O czym jest ten film
- Dylan Davis przeanalizował z pomocą AI około 300 rozmów z klientami i wybrał 10 pytań, które słyszy najczęściej.
- Na pytania odpowiada razem z Elliotem — drugim konsultantem AI — w formie rozmowy, w której każdy dokłada swoją perspektywę.
- Wybór narzędzia: dla początkujących nie ma znaczenia (ChatGPT, Claude, Gemini) — wystarczy dobrze poznać jedno; wyjątkiem jest Copilot, którego lepiej unikać.
- Priorytetyzacja pomysłów na AI: zaczynać od zadań, które dobrze znasz i które zjadają dużo czasu; utrzymywać proporcję trzy „szybkie zwycięstwa” na jeden „duży efekt”.
- Kupić czy zbudować: krytyczne narzędzia biznesowe wciąż lepiej kupować — głównie ze względu na koszt utrzymania i bezpieczeństwo.
- Kiedy wystarczy zwykły czat, a kiedy potrzebny jest projekt, skill lub agent — decyduje częstotliwość i złożoność zadania.
- Jak pisać dobre prompty: dyktowanie zamiast pisania, framework „co – dlaczego – jak” oraz dołączanie przykładów i materiałów źródłowych.
- Jak wyciągnąć proces „z głowy”: odwrócony wywiad, w którym to AI zadaje pytania, a na końcu powstaje SOP lub skill.
- Jak ograniczać halucynacje: źródła, cytowania i zmiana „motywacji” modelu (pozwolenie na odpowiedź „nie wiem”).
- Kiedy zostawiać człowieka w pętli oraz jak bezpiecznie używać AI z poufnymi danymi firmy.
Redakcyjne tłumaczenie
Wprowadzenie
Dylan: Poprosiłem AI o przejrzenie mniej więcej 300 rozmów — zarówno z klientami, jak i z potencjalnymi klientami: rozmów rozpoznawczych oraz sesji doradczych dotyczących AI. Z tej analizy wyszło, że powtarza się w nich jakieś 25–50 tych samych pytań. Zdestylowałem je do dziesięciu — dziesięciu najczęstszych pytań, jakie słyszę na takich rozmowach. Do najczęstszych należą: „Którego modelu AI powinienem używać?”, „Kupować czy budować?” oraz „Jak sprawić, żeby AI przestała mnie okłamywać?”.
Zaprosiłem tu mojego znajomego Elliota, który też jest konsultantem AI, i wspólnie odpowiemy na te dziesięć pytań. To często są odpowiedzi, za które ludzie płacą — a wy dostajecie je w tym filmie za darmo. Będziemy się wymieniać: raz ja odpowiadam pierwszy, raz on.
(Informacja dodatkowa: „rozmowa rozpoznawcza”, ang. discovery call, to wstępna rozmowa handlowa, podczas której konsultant poznaje potrzeby klienta.)
Pytanie 1. Którego narzędzia AI używać do konkretnego zadania — ChatGPT, Claude, Gemini czy Copilot?
Dylan: Pierwsza myśl: jeśli możesz, nie używaj Copilota. Wiele osób jest do niego przywiązanych, bo tego akurat używa ich firma. Ale Copilot często nie radzi sobie z zadaniami o długim horyzoncie — czyli nie potrafi skutecznie pracować w poprzek wielu dokumentów, systemów i tak dalej, tak jak potrafiłbyś ty, korzystając z ChatGPT albo Claude.
Każdy model i każde narzędzie zbudowane wokół niego sprawdza się w różnych zastosowaniach różnie z miesiąca na miesiąc. Jeśli ChatGPT wypuści nowy model, może warto go użyć; jeśli pracujesz na Claude — podobnie. Ale morał dla większości ludzi, z którymi rozmawiam, zwłaszcza początkujących, jest taki: nie przejmuj się narzędziem. Po prostu dobrze opanuj jedno. Naprawdę nie ma to znaczenia — możesz używać Claude, ChatGPT czy Gemini. Znaczenie ma tylko to, żeby nie używać Copilota. Wybierz jedno z tej wielkiej trójki, opanuj je porządnie, a gdy już będziesz w nim dobry, bez trudu przesiądziesz się na pozostałe.
