ChatGPT: Jak przypadek stał się najszybciej rozwijającym produktem w historii #EN246

Artykuł stanowi notatki z podcastu Lenny Rachitsky z Nickiem Turley, Head of ChatGPT w OpenAI. Wywiad został nagrany w dniu premiery GPT-5. Wszystkie przytoczone przemyślenia, obserwacje i strategie pochodzą od rozmówców.

TL;DR

ChatGPT powstał z eksperymentu hackathonowego – pierwotnie miał funkcjonować przez 10 dni jako narzędzie testowe, nie jako produkt komercyjny
700 milionów użytkowników tygodniowo – najszybszy wzrost w historii produktów konsumenckich (plus 5 milionów klientów biznesowych)
GPT-5 jako przełom – dostępny bezpłatnie, „kategorycznie różny” od poprzedników, z dynamicznym myśleniem
Filozofia „wysyłaj szybko i ucz się” – w sztucznej inteligencji nie wiesz co dopracowywać, dopóki nie wypuścisz produktu
Unikalna retencja – „krzywa uśmiechu” gdzie użytkownicy wracają po miesiącach z większym zaangażowaniem
Rekrutacja za ciekawość – OpenAI zatrudnia za zainteresowanie, nie za wiedzę techniczną o AI
Myślenie od podstaw – każda decyzja podejmowana od nowa, bez kopiowania istniejących rozwiązań
Przyszłość poza chatem – długoterminowa wizja „super asystenta” rozumiejącego kontekst użytkownika

Przypadkowy fenomen, który zmienił świat

ChatGPT to historia o tym, jak eksperyment może stać się rewolucją. Nick Turley z OpenAI ujawnia, że produkt obecnie używany przez 10% populacji świata co tydzień, miał być jedynie tymczasowym narzędziem do testowania modelu GPT-3.5.

Pierwotna nazwa brzmiała „Chat with GPT 3.5”. Zespół zmienił ją na ChatGPT dopiero w przeddzień premiery, ponieważ jak przyznaje Turley – naprawdę nie myśleli, że to będzie udany produkt.

Cały kod znajdował się w repozytorium o nazwie „SA Server” (Super Assistant Server), gdyż pierwotnie OpenAI chciało zbudować „super asystenta”. Sam Altman po prostu napisał tweeta o projekcie, a reszta to już historia.

Od eksperymentu hackathonowego do miliardów dolarów w 10 dni

Historia ChatGPT zaczęła się od frustracji, jak opisuje Turley. OpenAI testowało różne pomysły na produkty konsumenckie – od botów do spotkań po narzędzia do kodowania. Jednak za każdym razem ludzie chcieli używać ich do zupełnie innych celów.

„Po kilku miesiącach prototypowania postanowiliśmy wypuścić coś otwartego, bo chcieliśmy prawdziwego rozkładu zastosowań” – wyjaśnia Turley.

Kluczowe decyzje, które zmieniły wszystko:

Brak listy oczekujących – dostęp dla wszystkich od razu
10 dni na wysłanie – od decyzji do publikacji
Zespół z ochotników – ludzie z różnych działów, nie dedykowany team
Wypuszczenie przed świętami – planowali wrócić po przerwie i „to wyłączyć”

W przeciwieństwie do wcześniejszych produktów OpenAI, ChatGPT był dostępny dla wszystkich od razu. Dzięki temu można było obserwować, co robią inni ludzie na żywo – podkreśla Turley.

Zespół był kompletnie nieprzygotowany na sukces. Turley wspomina przechodzenie przez kolejne etapy: najpierw zepsucie dashboardu, potem uznanie, że ludzie to lubią, następnie przekonanie, że to tylko viral i szybko się skończy, wreszcie zdziwienie, że ludzie zostają, mimo że nie rozumieli dlaczego.

Pierwsza lekcja: ChatGPT nie miał na początku historii konwersacji. To był oczywiście pierwszy feedback, który zespół otrzymał od użytkowników – przyznaje Turley.

