Randall Newman, CPTO i współzałożyciel Satisfi Labs – seria wywiadów

Randall Newman, CPTO i współzałożyciel Satisfi Labs, jest liderem technologicznym i produktowym z rozległym doświadczeniem w budowaniu platform AI, technologii finansowych oraz systemów wysokiej wydajności. Od momentu współzałożenia Satisfi Labs, Newman odegrał kluczową rolę w wizjonerstwie, projektowaniu i skalowaniu konwersacyjnej technologii AI firmy, jednocześnie nadzorując rozwój produktu, architekturę, zespoły inżynieryjne oraz strategiczne integracje. Przed Satisfi Labs pełnił funkcję szefa produktu w Satisfi Inc. i współzałożył firmę mobilnego marketingu Right On Mobile. Wcześniej w swojej karierze Newman spędził ponad 17 lat w CIBC World Markets, gdzie zajmował wysokie stanowiska kierownicze obejmujące ryzyko strategiczne, handel wysokiej częstotliwości i arbitraż akcji, łącząc ekspertyzę w handlu ilościowym z praktycznym rozwojem technologii.

Satisfi Labs jest firmą AI skoncentrowaną na wdrażaniu wyspecjalizowanych agentów AI dla sportu, rozrywki, turystyki, atrakcji oraz innych firm oferujących doświadczenia na żywo. Założona w 2016 roku, firma przekształciła się z konwersacyjnej AI i swojego Answer Engine w platformę agentową zaprojektowaną, aby pomagać organizacjom automatyzować obsługę gości, zwiększać konwersje biletów i handlu oraz wyciągać wnioski z rozmów z klientami. Jej agenci AI mogą działać w ponad 50 językach i łączyć się z systemami biletowymi, CRM, zarządzania treścią i innymi systemami biznesowymi, aby wykonywać takie działania jak sprzedaż biletów, eskalowanie rozmów do pracowników, zbieranie informacji o klientach i dostarczanie spersonalizowanych odpowiedzi. Satisfi Labs twierdzi, że jej technologia jest obecnie wykorzystywana przez ponad 775 marek, a integracje i partnerstwa obejmują firmy takie jak Ticketmaster, Simpleview, MappedIn, Ventrata i Vozzi.

Spędziłeś prawie dwie dekady na rynkach finansowych, w tym budując systemy handlu o niskiej latencji i prowadząc strategie handlu wysokiej częstotliwości w CIBC, zanim przeszedłeś do przedsiębiorczości technologicznej i ostatecznie współzałożyłeś Satisfi Labs. Jakie lekcje z systemów operacyjnych, w których kluczowe były szybkość, niezawodność i zarządzanie ryzykiem, najbardziej wpłynęły na to, jak dziś budujesz agentów AI klasy produkcyjnej?

Handel nauczył mnie, że dobry pomysł i dobry biznes to dwie różne rzeczy. Możesz prawidłowo zidentyfikować okazję, a mimo to stracić pieniądze, ponieważ realizacja jest wolna, koszty są zbyt wysokie lub założenia ryzyka są błędne. AI jest takie samo. Zdolność modelu to jeden z czynników. Biznes zależy od tego, czy potrafisz przekształcić tę zdolność w powtarzalny rezultat przy akceptowalnym koszcie i ryzyku.

Prowadzenie książki arbitrażu indeksowego również uczy patrzenia poza pojedyncze decyzje. Mały błąd powtarzany w całym portfelu staje się bardzo dużą ekspozycją. W przypadku AI możesz mieć tysiące agentów podejmujących indywidualnie rozsądne decyzje, które łącznie tworzą problem. Wszystkie zależą od tych samych złych danych lub wszystkie ponawiają próbę tego samego nieudanego serwisu. Musisz zarządzać systemem, a nie tylko pojedynczą odpowiedzią.

Szybkość ma znaczenie tylko wtedy, gdy poprawia rezultat. W handlu były momenty, w których mikrosekundy miały znaczenie. W AI wolałbym poświęcić jeszcze jedną sekundę na potwierdzenie transakcji, niż natychmiast dostarczyć błędny wynik. Dyscyplina polega na tym, aby wiedzieć, gdzie szybkość tworzy wartość, a gdzie jedynie przyspiesza błąd.