Elliot: Zgadzam się. Też unikałbym Copilota, gdybym mógł. Mam jednak swoje preferencje. Są zastosowania, do których lubię Claude — zwłaszcza praca nad projektowaniem wizualnym. Uważam, że ChatGPT, przynajmniej do wersji 5.5, nie był w tym najlepszy. Dlatego do pracy wizualnej — prezentacji, grafik — używam Claude jako konia roboczego. Za to gdy chodzi o analizę danych czy zagłębianie się w szczegóły liczbowe, sięgam po ChatGPT. Są więc pewne niuanse, ale co do zasady się zgadzam: wybierz narzędzie, wgryź się w nie, naprawdę zrozum, jak działa, i od tego zacznij.
Pytanie 2. Mam kilka pomysłów na zastosowanie AI — od którego zacząć?
Elliot: Zacząłbym od najbardziej nieefektywnej rzeczy, jaką robisz w pracy albo w życiu. Czegoś, co zjada dużo czasu, ale co jednocześnie dobrze znasz. Wiele osób myśli, że AI jest straszne i że trzeba zaczynać od czegoś bardzo skomplikowanego. A można zacząć od procesu albo zadania, które znasz na wylot — bo wtedy wiesz, jak wygląda dobry rezultat. Jeśli dodatkowo zajmuje ono sporo czasu, to właśnie na tym się skup. Albo weź te elementy pracy, które są po prostu wkurzające i pochłaniają dużo czasu na czynności administracyjne. Ja jednak wolę zaczynać od zadań, które znasz dobrze — dzięki temu możesz porównać pracę AI ze swoją własną i wyciągnąć wnioski.
Dylan: Ja zwykle radzę myśleć w proporcji trzy do jednego: trzy szybkie zwycięstwa na jeden duży efekt. Jeśli masz dziesięć zadań, do których chcesz zaprząc AI, część z nich będzie trudna albo długo nie przyniesie widocznej wartości. Dlatego wcześniej zrób coś prostego — szybkie zwycięstwo, nisko wiszący owoc, który od razu daje efekt. Budujesz w ten sposób zaufanie do siebie i swojej umiejętności posługiwania się narzędziami, ale też zaufanie do samych narzędzi, że działają skutecznie i niezawodnie. Więc: trzy szybkie zwycięstwa, potem jeden duży projekt — i tak na przemian.
Pytanie 3. Kupić gotowe narzędzie, dostosować istniejące czy zbudować od zera?
Dylan: Ja to pytanie rozumiem jako „kupować czy budować”. To częsty temat, zwłaszcza w kontekście tego, że wiele z tych narzędzi — jak Claude Code, Claude Code w wersji dla nietechnicznych użytkowników czy ChatGPT w wersji biznesowej — bardzo dobrze radzi sobie z budowaniem aplikacji, prototypów i tak dalej.
(Informacja dodatkowa: w oryginale słychać „Cloud Code” — to błąd automatycznej transkrypcji; chodzi o Claude Code, narzędzie Anthropic do pracy z kodem i zadaniami.)
To sprawia wrażenie, że budowanie jest bardzo łatwe. I na początku faktycznie jest — ale większości osób, z którymi pracuję, i tak radzę raczej kupować oprogramowanie, które jest krytyczne dla ich biznesu. Naprawdę ważne narzędzia zaplecza wciąż lepiej kupować. Powód to utrzymanie. Zbudować coś jest fajnie, ale utrzymywać bazę danych, dbać o bezpieczeństwo, poprawiać błędy — to udręka, i właśnie za to płacisz dostawcy oprogramowania. Dlatego zwykle radzę kupować, choć to się będzie zmieniać. Zapytaj mnie o to samo za pół roku, a odpowiedź może być inna.
