Założenie
W 2026 roku każdy fakt jest oddalony o trzy sekundy. Każde wyjaśnienie można przepisać w preferowanym przez Ciebie stylu. Krańcowy koszt dostępu do wiedzy spadł, po raz pierwszy w historii naszego gatunku, niemal do zera.
A jednak osoby uczące się — studenci, profesjonaliści, dorośli z trwałą ciekawością — zgłaszają, że czują się mniej kompetentni w tym, co konsumują, niż dziesięć lat temu. Nie dlatego, że materiał jest trudniejszy. Dlatego, że konsumpcja odbywa się bez tarcia, a konsumpcja bez tarcia nie zostawia śladu.
Wąskie gardło uczenia się zmieniło kształt. Przez większość historii był nim dostęp. Dla mojego pokolenia była nim nawigacja. W 2026 roku jest to coś innego, trudnego do nazwania: przekuwanie płynnego rozpoznania w trwałą zdolność. A dla nowego wąskiego gardła nie zbudowaliśmy jeszcze infrastruktury.
Co mówi nauka
Od pięćdziesięciu lat nauka poznawcza uczenia się zbiega się wokół małego zestawu wyników o niezwykłej własności — jednocześnie kontrintuicyjnych i wyjątkowo silnych.
Ebbinghaus pokazał w 1885 roku, że krzywa zapominania jest wykładnicza, a powtórki rozłożone ją resetują. Slamecka i Graf pokazali w 1978 roku, że to, co generujesz sam, jest pamiętane nieskończenie lepiej niż ta sama informacja czytana biernie. Bjork od czterech dekad dokumentuje, że warunki, które wyglądają na najłatwiejsze podczas nauki, są niemal dokładnie tymi, które generują najgorszą długoterminową pamięć — ramy pożądanych trudności. Butterfield i Metcalfe pokazali w 2001 roku, że błędy popełnione z wysoką pewnością, raz poprawione, zostawiają trwalszy ślad niż te z mniejszą pewnością — hiperkorekcja. Roediger i Karpicke ustalili w 2006 roku, że zdawanie testu nie jest miarą pamięci, ale aktem, który ją tworzy.
Praktyczna implikacja jest jasna: domyślne zachowania przy uczeniu się, które wyglądają na produktywne, są — według dowodów — najmniej produktywne. A zachowania, które dają najlepsze wyniki, w danej chwili wydają się trudniejsze, wolniejsze i mniej satysfakcjonujące.
Co LLM-y zepsuły
Pojawienie się dużych modeli językowych nie zmieniło żadnego z powyższych wyników. Zmieniło tylko narrację, w której spotyka się je osoba ucząca się.
LLM, który odpowiada w trzy sekundy, w stylu, o jaki prosisz, z odpowiednią płynnością, wyzwala dokładnie ten wzorzec, przed którym ostrzega nauka. Pomylenie rozpoznania z trwałym zapisem w pamięci. Pewność Systemu 1 bez zaangażowania Systemu 2. Skłonność do automatyzacji wzmocnioną powierzchowną płynnością wyniku. Iluzję kompetencji na skalę planetarną.
Założenie centaura
Po tym, jak Deep Blue pokonał Kasparowa w 1997 roku, świat na chwilę założył, że szachy są skończone — maszyny wygrały, ludzki wysiłek był przestarzały. Potem sam Kasparow zaproponował dziwną obserwację: najsilniejszy szachista świata nie jest ani człowiekiem, ani maszyną. Jest to człowiek z maszyną w ustrukturyzowanej symbiozie. Nazwał to centaurem.
W zastosowaniu do nauki wzorzec centaura odwraca powszechny zwyczaj roku 2026. Dzisiejsza domyślna ścieżka — zapytaj LLM, przeczytaj odpowiedź, idź dalej — jest anty-centaurowa. Człowiek oddaje na zewnątrz dokładnie tę aktywność poznawczą, która tworzy pamięć i zrozumienie.
Wersja centaura jest odwrotna. AI pyta zamiast odpowiadać. Weryfikuje zamiast prezentować. Podpowiada zamiast rozwiązywać. Człowiek robi wydobywanie, generowanie, lokalizację przestrzenną, ręczny zapis. AI dostarcza szerokość wiedzy, kalibrację w czasie rzeczywistym i sokratejskie pytania, które zadałby dobry korepetytor.
Czym jest Fluera
Fluera to centaur, zbudowany jako narzędzie do nauki.
