness i GLM-5.3

Alibaba zrobiła coś, czego wcześniej unikała przy modelach z linii Max - udostępniła wagi Qwen3.8-Max, modelu mixture-of-experts o 2,4 biliona parametrów (95 miliardów aktywnych na token). W Artificial Analysis Intelligence Index zdobył 58 punktów, wyprzedzając Claude Opus 4.8, i zajął pierwsze miejsce w teście obsługi klienta bankowego. Wersja do pobrania jest okrojona: tylko tekst, bez wejścia wizyjnego i bez pełnego okna miliona tokenów. Równolegle wyszedł Qwen3.8-27B na Apache 2.0, który dogania GPT-5.6 Luna i mieści się na jednym laptopie - to prawdopodobnie najbardziej użyteczny model, jaki można dziś uruchomić lokalnie.

DeepSeek dorzucił do tego DeepSeek Harness v0.1 na licencji MIT - otwartą alternatywę dla Claude Code, zbudowaną z badaczami z Uniwersytetu Pekińskiego. Opiera się na systemie Cordis, w którym narzędzia, piaskownice, modele i systemy plików są wymiennymi wtyczkami, a agent może bezpiecznie modyfikować własny kod, bo błędne zmiany są automatycznie cofane. Repozytorium stało się jednym z najszybciej rosnących w historii GitHuba.

Trzeci gracz to Z.ai z GLM-5.3, które osiągnęło 84,5 procent na CyberGym, a wynik na ExploitBench podskoczył z 24,4 do 54,4 procent. Model znalazł już "potencjalnie poważną podatność" w Cursorze. Ciekawe jest to, jak powstał: ten sam model bazowy, ta sama architektura i ta sama liczba parametrów co GLM-5.2, tylko dodatkowy miesiąc post-treningu i RL w długich środowiskach. Skalowanie przenosi się z liczby parametrów na to, co dzieje się po pretreningu.

​Czytaj więcej | Czytaj więcej (DeepSeek Harness)​

🔀 Warstwa routingu staje się nowym polem bitwy o koszty

Stripe zgodził się kupić OpenRouter - platformę, przez którą deweloperzy sięgają do około 400 modeli przez jeden interfejs, obsługującą ponad 10 bilionów tokenów dziennie. Reuters podaje nieoficjalną wycenę powyżej 8 miliardów dolarów. Tego samego dnia Ramp uruchomił konkurencyjny router.com, obiecując 40 procent niższe koszty przy tej samej jakości wyjścia dzięki automatycznemu dobieraniu modelu do zadania. Wyciekł list Stripe do inwestorów, który zawiera zdanie dobrze oddające nastrój branży: "Uznaliśmy, że 1 stycznia rozpoczęła się osobliwość (singularity) i od tego czasu działamy z tym założeniem."

Dlaczego to ma znaczenie dla użytkowników, a nie tylko dla inwestorów? Bo koszty inferencji zaczęły boleć. AT&T, które udostępnia AI stu tysiącom pracowników i przerabia 45 miliardów tokenów dziennie, kieruje już 40 procent zapytań do darmowych modeli otwartych od Nvidii, Mety i Google, a celuje w 60-70 procent. Przy części zadań programistycznych dało to 56 procent oszczędności przy 2 procent spadku jakości. Wewnętrzna ocena firmy: otwarte modele są sześć do dziesięciu miesięcy za najlepszymi zamkniętymi, a dystans się skraca.

Databricks dorzuca konkretne zalecenia dla firm: budować własne ewaluacje na własnych obciążeniach zamiast ufać publicznym benchmarkom, kierować każde zadanie do najtańszego modelu, który przechodzi próg jakości, nie aktualizować automatycznie do najnowszego modelu granicznego i przede wszystkim utrzymywać wymienność modeli przez wspólną warstwę orkiestracji. Bez tego nie da się skorzystać z taniejących cen.

​Czytaj więcej | Czytaj więcej (AT&T i otwarte modele)​

🧰 Pięć lat migracji w dwa tygodnie i mapa kompetencji od Andrew Nga

Asana użyła Codex-a do usunięcia przestarzałego frameworka testowego Enzyme, który blokował modernizację całego frontendu. Zadanie startowało od pięciozdaniowego promptu, do czterech agentów pracowało równolegle na osobnych kopiach repozytorium, a inżynier sprawdzał postępy dwa razy dziennie i recenzował każdą zmianę. Efekt: półtora tygodnia pracy inżynierskiej rozłożone na dwa tygodnie kalendarzowe, wobec co najmniej pięciu lat według wcześniejszego planu etatowego. Koszt modeli i infrastruktury to około 12 tysięcy dolarów przy szacunku 6 milionów dolarów kosztów osobowych. Ciekawostka: prostsze instrukcje działały lepiej niż rozbudowana konfiguracja. Zastrzeżenie: to studium przypadku przygotowane wspólnie z OpenAI, bez porównania wskaźnika błędów.

Przy okazji warto zajrzeć do mapy kompetencji inżynierii AI, którą Andrew Ng opublikował na podstawie analizy ponad 10 tysięcy ogłoszeń o pracę i dziesiątek wywiadów z menedżerami. Cztery filary: budowanie i wdrażanie aplikacji AI, fundamenty inżynierii oprogramowania, umiejętne korzystanie z agentów kodujących oraz "shaping the build", czyli współdecydowanie o tym, co w ogóle powinno powstać.

Kluczowa teza Nga jest taka, że różnica między AI a zwykłym oprogramowaniem to nieprzewidywalność wyjścia, a najważniejszą umiejętnością odróżniającą dobrych inżynierów jest zdyscyplinowana pętla ewaluacji i analizy błędów. Skoro agenty coraz lepiej realizują dobrą specyfikację (i plan implementacji), praca przesuwa się w stronę decydowania, co ma się w tej specyfikacji znaleźć.