Podobnie „przypadkowo” powstała oferta biznesowa. Turley opowiada, że zespół został do tego zmuszony, gdy duże firmy zaczęły masowo blokować użycie ChatGPT ze względów bezpieczeństwa. OpenAI stanęło przed dylematem: tworzyć aplikację na iOS czy produkt dla firm? Wybrano to drugie, by nie stracić „pokoleniowej szansy” na wejście do świata biznesu.

Dlaczego szybkość wygrywa z dopracowaniem w erze sztucznej inteligencji

Turley wyjaśnia fundamentalną różnicę między tradycyjnym rozwojem produktu a AI. Nie dowiesz się, co dopracowywać, dopóki nie wypuścisz – podkreśla. W klasycznych produktach wiesz, co robi twoje oprogramowanie. Z kolei w AI większość możliwości jest wyłaniająca się.

Ta filozofia przełożyła się na wewnętrzną kulturę. W rezultacie Turley wprowadził zasadę „is it maximally accelerated?” – pytanie, które stało się memem z własnym różowym emoji w Comic Sans z tekstem „is this maximal?” w Slacku OpenAI. „Naprawdę chcę przejść do sedna – dlaczego nie możemy tego zrobić teraz?” – tłumaczy.

W początkowych miesiącach Turley prowadził codzienne synchronizacje wydań z wszystkimi osobami potrzebnymi do podejmowania decyzji. Rozmawialiśmy o tym, co zrobić i jak zmienić kierunek w oparciu o wczorajsze wyniki – opisuje. Na pewnym etapie to się nie skaluje, jednak ustanawia rytm pracy.

To podejście wynikało z doświadczeń Turley’a z Instacart podczas pandemii, gdzie nauczył się utrzymywać „spoczynkowe tętno zespołu” – naturalny, szybki rytm pracy i iteracji, który staje się drugą naturą organizacji.

Wyjątek? Bezpieczeństwo. Tam, gdzie potrzebujemy procesu, to w bezpieczeństwie, bo stawki są już naprawdę wysokie – zastrzega Turley.

Fenomen retencji: krzywa uśmiechu w praktyce

Metryki ChatGPT zaskakują nawet twórców. Produkt osiągnął 700 milionów użytkowników tygodniowo i 5 milionów klientów biznesowych. Turley potwierdza, że retencja jest „naprawdę ekscytująca”, ale co ważniejsze – pokazuje unikalny wzorzec „krzywej uśmiechu”. Użytkownicy najpierw testują produkt, potem się odłączają, lecz wracają po kilku miesiącach z większym zaangażowaniem.

Ludzie faktycznie przyzwyczajają się do tej technologii w naprawdę interesujący sposób – obserwuje Turley. Delegowanie zadań AI nie jest naturalne dla większości osób. Dlatego musi to potrwać, zanim ludzie zorientują się, jakie są ich cele i w czym może pomóc inna inteligencja.

Za sukces retencji odpowiadają trzy równe obszary (po około 1/3 każdy):

Ulepszanie samego modelu – systematyczne doskonalenie jakości odpowiedzi w kluczowych zastosowaniach jak pisanie czy kodowanie, plus praca nad „osobowością” i „wyczuciem smaku” modelu.

Nowe, przełomowe zdolności – wprowadzanie funkcji fundamentalnie zmieniających możliwości produktu. Przykładem jest dodanie wyszukiwania w czasie rzeczywistym, które zlikwidowało problem „wiedzy odciętej w czasie”.

Klasyczna praca produktowa – standardowe usprawnienia jak usunięcie konieczności logowania, które znacznie zmniejszyły tarcie i ułatwiły dostęp.

Jak ustalili cenę 20 dolarów – historia ankiety Van Westendorp

Biznes subskrypcyjny ChatGPT powstał z przypadku. Plan płatny miał tylko „odciąć popyt” – nie był pomyślany jako model monetyzacji, ale jako sposób na obsłużenie tylko najbardziej zaangażowanych użytkowników.

