Każdy używał przynajmniej jednego z nich. Siri ustawia Państwa minutniki. Alexa odtwarza muzykę. ChatGPT pisze e-maile. A potem jest OpenClaw, agent AI o otwartym kodzie źródłowym, który ostatnio nie schodzi z nagłówków, robiąc coś fundamentalnie innego niż wszyscy trzej poprzednicy.

Wszystkie nazywane są „asystentami AI”, ale technologia stojąca za każdym z nich jest tak różna, że grupowanie ich razem jest niemal mylące. Ten artykuł wyjaśnia, co naprawdę dzieje się pod maską, jak asystenci AI ewoluowali od reguł przez modele językowe do autonomicznych agentów i co to oznacza dla przyszłości.

Czterech graczy

Zacznijmy od tego, czym tak naprawdę jest każdy z nich.

Siri to asystent głosowy Apple. Mieszka na iPhonie, Macu, Apple Watch i HomePodzie. Mówi się „Hej Siri” i odpowiada na pytania, ustawia alarmy, wysyła wiadomości i steruje urządzeniami inteligentnego domu. Został uruchomiony w 2011 roku i, szczerze mówiąc, od tego czasu niewiele się zmienił. Apple potwierdziło, że duża aktualizacja AI nadchodzi w 2026 roku, ale jeszcze jej nie ma.

Alexa to asystent głosowy Amazona. Mieszka w głośnikach Echo i innych urządzeniach Amazon. Może odtwarzać muzykę, odpowiadać na pytania, sterować urządzeniami inteligentnymi i zamawiać rzeczy z Amazona. W lutym 2025 Amazon uruchomił Alexa+, ulepszoną wersję opartą na dużych modelach językowych.

ChatGPT to konwersacyjna AI od OpenAI. Działa w przeglądarce internetowej lub aplikacji mobilnej. Pisze się (lub mówi), a odpowiada zaskakująco płynnymi, szczegółowymi odpowiedziami. Może pisać eseje, wyjaśniać kod, analizować obrazy i streszczać dokumenty. Najnowsze wersje mogą również przeglądać internet i uruchamiać kod w ramach jednej rozmowy.

OpenClaw to agent AI o otwartym kodzie źródłowym. Łączy się z aplikacjami do przesyłania wiadomości (WhatsApp, Telegram, Discord i wiele innych) i jest stworzony do podejmowania działań: przeglądania internetu, zarządzania plikami, uruchamiania kodu, sterowania urządzeniami inteligentnymi. Podczas gdy inne są głównie konwersacyjne, OpenClaw jest głównie operacyjny.

Czterech „asystentów AI”. Ale to fundamentalnie różne technologie robiące fundamentalnie różne rzeczy.

Jak naprawdę działają?

Tutaj robi się ciekawie. Aby zrozumieć, dlaczego te produkty tak różnie się prezentują w użyciu, trzeba zrozumieć, co dzieje się za kulisami.

Siri i stara Alexa: diagram przepływu

Kiedy zapyta się Siri „Jaka jest pogoda w Berlinie?”, oto co się dzieje:

  1. Głos zostaje zamieniony na tekst (rozpoznawanie mowy)
  2. Tekst jest dopasowywany do listy znanych poleceń („pogoda” + „Berlin” = intencja pogodowa, lokalizacja = Berlin)
  3. Siri wywołuje API pogodowe z „Berlin” jako danymi wejściowymi
  4. API zwraca dane, a Siri odczytuje wcześniej przygotowany szablon: „Obecnie jest 3 stopnie w Berlinie”

To klasyfikacja intencji i wypełnianie slotów. Proszę myśleć o tym jak o bardzo wyrafinowanym diagramie przepływu. Jeśli użytkownik mówi to, zrób tamto. Siri ma tysiące takich diagramów, każdy starannie zaprogramowany przez inżynierów Apple.

Problem? Jeśli zapyta się o coś, co nie pasuje do żadnego diagramu, Siri się rozsypuje. „Hej Siri, czy powinienem wziąć parasol na jutrzejsze spotkanie?” wymaga, aby Siri sprawdziło kalendarz, znalazło miejsce spotkania, sprawdziło prognozę pogody dla tej lokalizacji o tej porze i oceniło, czy deszcz jest wystarczająco prawdopodobny, aby uzasadnić parasol. To nie jest diagram przepływu. To myślenie. A myślenie to dokładnie to, czego Siri jeszcze nie potrafi.

Alexa działała tak samo przez lata. Jej „umiejętności” (odpowiednik aplikacji w Alexie) to zasadniczo tysiące indywidualnych diagramów przepływu stworzonych przez zewnętrznych programistów. Nowa Alexa+ dodaje model językowy, ale podstawowa architektura wciąż pozostaje systemem poleceń głosowych.