Ostatnia lekcja to ta, która zapoczątkowała cały biznes. Przewaga pochodzi z wykrywania niewłaściwej wyceny zanim zrobi to ktokolwiek inny. Uważam, że obecnie niewłaściwa wycena polega na tym, że większość firm postrzega agentów AI jako sposób na obniżenie kosztów wsparcia. W Satisfi Labs widzimy ich jako kanał przychodowy. W naszych obiektach sportowych około 40 procent rozmów agentów dotyczy biletów. Ci fani nie przychodzą z narzekaniami. Przybywają z pieniędzmi w ręku, pytając, gdzie usiąść. Znajdź to, co rynek wycenia nieprawidłowo, i zdobądź to. Ten sam instynkt co w biznesie arbitrażowym.

Satisfi Labs została założona w 2017 roku, na długo przed obecnym boomem generatywnej AI, i przekształciła się z przetwarzania języka naturalnego w kontekście oraz konwersacyjnej AI w platformę agentową. Jakie były największe zmiany architektoniczne niezbędne do przejścia od systemów zaprojektowanych głównie do udzielania odpowiedzi do agentów zdolnych do podejmowania działań w imieniu użytkowników?

Spędziliśmy dekadę, budując tysiące agentów AI dla ponad 800 klientów korporacyjnych, w tym zespołów MLB/NFL, obiektów rozrywkowych i organizacji turystycznych. Największa zmiana polega na tym, że przyznajesz systemowi uprawnienia, a nie tylko informacje.

Jeśli asystent informuje Cię, które bilety są dostępne, udziela odpowiedzi. Jeśli wymienia Twoje bilety, zmienia zasoby, rekordy klientów i potencjalnie pieniądze. Teraz musisz wiedzieć, kto zatwierdził akcję, co faktycznie się wydarzyło i jak odzyskać środki, jeśli proces zatrzyma się w połowie.

Dlatego oddzielamy ocenę modelu od uprawnienia do wykonania. Model może interpretować żądanie i proponować kolejny krok. Systemy pod nim egzekwują uprawnienia, reguły biznesowe i limity transakcji. Przekonujące wyjaśnienie modelu nie może obejść tych kontroli.

Musisz także wprowadzić wyraźne rozróżnienie między \”agent powiedział, że zakończył zadanie\” a \”system biznesowy potwierdził zakończenie\”. To nie to samo. Jeśli żądanie zakupu wygasnie, lepiej dowiedzieć się, czy zakup został dokonany, zanim spróbujesz ponownie.

Strategicznie lepsze modele nie powinny zmuszać cię do przebudowywania kontroli biznesowych. Chcę korzystać z każdej poprawy w rozumowaniu, nie renegocjując, co system może robić za każdym razem, gdy pojawi się nowy model.

Termin “agentic AI” jest teraz stosowany do szerokiego zakresu produktów. Z perspektywy inżynieryjnej, gdzie wyznaczasz granicę między zaawansowanym chatbotem, AI copilotem a naprawdę autonomicznym agentem AI?

Zadałbym jedno pytanie: jaką odpowiedzialność faktycznie przekazała osoba?

Chatbot dostarcza informacji. Copilot pomaga wykonać pracę, ale wciąż kierujesz i zatwierdzasz ważne kroki. Autonomiczny agent ma uprawnienie do samodzielnego podejmowania niektórych decyzji, realizując określony cel.

Interfejs nie informuje, którego z nich oglądasz. Produkt konwersacyjny może mieć rzeczywistą autonomię w tle. Coś reklamowane jako agent może nadal wymagać zatwierdzenia każdej przydatnej akcji przez osobę.

Dla przedsiębiorstwa autonomia powinna być konkretną umową: system może wykonywać te działania, dla tych użytkowników, w ramach tych limitów i musi zatrzymać się w określonych warunkach. To coś, co możesz rzeczywiście przetestować i nadzorować.

Nie uczyniłbym również maksymalnej autonomii celem. Czasami najlepszy produkt zadaje jedno dobrze wyważone pytanie i zajmuje się resztą. Usunięcie tego pytania sprawia, że demonstracja jest bardziej imponująca, a biznes mniej bezpieczny. Celem jest eliminacja niepotrzebnej ludzkiej pracy, nie niezbędnego ludzkiego osądu.