Turley przyznaje się do panicznej decyzji cenowej. Serwis był przeciążony i regularnie padał. Zadzwonił do kogoś, kogo bardzo szanował i kto świetnie znał ustalanie cen – wspomina. Mimo to zabrakło czasu na przemyślane wdrożenie rad.

Rozwiązanie? Google Form w Discord z ankietą Van Westendorp. Dosłownie miał te cztery pytania, które powinieneś zadać przy ustalaniu ceny. To był pierwszy wynik w Google – śmieje się Turley. Następnego dnia w prasie pojawiły się artykuły o „czterech genialnych pytaniach zespołu ChatGPT” do ustalania ceny.

Te cztery kluczowe pytania brzmiały:

„Za jaką cenę (miesięczną) uznał(a)byś ChatGPT za tak drogi, że nie brał(a)byś go pod uwagę?”
„Za jaką cenę (miesięczną) uznał(a)byś ChatGPT za tak tani, że miał(a)byś wątpliwości co do jego jakości?”
„Za jaką cenę (miesięczną) uznał(a)byś ChatGPT za zaczynający być drogi — czyli nie natychmiast odrzucony, ale wymagający przemyślenia?”
„Za jaką cenę (miesięczną) uznał(a)byś ChatGPT za prawdziwą okazję — świetny stosunek jakości do ceny?”

Źródło pytań: Inc. – ChatGPT AI Professional: How Should I Price My Product or Service?

„Gdyby tylko wiedzieli” – komentuje Turley. 20 dolarów zostało, choć zespół rozważał wyższą cenę. Często się zastanawiam, czy nie wymazaliśmy kilku punktów kapitalizacji rynkowej przez taki pricing, ale nie żałuję – im bardziej dostępne, tym lepiej.

Odpowiedzialne AI w praktyce

OpenAI nauczyło się na błędach. Turley opowiada o „schlebiającym modelu” – wersji, która była zbyt pochlebna użytkownikom. To było naprawdę niebezpieczne – przyznaje. W rezultacie zespół wprowadził nowe metryki do mierzenia pochlebstwa z każdym wydaniem.

Filozofia: biec w kierunku trudnych zastosowań, nie od nich uciekać. Gdy użytkownicy zaczęli używać ChatGPT do porad zdrowotnych czy osobistych, standardową reakcją byłoby zablokowanie takich zapytań. OpenAI świadomie zdecydowało się „biec w kierunku” tych trudnych tematów, aby odpowiedzialnie je rozwijać i dostarczać realną wartość.

Jeśli miałbyś model najnowocześniejszy w zdrowiu i po prostu wyłączyłbyś to zastosowanie, bo chciałbyś uniknąć wszelkich minusów – myślę, że mielibyśmy ogromny żal – argumentuje Turley.

Jak budować zespoły w erze nieprzewidywalnej technologii

Podejście OpenAI do rekrutacji łamie tradycyjne reguły. Turley zatrudnia za ciekawość, nie za wiedzę o uczeniu maszynowym. Jeśli jesteś po prostu ciekaw, jak to wszystko działa, nie ma znaczenia, czy robiłeś to wcześniej – wyjaśnia.

Struktura zespołów? Także nietypowa. Zamiast standardowych ról (PM, inżynier, designer), Turley analizuje każdy zespół osobno. Czasem zespół nie potrzebuje product managera, bo już jest tam genialny lider techniczny z dobrym wyczuciem produktu.