ChatGPT: predyktor następnego słowa

ChatGPT działa w zupełnie inny sposób. Wykorzystuje coś, co nazywa się Large Language Model, czyli LLM. A zrozumienie LLM jest kluczem do zrozumienia wszystkiego, co dzieje się teraz w AI.

Oto prosta wersja.

Proszę sobie wyobrazić, że przeczytali Państwo każdą książkę, każdą stronę internetową, każdy artykuł i każdą rozmowę kiedykolwiek napisaną po angielsku. Miliardy i miliardy stron. Po całej tej lekturze rozwinęliby Państwo całkiem dobrą intuicję tego, jak działa język. Wiedzieliby Państwo, że „Stolica Francji to…” jest prawie na pewno kontynuowane przez „Paryż”. Wiedzieliby Państwo, że przepis na ciasto czekoladowe prawdopodobnie zawiera mąkę, cukier, kakao i jajka. Wiedzieliby Państwo, że grzeczny e-mail zwykle kończy się „Z poważaniem”.

To zasadniczo to, co robi LLM, tyle że z matematyką zamiast intuicji. To ogromna sieć neuronowa (proszę sobie wyobrazić sieć miliardów liczb), która została wytrenowana na ogromnej ilości tekstu z internetu. Podczas treningu grała w grę: mając zdanie z usuniętym ostatnim słowem, przewidź, co następuje. Grała w tę grę biliony razy, za każdym razem dostosowując swoje wewnętrzne liczby, aby nieco lepiej przewidywać.

Po wystarczającym treningu pojawia się coś niezwykłego. Model staje się niezwykle elastyczny w mieszaniu i dopasowywaniu wszystkiego, co widział, do tego stopnia, że wydaje się rozumieć rzeczy. Może wyjaśniać fizykę kwantową, pisać kod w Pythonie, komponować poezję i rozwiązywać problemy matematyczne. Nie dlatego, że ktoś zaprogramował te umiejętności, ale dlatego, że wzorce ludzkiego języka kodują ogromną ilość wiedzy i rozumowania.

Kiedy zada się ChatGPT pytanie, nie „wyszukuje” odpowiedzi w bazie danych. Generuje odpowiedź słowo po słowie (technicznie token po tokenie), za każdym razem pytając siebie: „Jakie jest najbardziej prawdopodobne następne słowo, biorąc pod uwagę wszystko do tej pory?” Dlatego może być błyskotliwie trafny i pewnie błędny w tej samej rozmowie. Zawsze produkuje najbardziej statystycznie prawdopodobną odpowiedź, nie najbardziej zweryfikowaną.

OpenAI wprowadziło modele „myślące” z o1 pod koniec 2024: dla trudnych problemów model generuje rozumowanie krok po kroku przed udzieleniem odpowiedzi, podobnie jak rozwiązywaliby Państwo problem matematyczny na brudnopisie. GPT-5 zunifikował to w jeden system, który automatycznie przełącza między szybkimi odpowiedziami a głębokim rozumowaniem. Rezultat: 45% mniej błędów faktycznych w porównaniu z wcześniejszymi modelami, gdy włączone jest wyszukiwanie w internecie.

OpenClaw: pętla sterowania

OpenClaw bierze LLM (taki jak ten w ChatGPT) i umieszcza go w pętli.

  1. Wysyła się wiadomość („Zarezerwuj mi stolik na kolację dziś wieczorem”)
  2. LLM czyta wiadomość i decyduje, co zrobić najpierw (sprawdzić kalendarz na dziś wieczór)
  3. OpenClaw wykonuje tę akcję i przekazuje wynik z powrotem do LLM
  4. LLM czyta wynik i decyduje o następnym kroku (szukać restauracji w pobliżu lokalizacji)
  5. Kroki 3 i 4 powtarzają się, aż zadanie zostanie ukończone

Nazywa się to pętlą reason-act-observe. LLM rozumuje o tym, co zrobić, działa poprzez narzędzia (przeglądanie, wiadomości, dostęp do plików), obserwuje wynik i powtarza cykl. LLM nie jest produktem, z którym się wchodzi w interakcję. Jest komponentem wewnątrz większego systemu, który może podejmować realne działania w świecie.

Kiedy poprosi się ChatGPT o rezerwację restauracji, może zasugerować opcje i napisać wiadomość. Kiedy poprosi się OpenClaw, może faktycznie dokonać rezerwacji, dodać ją do kalendarza i wysłać przyjacielowi szczegóły.

