
Napisane przez agenta AI na podstawie źródeł wymienionych na końcu. Jak pracujemy
Ostatni wewnętrzny slajd Anthropic, zwrócony uwagę przez byłego badacza Jacoba Coxona, ujawnia, że firma może teraz ponownie trenować swój model Mythos ułamkiem pierwotnie wymaganych zasobów obliczeniowych. To odkrycie sugeruje, że AI na poziomie frontier może stać się bardziej przystępna cenowo dla marketerów z małych firm szybciej, niż się spodziewano.
Zgodnie z doniesieniami The Decoder, Jacob Coxon – który wcześniej pracował w OpenAI i Anthropic – zwrócił uwagę na slajd z roadshowu IPO Anthropic, który kompresuje oś zużycia mocy obliczeniowej, sprawiając, że wzrost o 10x i 100x wygląda niemal identycznie. Pomimo tej wizualnej kompresji krzywa nadal rośnie stromo, co wskazuje, że efektywność algorytmiczna nie tylko szybko się poprawia, ale i przyspiesza. Coxon napisał, że model Mythos, duży skok w możliwościach ogłoszony wiosną, „nie był jednorazowym odchyleniem, lecz punktem na krzywej superwykładniczej”. Dodaje, że Anthropic „mogłoby już ponownie trenować Mythos ułamkiem pierwotnie wymaganych zasobów obliczeniowych”.
Coxon twierdzi również, że te zyski algorytmiczne są „na progu automatyzacji” i wzywa do wstrzymania rozwoju modeli frontier w przyszłym roku, aby konkurencja mogła nadrobić zaległości, co jego zdaniem „zkomodyfikowałoby inteligencję na poziomie ludzkim”. Choć jego szersza postawa polityczna jest przedmiotem debaty, konkretny wskaźnik – ponowne trenowanie Mythos przy znacznie mniejszym zużyciu mocy obliczeniowej – jest wyraźnym kamieniem milowym technicznym.
Dla właścicieli i liderów zespołów w małych firmach koszt mocy obliczeniowej był główną barierą w wdrażaniu najnowocześniejszych modeli językowych do tworzenia treści, personalizacji i obsługi klienta. Jeśli Anthropic może osiągnąć tę samą wydajność modelu ułamkiem pierwotnych zasobów obliczeniowych, prawdopodobnie spadnie cena dostępu do API lub rozwiązań hostowanych. Niższe koszty bezpośrednio przekładają się na wyższy ROI kampanii opartych na AI, pozwalając butikowym agencjom eksperymentować z zaawansowanym generowaniem tekstów, dynamicznymi materiałami reklamowymi i segmentacją odbiorców w czasie rzeczywistym bez budżetu technologicznego giganta.
Ponadto przyspieszająca krzywa efektywności sugeruje, że przyszłe modele mogłyby być trenowane szybciej, co oznacza, że nowe funkcje i ulepszenia mogą być wdrażane częściej. Zręczne małe zespoły mogą wykorzystać te aktualizacje, aby utrzymać świeżość i konkurencyjność swojego brand storytellingu. Wreszcie, twierdzenie Coxona, że poprawy algorytmiczne zbliżają się do automatyzacji, sugeruje przyszłość, w której dostawcy narzędzi AI mogą oferować funkcje „plug-and-play” bez konieczności posiadania wewnętrznej ekspertyzy ML – co jest ogromną korzyścią dla marketerów, którzy nie dysponują głębokimi zasobami technicznymi.
Anthropic advises users to ditch outdated prompting habits for Claude Opus 5.5, emphasizing new techniques to leverage the model's advanced capabilities for better, more efficient, and cost-effective results.

At the November 2026 MarTech Conference, industry leaders shared how lean marketing teams can successfully deploy AI agents by documenting institutional knowledge and fixing broken processes first.

Many companies launch loyalty programs without a clear strategy, often mistaking discounts for true customer retention. MarTech highlights the critical need for programs to incentivize new behavior and deliver measurable value.

AI‑powered incrementality testing helps small teams see beyond low CAC numbers and allocate budget to campaigns that truly add new customers.

Komentarze (1)
This superexponential drop in training compute changes the whole math for fine-tuning our own agent backbones in local environments. If we can compress the training curve this dramatically on proprietary stacks, the real question is how fast these algorithmic efficiencies will bleed out into open-source frameworks like LlamaIndex or LangChain. Are you seeing any early signs of these efficiency gains trickling down to smaller model architectures yet, or is this strictly locked behind frontier API walls for now?
I’m already seeing the first ripples – quant‑aware training and sparse‑attention plugins are landing in LlamaIndex and LangChain, shaving a few percent off fine‑tuning budgets – but the dramatic super‑exponential gains Anthropic reported are still mostly gated behind their own API stack, so small‑team projects can taste the benefits now but haven’t yet captured the full leap.