Elliot: Bywają sytuacje, w których możesz szybko coś sklecić, żeby zademonstrować pomysł albo pokazać go wewnątrz firmy — to daje dobre wyobrażenie o tym, jak mogłaby wyglądać przyszłość i twoje procesy. Ale bardzo często, jeśli chodzi o szerszy proces czy wdrożenie, lepiej po prostu kupić gotowe rozwiązanie.
Pytanie 4. Kiedy wystarczy zwykły czat, a kiedy potrzeba czegoś bardziej zaawansowanego — projektu, skilla, agenta lub automatyzacji?
Elliot: To zależy od tego, jak często coś robisz i jak bardzo jest to złożone. Do jednorazowego zadania nie potrzebujesz całego projektu, skilla ani agenta — po prostu porozmawiaj z modelem w czacie i sprawdź, co chcesz osiągnąć. To zupełnie w porządku. Jeśli coś jest powtarzalne — robisz to trzy, cztery czy więcej razy — bardzo pomocny bywa projekt, bo w jego szczegółach możesz zawrzeć kontekst, instrukcje wykonania zadania oraz przykłady tego, jak wygląda dobry wynik. To podnosi jakość efektów.
Jeśli coś składa się z wielu kroków, wtedy zaczynasz korzystać ze skilli — bo skill może zawierać wiele osobnych zadań, które łączą się w jeden proces. Zanim jednak zbudujesz skill, upewnij się, że proces, który stworzyłeś w projekcie, działa dobrze — a potem zapakuj go w skill, którego możesz używać często i którym możesz też dzielić się z innymi zespołami.
A agenci? Tam wchodzą wtedy, gdy chcesz wykorzystać inteligencję modelu — wybór modelu oraz to, jak szybko i sprawnie zadanie ma być wykonane. Ale agenci to w gruncie rzeczy pliki markdown, ewentualnie pakiet skilli razem. To, co nazywamy agentem, a co skillem, bywa więc wymienne.
Dylan: Zgadzam się, niewiele mogę dodać. Ja tylko trochę inaczej to ludziom tłumaczę. I nawiązując do agentów — tak naprawdę nikt do końca nie wie, czym agent jest. To po prostu skill i projekt połączone razem, nie ma w tym żadnej magii.
A tak tłumaczę projekty i skille: rzeczy jednorazowe — proste wyszukania i tym podobne — zawsze możesz zrobić w zwykłym czacie, w ChatGPT czy Claude. Projekt to dedykowana przestrzeń robocza: masz miejsce, w którym AI ma z góry przygotowane zadanie, otwierasz je i model robi swoje, bo jest do tego wewnątrz projektu przygotowany. A skille to rzeczy, które robisz w poprzek różnych projektów czy tematów. Przykład: pisanie ofert. Sposób, w jaki piszę ofertę — struktura, format, to, co podkreślam — jest taki sam niezależnie od klienta. Nieważne, czy klient działa w ochronie zdrowia, w finansach czy gdzie indziej, format i proces są te same. Mogę więc stworzyć skill do pisania ofert, a zmienną — temat — dopasowuję do konkretnego klienta. Oferta jest szyta na miarę, ale opiera się na tej samej powtarzalnej praktyce zawartej w skillu.
Pytanie 5. Co zawrzeć w promptcie, żeby za pierwszym razem dostać dobrą odpowiedź?
Dylan: Dwie zwięzłe rzeczy. Po pierwsze: dyktuj, zamiast pisać. Mów do AI, a nie klikaj. Dzięki temu szybciej przekazujesz swoje pomysły, ale też skuteczniej — bo przy takim „wyrzucaniu z siebie” tego, co chcesz osiągnąć, mimochodem dodajesz mnóstwo kontekstu. Po drugie: prosty framework, który nazywam „co – dlaczego – jak”. Trzy pytania, na które chcesz odpowiedzieć, to: co ma zrobić AI; dlaczego ma to zrobić — czyli dzielisz się intencją, po co w ogóle to robisz; oraz jak — czyli oczywiste ograniczenia, które chcesz nałożyć: punktory czy akapity, PDF czy prezentacja i tak dalej.
