Raporty Epoch AI o automatyzacji: Claude Fable 5.1 i GPT-6 Astra uzyskują 65%, poniżej progu automatyzacji

Raporty Epoch AI o automatyzacji dają Claude Fable 5.1 i GPT-6 Astra wynik 65%, poniżej standardu organizacji dotyczącego przekazywania pracy AI. Modele realizowały wewnętrzne zadania, w tym projektowanie graficzne i planowanie badań. Ich wyniki mierzą zgodność z kryteriami oceny, a nie odsetek czasu pracy pracowników, który mogą zastąpić.

Wynik podważa znane założenie: lepsze rezultaty w benchmarkach powinny bezpośrednio przekładać się na mniej pracy dla ludzi. Rezultat może spełniać wiele wymagań, a mimo to potrzebować eksperta, który zdecyduje, czy jego główny wniosek zasługuje na czyjąkolwiek uwagę. Stworzenie czegoś wiarygodnego i wzięcie odpowiedzialności za jego jakość to nadal różne zadania.

Epoch opublikował pełny raport 8 października, a 26 października ukazało się podsumowanie w newsletterze. Systemy Claude firmy Anthropic i GPT firmy OpenAI wspólnie zajęły pierwsze miejsce. Główna rywalizacja dotyczy jednak użytecznej pomocy kontra niezawodna autonomiczna realizacja, a nie tego, która firma wygra kolejny ranking.

Raporty Epoch AI o automatyzacji mierzą pracę według standardów pracowników

Epoch zmienił cel oceny z rozwiązywania odizolowanych problemów na tworzenie pracy, którą zaakceptowaliby jego własni pracownicy. To sprawia, że standard akceptacji jest kluczowy dla całej historii.

Podsumowanie organizacji dotyczące automatyzacji pracy opisuje wiodące modele jako spełniające 65% punktów jej rubryki. Rubryka to ustrukturyzowany zestaw kryteriów służących do oceny rezultatu. Epoch traktuje 100% jako spełnienie swojego standardu automatyzacji zadania.

To rozróżnienie zapobiega łatwej błędnej interpretacji. Wynik nie dowodzi, że dzień pracy pracownika stał się znacząco krótszy. Nie mierzy też, jaka część pozostałej pracy wymaga prostego dopracowania, a jaka trudnego osądu.

Rozważmy hipotetyczny brief badawczy, który stosuje wymagany format, zawiera istotne źródła i przedstawia czytelny wykres. Te cechy mają znaczenie. Mimo to mylący wniosek może sprawić, że cały brief nie będzie nadawał się do dystrybucji, niezależnie od liczby spełnionych wymagań towarzyszących.

Ocena wywiera więc presję na znaczenie słowa „ukończenie”. System może zakończyć generowanie plików, nie kończąc zadania w sensie organizacyjnym. Ktoś nadal musi ustalić, czy pliki odpowiadają na pytanie i spełniają potrzeby zamierzonej grupy odbiorców.

To problem akceptacji, a nie techniczny szczegół formatowania. Organizacje kupują rezultaty, w tym analizę, którą można obronić, lub grafikę gotową do publikacji. Zwykle nie kupują zbioru niezależnie spełnionych punktów listy kontrolnej bez gwarancji, że wynik działa.

Daty również wymagają ostrożności. Newsletter z 26 października ponownie zwrócił uwagę na ustalenia z raportu z 8 października. Traktowanie newslettera jako całkowicie nowego eksperymentu zacierałoby różnicę między publikacją badania a jego późniejszym omówieniem.

Bezpośrednią zmianą jest bardziej wyraźny standard rozmowy o automatyzacji. Zamiast pytać, czy AI stworzyła imponujący artefakt, Epoch pyta, czy jego zespół zaakceptowałby ten artefakt. Takie ujęcie wiąże dyskusję z rzeczywistą decyzją.

Pozytywny wynik uzasadniałby zmianę sposobu przydzielania konkretnego zadania. Częściowy wynik dostarcza dowodów dotyczących pomocy, słabości i dalszych testów. To użyteczne ustalenia, lecz wspierają odmienne wybory operacyjne.

Dla czytelników oceniających AI w miejscu pracy to rozróżnienie ma większe znaczenie niż ranking z nagłówka. Pytanie brzmi, czy system dostarcza coś gotowego dla kolejnego odbiorcy. Przekonująca demonstracja jest jedynie początkiem tej oceny.

