ChatGPT przejmuje kontrolę nad Twoim komputerem

OpenAI od dawna zapowiadało, że chce stworzyć cyfrowego asystenta, który obsługuje komputer tak sprawnie jak człowiek. Po latach prac i ogromnych wyzwaniach związanych z gromadzeniem danych treningowych, firma wreszcie wdraża tę wizję w życie. W tym roku użytkownicy ChatGPT otrzymali narzędzia pozwalające modelowi przejąć kontrolę nad przeglądarką Chrome, a także funkcję Computer Use wbudowaną w narzędzie dla programistów Codex. To sygnał, że asystenci AI przestają być tylko generatorami tekstu, a stają się aktywnymi uczestnikami naszej pracy z technologią.

Greg Brockman, prezes OpenAI, napisał na platformie X, że kwietniowa aktualizacja sprawiła, iż technologia firmy „nie służy już tylko programistom, ale każdemu, kto pracuje przy komputerze”. Pracownicy OpenAI podkreślają, że narzędzia są na przełomowym etapie rozwoju, choć wciąż mają sporo do poprawienia. Rywalizacja w tej dziedzinie jest zacięta – Anthropic, twórca modelu Claude, jako pierwszy wypuścił podobne rozwiązanie na rynek w 2024 roku, a z jego funkcji Claude Cowork skorzystało już co najmniej 600 tysięcy organizacji.

Jak OpenAI nauczyło ChatGPT obsługi komputera

Proces trenowania modeli pod kątem obsługi komputera był wieloetapowy. Zhou Yu, badaczka AI z Columbia University, która pracowała nad popularnym benchmarkiem dla agentów komputerowych, wyjaśnia, że na najwcześniejszym etapie OpenAI prawdopodobnie włączyło do danych treningowych klatki z nagrań ekranu. Dzięki temu model od początku miał dostęp do informacji o tym, jak wygląda interakcja z systemem.

W kolejnych fazach deweloperzy dostarczali modelom dane pokazujące idealne sekwencje działań prowadzące do konkretnych rezultatów, takich jak wypełnienie formularza podatkowego czy modelowanie 3D. Część tych danych pochodzi od ludzi – OpenAI przyznało, że korzystało z nagrań, na których osoby demonstrują, jak wykonać dane zadanie. Badaczka zaznacza, że to kosztowny proces, bo takie dane są trudne do zdobycia i oczyszczenia.

Kluczową rolę odegrało też uczenie przez wzmacnianie (reinforcement learning). Model dostawał wirtualne zadania, a jego skuteczne wykonania były nagradzane, co pozwalało mu uczyć się, które działania przynoszą pożądane efekty. Dzięki temu AI stopniowo opanowywało coraz bardziej złożone czynności.

Nowa architektura interakcji z systemem

Zmienił się też sam sposób, w jaki model komunikuje się z komputerem. Ari Weinstein z zespołu Computer Use w OpenAI tłumaczy, że wcześniej ChatGPT robił zrzut ekranu, analizował piksele, wprowadzał komendę i powtarzał cały proces. Teraz, gdy narzędzie ma otwartą stronę internetową, potrafi szybko odczytać jej strukturę – pamięć, informacje o dostępności i linki. Zrzuty ekranu wciąż są wykorzystywane, ale stanowią tylko jeden z elementów szerszego systemu analizy.

To połączenie metod daje Codexowi możliwość testowania napisanego kodu, wykrywania błędów i wprowadzania poprawek w „pełnej pętli”. Cristian Medina Ruiz, hobbystyczny programista z Czech, pokazał, jak użył Codexa do odtworzenia gry „SimCity” z 2013 roku na podstawie oryginalnego kodu źródłowego. Narzędzie Computer Use otwierało okna na jego komputerze, aby zweryfikować, czy gra poprawnie symuluje ruch samochodów i wyświetla obrazy budynków. Ruiz przyznaje, że dzięki tej funkcji w pełni przekonał się do ChatGPT i teraz zostawia kod działający i iterujący, gdy go nie ma przy komputerze.