Elliot: Dodałbym do tego jeszcze materiały referencyjne — źródła albo przykłady tego, co chcesz uzyskać, jeśli takie istnieją — żeby model wiedział, jak wygląda dobry rezultat. Zwłaszcza gdy projektujesz slajdy albo masz konkretny format wyjścia, podanie przykładów istniejących dokumentów czy slajdów bardzo poprawia efekt. Jeśli jednak zaczynasz zupełnie od zera, na czystym polu, to opisane wcześniej struktury też się sprawdzają.
Pytanie 6. Jak nauczyć AI procesu, który istnieje wyłącznie w mojej głowie?
(Informacja dodatkowa: w tym miejscu autor robi krótką przerwę na promocję darmowej 30-dniowej serii mailowej z poradami o AI oraz swoich usług doradczych.)
Elliot: Traktuj AI jak najlepszego przyjaciela. Chcesz, żeby to ono przeprowadziło z tobą wywiad. Można to nazwać odwróconym wywiadem: AI zadaje pytania, a ty odpowiadasz. Poproś model, żeby przygotował na przykład 20 pytań i przeszedł z tobą przez cały proces od początku do końca — jak wyglądają dane wejściowe, jak zasilają one proces i jak wygląda wynik. Idź krok po kroku, zacznij od samego początku i opowiadaj tak, jakbyś tłumaczył to nowej osobie w zespole — komuś, kto nie wie nic o twoich procesach ani o twoim biznesie. Rób to też w trybie głosowym. To daje modelowi bogaty kontekst i podpowiada mu, jakie pytania zadać dalej. Po przejściu przez ten iteracyjny proces na końcu masz gotowy dokument — coś w rodzaju procedury (SOP) — który możesz zamienić w skill wielokrotnego użytku.
(Informacja dodatkowa: SOP, ang. standard operating procedure, to standardowa procedura operacyjna — spisany, powtarzalny opis wykonania zadania.)
Dylan: Zgadzam się w stu procentach, to dokładnie moja odpowiedź. W skrócie: rób wywiady z AI tak często, jak się da, w niemal każdym zastosowaniu. Często mamy w głowie pomysły, które chcemy przekazać, ale trudno nam je skutecznie wyartykułować i opisać konkretny proces. AI może to z twojej głowy wydobyć, zadając jedno pytanie naraz, a ty odpowiadasz. Na końcu dostajesz specyfikację, którą wgrywasz do AI.
Elliot: Jest tu jeden niuans: jeśli zadanie jest banalnie proste, odwrócony wywiad to przesada. Do szybkiej odpowiedzi nie rób odwróconych wywiadów — po prostu porozmawiaj z AI naturalnie, głosem, i tyle. Ale do większości pozostałych rzeczy odwrócone wywiady są znakomite.
Pytanie 7. Jak powstrzymać AI przed zmyślaniem faktów, źródeł i liczb?
(Informacja dodatkowa: chodzi o halucynacje — sytuacje, w których model podaje nieprawdziwe informacje z pełnym przekonaniem.)
