O czym jest ten film
- Zdanie „próbowałem AI i to u mnie nie działa” prawie zawsze oznacza źle dobrane zadanie, a nie słabe narzędzie.
- Do standardowego pytania o zwrot z inwestycji („co zabiera mi najwięcej czasu?”) trzeba dołożyć drugie: „czy AI w ogóle potrafi to dziś zrobić dobrze?”.
- Nie automatyzuje się całych zawodów, tylko pojedyncze zadania, na które ten zawód się rozkłada.
- Pytanie pierwsze: czy istnieje jasny cel i czy da się go sprowadzić do kryteriów zero-jedynkowych.
- Pytanie drugie: czy AI ma dostęp do wszystkiego, czego potrzebuje — łącznie z wiedzą, która siedzi tylko w głowie właściciela procesu.
- Pytanie trzecie: czy kształt zadania jest podobny — wejścia mogą się różnić, liczy się powtarzalna forma wyjścia.
- Pytanie czwarte: jaki jest koszt błędu — ryzyko finansowe, prawne i reputacyjne wyklucza pełną automatyzację.
- Pytanie piąte: czy potrzebna jest fizyczna obecność człowieka.
- Zadania trafiają do trzech koszyków: „rób od razu”, „człowiek w pętli”, „odłóż i wróć”.
- Zadania odłożone należy testować ponownie mniej więcej raz w miesiącu, bo modele szybko się poprawiają.
Redakcyjne tłumaczenie
Problem nie leży w narzędziu
Co tydzień ktoś mi mówi: „Spróbowałem AI. U mnie to po prostu nie zadziałało”. W dziewięciu przypadkach na dziesięć narzędzie było w porządku — po prostu skierowano je do niewłaściwego zadania.
Jeśli trafiłeś tu pierwszy raz: nazywam się Dylan, prowadzę firmę doradczą zajmującą się AI. To właśnie na doborze zadania moi klienci wygrywają albo przegrywają wdrożenie sztucznej inteligencji. Dlatego przedstawię pięć pytań, które szybko powiedzą ci, czy AI poradzi sobie z danym zadaniem. Przejdziemy je razem na prawdziwych przykładach, a na koniec pokażę błąd, przez który ludzie rezygnują o wiele za wcześnie.
Dwa pytania na start, a nie jedno
Kiedy zaczynasz pracę z AI, powinieneś zadać sobie dwa podstawowe pytania. Większość ludzi zadaje tylko jedno.
Pierwsze brzmi: co zabiera mi najwięcej czasu? Gdzie jest zwrot z inwestycji? Innymi słowy: do którego zadania warto w ogóle przykładać AI, żeby uzyskać największy efekt. To dobre pytanie na początek — sam zalecam klientom, żeby od niego zaczynali.
Ale trzeba do niego dołożyć drugie, znacznie częściej pomijane: czy AI faktycznie potrafi to zrobić dobrze?
Na to drugie pytanie można odpowiedzieć na dwa sposoby. Pierwszy to droga długoterminowa: zbudowanie intuicji wobec AI, czyli wyczucia, które problemy dają się — jak to nazywam — „zAIować”. Drugi to po prostu odpowiedzenie sobie na pięć pytań. Budowanie intuicji wymaga czasu i dużej ekspozycji na narzędzia, żeby wiedzieć, które zastosowania są podatne na automatyzację. Ale każdy musi od czegoś zacząć — i dlatego polecam start od tych pięciu pytań.
Najpierw zdefiniuj zadanie, nie zawód
Zanim przejdziemy do pytań, trzeba określić, co właściwie chcemy zautomatyzować albo wspomóc.
W rozmowach ludzie zwykle mówią o całych zawodach: „chcę wspomóc całą księgowość”. To dobra aspiracja, ale trzeba ją rozłożyć na części składowe. Księgowość nie jest jedną rzeczą — to zestaw zadań, które się na nią składają: dopasowywanie faktur, ściąganie przeterminowanych należności i wiele innych. Musimy wybrać jedno z tych zadań i dopiero dla niego, w konkretnej roli, odpowiedzieć na pięć pytań.
Pytanie 1. Czy istnieje jasny cel, który da się sprowadzić do „tak/nie”?
Gdy AI wykona za nas to zadanie, czy da się jednoznacznie stwierdzić, że wyszło dobrze albo źle? Czy potrafimy zdefiniować sukces zero-jedynkowo?
To bardzo ważne, bo im bardziej binarny jest wynik, tym szybciej rozpoznamy, że AI wykonało zadanie poprawnie — i tym łatwiej AI potrafi skrytykować samo siebie, zanim odda nam efekt.