Zasady budowania zespołów w OpenAI:

Ciekawość > doświadczenie – zainteresowanie przewyższa wiedzę techniczną
Elastyczne role – struktura dopasowana do potrzeb zespołu
„Lufy, nie amunicja” (koncepcja Keith Rabois) – ludzie, którzy mogą spowodować, że rzeczy się dzieją
Pomysły z każdego miejsca – nie mówisz ludziom, nad czym mają badać

GPT-5: „Kategorycznie różny” i dostępny bezpłatnie

W dniu nagrania wywiadu OpenAI wypuszczał GPT-5. Według Turley, dla przeciętnego użytkownika ChatGPT będzie to „prawdziwy przełom”. „Atmosfera jest dobra” – opisuje nowy model, podkreślając, że ma „gust” i jest bardziej żywy, bardziej ludzki.

Kluczowe ulepszenia GPT-5:

Najinteligentniejszy – najnowocześniejszy w wielu testach porównawczych
Szczególnie dobry w kodowaniu – znaczny postęp w tworzeniu interfejsów użytkownika
Dynamiczne myślenie – sam decyduje kiedy potrzebuje „pomyśleć”, kiedy odpowiada natychmiast
Dostępny bezpłatnie – to jedno z tych rzeczy, które możemy wyjątkowo robić w OpenAI

Jeśli możemy to przeskalować, to robimy – wyjaśnia Turley filozofię udostępniania najnowszych modeli bez bariery płatniczej.

Ewolucja od czatu do „super asystenta”

Turley przyznaje, że jest oszołomiony tym, jak bardzo czat jako koncepcja się przyjął i jeszcze bardziej zdziwiony tym, że tak wielu ludzi skopiowało ten paradygmat zamiast spróbować innego sposobu interakcji z AI.

Długoterminowa wizja? „Super asystent” który zna kontekst życia użytkownika i może podejmować działania jak inteligentny, empatyczny człowiek z komputerem. ChatGPT długoterminowo przypomina nieco MS-DOS. Nie zbudowaliśmy jeszcze Windows, ale będzie oczywiste, gdy to zrobimy – porównuje Turley.

Wizja OpenAI opiera się na trzech filarach:

Więcej kontekstu – AI które rozumie długoterminowe cele użytkownika i nie wymaga opisywania każdego problemu od zera.

Więcej możliwości działania – narzędzie które będzie mogło wykonywać zadania za użytkownika, jak „inteligentny stażysta z komputerem”.

Budowanie relacji – produkt który naprawdę poznaje użytkownika, uczy się go i staje się w pełni spersonalizowany.

Kluczowe jest zachowanie poczucia kontroli. Turley podaje przykład autonomicznych aut Waymo, które pokazują na ekranie co „widzi” system. Daje to pasażerowi spokój i zaufanie – i podobnie ma działać AI. Użytkownik zawsze w driver’s seat.

Praktyczne wnioski dla product managerów

Dla product managerów Turley ma konkretne rady. Traktuj model jak produkt. Naprawdę nie ma rozróżnienia między modelem a produktem. Model to produkt, dlatego musisz iterować nad nim jak nad produktem.

Obserwuj wyłaniające się zastosowania. Turley zbudował zespół data science przed zespołem produktowym, bo wywiadów z użytkownikami było za dużo. Przestałem robić wywiady, gdy mogę przewidzieć, co powie następna osoba. Ale to się po prostu nie działo.

Zespół używa „klasyfikatorów rozmów” – narzędzi, które bez patrzenia na konkretne rozmowy, pozwalają zrozumieć o czym ludzie rozmawiają i jakie zastosowania zyskują popularność.

Przykład iteracji na podstawie feedbacku: Code Interpreter został wypuszczony jako surowe narzędzie, ale dzięki obserwacji rzeczywistego użycia, zespół nauczył się jak ludzie go stosują. Dziś funkcja nazywa się „Data Analysis” i jest dopracowana pod kątem rzeczywistych potrzeb.

Ucz się z zewnętrznego feedbacku. Te szalone posty na TikToku, które stają się viralne i mają 2000 zastosowań w komentarzach – przeglądam je szczegółowo.