Satisfi Labs niedawno uruchomiło Satisfi Forward, praktykę inżynieryjną wdrażaną w przód. Jaką lukę dostrzegałeś pomiędzy budowaniem wydajnej platformy AI a rzeczywistym, niezawodnym działaniem agentów w środowisku klienta, co skłoniło cię do stworzenia tego modelu?

Ostatni etap stawał się wąskim gardłem. Platforma może wiele ustandaryzować, ale nie może zakładać, że każdy biznes klienta działa tak samo. Ich system zgłoszeń ma pewne ograniczenia. Proces zatwierdzania przebiega przez trzy działy. Ich definicja kwalifikowanego leadu różni się od definicji kolejnego klienta. Te szczegóły decydują, czy wdrożenie jest naprawdę przydatne.

Możesz kupić gotową platformę i stworzyć demonstrację, która imponuje ludziom. Komercjalizacja jej jako solidnego doświadczenia dla prawdziwych użytkowników to inna sprawa. Właśnie tutaj wchodzą inżynierowie wdrażani w przód. Zadaniem naszego zespołu w Satisfi Forward jest zrozumienie wyniku, zidentyfikowanie, co go blokuje, oraz zbudowanie przepływów pracy i integracji na bazie platformy, które to umożliwiają.

Jednak wyznaczamy wyraźne granice każdej współpracy. Zanim zaczniemy budować, uzgadniamy, co oznacza sukces, kto jest właścicielem procesu biznesowego, co zależy od klienta i kto utrzymuje go po uruchomieniu. W przeciwnym razie projekt ostatniego etapu staje się nieograniczonym zobowiązaniem. A współpraca nie kończy się, gdy kod zostaje dostarczony. Kończy się, gdy przepływ pracy działa w operacjach klienta i ktoś jest odpowiedzialny za jego utrzymanie.

Kod stał się również znacznie tańszy w produkcji, co sprawia, że ten model jest o wiele bardziej praktyczny niż kiedyś. Nie postrzegam jednak Satisfi Forward jako dział usługowy przytwierdzony do produktu SaaS. Każda współpraca uczy nas, jaki powinien być kolejny produkt. Gdy trzej klienci proszą o ten sam przepływ pracy, nie jest to obciążenie wsparcia. To samo w sobie tworzy mapę drogową, z płacącymi klientami. Stary model SaaS zgadywał funkcje i czekał na dowody. W ten sposób najpierw zdobywamy dowody i przychody, jednocześnie je gromadząc. Myślę, że tak powstają firmy produktowe w erze AI.

Twoi agenci mogą łączyć się z systemami zgłoszeń, platformami zarządzania relacjami z klientami, systemami zarządzania treścią i innymi źródłami informacji w czasie rzeczywistym. Gdy agenci zyskują możliwość dokonywania transakcji i wyzwalania działań, jak zrównoważyć dostęp do danych w czasie rzeczywistym i niską latencję z podstawą, bezpieczeństwem i zabezpieczeniami przed nieprawidłowymi akcjami?

Po pierwsze, nigdy nie pozwoliłbym, aby szybkość rekompensowała błąd bezpieczeństwa. Niektóre wymagania są ograniczeniami. Optymalizujesz w ich ramach.

Następnie rozróżniasz rodzaje zadań. Odpowiedź na pytanie o parking i dokonanie zakupu biletu nie wymagają takiej samej aktualności danych ani tych samych kontroli. Stabilne informacje możesz buforować. Gdy pieniądze zmieniają właściciela, potrzebny jest autorytatywny system transakcyjny, aby potwierdzić cenę, dostępność i zakończenie.

Niebezpieczne przypadki to te, w których system nie wie, co się stało. Backend przyjmuje zakup, ale odpowiedź nigdy nie dociera. Jeśli agent zakłada niepowodzenie i ponawia próbę, masz dwa zakupy. To nie jest problem językowy. To problem odzyskiwania transakcji.

A doświadczenie mierzysz w warunkach, które naprawdę mają znaczenie. Średnia latencja w spokojny wtorek mówi ci prawie nic. Jeśli wydarzenie zostaje odwołane z powodu deszczu, nagle masz tysiące osób pytających, co stanie się z ich biletami, jednocześnie. Jeśli planujesz wyłącznie na podstawie średniego ruchu na minutę, przegapisz potrzebną pojemność w tym szczycie. Nauczyłem się tego bezpośrednio od systemów handlowych.