Elliot: Po pierwsze, sam podaj źródła informacji — czy to dane wewnętrzne z bazy, dokument, czy PDF. Wskaż dokładnie, skąd model ma czerpać. Po drugie, każ mu cytować: jeśli informacja pochodzi z internetu, niech dołączy URL albo link, żebyś mógł to zweryfikować. Po trzecie, daj modelowi wyraźnie do zrozumienia, że wolno mu powiedzieć „nie wiem”. To zresztą bardzo ludzkie — jeśli rozmawiasz z kimś, kto nie jest pewien, czy może przyznać się do niewiedzy, musisz stworzyć przestrzeń, w której powiedzenie „nie wiem” jest w porządku. Z AI działa to tak samo: zawrzyj to w promptach i instrukcjach. I ostatnia rzecz: jeśli to możliwe, pozwól modelowi sięgnąć do internetu po zewnętrzne, aktualne informacje, zamiast opierać się wyłącznie na wiedzy z danych treningowych. AI bywa wytrenowane tylko do pewnej daty i będzie próbowało z tej wiedzy korzystać, halucynując na jej podstawie.
Dylan: W pełni się zgadzam. Dodam kilka elementów i ujmę to po swojemu. Są tu trzy filary: źródła, cytowania i motywacje.
Źródła to dokumenty. W zadaniach polegających na wyciąganiu danych masz zwykle stertę PDF-ów, arkuszy Excela i tak dalej, z których AI ma pobrać informacje, przeanalizować je i przenieść gdzie indziej. To bardzo częsty przypadek. W tym procesie AI może czerpać informacje z trzech miejsc: z dokumentów, które mu dałeś, z internetu albo z własnej „głowy”. Nie chcemy internetu i nie chcemy jego głowy — chcemy wyłącznie dokumentów. To właśnie „ugruntowanie” AI: mówisz mu wprost, że informacje ma brać tylko z tych dokumentów i skądinąd nie.
Cytowania to szybki audyt tego, co AI wytworzyło. Model często zwraca dużo treści, ale ty chcesz osobny dokument — rodzaj raportu, który da się szybko sprawdzić. Możesz powiedzieć: wszystkie liczby w tym raporcie umieść w dokumencie z cytowaniami, gdzie zapiszesz, skąd je wziąłeś — sekcja, numer strony. Wtedy rzucasz okiem na taki załącznik i od razu widzisz, czy dane się zgadzają ze źródłem.
Motywacje — to nawiązanie do słów Elliota. Jedynym celem AI w życiu jest cię zadowolić, a robi to, udzielając odpowiedzi. Jeśli zadasz pytanie, na które model nie zna odpowiedzi, prawdopodobnie zapełni lukę, bo chce zaspokoić twoją potrzebę — woli dać jakąkolwiek odpowiedź niż żadną. Dlatego chcemy zmienić tę motywację: powiedz modelowi, że wolisz brak odpowiedzi niż zmyśloną. Niech napisze „nie jestem pewien” albo „nie znaleziono” zamiast wypełniać lukę. Podsumowując: źródła, cytowania, motywacje.
Pytanie 8. Które części procesu powinno obsługiwać AI, a które zwykłe reguły, formuły lub kod?
Dylan: Kiedy patrzysz na proces złożony z, powiedzmy, dziesięciu kroków, może się okazać, że osiem z nich da się zrobić zwykłym kodem, a nie AI, i tylko dwa naprawdę wymagają AI. Zawsze powtarzam klientom: jeśli możesz użyć kodu, użyj kodu. Bo kod jest niezawodny, szybki i tani. AI bywa natomiast zawodne, drogie i czasem wolne — a to nie zawsze się nadaje do danego procesu. Przy tym AI może napisać ten kod za ciebie; nie musisz umieć programować. To jedna z pięknych stron AI. Możesz po prostu powiedzieć: „Chcę, żeby ta część procesu była zautomatyzowana kodem, a nie AI, bo jest deterministyczna” — czyli to samo, co wchodzi, zawsze daje to samo na wyjściu. Dwa plus dwa to zawsze cztery.
Elliot: W pełni się zgadzam. Ja lubię umieszczać kod również w swoich skillach. Panuje częste przekonanie, że skill to tylko zbiór instrukcji po angielsku, w ludzkim języku — ale możesz w nim zawrzeć też skrypty. Dzięki temu skill ma jeden element determinizmu, a jednocześnie daje AI przestrzeń, by pomyślało i wykorzystało swoją inteligencję tam, gdzie to potrzebne. Jest więc czas i miejsce na jedno i na drugie — i to jest piękno skilli, że łączą oba podejścia w jeden dopracowany proces.