Weźmy prosty przykład: AI pisze za nas odpowiedzi na maile od klientów. Pytanie binarne brzmi po prostu: czy AI odpowiedziało na pytanie klienta? Tak albo nie. Tutaj odpowiedź jest oczywista.
Trudniejszy przypadek: AI ma ustalić nasz budżet na następny kwartał. Tu prawdopodobnie istnieje szereg kryteriów binarnych, które łącznie składają się na odpowiedź „tak”. Jednym z nich może być pytanie, czy zaproponowany budżet mieści się w wyznaczonym przedziale — mamy dolną i górną granicę, więc: mieści się czy nie? A takich kryteriów jest więcej.
Jeśli twoje zadanie należy do tej drugiej kategorii, w której ocena „dobrze czy źle” jest rozmyta, możesz poprosić AI o pomoc w wypracowaniu kryteriów binarnych. Punktem wyjścia może być prosty prompt: poproś model, żeby pomógł ci przełożyć to, co uznajesz za dobrze wykonaną pracę przy tym zadaniu, na serię jednoznacznych kryteriów typu tak/nie. Szczerze mówiąc, zaskoczy cię, ile sensownych kryteriów binarnych AI potrafi wygenerować.
To nasze pierwsze pytanie: czy AI ma jasny cel i czy jest on binarny — albo czy da się go takim uczynić?
Pytanie 2. Czy AI sięgnie do wszystkiego, czego potrzebuje?
To punkt często pomijany, a krytyczny. Jeśli AI nie widzi informacji potrzebnych do wykonania zadania, cały wysiłek jest marnowany. Trzeba więc zapewnić modelowi dostęp do umów, skrzynki pocztowej, plików i tak dalej.
Bywa jednak, że AI ma dostęp do części potrzebnych rzeczy, a reszta siedzi w twojej głowie i nigdy nie została nikomu przekazana. Piękne w tym jest to, że i tu możemy posłużyć się AI.
Załóżmy, że masz w głowie dobrą definicję tego, kim jest wartościowy klient, ale nigdzie jej nie spisałeś. Możesz poprosić AI o przeprowadzenie z tobą wywiadu: model zadaje serię pytań, powiedzmy dziesięć do piętnastu, po jednym naraz. Każda twoja odpowiedź wyznacza kolejne pytanie i kieruje rozmową. Powstaje wymiana: pytanie — odpowiedź, pytanie — odpowiedź. Na końcu AI spisuje wszystko, co z tego wywiadu jest istotne dla przyszłych modeli. W ten sposób powstaje dokument, do którego AI ma dostęp.
(Informacja dodatkowa: to praktyka zwana czasem „ekstrakcją wiedzy ukrytej” — spisany efekt takiego wywiadu można potem dołączać jako stały kontekst do kolejnych promptów lub trzymać w pliku instrukcji projektu.)
Odpowiedź na to pytanie brzmi więc albo „tak” — wszystko jest udokumentowane i dostępne — albo „częściowo tak”: część jest dostępna, a część muszę wydobyć z własnej głowy poprzez wywiad z AI.
Pytanie 3. Czy kształt zadania jest podobny?
Tutaj wiele osób się myli, pytając: czy zadanie jest zawsze takie samo — identyczne wejście, identyczne wyjście? Jeśli tak, to pewnie nadaje się do automatyzacji.
Otóż przy AI wejście i wyjście wcale nie muszą być identyczne. Na tym polega jej przewaga: radzi sobie z niejednoznacznością. Liczy się tylko to, żeby kształt był zbliżony — czyli żeby oczekiwany od AI wynik miał tę samą formę, nawet jeśli dane wejściowe się różnią. Sam proces również może się nieco różnić.
Przykład: AI pisze za ciebie cykliczne podsumowanie po powtarzalnym spotkaniu. Struktura maila zawsze jest ta sama, ale dane w środku się zmieniają. Odbiorcy mogą być inni, wnioski mogą być inne, ale struktura pozostaje ta sama i typ spotkania też.
Jeśli spojrzymy na dane wejściowe — spotkanie poniedziałkowe może być krótsze niż czwartkowe, a na piątkowym poruszane są inne tematy i inny rodzaj rozmów. AI potrafi przyjąć całą tę zmienność, przepuścić ją przez ten sam proces i dojść do tego samego typu wyniku w bardzo spójny sposób.
Sedno tego pytania: kształt musi być podobny, ale nie musi być identyczny.
Pytanie 4. Ile kosztuje pomyłka?