Istnieje też granica wokół słowa „pracownik”. Benchmark porównuje rezultaty ze standardami pracy pracowników. Nie odtwarza każdej odpowiedzialności, relacji ani nieoczekiwanego wymagania związanego z pełnieniem danej roli.

Akceptowalna realizacja zadania wspierałaby zatem automatyzację tego zadania. Sama w sobie nie dowodziłaby jednak, że otaczająca je rola zniknęła. Jednostką analizy pozostaje oceniany produkt pracy.

Kupujący stają wobec luki między szkicem a gotowym materiałem

Wynik wywiera największą presję na kupujących, którzy oczekują autonomicznej realizacji od systemów nadal wymagających eksperckiego przeglądu. Ich praktyczne pytanie dotyczy odpowiedzialności po zakończeniu generowania.

Asystent może tworzyć wartość, nie zyskując prawa do niezależnego działania. Szkic może ograniczyć wysiłek potrzebny do rozpoczęcia analizy. Autonomiczny proces ma inne obciążenie: musi także rozpoznawać, kiedy własny wynik powinien zostać wstrzymany.

To rozróżnienie zmienia sposób, w jaki kupujący powinien interpretować udaną demonstrację. Jeśli ekspert po cichu poprawia rezultat, zanim ktokolwiek go wykorzysta, demonstracja obejmuje pracę człowieka. Powstały proces nadal może być opłacalny, ale jego założenia kadrowe muszą uwzględniać ten wkład.

Przegląd różni się także od korekty. Korekta sprawdza, czy wypowiedź jest jasna i poprawna mechanicznie. Merytoryczny przegląd pyta, czy praca jest dokładna, istotna i poparta dostępnymi dowodami.

Druga czynność często wymaga znajomości podstawowego tematu. Recenzent, który nie potrafi rozpoznać błędnego założenia, nie może wiarygodnie zatwierdzić wniosku zbudowanego na jego podstawie. Dopracowana proza nie usuwa tej zależności.

Tworzy to praktyczne napięcie dla zespołów chcących delegować specjalistyczną pracę. Potrzebują wystarczającej wiedzy, aby nadzorować system, nawet gdy delegowanie ma ograniczyć zapotrzebowanie na tę wiedzę. To, czy takie rozwiązanie oszczędza wysiłek, zależy od konkretnego zadania.

Problem ilustruje hipotetyczna analiza rynku. Asystent może zebrać opisy firm i złożyć z nich spójną narrację. Recenzent nadal musi sprawdzić, czy wybrane firmy należą do tego samego porównania oraz czy dowody wspierają rekomendację.

Jeśli te osądy dominują w zadaniu, szybsze stworzenie narracji nie rozstrzyga kwestii produktywności. Jeśli natomiast dominuje zbieranie i organizowanie materiałów, pomoc może nadal być wartościowa. Średnia z benchmarku nie może rozstrzygnąć tej równowagi dla innej organizacji.

Dłuższa historia automatyzacji pracy przez AI wyjaśnia, dlaczego Epoch podjął się tego rozróżnienia. W lutym badacz Anson Ho opisał próby delegowania własnych zadań. Jego relacja podkreślała różnicę między rezultatami, które wyglądały na funkcjonalne, a rezultatami, z których chciał korzystać.

To wcześniejsze ćwiczenie zapewnia kontekst historyczny, a nie kontrolowaną podstawę do obliczania poprawy. Różne zadania, modele i warunki oceny komplikują bezpośrednie porównania. Jego znaczenie leży w powracającym pytaniu o akceptację.

Dla twórców implikacja dotyczy projektowania produktu. Proces potrzebuje wyraźnego punktu przekazania i jasnego właściciela nierozwiązanej niepewności. W przeciwnym razie system jedynie przenosi niedokończony osąd do skrzynki odbiorczej, gdzie ktoś inny musi go odkryć.

Dla menedżerów implikacja dotyczy języka zakupowego. „Może pomagać w badaniach” i „może samodzielnie dostarczać zatwierdzone badania” opisują różne zobowiązania. Ocena powinna uwidocznić tę różnicę, zanim zespół przeorganizuje się wokół mocniejszego twierdzenia.

