Klient pisze: „Moja paczka nie dotarła, możecie wysłać kolejną?” Twój asystent przeszukuje wszystko, co widział, i znajduje niemal idealne dopasowanie z zeszłego tygodnia: „Moja paczka dotarła uszkodzona, możecie wysłać kolejną?” Wysyła odpowiedź z zeszłego tygodnia, czyli paczkę zastępczą, bez żadnych pytań. Słowa były prawie takie same. Sprawa nie, bo zaginiona paczka zaczyna się od zlecenia poszukiwań u kuriera.
Wyszukiwanie zrobiło swoje. Znalazło najbliższe dopasowanie, bo to właśnie robi wyszukiwanie. RAG znajduje fragmenty, które wyglądają jak pytanie, bazy wektorowe znajdują to, co leży w pobliżu, grafy wiedzy znajdują to, co ktoś połączył, cache zwraca to, o co pytano wcześniej, a pamięć przywołuje to, co zapisano. Każde z nich znajduje coś, co już istnieje. Ale podobne to nie to samo co trafne, a im bliżej wygląda błędne dopasowanie, tym pewniej zostaje podane.
Uczenie się to zupełnie inna czynność. Polega na zrozumieniu wzorca stojącego za twoją pracą, skompresowaniu go do tego, co się uogólnia, i przewidywaniu, co będzie dalej. MS Duplex się uczy, a twoje narzędzia wyszukiwania stają się jego narzędziami: sięga po każde z nich, gdy potrzebuje go dany krok, i decyduje, jaka powinna być odpowiedź.
Przy tak samo zadanym pytaniu wyszukiwanie znajduje zapisaną odpowiedź, a MS Duplex też ją zna.
Uczenie się przenosi wzorzec na nowe przypadki.
Następne zapytanie rzadko pokrywa się z poprzednim słowo w słowo. Ktoś formułuje je inaczej, pomija szczegół albo dodaje kontekst, który niczego nie zmienia. Cache zwraca to, o co pytano wcześniej, więc potrzebuje, żeby nowe zapytanie wyglądało jak stare. Wyszukiwanie według podobieństwa lepiej radzi sobie z nowymi sformułowaniami, bo znajduje to, co leży w pobliżu, ale bliskość mierzy słowa, nie sprawę.
Uczenie się działa na samej sprawie. Gdy twój zespół potwierdza wynik, MS Duplex uczy się stojącego za nim wzorca: dlaczego zadziałał i gdzie ma zastosowanie. Dlatego rozpoznaje to samo zapytanie w nowych słowach i wie, kiedy zapytanie, które brzmi tak samo, dotyczy czegoś innego.
Różnicę najbardziej widać przy odróżnianiu łudząco podobnych przypadków. Zaginiona paczka i uszkodzona mają niemal wszystkie słowa wspólne, podobnie jak zamówienie anulowane przed wysyłką i po niej. Narzędzie, które podaje to, co wygląda podobnie, na każdą parę odpowiada tak samo, z tą samą pewnością. MS Duplex widzi różnicę i włącza twoją AI, z kontekstem tego, co wie o sprawie.
W teście, który obejmował wszystko, od dokładnych powtórek po zapytania z innej dziedziny, MS Duplex błędnie odpowiedział na 7.5% mylących, łudząco podobnych zapytań, wobec 45.3% w przypadku cache. Spośród wszystkich zapytań 98.98% zostało obsłużonych poprawnie: dostało trafną odpowiedź albo trafiło do twojej AI.*
| MS Duplex | 7.5% |
|---|---|
| Cache | 45.3% |
Twoje narzędzia wyszukiwania stają się jego narzędziami.
Narzędzia wyszukiwania są dobre w tym, co robią, i MS Duplex używa ich właśnie do tego. Wyszukiwanie to właściwy sposób, by znaleźć klauzulę w regulaminie, graf wiedzy to właściwy sposób, by zobaczyć, jak dostawca łączy się ze wszystkim innym, a cache to najszybszy sposób, by zwrócić już podjętą decyzję. Te fakty należą do twoich systemów, aktualne i w rękach ludzi, którzy o nie dbają.
Jedno, czego narzędzia nie potrafią, to decydować. Znajdują, a resztę zostawiają temu, kto pytał: któremu źródłu ufać, co robić, gdy dwa się nie zgadzają, co odpowiedź oznacza w tej sprawie. MS Duplex wnosi ten osąd. Sięga po każde narzędzie, gdy potrzebuje go dany krok, uczy się, które źródło odpowiada na jaki rodzaj pytań, i decyduje, mając przed sobą aktualne fakty.
Jedna faktura może potrzebować wszystkich trzech: regulaminu, statusu dostawcy i ostatniej decyzji w jego sprawie. Przez większość dni wszystkie są zgodne. W dniu, w którym dostawca zostaje zawieszony, ostatnia decyzja jest już nieaktualna, a odpowiedź musi iść za najnowszym faktem i pokazywać, skąd pochodzi każdy element.
To uczciwy podział pracy, a wszystko, co już zbudowano, dalej pracuje. Twoje narzędzia dalej znajdują to, do czego je zbudowano, a każde jest teraz bardziej przydatne, bo coś decyduje, kiedy go użyć. MS Duplex się uczy, planuje, symuluje, decyduje i działa, a każdą odpowiedź da się prześledzić aż do jej źródeł.
By odpowiedzieć na jedną fakturę, MS Duplex potrzebuje polityki, statusu dostawcy i ostatniej decyzji.
Wyuczony wzorzec mówi, co będzie dalej.
Wyszukiwanie dotyczy przeszłości: znajduje to, co się wydarzyło. Uczenie się sięga w przyszłość. Gdy MS Duplex wie, jak przebiega dany rodzaj pracy, potrafi przewidzieć, co zmieni działanie, zaplanować kolejne kroki i zdecydować, czy odpowiedzieć, przekazać, czy odmówić.
Zgłoszenia do wsparcia przebiegają według wzorca: otwarte, ocenione, naprawione, potwierdzone, zamknięte. Wyszukiwanie może znaleźć zgłoszenie, które wygląda jak to, które masz przed sobą. MS Duplex uczył się z potwierdzonych zgłoszeń, więc wie, czego to zgłoszenie potrzebuje teraz i co powinno nastąpić potem. Gdy zgłoszenie skręca tam, gdzie nie skręciło żadne wcześniejsze, MS Duplex przekazuje ten krok twojej AI, a gdy twój zespół potwierdzi, jak się skończyło, ten zwrot akcji staje się częścią wzorca.
W World of Workflows, publicznym benchmarku dla przedsiębiorstw zbudowanym na ServiceNow, MS Duplex przewidział, jak zmienia się system po operacji, lepiej niż GPT-5.1, Gemini 3 Pro i Claude Sonnet 4.5, bez wywołań modelu. W planowaniu za każdym razem znajdował najkrótszą trasę bez ani jednego tokenu modelu.*
Biblioteka mówi ci, co zostało napisane. Współpracownik, który nauczył się tej pracy, wie, co oznacza sprawa, którą ma przed sobą, zauważa, kiedy jest nowa, i zabiera się do następnego kroku. Twoje narzędzia wyszukiwania to biblioteka, równie przydatna jak zawsze. MS Duplex to współpracownik, który z każdym wynikiem zna tę pracę trochę lepiej.
| MS Duplex | 0.256 |
|---|---|
| Gemini 3 Pro | 0.205 |
| Claude Sonnet 4.5 | 0.204 |
| GPT-5.1 | 0.166 |
Potwierdzone sprawy uczą MS Duplex, jak przebiega ten rodzaj pracy, krok po kroku.