✅ Lista kontrolna: Jak wypuścić produkt AI w stylu OpenAI

Przed wysłaniem:

[ ] Sprawdź, czy zespół ma różnorodne umiejętności (nie tylko PM/dev/design)
[ ] Upewnij się, że nie ma listy oczekujących (dostęp dla wszystkich)
[ ] Przygotuj system do mierzenia wyłaniających się zastosowań

Podczas i po wysłaniu:

[ ] Wypuść szybko, nawet jeśli wygląda to jak „anty-wzorzec”
[ ] Obserwuj, co ludzie robią na zewnątrz produktu (social media, communities)
[ ] Zastosuj zasadę „czy to maksymalnie przyspieszone?” do każdej decyzji
[ ] Iteruj na podstawie rzeczywistych zastosowań, nie przypuszczeń

Dla bezpieczeństwa:

[ ] Wprowadź rygorystyczne procesy dla bezpieczeństwa
[ ] Mierz „schlebiające zachowanie” i inne szkodliwe wzorce
[ ] Ucz się na błędach publicznie (transparentność buduje zaufanie)

Przyszłość AI jako ekosystem

Turley widzi przyszłość, w której ChatGPT napędza ruch do innych produktów – jak biuletyn Lenny’ego, gdzie ChatGPT generuje już więcej ruchu niż Twitter. Naprawdę ekscytuje mnie to, co robimy w wyszukiwaniu, nie tylko dlatego, że daje ludziom dokładniejsze odpowiedzi, ale pozwala nam pokazywać naprawdę wysokiej jakości treści.

Kluczowe książki według Turley:

High Output Management – Andy Grove
The Design of Everyday Things – Don Norman
John Rawls i Robert Nozick (filozofia polityczna)

Fundamentalne wnioski

Szybkość nad perfekcją – w świecie AI lepiej wypuścić niedoskonały produkt i uczyć się, niż dopracowywać niewłaściwe rzeczy.

Empiryzm to wszystko – jedyny sposób na poznanie możliwości AI to kontakt z rzeczywistością.

Zatrudniaj za ciekawość – w szybko zmieniającej się przestrzeni AI, zainteresowanie przewyższa doświadczenie.

Myślenie od podstaw zawsze – każda decyzja od podstaw, bo nie ma analogii do tego, co budujecie.

Kluczowe spostrzeżenie

Paradoks unikania ryzyka

Standardowo myślimy: Gdy użytkownicy zaczynają wykorzystywać nasz produkt w ryzykowny lub nieprzewidziany sposób (np. do porad medycznych), naszym zadaniem jest zablokowanie tych zastosowań, aby chronić firmę przed problemami.

W praktyce okazuje się, że: Największą wartość dla ludzi kryją w sobie właśnie te „ryzykowne” zastosowania. Uciekanie od nich to uciekanie od realnego wpływu i szansy na zbudowanie czegoś, co naprawdę ma znaczenie. Turley podkreśla: firmy które unikają ryzyka optymalizują pod kątem przetrwania, a nie tworzenia przełomowej wartości.

Dlaczego to jest istotne: Tracisz szansę na rozwiązanie najważniejszych problemów swoich użytkowników. To właśnie w „krawędziowych” zastosowaniach kryje się głęboki problem użytkownika, którego nikt jeszcze nie rozwiązał.

Test na jutro: Następnym razem gdy w danych zobaczysz niepokojące, „krawędziowe” zastosowanie twojego produktu, zamiast myśleć „jak to zablokować?”, zadaj pytanie: „Jaki głęboki problem użytkownika kryje się za tym zachowaniem i jak możemy mu pomóc rozwiązać go w bezpieczny sposób?”.

Ten wpis stanowi część kolekcji notatek z ciekawych podcastów, webinarów i innych treści, które uważam za wartościowe i do których sam chcę wracać. Oryginalne źródło: How ChatGPT accidentally became the fastest-growing product in history | Nick Turley (OpenAI) – Lenny’s Podcast