Ta sama logika dotyczy dostępu do informacji wewnętrznych. Przeszukiwalna baza wiedzy może pomóc udostępnić istotny kontekst. Dostęp do kontekstu i trafny osąd dotyczący tego kontekstu nadal wymagają odrębnej oceny.

Nic z tego nie czyni częściowej automatyzacji nieistotną. Wskazuje dowody potrzebne do jej uzasadnienia. Zespół może cenić użyteczną pomoc, rezerwując autonomiczną realizację dla zadań, w których zaakceptowanie zostało wykazane.

Claude Fable 5.1 kontra GPT-6 Astra ujawnia ograniczenia średniej

Wspólny wynik z nagłówka nie dowodzi, że wiodące systemy są wymienne. Kupujący muszą przeanalizować pracę kryjącą się pod średnią.

Opublikowany benchmark zadań zawodowych obejmuje 11 zadań w pięciu kategoriach. Claude Fable 5.1 i GPT-6 Astra osiągają średnio po 65%. Grok 4.6 plasuje się dalej z wynikiem 59%, natomiast Qwen 3.8 Max, Kimi K3 i Gemini 3.8 Flash uzyskują niższe wyniki.

Są to rezultaty ocenianych systemów w warunkach Epoch. Nie stanowią uniwersalnego rankingu dla każdego zadania w przedsiębiorstwie. Kupujący, którego praca różni się od pracy Epoch, powinien traktować ranking jako punkt wyjścia do dalszej analizy.

Średnia kompresuje różne mocne i słabe strony do wygodnego porównania. Pomaga czytelnikom szybko przejrzeć ranking. Ukrywa też różnicę między błędami, które zespół może tolerować, a błędami podważającymi cały gotowy materiał.

Wyobraźmy sobie zespół wybierający asystenta do wewnętrznej komunikacji wizualnej. Jego istotne pytanie dotyczy tego, czy system tworzy jasne i dokładne grafiki dla odbiorców. Wynik zbiorczy obejmujący inne rodzaje pracy nie może zastąpić tej węższej oceny.

Grupa badawcza stoi przed inną decyzją dotyczącą akceptacji. Musi wiedzieć, czy proponowane metody mogą odpowiedzieć na zamierzone pytanie. Dobre wyniki w prezentacji lub wdrożeniu nie rozwiązałyby automatycznie słabości w rozumowaniu eksperymentalnym.

Porównanie Claude Fable 5.1 z GPT-6 Astra wspiera zatem ostrożny wniosek. Oba systemy prowadziły w tej ocenie ogólnej. Żaden zbiorczy wynik nie upoważnia kupującego do pominięcia testowania zadania, które faktycznie chce delegować.

Istnieje jeszcze jedna granica porównania: Epoch ocenia modele w ich odpowiadających im systemach agentowych. Środowisko agentowe to środowisko programowe, które daje modelowi narzędzia i zarządza jego wykonaniem. Różnice w tych środowiskach mogą wpływać na to, co osiąga powstały system.

Dla kupującego ocena kompletnego systemu ma praktyczny sens. Pracownicy używają produktów z konkretnymi interfejsami, uprawnieniami i integracjami. Nie wchodzą w interakcję z abstrakcyjnym modelem oddzielonym od wszystkich potrzebnych mu narzędzi.

Dla badacza ta sama konfiguracja komplikuje przypisanie przyczynowe. Różnica w rezultacie może odzwierciedlać zachowanie modelu, dostęp do narzędzi lub ich interakcję. Ranking nie może wyizolować tych czynników wyłącznie przez umieszczenie nazwy modelu obok wyniku.

Pozostawia to miejsce na konkurencyjne interpretacje tego samego rezultatu. Kupujący produkt może zasadnie pytać, który dostępny system działa lepiej. Badacz modeli może zasadnie pytać, która podstawowa zdolność spowodowała różnicę.

Te pytania wymagają odmiennych eksperymentów uzupełniających. Utrzymanie stałych narzędzi pomaga badać różnice między modelami. Testowanie rzeczywistego środowiska wdrożeniowego pomaga badać użyteczność operacyjną. Żadne z tych podejść nie odpowiada samodzielnie na wszystkie pytania.

Raporty Epoch AI o automatyzacji są najbardziej użyteczne, gdy czytelnicy zachowują te granice. Wyniki wskazują systemy warte zbadania i zadania warte analizy. Decyzja o akceptacji nadal należy do organizacji, która będzie korzystać z rezultatu.