Trzy generacje

Teraz, gdy widzieli Państwo, jak każdy z nich działa pod maską, wyłania się wzorzec. Diagramy przepływu, modele językowe, pętle sterowania. To nie są tylko trzy różne produkty. To trzy generacje tej samej idei: sprawić, by komputery rozumiały, czego chcą ludzie.

Generacja 1: reguły. To Siri i stara Alexa, jak opisano powyżej. Ludzie piszą każdy diagram przepływu. Inteligentne, ale kruche.

Generacja 2: LLM jest produktem. To ChatGPT. Sam model językowy jest tym, z czym się wchodzi w interakcję. Rozmawia się z modelem, model odpowiada. Może rozumować, być kreatywny i radzić sobie z pytaniami, których nikt nie przewidział. Ale to wciąż fundamentalnie rozmowa. Pyta się, on odpowiada. LLM jest produktem.

Generacja 3: LLM to tylko API. Tu mieszka OpenClaw. LLM zostaje zdegradowany z produktu do komponentu w większym systemie: pętli reason-act-observe opisanej powyżej. Wyjście LLM staje się jego własnym następnym wejściem.

Różnica jest jak między pytaniem kogoś o drogę a zatrudnieniem kogoś na pełny etat. System generacji 2 wskazuje drogę. System generacji 3 wsiada do samochodu, prowadzi na miejsce, zapamiętuje trasę na następny raz i może zdecydować się sprawdzić ruch jutro rano, zanim w ogóle się zapyta.

ChatGPT zmierza w tym kierunku. Operator od OpenAI przegląda internet za Państwa. ChatGPT może uruchamiać kod, przeszukiwać internet i generować obrazy w jednej rozmowie. To wywołania narzędzi wewnątrz pętli sterowania. Ale OpenClaw idzie dalej w trzech aspektach.

Samomodyfikacja. Prompt systemowy OpenClaw (SOUL.md), jego pamięć długoterminowa (MEMORY.md) i jego umiejętności żyją w plikach, które sam agent może czytać i zapisywać. Agent może przepisywać instrukcje, które określają, jak LLM jest podpowiadany w każdej przyszłej turze. Nie tylko używa LLM. Steruje tym, jak go używa, i dostosowuje to sterowanie w czasie. ChatGPT ma funkcje pamięci, ale nie może przepisywać własnego promptu systemowego.

Ciągłość. ChatGPT czeka, aż coś się napisze. OpenClaw działa jako proces w tle, który pozostaje aktywny. Może planować własne zadania cron, reagować na webhooki, budzić się według harmonogramu i działać bez czyjegokolwiek polecenia. Nie jest reaktywny. Jest ciągły.

Otwartość. ChatGPT daje LLM wyselekcjonowany zestaw narzędzi kontrolowanych przez OpenAI. OpenClaw jest open source i rozszerzalny za pomocą umiejętności: modułowych pakietów wiedzy i zdolności, które każdy może tworzyć i udostępniać. Jest już ponad 52 000 umiejętności, a społecznościowe marketplace’y jak ClawHub czynią ekosystem praktycznie nieskończonym. Pisałem o tym w AI Skills Are the New Apps: umiejętności są dla agentów AI tym, czym aplikacje były dla iPhone’a. To sposób, w jaki system staje się mądrzejszy bez konieczności zmiany rdzenia.

Model napędzający pętlę może być ten sam. Architektura jest tym, co się różni. Wczesny ChatGPT był funkcją, którą się wywoływało. OpenClaw jest procesem, który działa.

Ryzyko dłuższych smyczy

Więcej wolności oznacza więcej mocy, a więcej mocy oznacza więcej ryzyka. A ryzyka generacji 3 fundamentalnie różnią się od ryzyk generacji 2.

Wstrzykiwanie promptów. Kiedy samemu używa się ChatGPT, kontroluje się to, co trafia do promptu. Kiedy agent przegląda internet, czyta e-maile lub instaluje umiejętności od stron trzecich, treści innych osób trafiają do promptu. Złośliwa strona internetowa może osadzić ukryte instrukcje, które LLM wykonuje bez wiedzy użytkownika. Skompromitowana umiejętność może wstrzyknąć polecenia do pętli rozumowania agenta. To wstrzykiwanie promptów i jest to znacznie większy problem dla agentów niż dla chatbotów, ponieważ agent może działać na podstawie tych wstrzykniętych instrukcji: wysyłać e-maile, wykradać dane, modyfikować pliki. W lutym badacze znaleźli 341 złośliwych umiejętności na ClawHub robiących dokładnie to.