Jeśli AI się pomyli, jak drogo to kosztuje mnie i moją organizację? Są trzy główne rodzaje ryzyka, których chcemy uniknąć — zwłaszcza przy pełnej automatyzacji: wysokie ryzyko finansowe, wysokie ryzyko prawne i wysokie ryzyko reputacyjne.
Zastrzeżenie dotyczy właśnie pełnej automatyzacji. Jeśli wstawisz AI w zadanie tak, że robi wszystko i całkowicie pomija człowieka — raczej nie chcesz, by wysyłało faktury klientom bez żadnej kontroli, bo może wysłać niewłaściwą. Przy takim zadaniu potrzebny jest człowiek w pętli.
Jeśli więc chcesz w pełni zautomatyzować coś obarczonego wysokim ryzykiem, odpowiedź brzmi: nie, tego nie należy oddawać AI.
Ale istnieje tu odpowiedź „częściowo tak”: AI wciąż może wspierać proces. Wykonuje za ciebie serię kroków, przygotowuje projekt odpowiedzi, a potem człowiek go sprawdza i decyduje, czy go wysłać. Dokładamy zabezpieczenie w postaci człowieka, a jednocześnie automatyzujemy część procesu i oszczędzamy mnóstwo czasu. Nawet jeśli odpowiedź na pełną automatyzację brzmi „nie”, wciąż może istnieć częściowe „tak”.
Pytanie 5. Czy człowiek musi być w pokoju?
Ostatnie pytanie jest bardzo proste: czy zadanie ma komponent fizyczny? Jeśli masz zabrać klienta na kolację, nie zlecisz tego AI — przynajmniej na razie. Jeśli masz przeprowadzić trudną rozmowę z pracownikiem twarzą w twarz, też tego nie zautomatyzujesz, choć podejrzewam, że wielu z was by chciało.
Jeśli AI nie może usiąść na tym krześle, oczywiście odkładamy to zadanie i nie próbujemy go w pełni automatyzować. Ale i tu jest częściowe „tak”: AI może pomóc w przygotowaniu do takich rozmów i negocjacji. Może mieć cały kontekst danej relacji i skutecznie cię przygotować — dać ci brief, przegląd liczb, listę prawdopodobnych obiekcji i tak dalej, zanim wejdziesz do pokoju.
Trzy koszyki: rób teraz, człowiek w pętli, odłóż
Mamy pięć pytań. Jak wykorzystać je od zaraz? Jak posegregować zadania? Są trzy możliwości.
Rób od razu. Jeśli odpowiedziałeś jednoznacznie „tak” na to, że cel jest jasny, a ryzyko niskie — czyli błąd AI niewiele kosztuje — takie zadania wrzucasz od razu do realizacji.
Człowiek w pętli. Cel jest jasny, ale ryzyko wysokie: finansowe, prawne albo reputacyjne. W takich wypadkach AI ma nas wspierać, a nie w pełni zastępować.
Odłóż i wróć. To zadania, w których brakuje jasnego celu i kryteriów binarnych. Są dwa główne powody, dla których zadanie tu trafia. Pierwszy: horyzont czasowy weryfikacji jest za długi — sprawdzenie, czy AI miało rację, zajmuje od pół roku do dwóch lat. Drugi: zadanie jest po prostu zbyt złożone — wymaga zbyt wiele osądu albo operuje na zbyt dużej ilości danych. Takie zadania odkładamy i zajmujemy się innymi.
Trzy prawdziwe przykłady
Pierwszy to jednoznaczne „tak”: AI pisze za nas maile z podsumowaniem po cyklicznym spotkaniu. Odpowiedź na wszystkie pięć pytań jest tu raczej twierdząca, więc możemy zaczynać od zaraz.
Drugi: AI wyciąga kluczowe zapisy z umów. Model jest w tym bardzo dobry, ale ryzyko jest wysokie. Chcemy więc mieć człowieka w pętli, który przynajmniej wyrywkowo sprawdzi wynik, zanim trafi on do klienta, dostawcy czy kogokolwiek innego. To częściowe „tak”.
Trzeci: AI pomaga ustalić, które transakcje warto prowadzić w następnym kwartale. Model może przejrzeć historyczne dane — dotychczasowe transakcje, cele przychodowe i tak dalej — zagregować to wszystko i zaproponować decyzję. Nie przyjmujemy tej decyzji bezkrytycznie, bo ryzyko jest wysokie. Ale też nie odkładamy zadania, bo AI wnosi tu realną wartość. Człowiek zostaje w pętli — mocno w pętli — i podejmuje ostateczną decyzję.