Presja konkurencyjna jest w konsekwencji szersza niż wyścig o wyższą średnią. Dostawcy potrzebują także dowodów, że ich systemy działają konsekwentnie w konkretnych zadaniach. Kupujący muszą wiedzieć, jakie błędy pozostają i jakiego nadzoru wymagają.

Lepszy wynik byłby zachęcający. Powtarzalny, akceptowalny efekt byłby bardziej bezpośrednio użyteczny.

Najtrudniejszą porażką jest zaakceptowanie błędnego wniosku

Najistotniejsza luka dotyczy osądu, czy wynik zasługuje na zaufanie. Wygenerowanie większej ilości materiału nie musi jej wypełnić.

Ocena pracy o otwartym charakterze przeprowadzona przez Epoch opisuje konkretne przykłady. Fable stworzył zbyt przeładowaną grafikę, mimo otrzymania materiałów referencyjnych dotyczących stylu. Astra zaproponowała badanie, którego realizacja pozostała niedookreślona, a analiza pilotażowa przypisała mylące znaczenie wynikom zniekształconym przez niewystarczający limit odpowiedzi.

Przykład grafiki uwypukla problem komunikacyjny. Projekt może zawierać istotne informacje, a jednak nie ułatwiać zrozumienia głównego przekazu. Dopasowanie widocznych cech materiału referencyjnego nie gwarantuje zrozumienia, dlaczego tych cech użyto.

Dla ludzkiego recenzenta pytanie dotyczy zatem celu. Czy dodana etykieta pomaga odbiorcy śledzić wyjaśnienie? Czy kolejny panel wyjaśnia porównanie, czy jedynie sprawia, że materiał wygląda na bardziej rozbudowany?

Takie osądy opierają się prostemu zliczaniu. Więcej etykiet, cytowań lub akapitów może w pewnych warunkach poprawić rezultat, a w innych go osłabić. Oceniający musi powiązać każdy element z rzeczywistym celem zadania.

Przykład badawczy porusza pokrewną kwestię, lecz o większej wadze interpretacyjnej. Gdy konfiguracja eksperymentu uniemożliwia uzyskanie odpowiednich odpowiedzi, powstałe niepowodzenia nie opisują wprost badanej zdolności. Opisują również proces pomiaru.

Uważny analityk musi rozróżnić te wyjaśnienia, zanim przedstawi ustalenie. W przeciwnym razie ograniczenie techniczne eksperymentu może stać się niepopartym twierdzeniem o badanym obiekcie. Końcowa narracja może wyglądać spójnie, jednocześnie odpowiadając na niewłaściwe pytanie.

Dlatego pozornie udany ślad wykonania zasługuje na dokładną analizę. System może przeprowadzić eksperyment, zebrać wyniki i je podsumować, a zarazem niewłaściwie interpretować ich znaczenie. Zakończenie sekwencji nie potwierdza trafności jej wniosku.

To rozróżnienie wyjaśnia też, dlaczego samokrytyka wymaga oceny. Poproszenie systemu o sprawdzenie własnej pracy jest dodatkową operacją. To, czy operacja ta wychwyci istotny błąd, pozostaje pytaniem empirycznym.

Recenzent powinien zatem szukać dowodów rozpoznania błędu, zamiast zakładać je na podstawie samej obecności etapu krytyki. Rozbudowany proces może nadal utrwalać pierwotne nieporozumienie. Dodatkowa aktywność nie jest automatycznie aktywnością naprawczą.

Te przykłady nie dowodzą, że każdy model zawodzi w każdym zadaniu o otwartym charakterze. Wskazują tryby porażki zaobserwowane w tej ocenie. Ich wartość polega na pokazaniu, co powinny sprawdzać testy akceptacyjne.

Możliwe jest również konstruktywne odczytanie tych wyników. Jeśli porażka wynika z powtarzającej się niejednoznaczności, zespół może sprawdzić, czy rozwiązują ją jaśniejsze instrukcje. Jeśli problem utrzymuje się mimo odpowiedniego kontekstu, wymaga innego wyjaśnienia.

To rozróżnienie ma znaczenie dla twórców produktów. Lepszy dostęp do przykładów może pomóc systemowi odnaleźć właściwe konwencje. Nadal musi on jednak określić, które konwencje mają zastosowanie i jak służą bieżącemu zadaniu.