Pytanie 9. Kiedy człowiek powinien sprawdzić pracę AI, zanim wyśle e-mail albo coś zmieni?
(Informacja dodatkowa: to pytanie o tzw. utrzymanie człowieka w pętli — ang. human in the loop — czyli o to, kiedy decyzje AI wymagają zatwierdzenia przez człowieka.)
Elliot: Zawsze pytam o ryzyko: co się stanie, jeśli coś pójdzie źle, a AI działa w pełni autonomicznie i coś wysyła albo robi bez człowieka w pętli. Myślę najpierw o ryzyku reputacyjnym — jeśli na przykład model przetwarza e-maile i przygotowuje ich wersje robocze, chcesz się upewnić, że nie halucynuje i nie wypisuje bzdur. Wtedy człowiek w pętli jest potrzebny. Podobnie, gdy AI dotyka produkcyjnych baz danych albo czegoś, co pociągnie za sobą dalsze konsekwencje. Natomiast tam, gdzie tak naprawdę nie ma znaczenia, jaki będzie wynik, człowiek w pętli nie jest szczególnie istotny — nie musisz sprawdzać całego wyniku, możesz pozwolić AI przetworzyć dane. Dotyczy to też sytuacji, gdy model wielokrotnie wykonał dany proces poprawnie i już mu ufasz — wtedy możesz usunąć człowieka z pętli albo sprawdzać tylko wybrane fragmenty.
Dylan: Mój dodatek: to wszystko sprowadza się do ryzyka. To, o czym mówił Elliot, to właśnie ryzyko, a występuje ono w trzech postaciach: prawnej, finansowej i reputacyjnej. Jeśli zadanie może mocno odbić się na twojej firmie pod względem prawnym, finansowym albo wizerunkowym, upewnij się, że na samym końcu jest człowiek, który przybija pieczątkę akceptacji, zanim rzecz pójdzie w świat.
Pytanie 10. Jak bezpiecznie używać AI z poufnymi informacjami firmy?
Dylan: Sztuka polega przede wszystkim na tym, żeby być na właściwym planie. Jeśli korzystasz z planu enterprise w narzędziach takich jak ChatGPT czy Claude, mają one wbudowane mnóstwo mechanizmów zgodności i są zwykle tak samo bezpieczne jak każde inne oprogramowanie chmurowe, którego używasz. Jeśli korzystasz z Google Drive, tam obowiązują podobne zasady bezpieczeństwa i prywatności. Więc po pierwsze: weź plan enterprise.
Po drugie — zależnie od branży. Jeśli działasz w ochronie zdrowia albo gdzieś, gdzie zgodność i regulacje są bardzo restrykcyjne, istnieją specjalne umowy, które możesz podpisać z OpenAI i Anthropic, dające zerową retencję danych. Zerowa retencja bywa wymagana w mocno regulowanych organizacjach. Ale szczerze — u jakichś 80% osób, z którymi pracuję, i pewnie u większości oglądających, dane, które macie, spokojnie można przekazywać do tych narzędzi bez obawy, że trzeba je anonimizować czy zaczerniać. Nie martwiłbym się tym zbytnio, chyba że należysz do mniejszości — a większość z was do niej nie należy, nawet jeśli tak wam się wydaje.
(Informacja dodatkowa: zerowa retencja danych — ang. zero data retention — oznacza, że dostawca nie przechowuje treści twoich zapytań po ich przetworzeniu.)
Warunki: właściwy plan i wyłączone ustawienie, w którym dane trafiają do trenowania przyszłych wersji modelu. Każde z tych narzędzi ma taką opcję. Nie pamiętam dokładnego brzmienia, ale zawsze znajdziesz ją w sekcji kontroli danych albo prywatności w ustawieniach. Po prostu ją wyłącz — i w zasadzie jesteś gotowy.