Tutaj również istnieje decyzja kosztowa. Nie każde żądanie wymaga najdroższego modelu ani łańcucha agentów. Użyj najprostszego rozwiązania, które spełnia wymagania, i poświęć dodatkowy czas lub moc obliczeniową tam, gdzie rzeczywiście poprawia to decyzję. Użytkownik powinien otrzymać uczciwy wynik, w tym uczciwe stwierdzenie, że czegoś nie dało się potwierdzić.

Satisfi Labs opisuje model, w którym wyspecjalizowani agenci mogą współpracować jako siła robocza AI. Jakie są najtrudniejsze problemy techniczne związane z koordynacją wielu wyspecjalizowanych agentów, szczególnie w zakresie routingu, współdzielonego kontekstu, sprzecznych decyzji i określania, który agent powinien działać?

Najtrudniejszą częścią jest zachowanie odpowiedzialności przy rozdzielaniu pracy.

Zacznij od zapytania, czy w ogóle potrzebujesz kolejnego agenta. Czasami potrzebny jest specjalista. Czasami wystarczy wywołanie narzędzia lub prosty przepływ pracy. Każdy dodany agent to kolejna interpretacja żądania, kolejna zależność, kolejne miejsce, w którym może pojawić się błąd. Liczba agentów działających w tle powinna być niewidoczna dla użytkownika.

Gdy uzasadnione jest użycie kilku agentów, chcę, aby jeden z nich przejął kontrolę nad interakcją. Specjaliści mogą dostarczyć informacji lub wykonać ograniczoną pracę. Agent biletowy zajmuje się inwentarzem i wymianami, agent obsługi klienta zajmuje się politykami. Jednak ktoś musi pogodzić wyniki i zdecydować, czy użytkownik rzeczywiście otrzymał to, czego oczekiwał.

Routing jest trudny, ponieważ ludzie nie zadają pytań w wyraźnych kategoriach. Jedno żądanie może dotyczyć trzech agentów. System musi zdecydować: czy jeden agent może je obsłużyć, czy kilka musi działać kolejno, czy też powinien zadać użytkownikowi jeszcze jedno pytanie przed podjęciem jakiejkolwiek akcji.

To samo dotyczy kontekstu. Nie wysyłasz wszystkiego do każdego agenta. To zwiększa opóźnienia, generuje szum i może ujawnić informacje, których dany agent nie potrzebuje. Założenie agenta nie powinno stać się faktem tylko dlatego, że zostało przekazane kolejnemu agentowi.

Jeśli dwóch agentów się nie zgadza, nie chcę, aby kłócili się, aż jeden wyda się bardziej przekonujący. Musi istnieć jasny model autorytetu. System biletowy określa dostępność. Biznes ustala zasady wymiany. Dane w czasie rzeczywistym przewyższają dane z pamięci podręcznej, reguły biznesowe przewyższają ocenę modelu, a jeśli nadal nie da się rozstrzygnąć, pytasz użytkownika lub wciągasz osobę. Trudnością nie jest sprawienie, by agenci rozmawiali ze sobą, lecz możliwość dokładnego odtworzenia, który agent co zrobił i gdzie leżała odpowiedzialność.

Satisfi Labs coraz bardziej koncentruje się na mierzeniu agentów względem celów i wyników biznesowych, a nie metryk takich jak liczba konwersacji. Co przedsiębiorstwa powinny rzeczywiście mierzyć, aby określić, czy agent AI działa dobrze, i jak ocenić niezawodność przed przyznaniem agentowi większej autonomii?

Zacznij od wyniku biznesowego, a następnie zapytaj, jak dużą część tego wyniku faktycznie spowodował agent.

Jeśli ktoś kupuje bilety po rozmowie z agentem, nie oznacza to automatycznie, że to agent doprowadził do sprzedaży. Mogło to nastąpić i tak. Tam, gdzie to możliwe, potrzebne są kontrolowane porównania lub wiarygodna podstawa, a nie jedynie przypisanie zasługi ostatniej interakcji. Dla klienta biletowego oznacza to mierzenie, czy fan otrzymał miejsca, a nie czy agent odpowiedział uprzejmie. Dla miejsca, które chce skrócić kolejki przy kasie, oznacza to mierzenie, co agent rozwiązał, zanim ktokolwiek musiał stać w kolejce.