Praktyczna stawka dotyczy zdolności recenzenta do wykrywania subtelnych błędów. Oczywiście błędny wykres zachęca do korekty. Czytelne wyjaśnienie oparte na nieprawidłowym wnioskowaniu może przejść przez proces właśnie dlatego, że jego prezentacja wygląda na ukończoną.

Dla pracowników wiedzy użyteczne pytanie jest więc konkretne: która część tego zadania wymaga rozstrzygnięcia, czy dowody potwierdzają wniosek? Właśnie tam autonomia wymaga szczególnie przekonującej walidacji.

Ograniczenia oceny uniemożliwiają uniwersalny werdykt

Ustalenia Epoch uzasadniają ostrożność wobec autonomicznego dostarczania rezultatów, lecz pozostawiają nierozstrzygnięte szersze twierdzenia o całej AI w miejscu pracy. Metodologia organizacji ogranicza możliwość takiej ekstrapolacji.

Benchmark wykorzystuje niewielki zestaw zadań, a każdy model uruchomiono raz dla każdego z nich. Ocena ludzi obejmuje subiektywne osądy, a praca odzwierciedla potrzeby Epoch. Te warunki sprawiają, że precyzyjne rankingi są mniej stabilne, niż sugerują nagłówkowe wartości procentowe.

Pojedyncza próba dostarcza obserwacji, a nie pełnego opisu niezawodności. Nie ujawnia, jak często ten sam system odniósłby sukces w powtarzanych próbach. Nie może też pokazać wszystkich sposobów, w jakie mogłaby wystąpić porażka.

Subiektywne kryteria wprowadzają kolejną niepewność. Ludzie mogą zgadzać się, że komunikacja ma znaczenie, a jednocześnie nie zgadzać się, czy konkretna grafika dobrze komunikuje przekaz. Nie czyni to kryterium bezużytecznym, ale sprawia, że zgodność oceniających ma znaczenie.

Właściwą odpowiedzią jest pytanie, jak trwały pozostaje wniosek przy rozsądnych zmianach w ocenie. Czy inny kompetentny recenzent odrzuciłby ten sam rezultat? Czy powtórzone próby ujawniłyby tę samą słabość?

Znaczenie ma również dobór zadań. Zestaw przygotowany przez organizację badawczą ma bezpośrednie znaczenie dla tej organizacji. Jego związek z innym miejscem pracy zależy od tego, na ile podobne są obowiązki i standardy akceptacji.

Zespół wsparcia, dział prawny i studio projektowe nie powinny zakładać identycznych konsekwencji. Ich praca różni się strukturą, informacją zwrotną i skutkami. Każdy potrzebuje dowodów powiązanych z decyzjami, które faktycznie podejmują jego pracownicy.

Historyczny argument dotyczący realizmu benchmarków dostarcza użytecznego kontekstu. Anson Ho i Jean-Stanislas Denain argumentowali, że benchmarki często służyły celom innym niż przewidywanie wpływu gospodarczego. Ich argument dotyczy konstrukcji oceny, a nie twierdzenia, że postęp w benchmarkach nie ma wartości.

Benchmark może być przydatny do porównywania systemów, nie przewidując zarazem zwrotu z ich wdrożenia. Zamieszanie zaczyna się wtedy, gdy czytelnicy po cichu zastępują pytanie, które mierzy, pytaniem, którego nigdy nie testował.

Ta ostrożność działa w obie strony. Rozczarowujący wynik autonomii nie dowodzi, że nadzorowana pomoc nie ma wartości. Pomiar niezależnego ukończenia zadania i pomiar ludzkiej produktywności wspomaganej przez system wymagają różnych projektów eksperymentalnych.

Odwrotne wnioskowanie jest równie słabe. Pomocny szkic nie dowodzi, że system potrafi bezpiecznie samodzielnie ukończyć proces pracy. Wykazanie przydatności pomocy nie rozstrzyga odrębnego pytania o autonomiczną akceptację.

Raporty Epoch AI dotyczące automatyzacji powinny zatem informować o węższych, testowalnych twierdzeniach. Dostarczają dowodów na temat tych systemów próbujących wykonać te zadania w tych warunkach. Kolejnym krokiem jest zbadanie, które ustalenia można przenieść, a które zależą od kontekstu.

