OpenAI łączy GPT-Live z Codex – programowanie bez użycia rąk

Zaledwie dwa tygodnie po debiucie modelu GPT-Live z pełnym dupleksem (możliwością jednoczesnego słuchania i mówienia), OpenAI wprowadza tę technologię bezpośrednio do środowisk pracy programistów. Nowa aktualizacja sprawia, że GPT-Live zasila aplikację ChatGPT na macOS i Windows, integrując się z agentowymi systemami Codex oraz ChatGPT Work. Dla ponad 5 milionów aktywnych użytkowników Codex tygodniowo oznacza to początek ery programowania sterowanego wyłącznie głosem – bez konieczności dotykania klawiatury czy myszy.

Jak działa głosowe sterowanie kodem?

Sercem tej integracji jest oddzielenie warstwy dźwiękowej od silnika wykonawczego. GPT-Live utrzymuje płynną, naturalną konwersację – potrafi wtrącić krótkie potwierdzenia typu „rozumiem” bez przerywania użytkownikowi – ale ciężkie obliczenia zrzuca na modele działające w tle, takie jak GPT-5.5. Dzięki temu programista może rozmawiać z systemem, podczas gdy agent asynchronicznie wykonuje złożone zadania.

Kontekst ekranu i plików

Na macOS aplikacja desktopowa wykorzystuje funkcję „Appshots” oraz kontekst ekranu. Oznacza to, że ChatGPT Voice analizuje nie tylko aktywne okno, ale także lokalne pliki, strukturę kodu oraz podłączone pluginy. Działa to jak para programistyczna: deweloperzy omawiają problemy głosem, a agenci wykonują polecenia w tle – bez konieczności ręcznego przełączania okien czy wpisywania instrukcji.

Architektura pełnego dupleksu

Silnik pełnego dupleksu sam decyduje, kiedy mówić, pauzować lub uruchamiać narzędzia. Utrzymuje stan rozmowy nawet wtedy, gdy agenty przetwarzają skomplikowane modyfikacje kodu. To przełamuje sztywny schemat „ja mówię – ty odpowiadasz” i wprowadza naturalny przepływ pracy zbliżony do współpracy między ludźmi.

Nowe możliwości dla programistów

Centralną funkcjonalnością tej aktualizacji jest obsługa wielu zadań jednocześnie z jednego polecenia głosowego. Programista przygotowujący się do wdrożenia nowej funkcji może wydać jedno zdanie, które uruchomi kilka niezależnych wątków pracy.

Wielozadaniowość z jednego promptu

Wyobraźmy sobie scenariusz: deweloper wydaje polecenie „sprawdź błąd autoryzacji, przejrzyj pull request dotyczący migracji API i wygeneruj brakujące testy jednostkowe”. System nie tylko rozdziela te zadania, ale też śledzi ich kontekst – może zaglądać do rozmów na Slacku, repozytoriów GitHub i lokalnych baz kodu. Wszystko to bez przełączania aplikacji.

Od mockupu do produkcyjnego kodu

Deweloperzy mogą również werbalnie przekształcać projekty wizualne w działający kod, dzieląc pracę na warstwy frontendową, backendową i testową. Obsługa projektów wielofolderowych (build 26.715) oraz zdalne wykonanie przez iOS pozwalają sprawdzać postęp, odpowiadać na pytania agentów i przekierowywać bieżące zadania bez zarządzania każdym procesem z osobna.

Model komercyjny i ograniczenia

OpenAI udostępnia głosową wersję desktopową na zasadach licencji komercyjnej. Dostęp mają tylko płatni subskrybenci planów Plus, Pro, Business, Enterprise i Education. Dla indywidualnych programistów i działów IT oznacza to, że wagi modelu, potoki przetwarzania głosu oraz architektura agentów pozostają w pełni zamknięte.

Jak działa naliczanie zużycia?

Zadania inicjowane przez ChatGPT Voice są traktowane identycznie jak standardowe obciążenia agentowe – zużywają limity narzucane przez plany Codex i ChatGPT Work. Organizacje nie mają możliwości modyfikacji ani samodzielnego hostowania systemu, co może budzić obawy w firmach ceniących sobie pełną kontrolę nad infrastrukturą AI.

Dzisiaj OpenAI wypuści głos i zdalne prowadzenie dla Codex! Krok bliżej do osobistej AGI.
– @ChrisGPT, dziennikarz AI Insider

Reakcje społeczności i perspektywy

Środowiska developerskie zareagowały entuzjastycznie na możliwość orkiestracji złożonych zadań agentowych bez użycia rąk – zwłaszcza podczas odchodzenia od stanowiska pracy lub zdalnego zarządzania pipeline’ami. Wczesne opinie techniczne podkreślają, że jest to krok w kierunku bardziej naturalnej współpracy człowieka z maszyną.

OpenAI opublikowało także film promocyjny, na którym dwaj pracownicy – Jason Liu (inżynier doświadczenia Codex) i Guinness Chen (personel techniczny Codex) – rozmawiają z tą samą sesją ChatGPT w jednym pomieszczeniu, wydając różne instrukcje. To pokazuje, że technologia może działać w trybie grupowej sesji kodowania na żywo, gdzie kilka osób współpracuje z jednym modelem głosowym.

Dla polskich czytelników zainteresowanych sztuczną inteligencją kluczowe jest pytanie: czy pełny dupleks głosowy w Codex to tylko kolejne udogodnienie, czy fundament nowego paradygmatu programowania? Biorąc pod uwagę rosnącą liczbę użytkowników i nacisk OpenAI na naturalne interfejsy, wygląda na to, że kierunek jest jasny – programowanie bez użycia rąk przestaje być futurystyczną wizją, a staje się codziennością.