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. 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 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, 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. 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, 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.
Twoje narzędzia wyszukiwania stają się jego narzędziami.
Narzędzia wyszukiwania są dobre w tym, co robią, i 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. 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. Duplex się uczy, decyduje i działa, a każdą odpowiedź da się prześledzić aż do jej źródeł.
By odpowiedzieć na jedną fakturę, 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 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. 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, 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, 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. Duplex to współpracownik, który z każdym wynikiem zna tę pracę trochę lepiej.
Potwierdzone sprawy uczą Duplex, jak przebiega ten rodzaj pracy, krok po kroku.