OpenAI buduje asystenta totalnego: Głosowy Codex wyjdzie poza świat programowania
OpenAI redefiniuje przeznaczenie modelu Codex, przesuwając go z niszy dla programistów w stronę wszechstronnego, głosowego agenta systemowego. To ważny ruch, bo jak zauważa firma, następuje przejście „od prostych odpowiedzi w stronę interfejsów głosowych, które faktycznie wykonują pracę”. Najnowsze ślady w kodzie ChatGPT sugerują, że nadchodzący tryb Real-Time Voice Mode pozwoli na obsługę komputera w sposób, który do niedawna był domeną science fiction. Nie chodzi już o pisanie skryptów, lecz o zarządzanie codziennością za pomocą rozmowy przypominającej połączenie telefoniczne.
Agent do zadań specjalnych
Nowa architektura opiera się na koncepcji warstwowej: użytkownik prowadzi płynny dialog, a w tle operują tak zwani „agenci wykonawczy”. System dostanie uprawnienia do głębokiej integracji z aplikacjami, których używamy co rano. W dokumentacji i promptach systemowych widać konkretne czynności: aktualizowanie statusów na Slacku, przeszukiwanie kalendarzy czy obsługa Spotify. Co więcej, asystent ma radzić sobie z zakupami online i analizą menu w Uber Eats. OpenAI określa model GPT-5.3-Codex jako „najbardziej zaawansowany model programowania agentowego”, co sugeruje, że narzędzie samodzielnie dobierze drogę do celu.
To sygnał dla osób, które nigdy nie widziały terminala na oczy. Wykorzystując infrastrukturę Codex Remote Control, firma tworzy „centrum dowodzenia i obsługi agentów”. Framework pozwala na symultaniczne delegowanie wielu zadań z poziomu laptopa, po czym asystent odczyta głosowy raport z postępów. Wdrożenie integracji ze Slackiem i udostępnienie Codex SDK to już nie testy, a fundament pod masowe wdrożenie.
Technologiczne zaplecze i mowa
Strategia OpenAI staje się klarowna. Wchłonięcie aplikacji Codex do desktopowej wersji ChatGPT oraz udostępnienie Codex Remote dla płatnych planów w czerwcu tego roku przygotowało grunt. Teraz do układanki dołącza warstwa mowy. W API OpenAI pojawiła się już nowa generacja modeli audio, w tym GPT-Realtime-2 oraz GPT-Realtime-Whisper, które oferują minimalne opóźnienia niezbędne do naturalnej rozmowy.
Wydajność przy zarządzaniu wieloma agentami naraz może zapewnić technologia Cerebras, z którą OpenAI współpracuje od miesięcy. W kuluarach mówi się też o projekcie o nazwie kodowej Sol, który ma skrócić czas reakcji do ułamków sekundy. W kodzie aplikacji desktopowej dostrzeżono już nawet komendę wywołania: „Hey Chat”.
Kiedy usłyszymy asystenta?
Mimo zaawansowanych prac, termin premiery pozostaje zagadką. Choć w kodzie wersji desktopowej wciąż brakuje widocznych przycisków dla głosowego Codexa, sygnały od pracowników sugerują, że deweloperzy są na ostatniej prostej. OpenAI chce połączyć profesjonalne narzędzie z codziennym pomocnikiem. Jeśli im się uda, praca z komputerem przestanie polegać na klikaniu, a zacznie na wydawaniu poleceń wielozadaniowemu systemowi, który po prostu rozumie, co ma zrobić.
