Claude Fable 5 przekształcił czteroletniego tweeta w grywalną grę 3D w przeglądarce podczas jednej sesji programistycznej, wykonując całą najtrudniejszą pracę bez udziału człowieka w wyborze stosu technologicznego czy projektowaniu.

Simon Willison dostarczył modelowi krótki opis tweeta, zrzut ekranu oraz dwa dodatkowe obrazy. Na podstawie tego skromnego promptu Claude Fable 5 napisał cały kod źródłowy, wybrał Three.js jako silnik 3D, wygenerował tekstury gry za pomocą modelu OpenAI i przesyłał każdą zmianę do repozytorium GitHub. Repozytorium zostało połączone z GitHub Pages, dzięki czemu każdy commit pojawiał się pod aktywnym adresem URL w około pół minuty. Wynikiem jest funkcjonalna gra „Raccoon Heist”, w którą każdy może dziś zagrać w przeglądarce.

Przebieg eksperymentu

  • Minimalny prompt – Oryginalny tweet z 2022 roku zawierał koncepcję gry i jeden zrzut ekranu. Willison dodał dwa dodatkowe obrazy pomocnicze oraz kilka linii tekstu. Nie podał żadnych instrukcji dotyczących języka programowania, biblioteki graficznej czy wdrożenia.
  • Decyzje podejmowane przez model – Claude Fable 5 wybrał Three.js, bibliotekę JavaScript do grafiki 3D, jako silnik renderujący. Napisał kod HTML, JavaScript oraz kod odpowiedzialny za ładowanie zasobów niezbędny do uruchomienia gry.
  • Zasoby wygenerowane przez AI – Model OpenAI stworzył obrazy tekstur, eliminując potrzebę zatrudnienia projektanta.
  • Ciągłe dostarczanie (Continuous delivery) – Każde przesłanie kodu (push) powodowało przebudowanie strony przez GitHub Pages, dzięki czemu najnowsza wersja była widoczna w mniej niż 30 sekund. Willison obserwował ewolucję gry w czasie rzeczywistym – od pustego płótna do w pełni grywalnego prototypu.

Dlaczego to ma znaczenie

Tradycyjne asystenci programowania AI pomagali w autouzupełnianiu, sugerowaniu poprawek błędów czy generowaniu fragmentów kodu, gdy programista dostarczał szczegółową specyfikację. Claude Fable 5 przekroczył tę granicę: przyjął cel wysokiego poziomu, wybrał stos technologiczny, wyprodukował zasoby i dostarczył gotowy produkt – a wszystko to bez dalszych instrukcji ze strony człowieka.

Benchmarki takie jak SWE-bench mierzą, jak dobrze modele rozwiązują problemy programistyczne, ale obserwowanie, jak model autonomicznie buduje kompleksowe, interaktywne doświadczenie, ukazuje zupełnie inne możliwości. W przypadku szybkiego prototypowania ten przepływ pracy dowodzi, że programista może przekazać modelowi koncepcję i kilka zasobów, wskazać cel wdrożenia i otrzymać użyteczne demo w kilka minut.

Kto zyska, a kto może zostać w tyle

  • Startupy i niezależni deweloperzy mogą iterować pomysły na gry lub koncepcje UI bez konieczności zatrudniania całego zespołu inżynierskiego.
  • Zespoły produktowe mogą wykorzystywać to podejście do generowania funkcji typu proof-of-concept na potrzeby wewnętrznych recenzji.
  • Dostawcy narzędzi oferujący generowanie kodu oparte na AI mogą zauważyć przesunięcie popytu w stronę funkcji wyższego poziomu – orkiestracji, która pozwoli modelom wybierać frameworki i zarządzać potokami CI/CD.

Z drugiej strony, deweloperzy specjalizujący się w decyzjach architektonicznych, optymalizacji wydajności czy reżyserii artystycznej mogą zauważyć, że najbardziej widoczne, niskopoziomowe zadania są coraz częściej automatyzowane. Autonomia modelu budzi również pytania o jakość kodu, bezpieczeństwo i licencjonowanie zasobów wygenerowanych przez AI – kwestie, które wciąż wymagają nadzoru człowieka.

Ograniczenia obecnej wersji demonstracyjnej

  • Zakres – Gra jest skromnym prototypem 3D; skalowanie tego podejścia do dużych, intensywnych pod względem danych aplikacji pozostaje niepotwierdzone.
  • Ludzkie wsparcie (scaffolding) – Willison skonfigurował potok GitHub Pages i monitorował wyniki modelu. Całkowicie autonomiczny system wymagałby mechanizmów wykrywania błędów budowania lub niebezpiecznego kodu.
  • Wierność zasobów – Tekstury wygenerowane przez AI sprawdzają się w prostej grze, ale mogą nie wystarczyć w produkcjach wysokobudżetowych, które wymagają fotorealizmu lub specyficznej dla marki oprawy artystycznej.

Na co warto zwrócić uwagę w przyszłości

  • Integracja narzędzi – Należy spodziewać się ściślejszego powiązania między dużymi modelami językowymi a usługami budowania w chmurze, co zredukuje manualne kroki, które musiał wykonać Willison.
  • Warstwy bezpieczeństwa – Platformy mogą wprowadzić automatyczny przegląd kodu lub piaskownice (sandboxing), aby wykrywać luki w bezpieczeństwie przed wdrożeniem.
  • Ewolucja benchmarków – Nowe zestawy ewaluacyjne testujące dostarczanie produktów end-to-end mogą uzupełnić istniejące metryki autouzupełniania kodu.

Wniosek jest jasny: AI może teraz wyjść poza etap „napisz tę funkcję” i przejść do „zbuduj i dostarcz kompletny, działający produkt”, gdy otrzyma zwięzły cel i materiał źródłowy. Technologia jest wciąż we wczesnej fazie, ale demonstracja Claude Fable 5 zapowiada przyszłość, w której pierwszy szkic wielu pomysłów na oprogramowanie będzie generowany autonomicznie, uwalniając deweloperów, by mogli skupić się na dopracowywaniu, strategii i kreatywności.