Asystent AI wkracza na otwarty internet

Weinstein i James Sun, odpowiedzialny w OpenAI za możliwości przeglądarkowe, widzą ogromny potencjał w połączeniu agentów ChatGPT z różnorodnymi stronami internetowymi. Większość narzędzi online została zaprojektowana z myślą o ludzkich rękach – od systemów rezerwacji wizyt, przez wewnętrzne dashboardy firm, po portale społecznościowe. Użytkownicy Computer Use wykorzystują już tę technologię do automatyzacji wprowadzania danych, zadań związanych z compliance i zarządzania kalendarzem.

Wraz z ulepszaniem modeli, systemy te coraz lepiej radzą sobie z wykrywaniem błędów i samodzielną korektą, co pomaga im kończyć zadania i nie gubić się w gąszczu internetowych treści. Sun przewiduje, że obsługa komputera przez AI stanie się tak naturalna, jak dziś jest pisanie kodu przez modele. „Dla wielu inżynierów szybsze jest już teraz, żeby agent napisał kod, niż żeby robili to sami. Myślę, że Computer Use będzie działać coraz bardziej w ten sposób” – mówi.

Jednak nie wszystko działa idealnie. Zhou Yu zwraca uwagę na „lukę” między obecną szybkością działania technologii a oczekiwaniami użytkowników. Agenci komputerowi sprawdzają się w ograniczonych obszarach, gdy otrzymają dużo danych treningowych, ale wciąż mają trudności z generalizacją na dowolne strony, aplikacje i systemy operacyjne. Computer Use nie radzi sobie też z przetwarzaniem skrzynek mailowych, a przewijanie feedów w mediach społecznościowych bywa opóźnione.

Bezpieczeństwo i ryzyko związane z agentami

Sam Altman, dyrektor generalny OpenAI, już wcześniej ostrzegał przed potencjalnymi zagrożeniami. W 2025 roku pisał na X, że „chociaż użyteczność jest znacząca, potencjalne ryzyka również”, zalecając przyznawanie agentom minimalnych uprawnień niezbędnych do wykonania zadania. To stanowisko niepokoi Marka Beare’a, dyrektora generalnego w firmie bezpieczeństwa Malwarebytes.

Beare porównuje obecną sytuację do „Dzikiego Zachodu” i zwraca uwagę, że klienci mogą nie mieć wystarczających zabezpieczeń prywatności, a firmy nie nadążają z zarządzaniem AI. Zaleca, aby osoby testujące Computer Use odgrodziły hasła, wrażliwe dane i wszystko, co objęte umowami o poufności lub przepisami o ochronie prywatności. Radzi też unikać pozostawiania agenta bez nadzoru przy długich, złożonych zadaniach, ponieważ złośliwa strona internetowa może zwabić bota i wyciągnąć z niego informacje.

Zespół OpenAI mierzy się z tymi wyzwaniami, pracując nad tak zwaną „polityką potwierdzeń”. Sun wyjaśnia, że chodzi o ustalenie, jak często i kiedy narzędzie powinno prosić użytkownika o zgodę na kolejny krok. Na razie przyjęto zasadę, że agent musi zapytać za każdym razem, gdy przesyła dane lub coś usuwa. To jednak rodzi dylemat – zbyt częste pytania utrudniają pracę, a zbyt rzadkie zwiększają ryzyko. „Można zrobić coś w 100% bezpiecznego, ale wtedy bardzo trudnego w użyciu, albo coś bardzo łatwego, ale niebezpiecznego. Próbujemy znaleźć złoty środek” – podsumowuje Sun.

Nadchodzące miesiące pokażą, czy użytkownicy zaufają agentom AI na tyle, by powierzyć im codzienne zadania. Jedno jest pewne – technologia, która pozwala modelom językowym obsługiwać komputer, zmienia sposób, w jaki myślimy o interakcji z maszynami. Pytanie, czy uda się ją okiełznać na tyle, by korzyści przeważyły nad ryzykiem.