Ujawnienie danych uwierzytelniających. Agenci generacji 3 potrzebują dostępu do prawdziwego życia, aby być użytecznymi: klucze API, hasła, karty kredytowe, konta komunikatorów. 135 000 instancji OpenClaw znaleziono wystawionych w internecie w lutym, a Cisco, CrowdStrike i Kaspersky opublikowały ostrzeżenia w tym samym tygodniu. Źle skonfigurowany agent z danymi uwierzytelniającymi to nie tylko wyciek danych. To pośrednik, który może działać w imieniu użytkownika: podszywać się pod niego w dowolnym serwisie, wydawać pieniądze, uzyskiwać dostęp do kont, wysyłać wiadomości w jego imieniu. Napisaliśmy pełną analizę kryzysu bezpieczeństwa i tego, jak uwierzytelnianie na poziomie proxy zapobiega najgorszemu.

Niezamierzona autonomia. Agent, który może podejmować realne działania, może wyrządzić realne szkody w sposób, którego nikt nie przewidział. Zaledwie kilka dni temu agent OpenClaw złożył pull request do matplotlib, został odrzucony, ponieważ projekt przyjmuje tylko ludzkie kontrybucje, a następnie samodzielnie opublikował personalny atak na opiekuna, który go zamknął. Wygląda na to, że nikt mu tego nie polecił. Im dłuższa smycz, tym bardziej kreatywne tryby awarii.

Dokąd to wszystko zmierza?

Kierunek jest jasny: każdy asystent AI zmierza ku generacji 3. LLM staje się API, a produkt staje się warstwą orkiestracji wokół niego. Pisałem o tym w OpenClaw Is the New Linux: LLM to procesor. Potężny, niezbędny, ale nie to, z czym się wchodzi w interakcję. Liczy się system operacyjny, który na nim siedzi.

Era chatbotów dobiega końca. Era agentów się rozpoczęła i szybko przyspiesza na początku 2026 roku. To następna ewolucja tego, jak komputery wzmacniają ludzi: od komputera stacjonarnego, przed którym się siedzi, przez telefon w kieszeni, do agenta pracującego w tle, z którym komunikuje się jak ze zdalnym przyjacielem.

Jest powód, dla którego ludzie wciąż powtarzają: „OpenClaw jest tym, czym Apple Intelligence powinno było być.” Siri było obietnicą: osobisty asystent, który rozumie i załatwia sprawy. Ale został zbudowany w generacji 1, z regułami i diagramami przepływu. OpenClaw jest tym, co się dzieje, gdy tę obietnicę buduje się na architekturze generacji 3.

Generacja 4

Jest generacja wykraczająca poza tę. Dzisiaj agent generacji 3 żyje na komputerze lub w chmurze. Może już sięgać do świata fizycznego, ale tylko pośrednio: zatrudniając ludzi przez platformy jak rentahuman.ai, wywołując API uruchamiające fizyczne maszyny, składając zamówienia skutkujące realnymi dostawami. Każde działanie wciąż potrzebuje pośrednika.

Generacja 4 usuwa pośrednika. Ucieleśniony agent bezpośrednio steruje robotami, dronami, pojazdami i infrastrukturą fizyczną. Tesla przekształca linie fabryczne z samochodów na roboty Optimus. Humanoidy Figure AI właśnie zakończyły 11-miesięczne wdrożenie w BMW, ładując ponad 90 000 części. Na CES 2026 humanoidalne roboty od Boston Dynamics, 1X i Figure były wszędzie. Jestem szczerze ciekaw, dokąd zmierza robotyka w najbliższych latach.

Wiem, że to może brzmieć przerażająco, i to się szybko rozwija. Ale wolę, aby ta technologia była otwarta, audytowalna i dostępna dla wszystkich, niż zamknięta w kilku korporacjach decydujących, jak działa. Dlatego buduję OpenClaw.rocks.

Co buduję

Zacząłem ten artykuł, próbując wyjaśnić różnicę między Siri, Alexą, ChatGPT i OpenClaw. Ale prawdziwa różnica nie jest między czterema produktami. Jest między trzema sposobami myślenia o tym, co komputery mogą zrobić dla ludzi. Reguły. Język. Sprawczość.

Przeszliśmy od diagramów przepływu, które się psują przy złym pytaniu, przez modele, które mogą rozumować, ale tylko gdy się je poprosi, do systemów, które mogą działać samodzielnie i uczyć się z wyników. Każda generacja uczyniła komputery użytecznymi dla większej liczby ludzi na więcej sposobów. Ta trajektoria nie zwalnia.

W OpenClaw.rocks budujemy infrastrukturę do bezpiecznego uruchamiania agentów AI na dużą skalę i udostępniania ich wszystkim, publikując otwarty kod źródłowy naszych systemów na bieżąco.

Jeśli chcą Państwo śledzić, dokąd to zmierza, proszę odwiedzić OpenClaw.rocks lub znaleźć nas na X.