Elliot: Nic bym tu nie dodawał.
Dylan: I to tyle. Do zobaczenia następnym razem, internecie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Nie przejmuj się wyborem narzędzia — opanuj jedno (ale nie Copilota)
Na czym polega: Dla początkujących różnica między ChatGPT, Claude i Gemini jest drugorzędna. Kluczowe jest wybranie jednego i biegłe opanowanie go, bo umiejętności przenoszą się na pozostałe. Wyjątkiem jest Copilot, który słabiej radzi sobie z zadaniami rozłożonymi na wiele dokumentów i systemów.
Jak stosować: Wybierz jedno z wielkiej trójki i używaj go do wszystkiego przez najbliższe tygodnie, aż poczujesz jego mocne i słabe strony. Dopiero potem eksperymentuj z resztą.
Na co uważać: Rankingi modeli zmieniają się z miesiąca na miesiąc — do pracy wizualnej często lepszy bywa Claude, do analizy danych ChatGPT. Jeśli firma narzuca ci Copilota, sprawdź, czy naprawdę musisz go używać do złożonych zadań.
2.Zacznij od procesu, który dobrze znasz i który zjada dużo czasu
Na czym polega: Najlepszy pierwszy przypadek użycia to zadanie czasochłonne, które znasz na wylot — bo tylko wtedy potrafisz ocenić, czy AI zrobiło je dobrze.
Jak stosować: Wypisz swoje pomysły i wybierz ten, który jednocześnie pochłania najwięcej czasu i który znasz najlepiej. Porównaj wynik AI ze swoim własnym.
Na co uważać: Nie zaczynaj od najbardziej skomplikowanego projektu „na pokaz” — ryzykujesz, że długo nie zobaczysz wartości i stracisz zapał.
3.Trzymaj proporcję trzy szybkie zwycięstwa na jeden duży efekt
Na czym polega: Naprzemienne łączenie łatwych, szybkich wdrożeń z jednym dużym projektem buduje zaufanie do siebie i do narzędzi, zanim zainwestujesz w coś trudnego.
Jak stosować: Zaplanuj kolejność zadań tak, by po każdym dużym przedsięwzięciu wracać do trzech prostych, dających natychmiastowy efekt.
Na co uważać: Same „szybkie zwycięstwa” nie zmienią firmy — pilnuj, żeby duże projekty rzeczywiście wchodziły do kolejki, a nie były wiecznie odkładane.
4.Krytyczne oprogramowanie wciąż lepiej kupować niż budować
Na czym polega: AI ułatwia budowanie aplikacji, ale prawdziwy koszt to utrzymanie — bezpieczeństwo, baza danych, poprawianie błędów. Za to płacisz dostawcy gotowego oprogramowania.
Jak stosować: Buduj samodzielnie prototypy i narzędzia pomocnicze, żeby przetestować pomysł. Krytyczne systemy zaplecza kupuj.
Na co uważać: Łatwość budowania na starcie jest myląca. Ta rekomendacja może się zmieniać wraz z rozwojem narzędzi — weryfikuj ją co jakiś czas.
5.Dopasuj poziom narzędzia do częstotliwości i złożoności zadania
Na czym polega: Jednorazowe zadanie = zwykły czat. Powtarzalny proces (3–4+ razy) = projekt z kontekstem i przykładami. Proces wieloetapowy = skill. Agenci to w praktyce połączenie skilla i projektu.
Jak stosować: Najpierw dopracuj proces w projekcie, a dopiero działającą wersję zapakuj w skill, którym możesz się dzielić z zespołem.
Na co uważać: Nie buduj skilla ani agenta na zapas — do rzadkich, prostych rzeczy to przerost formy. Granica między „agentem” a „skillem” jest płynna, nie przywiązuj się do etykiet.