Nierozstrzygnięte pytanie ekonomiczne dotyczy całego procesu pracy. Ile wysiłku wymaga przygotowanie, nadzór, korekta i zatwierdzenie? Bez pomiaru tych działań wynik jakościowy nie może stać się wiarygodnym szacunkiem oszczędności pracy.

To najsilniejsze sceptyczne odczytanie nagłówkowego wyniku. Wartość 65% jest informacyjna, lecz jej pozorna precyzja nie powinna wykraczać poza zakres badania.

Obserwuj zaakceptowane zadania, powtarzalność i wysiłek recenzji

Kolejnym istotnym krokiem będą dowody, że konkretne zadania konsekwentnie przekraczają próg akceptacji. Wyższa średnia ogólna odpowiadałaby na mniej praktyczne pytanie.

Pierwszym sygnałem jest udokumentowane zadanie przechodzące do rutynowego użycia. Epoch twierdzi, że usunął podstawowe zadanie generowania wykresów po tym, jak Fable wystarczająco często tworzył akceptowalne rezultaty, aby częściowo zautomatyzować ten etap. To konkretna zmiana operacyjna o węższym zakresie niż automatyzacja zawodu.

Przyszłe przykłady powinny jasno wskazywać zadanie i decyzję o akceptacji. Jeśli więcej zadań wejdzie do rutynowego użycia, argument za rozszerzaniem delegowania się wzmocni. Jeśli wyniki będą się poprawiać, nie stając się akceptowalne, luka wskazana tutaj pozostanie.

Drugim sygnałem jest powtarzalność. Dodatkowe uruchomienia i niezależna ocena pomogłyby odróżnić trwałą wydajność od korzystnej próby lub osądu recenzenta. Konsekwentna akceptacja zwiększyłaby zaufanie do wdrożenia ocenianego procesu pracy.

Niespójne wyniki wskazywałyby na potrzebę dalszego nadzoru, nawet jeśli najlepszy rezultat wygląda znakomicie. Nabywcy potrzebują, by zwykłe zachowanie systemu spełniało ich wymagania. Wybrany sukces nie może tego zachowania potwierdzić.

Trzecim sygnałem jest zmierzony wysiłek ludzkiej recenzji. Nadzorowany proces pracy należy oceniać przez pryzmat wysiłku potrzebnego do osiągnięcia zaakceptowanego rezultatu. Samo generowanie pomija pracę, która decyduje o tym, czy cokolwiek może zostać dostarczone.

Jeśli nakład pracy na recenzję i korektę maleje przy utrzymaniu jakości, argument ekonomiczny staje się bardziej przekonujący. Jeśli sprawdzanie pochłania pozorne oszczędności, poprawiający się wynik według rubryki słabiej uzasadnia zmianę zatrudnienia lub zakresu obowiązków.

Są to priorytety obserwacji na nadchodzące miesiące, a nie ogłoszone kamienie milowe. Epoch twierdzi, że planuje rozszerzyć zestaw i aktualizować wyniki wraz z pojawianiem się modeli. Termin i zawartość tych aktualizacji pozostają otwarte.

Ranking Claude Fable 5.1 względem GPT-6 Astra przyciągnie uwagę, gdy pojawią się te aktualizacje. Bardziej użyteczne odczytanie połączy każdą zmianę z zadaniem, trybem porażki i ludzką decyzją o akceptacji.

Bezpośredni wniosek z raportów Epoch AI o automatyzacji jest taki, by sprawdzać, gdzie praca faktycznie staje się gotowa do użycia. Czytaj opisy zadań wraz z wynikami, a następnie określ, jakiego osądu nadal wymaga własny proces pracy. Zapytaj, czy system rozpoznaje nieprawidłowy rezultat, czy kolejna próba osiąga tę samą jakość oraz czy recenzja wymaga mniej wysiłku niż bezpośrednie wykonanie zadania. Traktuj pomoc i niezależne dostarczanie jako odrębne decyzje zakupowe. Model może zasłużyć na miejsce w codziennej pracy, zanim otrzyma odpowiedzialność za końcowy rezultat. Gdy pojawi się kolejny benchmark, spójrz poza średnią: który rezultat można już przekazać odbiorcy bez naprawy przez eksperta?