​Czytaj więcej | Czytaj więcej (mapa kompetencji)​

Takie newsy są fajne - ale b. niebezpieczne jak przeczyta je jakiś nie mający pojęcia technologicznego CEO - zaraz zacznie żądać, żeby projekty wycenione na 5 osobolat dostarczać w dwa tygodnie... 🤦🏼‍♂️

Ciekawe narzędzia AI

• ​Local.ai - serwis, który pokazuje jaki model AI opensource możesz realnie użyć na swoim komputerze.
• ​Berd - otwarta (Apache 2.0) aplikacja desktopowa od Block, łącząca foldery jako projekty, agentów jako postacie i tablicę z przypiętymi zadaniami; działa na Twojej subskrypcji Codeksa lub Claude Code.
• ​Cursor Origin - hosting repozytoriów wbudowany w edytor, z dwukierunkową synchronizacją z GitHubem i agentami, które same naprawiają błędy CI w swoich pull requestach.
• ​Spline V2 - edytor 3D w przeglądarce, w którym agent (także zewnętrzny, przez MCP) może realnie zmieniać obiekty, materiały i światła oraz sprawdzać efekt na zrzutach ekranu.
• ​Slack Code - kodowanie i praca z agentami bezpośrednio w kanałach Slacka, co okazuje się zaskakująco dobrym sposobem na naukę pracy z agentami w zespole.
• ​fx by Vercel - lekki, otwarty agent kodujący pomyślany tak, by dawać modelowi jak najwięcej swobody i jak najmniej narzutu.
• ​DETECT-World - wykrywanie deepfake'ów w audio, obrazie i wideo przez sprawdzanie, czy oświetlenie, ruch i geometria są zgodne z prawami fizyki.

Co jeszcze w świecie AI?

• Badacze pokazali, jak wydobywać zaszyfrowane "ślady rozumowania" z API czołowych modeli, odzyskując z publicznych logów agentów 62 klucze API, 33 hasła i 24 tokeny dostępu. Czytaj więcej​
• Według badania Pew Research ponad jedna trzecia stron opublikowanych od premiery ChatGPT wykazuje ślady autorstwa AI, przy czym w domenach .com jest to 9,4 procent, a w .gov tylko 0,8 procent. Czytaj więcej​
• Nieujawniony model badawczy Anthropic podniósł dolne oszacowanie w hipotezie Riemanna z 41,6 do 67,2 procent, zużywając 31 milionów tokenów i 60 podagentów. Czytaj więcej​
• Claude zaprojektował od zera białkowe wiązadła dla 14 z 15 celów w testach laboratoryjnych, z trafnością 22-35 procent, czyli ponad dwukrotnie powyżej średniej. Czytaj więcej​
• Liczba lokalnych zakazów budowy centrów danych w USA przekroczyła 500 i rośnie ponad partyjnymi podziałami, a Nowy Jork wstrzymał zgody dla obiektów powyżej 50 megawatów. Czytaj więcej​
• Anthropic przekroczyło 65 miliardów dolarów rocznego tempa przychodów i szykuje IPO, które według doniesień może dorównać rekordowej ofercie SpaceX. Czytaj więcej​
• Nvidia zawiązała z Apollo, BlackRockiem, Blackstone, Brookfield, Goldman Sachs i KKR platformy finansowe mające zmobilizować ponad 500 miliardów dolarów kapitału pod zastaw jej układów. Czytaj więcej​

A teraz obiecana, autorska i całkowicie "białkowa" refleksja ode mnie.

Jest wiele dyskusji i martwienia się o skutki stosowania AI w programowaniu. Ale ja się dużo bardziej obawiam o AI w rękach prezesów, decydentów czy polityków. AI wygeneruje im sensownie brzmiący zestaw ogólników, a oni uznają to za dobry pomysł i każą wdrożyć albo przynajmniej będą na tej podstawie podejmować decyzje. Dlaczego to gorsze niż kod napisany przez LLM? Ani dlatego, że w kodzie mamy możliwość szybkiej, obiektywnej weryfikacji - testy, przeglądy itp. A w przypadku decydenta, który napisze coś do Chata GPT a potem uzna to za świetną podstawę do nadania kierunku w firmie - lub co gorsza czymś większym - takiej szybkiej weryfikacji nie ma. Fatalne skutki decyzji podejmowanej bez realnego zrozumienia tematu oczywiście też będą - ale dużo później, na tyle późno, że nawet sam decydent może już zdążyć zapomnieć, że w istocie sam tego nie przemyślał tylko wziął to co mu podpowiedziało AI.

I, dodajmy, to nie jest wina samego AI. AI nie ma przecież szans mieć pełnego kontekstu sytuacji towarzyszącego każdej większej decyzji menedżerskiej czy politycznej. A już na pewno typowy menedżer (że z listości nie wspomnę o politykach) nie będzie umiał zawrzeć tego w promptcie choćby w formie pewnych zastrzeżeń czy żądania researchu. To kolejna różnica - agent kodujący nawet jeśli nie ma tego w promptcie ma w instrukcjach, żeby zajrzeć do istniejącego kodu, do dokumentacji, do historii zmian - i ma narzędzia, żeby to zrobić. Szanse na wyższą jakość wyniku jego pracy są więc dużo większe niż w przypadku powiedzmy dyrektora pytającego AI jak najlepiej prowadzić projekty w jego departamencie.

Jak z tym walczyć? No oczywiście, poprzez próby edukowania... czyli jak to już nie raz bywało, branża informatyczna dostarczyła najpierw fajnych zabawek, a dopiero potem "reszta" musiała żmudnie się uczyć jak ich z sensem używać.

Pozdrawiam,
Andy