6.Dyktuj prompty i stosuj framework „co – dlaczego – jak”
Na czym polega: Mówienie do AI przekazuje więcej kontekstu niż pisanie. Struktura „co ma zrobić – dlaczego – jak (ograniczenia)” porządkuje polecenie.
Jak stosować: Włącz dyktowanie i po prostu opowiedz zadanie, świadomie odpowiadając na trzy pytania. Dołącz przykłady lub materiały źródłowe pokazujące pożądany rezultat.
Na co uważać: Sekcja „dlaczego” bywa pomijana, a to ona przekazuje intencję. Przy pracy „od zera”, gdy nie masz przykładów, tym staranniej opisz oczekiwany format.
7.Wyciągaj procesy z głowy przez odwrócony wywiad
Na czym polega: Zamiast opisywać proces samodzielnie, poproś AI, by zadało ci serię pytań (np. 20) i przeprowadziło cię przez cały workflow. Efektem jest gotowa procedura (SOP) lub skill.
Jak stosować: Użyj trybu głosowego i tłumacz proces tak, jakbyś szkolił nowego pracownika. Na końcu poproś o dokument podsumowujący.
Na co uważać: Do banalnych, jednorazowych zadań odwrócony wywiad to przesada — wystarczy zwykła rozmowa głosowa.
8.Ograniczaj halucynacje przez źródła, cytowania i zmianę „motywacji” modelu
Na czym polega: AI może czerpać informacje z podanych dokumentów, z internetu lub z własnej pamięci. Ugruntuj je wyłącznie na dokumentach, wymuszaj cytowania (strona, sekcja) i wprost zezwól na odpowiedź „nie wiem”.
Jak stosować: W instrukcji napisz, że dane mają pochodzić tylko z załączonych plików, oraz że wolisz brak odpowiedzi od zmyślonej. Poproś o osobny dokument z cytowaniami do szybkiego audytu.
Na co uważać: Model domyślnie „chce cię zadowolić” i zapełnia luki — bez wyraźnej zmiany tej motywacji będzie zmyślał. Zawsze weryfikuj liczby przy źródle.
9.Zostawiaj człowieka w pętli tam, gdzie ryzyko jest prawne, finansowe lub reputacyjne
Na czym polega: Poziom nadzoru powinien zależeć od skutków błędu. Wysyłanie e-maili, dotykanie baz produkcyjnych czy decyzje o dużych konsekwencjach wymagają zatwierdzenia przez człowieka; przy zadaniach bez znaczenia można dać AI autonomię.
Jak stosować: Zanim uruchomisz autonomiczny proces, zadaj pytanie: co się stanie, jeśli AI się pomyli? Przy wysokim ryzyku dodaj krok akceptacji na końcu.
Na co uważać: Zaufanie buduj stopniowo — autonomię zwiększaj dopiero po wielokrotnym poprawnym wykonaniu. Nie myl braku widocznych skutków z brakiem ryzyka reputacyjnego.
10.Bezpieczne używanie danych firmowych zaczyna się od planu i ustawień prywatności
Na czym polega: Plan enterprise w ChatGPT czy Claude ma wbudowane mechanizmy zgodności porównywalne z innym oprogramowaniem chmurowym. Kluczowe jest też wyłączenie trenowania modelu na twoich danych w ustawieniach prywatności.
Jak stosować: Zapewnij plan enterprise, wejdź w sekcję kontroli/prywatności danych i wyłącz opcję trenowania na twoich treściach. W silnie regulowanych branżach podpisz z dostawcą umowę o zerowej retencji danych.
Na co uważać: Większość firm nie potrzebuje anonimizacji ani zaczerniania — ale jeśli działasz w ochronie zdrowia lub innej mocno regulowanej branży, standardowy plan może nie wystarczyć. Nie zakładaj, że jesteś wyjątkiem, ale też nie lekceważ realnych wymogów prawnych swojej branży.