Odłożone nie znaczy odłożone na zawsze
Zadania, które trafiły do koszyka „odłóż”, warto przeglądać mniej więcej raz w miesiącu. Powód jest prosty: wielka trójka — Google, Anthropic i OpenAI — wypuszcza nowe modele co miesiąc i są one coraz lepsze. Gdy pojawia się nowy model, przetestuj takie zadanie ponownie. Często okaże się, że AI potrafi już wyznaczyć jasny cel i kryteria binarne, a nawet rozwiązać zadanie w sposób częściowo lub w pełni zautomatyzowany.
Podsumowanie
Na start zadajemy sobie dwa pytania. Pierwsze: czy w ogóle warto przykładać AI do tego zadania? Czy oszczędzę znaczącą ilość czasu albo odblokuję zupełnie nowe możliwości w organizacji? To pytanie zadaje wiele osób. Drugie, równie ważne, a często pomijane: czy AI w ogóle potrafi to dziś zrobić?
Następnie upewniamy się, że skupiamy się na pojedynczym zadaniu, a nie na całym zawodzie. Zawód składa się z wielu zadań — wyciągamy jedno i zadajemy sobie na jego temat pięć pytań, by ocenić jego podatność na AI.
Spośród tych pięciu jedno jest szczególnie istotne: czy istnieje jasny cel, do którego AI może dążyć, i czy składa się on z kryteriów binarnych, dzięki którym model potrafi sam ocenić swoje postępy.
I wreszcie: jeśli odpowiedź na niektóre pytania brzmi „nie”, nie znaczy to jeszcze, że AI nie może wspierać procesu. Może to oznaczać tylko tyle, że na dziś nie da się go w pełni zautomatyzować. Nie odkładaj zadania natychmiast — zapytaj najpierw, czy AI może ci w tym procesie pomóc, choćby częściowo. A jeśli już je odłożysz, wracaj do niego co najmniej raz w miesiącu, bo nowe modele są coraz sprawniejsze.
Na koniec
Jedna błędna odpowiedź potrafi wymazać dziesięć dobrych. Oddajesz zadanie, wszystko chodzi świetnie przez tydzień, a potem przechodzi jedna zła liczba — i znów sprawdzasz wszystko ręcznie. Wracasz do punktu wyjścia.
Jest sposób, żeby utrzymać AI w ryzach — pokazuję go w innym filmie.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zacznij od zadania, nie od zawodu
Na czym polega: „Zautomatyzuję księgowość” to nie jest cel wdrożeniowy. Zawód to zbiór zadań; kwalifikacji podlega pojedyncze zadanie, nie rola.
Jak stosować: Rozpisz wybraną rolę na listę konkretnych, powtarzalnych czynności (dopasowywanie faktur, monity o przeterminowane płatności, podsumowania spotkań) i dopiero każdą z nich oceniaj osobno.
Na co uważać: Rozbicie może być zbyt drobiazgowe — jeśli „zadanie” trwa dwie minuty raz w miesiącu, automatyzacja nie zwróci nakładu na jej przygotowanie.
2.Do pytania o ROI dołóż pytanie o wykonalność
Na czym polega: Większość ludzi pyta wyłącznie „gdzie tracę najwięcej czasu?”. Brakujące pytanie brzmi: „czy AI w ogóle potrafi to dziś zrobić dobrze?”.
Jak stosować: Zbuduj prostą macierz: oś wartości (ile czasu odzyskam) i oś wykonalności (wynik pięciu pytań). Zaczynaj od zadań wysokich na obu osiach.
Na co uważać: Zadania o największym ROI bywają jednocześnie najtrudniejsze i najbardziej ryzykowne. Rozpoczęcie od nich to najczęstsza droga do wniosku „AI u mnie nie działa”.
3.Bez binarnego kryterium sukcesu nie ma automatyzacji
Na czym polega: Im bardziej wynik da się ocenić zero-jedynkowo, tym szybciej wiesz, czy AI zrobiło zadanie dobrze — i tym skuteczniej model potrafi ocenić sam siebie przed oddaniem odpowiedzi.
Jak stosować: Dla każdego zadania zapisz listę pytań tak/nie, które łącznie oznaczają „zrobione dobrze”. Przy rozmytych zadaniach poproś model, żeby pomógł przełożyć twoją definicję dobrej pracy na takie kryteria.
Na co uważać: Kryteria wygenerowane przez AI trzeba przejrzeć — model potrafi zaproponować takie, które łatwo spełnić, a które nie wyłapują realnych błędów.
4.Sprawdź dostęp do danych, zanim zaczniesz
Na czym polega: Jeśli model nie widzi umów, skrzynki czy plików potrzebnych do zadania, cała reszta przygotowań jest bezużyteczna.