Następnie przyjrzyj się ekonomii udanego wyniku: koszty modelu, infrastruktury, weryfikacji ludzkiej, eskalacji oraz koszt naprawy błędów. Agent, który wydaje się tani, dopóki nie policzysz osób naprawiających jego pracę, nie jest tani.

Niezawodność wymaga własnej karty wyników. Ukończenie, poprawność, nieautoryzowane działania, odzyskiwanie po awariach, jakość eskalacji. Nie można włączyć poważnego incydentu prywatności do średniej dobrej konwersji.

W przypadku większej autonomii wymagałbym dowodów dotyczących konkretnej klasy delegowanej akcji. Przetestuj ją, obserwuj pod nadzorem, rozwijaj w granicach limitów i zachowaj możliwość jej zatrzymania. Dobry ogólny wskaźnik dokładności nie dowodzi, że system jest gotowy na każdą transakcję. Należy także uważać na bodźce. Czasami wprowadzenie człowieka jest właściwym rozwiązaniem. Jeśli nagradzasz agenta jedynie za unikanie przekazania, nie zdziw się, gdy będzie ukrywał problemy, które powinien był eskalować.

Ostatnio twierdziłeś, że sztuczna inteligencja głosowa musi być projektowana wokół mierzalnych rezultatów, a nie traktowana jako kolejny interfejs istniejącego chatbota. Jakie przełomy techniczne są jeszcze potrzebne, zanim agenci głosowi staną się głównym interfejsem dla złożonych, interaktywnych w czasie rzeczywistym interakcji, szczególnie w środowiskach takich jak stadiony, atrakcje i wydarzenia na żywo?

Wielu klientów pyta, czy można po prostu wziąć aplikację czatu i podłączyć do niej głos? Możemy. Ale to nie oznacza, że będzie to dobre doświadczenie. Następny prawdziwy postęp nie polega na bardziej ludzkim brzmieniu głosu. Chodzi o interakcję, która wytrzyma warunki, w jakich ludzie faktycznie z niej korzystają.

Na stadionie ktoś mówi ponad hałas tłumu, używa nieznanej nazwy zawodnika, zmienia zdanie w połowie zdania i próbuje sfinalizować zakup przed otwarciem bramek. System musi radzić sobie z przerwami, niepewnością i opóźnieniami w tle, nie tracąc przy tym zadania.

Zwróć szczególną uwagę na krytyczne szczegóły. Nieprawidłowe zrozumienie luźnej frazy to jedna sprawa. Nieprawidłowe zrozumienie liczby biletów lub daty wydarzenia to inna. Agent musi potwierdzić szczegóły, które zmieniają konsekwencję działania, nie czyniąc całej rozmowy nużącą.

I głos nie powinien być zmuszany do robienia wszystkiego. Porównywanie dwudziestu opcji miejsc siedzących lepiej wygląda na ekranie. Ktoś może zacząć od pisania, wsiąść do samochodu i chcieć kontynuować tę samą rozmowę, mówiąc. System powinien zachować ten kontekst i używać głosu, tekstu oraz elementów wizualnych w sposób najlepiej pasujący do sytuacji.

Część tego wymaga lepszych modeli. Duża część wymaga lepszej integracji i projektowania interakcji. Oczekiwanie na przełom nie naprawi przepływu pracy, który został zaprojektowany wokół tekstu, a następnie odczytywany na głos. Oceniłbym postęp w następujący sposób: czy ludzie wykonują zadanie dokładnie, przy mniejszym wysiłku, w rzeczywistych warunkach?

Gdy agenci przechodzą od udzielania informacji do sprzedaży biletów, zbierania danych klientów, personalizacji doświadczeń i interakcji z systemami operacyjnymi, w jaki sposób firmy powinny określić, które decyzje agent może podejmować autonomicznie, a które zawsze powinny wymagać nadzoru człowieka?

To zarządzanie ryzykiem. Jeśli to pójdzie nie tak, jaką szkody może spowodować? Czy agent otwiera drzwi, których nie może zamknąć?