Kanwa jest nieskończona, pusta, ręcznie pisana. Każde pojęcie generujesz własną ręką — przeformułowane, skompresowane, umieszczone w przestrzeni. Pustka jest celowa. Szablony oderwałyby fazę generowania.
AI przeprowadza wywiad z kanwą. Zadaje pytania skalibrowane do Twojego aktualnego stanu wiedzy, w obrębie strefy najbliższego rozwoju — nic zbyt łatwego, by się uczyć, nic zbyt trudnego, by się dało nauczyć. Przed każdym ujawnieniem Fluera pyta o pewność w skali od jednego do pięciu. To nie jest dziwactwo UI. To wyzwala efekt hiperkorekcji: błędna odpowiedź przy pewności 5, raz poprawiona, zostawia znacznie głębszy ślad niż jakakolwiek ilość biernego czytania.
Ghost Map — funkcja, która najczyściej wyraża wzorzec centaura — nakłada idealną rekonstrukcję na Twoją. Niezgodności pulsują wizualnie. Korygujesz pisząc, nie klikając. Im większa pomyłka, tym mocniej trzyma się korekta.
Czym Fluera odmawia być
Są cztery rzeczy, których Fluera nie zrobi, mniej więcej w malejącej kolejności pokus.
Nie będziemy mieli AI, które odpowiada na egzamin za Ciebie. Krótkoterminowa satysfakcja użytkownika byłaby ogromna. Długoterminowy wynik — atrofia mięśni poznawczych, które narzędzie powinno wzmacniać — byłby zdradą deklarowanego celu. AI, które pracuje za Ciebie, to AI, które niczego Cię nie uczy.
Nie sprzedamy danych Twoich notatników. Każdy notatnik jest zaszyfrowany w spoczynku za pomocą AES-256. Synchronizacja, gdy jest aktywna, jest szyfrowana end-to-end. Nie trenujemy naszych modeli na Twoich treściach.
Nie będziemy mieli pętli zaangażowania, reklam ani streaków. Najsilniejszy sygnał, który moglibyśmy optymalizować — DAU, długość sesji, kliknięcia powiadomień — jest też tym, który najbardziej grozi zepsuciem produktu.
Nie wydamy funkcji, których nie umiemy obronić cytatem. Albo funkcja odsyła do opublikowanego wyniku, albo do spójnej informacji zwrotnej z bety, albo nie trafia do produkcji. Nowość nie jest funkcją.
Dla kogo budujemy
Fluera nie jest dla wszystkich. Tarcie jest prawdziwe. Decyzje projektowe są odwrotne wobec oczywistego produktu. Odsetek osób porzucających pierwszą sesję jest wyższy, niż chcielibyśmy, i nie zamierzamy tego naprawiać przez usuwanie tarcia — bo tarcie jest tym, co sprawia, że produkt działa.
Budujemy dla konkretnej kohorty. Studenci medycyny przygotowujący się do egzaminów ustnych, których nie da się oszukać. Doktoranci w dziedzinach, w których gładkie gadanie jest karane przez komisje. Prawnicy przygotowujący się do egzaminów państwowych. Samoucy i profesjonaliści w średnim okresie kariery, którzy widzą, że to, co przekazują ChatGPT, ulatnia się w ciągu następnego tygodnia. Studenci uniwersyteckich programów intensywnych pojęciowo, którzy zrozumieli, że ich zakreślacze produkują płynność, nie kompetencję.
Jeśli to o Tobie, sądzimy, że szybko poczujesz różnicę. Jeśli nie — rozumiemy. Są inne produkty do innych problemów i nie będziemy udawać, że Fluera jest uniwersalna.
Na co stawiamy
Stawka jest taka: w obszarze, w którym każdy konkurent poddał się krótkoterminowym preferencjom użytkowników i zbudował narzędzia, które wyglądają dobrze i niczego nie uczą, jest miejsce na narzędzie, które w odczuciu wygląda gorzej, a uczy lepiej. Rynek jest mniejszy niż ten kontrolowany przez odpowiedzialne firmy ed-tech.
W zamian: realna szansa, by zbudować coś, co dotrzymuje obietnicy. Realna szansa, by pomóc prawdziwej kohorcie uczących się w wytwarzaniu trwałej zdolności w dekadzie, która uczyniła trwałość rzadką. I — szczerze mówiąc — realna szansa, by zapisać w historii, że w 2026 roku był inny sposób budowania tego produktu, wyraźnie różny od oczywistego.
To produkt. To zespół. To zobowiązanie.
Jeśli coś z tego rezonuje — beta jest otwarta pod /beta, a my chętnie Cię poznamy.