Jak stosować: Przed startem wypisz wszystkie źródła, których człowiek używa przy tym zadaniu, i sprawdź, do których AI faktycznie ma dostęp w twoim narzędziu.
Na co uważać: Dawanie modelowi szerokiego dostępu do skrzynki czy dysku to decyzja o poufności danych — warto ograniczyć zakres do tego, co naprawdę potrzebne do konkretnego zadania.
5.Wydobądź wiedzę z własnej głowy przez wywiad z AI
Na czym polega: Część kontekstu (np. definicja dobrego klienta) nigdy nie została spisana. Można poprosić model, żeby przeprowadził z tobą wywiad — 10–15 pytań, po jednym naraz, każde zależne od poprzedniej odpowiedzi — i na końcu spisał wnioski dla przyszłych sesji.
Jak stosować: Wyraźnie zaznacz w promptcie „jedno pytanie naraz” i poproś o końcowy dokument napisany pod odbiorcę-model, a nie pod człowieka.
Na co uważać: Model potrafi pójść w pytania powierzchowne. Traktuj efekt jak roboczy zapis do własnej redakcji, a nie gotowy standard operacyjny.
6.Liczy się kształt zadania, nie identyczność wejść
Na czym polega: AI nie wymaga identycznych danych wejściowych, bo radzi sobie z niejednoznacznością. Wystarczy, że oczekiwana forma wyniku jest powtarzalna.
Jak stosować: Szukaj zadań o stałej strukturze wyniku i zmiennej treści: podsumowania cyklicznych spotkań, notatki, standardowe odpowiedzi, ekstrakty z dokumentów.
Na co uważać: „Podobny kształt” nie oznacza „dowolny”. Jeśli w połowie przypadków oczekujesz zupełnie innego typu wyniku, to w rzeczywistości są dwa zadania i trzeba je rozdzielić.
7.Wysokie ryzyko wyklucza pełną automatyzację, nie wsparcie
Na czym polega: Trzy rodzaje ryzyka dyskwalifikują pełną automatyzację: finansowe, prawne i reputacyjne. Ale AI wciąż może wykonać kroki pośrednie i przygotować projekt do zatwierdzenia.
Jak stosować: Przy takich zadaniach projektuj proces jako „AI przygotowuje — człowiek zatwierdza i wysyła”, np. przy fakturach czy korespondencji zewnętrznej.
Na co uważać: Człowiek w pętli działa tylko wtedy, gdy naprawdę sprawdza. Po kilku tygodniach dobrych wyników zatwierdzanie staje się odruchowe — właśnie wtedy przechodzi błąd.
8.Fizyczna obecność to granica, ale przygotowanie już nie
Na czym polega: Kolacji z klientem ani trudnej rozmowy z pracownikiem nie zlecisz AI. Możesz jednak zlecić przygotowanie: brief, liczby, prawdopodobne obiekcje.
Jak stosować: Przed ważnym spotkaniem daj modelowi kontekst relacji i poproś o zwięzły brief z listą możliwych zastrzeżeń drugiej strony.
Na co uważać: Brief oparty na niepełnej historii relacji może zbudować fałszywe założenia. Traktuj go jako materiał do przemyślenia, nie scenariusz rozmowy.
9.Segreguj zadania do trzech koszyków
Na czym polega: Jasny cel + niskie ryzyko → rób od razu. Jasny cel + wysokie ryzyko → człowiek w pętli. Brak jasnego celu i kryteriów binarnych → odłóż.
Jak stosować: Prowadź jedną listę zadań z przypisanym koszykiem. Do koszyka „odłóż” trafiają zadania, w których weryfikacja trwa od pół roku do dwóch lat albo które wymagają zbyt wiele osądu.
Na co uważać: Zanim odłożysz zadanie, sprawdź, czy nie da się zautomatyzować choćby jego fragmentu — pochopne odkładanie całości to strata najłatwiejszych zysków.
10.Odłożone zadania testuj ponownie co miesiąc
Na czym polega: Google, Anthropic i OpenAI wypuszczają nowe modele w rytmie miesięcznym i ich możliwości rosną. Zadanie niewykonalne kwartał temu może być dziś wykonalne.
Jak stosować: Wpisz do kalendarza comiesięczny przegląd listy odłożonych zadań i po premierze nowego modelu przetestuj je ponownie na tym samym materiale.
Na co uważać: Testuj na powtarzalnym zestawie przykładów, inaczej nie odróżnisz realnej poprawy modelu od szczęśliwego trafu w pojedynczej próbie.