Odwracalność jest przydatnym pierwszym testem, ale należy również spojrzeć na całkowitą ekspozycję. Jeden zwrot może być mały i odwracalny. Dziesięć tysięcy nieprawidłowych zwrotów, zanim ktokolwiek to zauważy, to inny problem. Potrzebne są limity zarówno na pojedyncze działania, jak i na skumulowaną aktywność systemu.

Jeśli działanie jest niskiego ryzyka i odwracalne, przyznaj mu większą autonomię: zaktualizuj preferencję, sprawdź zamówienie, zarezerwuj przedmiot. W miarę rosnących konsekwencji dodawaj potwierdzenie lub zatwierdzenie. Zakup może wymagać potwierdzenia ceny przez klienta. Duży zwrot może wymagać akceptacji pracownika. Zagrożenie bezpieczeństwa jest natychmiast eskalowane. I niektóre decyzje powinny po prostu pozostać w gestii człowieka, kropka.

Zgoda klienta i zatwierdzenie firmy to różne rzeczy, nawiasem mówiąc. Potwierdzenie zakupu przez klienta nie upoważnia agenta do obejścia polityki firmy. Zatwierdzenie wyjątku przez pracownika nie oznacza, że klient zgodził się na opłatę.

Limity muszą być egzekwowane przez systemy wykonujące działanie, a nie tylko opisane w poleceniu. Nie przydzielasz agentowi szerokiego dostępu, a potem polegasz na poleceniu, które ma go ostrzegać. Gdy wymagana jest osoba, zapewnij jej wystarczający kontekst do podjęcia realnej decyzji. Przekazanie komuś setek zatwierdzeń bez żadnych informacji tworzy jedynie pieczątkę, a nie nadzór. Skieruj ludzką uwagę tam, gdzie zmniejsza istotne ryzyko. Nie rozpraszaj jej na każdą interakcję.

Patrząc w przyszłość, czy spodziewasz się, że technologie takie jak Model Context Protocol i komunikacja agent‑do‑agenta zasadniczo zmienią sposób budowania systemów AI w przedsiębiorstwach, przenosząc nas od izolowanych agentów do ekosystemów, w których agenci mogą odkrywać narzędzia, wymieniać kontekst i koordynować działania między firmami i platformami?

Uważam, że protokoły są środkiem do celu. MCP zapewnia aplikacjom AI wspólny sposób dostępu do narzędzi i kontekstu. Protokoły agent‑do‑agenta obsługują współpracę między agentami. To jest cenne. Nie powinieneś budować niestandardowej integracji za każdym razem, gdy agent potrzebuje narzędzia. To podobne do tego, co API zrobiły dla integracji oprogramowania.

Jednak wspólny format nie oznacza, że dwie firmy zgadzają się co do tego, co oznacza dana akcja, kto może ją autoryzować ani co się stanie w przypadku niepowodzenia. To, że agent może odkryć narzędzie, nie oznacza, że powinien mieć pozwolenie na jego użycie. Nadal trzeba ustalić tożsamość, uprawnienia, zaufanie i odpowiedzialność. Jeśli jeden agent poprosi innego o wykonanie czegoś i coś pójdzie nie tak, kto ponosi odpowiedzialność za tę decyzję?

Oto, co moim zdaniem naprawdę się zmienia. Dziś miejsce ma stronę internetową i aplikację. Za kilka lat będzie posiadało agenta, z którym będą negocjować inni agenci. Asystent osobisty fana pyta agenta miejsca o dwa miejsca w określonej cenie oraz kartę parkingową, a cała transakcja odbywa się między dwoma agentami. Znalezienie odpowiednich możliwości to łatwy krok. Znajomość uprawnień klienta do wydatków, potwierdzenie łącznej ceny oraz obsługa sytuacji, w której bilety zostaną zrealizowane, ale parking nie, to prawdziwe wyzwania.

Nie wierzę, że prowadzenie agenta automatycznie przekazuje Ci relację z klientem. To trzeba wypracować. Nie sądzę też, że miejsca przekażą te transakcje firmie wyszukiwawczej lub platformie sprzedaży biletów. Naszym celem w Satisfi Labs jest być agentem reprezentującym miejsce w tej gospodarce, tak niezawodnym, że firma umieszcza na nim swoją nazwę. Wszystko, co zbudowaliśmy wokół niezawodności, uprawnień i odpowiedzialności, jest tym, co zapewnia to miejsce.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Satisfi Labs.