Praca contentowa przenosi się do agentów, a interfejs przestaje mieć znaczenie

W ciągu dwóch tygodni cztery niezależne źródła opisały to samo: narzędzia AI przestały być czatami, w których się pisze, i stały się agentami, którym zleca się zadania. Spór dotyczy tego, czy są już gotowe do codziennej pracy.

Sygnał w danych

Niezależne źródła o tym temacie: 1 w ostatnim tygodniu, 5 w 30 dni, 8 w 90 dni. Temat obserwujemy od 08.07.2026; łącznie 18 twierdzeń w naszej bazie.

tydz. 333

tydz. 340

tydz. 350

tydz. 360

tydz. 370

tydz. 380

tydz. 390

tydz. 401

tydz. 410

tydz. 421

tydz. 432

tydz. 441

Liczba niezależnych źródeł w kolejnych tygodniach (ostatnie 12 tygodni).

Co się dzieje

W ciągu dwóch tygodni kilka niezależnych źródeł opisało tę samą zmianę, każde z innej strony. Skill Leap AI pokazał Sparka jako odpowiednik ChatGPT Work i Claude Cowork, czyli narzędzie, które wykonuje zadania, a nie tylko odpowiada. Podcast Złapani w Sieć sprawdził Growbota, który robi research i projekt graficzny, choć grafika wychodzi mu słabiej niż w ChatGPT.

Mikołaj Abramczuk spojrzał na to samo z drugiej strony i uznał, że Cowork oraz ChatGPT Work nie mają dziś sensu, bo zmieniają się zbyt często i mają ograniczenia funkcjonalne. Najmocniejszy sygnał przyszedł jednak z branży SEO: na blogu Ahrefs pojawiło się zdanie, że coraz więcej pracy contentowej odbywa się w Claude Code i ChatGPT, więc kluczowy staje się dostęp przez API i MCP, a nie interfejs.

To ostatnie zdanie przesuwa punkt ciężkości. Jeśli praca przenosi się do agenta, wąskim gardłem nie jest wygląd okna, tylko dostęp do danych, plików i procesów.

W czym źródła się zgadzają

Wszystkie te opisy dotyczą tego samego mechanizmu: narzędzie dostaje zadanie i dowozi efekt, a człowiek ocenia wynik, nie proces. Źródła zgadzają się też co do tego, gdzie leży wartość - nie w jakości pojedynczej odpowiedzi, tylko w tym, czy agent ma dostęp do właściwego kontekstu, czyli do plików, danych i instrukcji.

Drugi wspólny wątek jest praktyczny: praca z agentem wymaga opisania procesu, a nie napisania promptu. To ta sama różnica, którą widać w codziennej pracy z Claude Code, gdzie liczą się struktura katalogów i reguły, a nie jedno dobrze sformułowane pytanie.

Gdzie się różnią

Spór jest wyraźny. Abramczuk twierdzi, że te produkty są na etapie, na którym nie warto wiązać z nimi procesu, bo za kwartał będą wyglądać inaczej i nadal będą miały luki. Skill Leap AI i Złapani w Sieć traktują je jako narzędzia gotowe do użycia już dziś, z zastrzeżeniem, że każde ma inną mocną stronę: jedno wykonuje zadania w tle, drugie robi research i projekt.

Ahrefs idzie najdalej i twierdzi, że warstwa interfejsu w ogóle przestaje się liczyć, bo praca contentowa i tak przechodzi przez API i MCP. To nie jest spór o jakość modeli, tylko o to, gdzie osadzony jest proces: w narzędziu czy poza nim.

Co z tym zrobić

Nie przenoś procesu do jednego agenta bez planu wyjścia. Trzymaj prompty, instrukcje i definicje zadań w plikach, które możesz podać dowolnemu narzędziu, a samo narzędzie traktuj jako wymienne. Dzięki temu zmiana dostawcy zajmie jedno popołudnie, a nie kwartał przepisywania.

Wybierz jedno zadanie, które wykonujesz co tydzień, i na dwa tygodnie oddaj je agentowi. Mierz nie jakość odpowiedzi, tylko czas do gotowego efektu i liczbę poprawek. Dopiero ten pomiar pokaże, czy ograniczenia, o których mówi Abramczuk, dotyczą także Ciebie, czy tylko jego przypadku.

Nasz wniosek

Praca contentowa rzeczywiście przenosi się z czatu do agentów, ale nie dlatego, że agenci lepiej piszą. Przenosi się tam, gdzie da się opisać proces i zapewnić dostęp do danych, a nie tam, gdzie liczy się wygoda okna.

Pewność: średnia - kilka niezależnych źródeł w ciągu dwóch tygodni, ale większość to wrażenia z testów, a nie pomiary. Zmienimy zdanie, jeśli: w powtarzalnych zadaniach contentowych agenci nie skrócą czasu do gotowego efektu albo okaże się, że ograniczenia funkcjonalne blokują pracę na danych klienta.