O czym jest ten film
- Dlaczego dostęp do tych samych modeli AI nie daje przewagi konkurencyjnej
- Znaczenie kontekstu specyficznego dla firmy jako kluczowego wyróżnika
- Czterostopniowy system budowania inteligentnego kontekstu AI
- Praktyczne wdrożenie systemu na przykładzie tworzenia ofert biznesowych
- Wykorzystanie agentów desktopowych do automatyzacji procesu uczenia AI
Redakcyjne tłumaczenie
Dylan Davis, prowadzący firmę konsultingową zajmującą się sztuczną inteligencją, rozpoczyna od kluczowej obserwacji: największy konkurent płaci za dokładnie ten sam model AI, co ty. Kiedy pojawia się inteligentniejszy model, oboje otrzymujecie go tego samego dnia. Problem polega na tym, że większość firm korzystających z AI zbliża się do średniej – wszyscy używają podobnych danych wejściowych i otrzymują podobne wyniki.
Autor wyjaśnia, że przy pracy z AI przekazujemy systemowi trzy elementy. Pierwszy to model – każdy może wynająć ten sam model, wybierając odpowiedni poziom rozumowania. Drugi element to prompt, którego wartość maleje wraz ze wzrostem inteligencji modeli, ponieważ nowoczesne systemy AI potrzebują przede wszystkim bogatego kontekstu, a nie szczegółowych instrukcji. Prompty można łatwo skopiować w ciągu tygodnia lub dwóch.
Trzeci element – kontekst – jest tym, co naprawdę wyróżnia firmę od konkurencji. Davis wprowadza pojęcie “zademonstrowanego wykonania” (demonstrated execution), które opisuje specyficzny sposób pracy danej osoby czy organizacji wraz ze wszystkimi niuansami i subtelnościami.
Przykłady cennego kontekstu obejmują: zdania użyte podczas rozmów sprzedażowych, które przekonały wahających się klientów; wiedzę o tym, które zlecenia przyjmować, a których unikać ze względu na koszty; poprawki wprowadzane do wyników generowanych przez AI; oraz nieudokumentowane zasady działania firmy, które istnieją tylko w głowach pracowników.
Davis podkreśla różnicę między “dużą ilością kontekstu” a “właściwym kontekstem”. Często firmy przekazują AI setki plików, z których wiele jest nieaktualnych lub zawiera dziesiątki stron nieistotnych informacji. W rzeczywistości w tych dokumentach może być tylko kilka kluczowych zdań, które AI powinno znać, ale może je przeoczyć w natłoku informacji.
Rozwiązaniem jest “koło zamachowe kontekstu” – czterostopniowy proces, który Davis ilustruje na przykładzie tworzenia ofert biznesowych. Wymaga to użycia agentów desktopowych, takich jak Claude CoWork lub Codex od OpenAI.
Pierwszy krok to nagrywanie wszystkiego – każde spotkanie powinno być transkrybowane, ponieważ te transkrypcje stanowią cenne źródło kontekstu dla przyszłych decyzji. Transkrypcje należy zapisywać w określonej lokalizacji, na przykład w folderze dla danego typu rozmów lub podzielone według klientów i projektów.
Drugi krok to dokumentowanie wyników. Po zakończeniu działania – na przykład gdy klient przyjmie lub odrzuci ofertę – należy uruchomić specjalny prompt. Davis przedstawia szablon, w którym informujemy AI o wyniku, dzielimy się naszą interpretacją przyczyn tego wyniku, a następnie prosimy AI o własną analizę na podstawie dostępnych transkrypcji i dokumentów. Po uzgodnieniu wniosków, AI dokumentuje wszystko w pliku wyników, zawierającym opis transakcji, typ klienta, rodzaj pracy, wielkość transakcji oraz dwa zdania wyjaśniające przyczyny sukcesu lub porażki.
Trzeci krok to poprawki. Gdy AI generuje treści i wprowadzamy korekty, system powinien je automatycznie dokumentować w pliku poprawek. Davis podaje przykład: jeśli AI umieszcza cennik na stronie szóstej, a my wolimy go na pierwszej stronie, ta preferencja zostaje zapisana i stosowana w przyszłości.
Czwarty element to “baza domowa” – struktura folderów, gdzie przechowywane są wszystkie informacje. Dla ofert tworzy się folder zawierający: plik instrukcji (claude.md dla Claude lub agents.md dla Codex), podfolder z przykładami zwycięskich ofert, transkrypcje rozmów z klientami, plik wyników oraz plik poprawek.
Davis przedstawia również główny prompt do tworzenia nowych ofert. AI najpierw analizuje zwycięskie przykłady, następnie szuka w pliku wyników dwóch lub trzech podobnych transakcji (pod względem typu klienta, rodzaju pracy i wielkości), studiuje ich szczegóły, czyta plik poprawek, aby uniknąć błędów, i dopiero wtedy tworzy nową ofertę. Kluczowe jest ograniczenie – AI nie czyta wszystkich transkrypcji, tylko te związane z najbardziej podobnymi transakcjami, aby nie przeciążyć swojego okna kontekstowego.
Autor zaleca przeprowadzanie miesięcznych audytów, podczas których AI analizuje plik wyników, grupuje podobne transakcje, porównuje zwycięstwa z porażkami i sugeruje ulepszenia procesu.
Podsumowując, Davis podkreśla, że podczas gdy wszyscy mają dostęp do nowych modeli w tym samym czasie i otrzymują podobne wyniki przy podobnych danych wejściowych, firmy stosujące koło zamachowe kontekstu zyskują efekt kumulacji. Z każdym nowym modelem i każdą iteracją procesu, ich przewaga rośnie, ponieważ wzbogacają kontekst o specyficzne dla siebie sposoby pracy.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Kontekst jest prawdziwą przewagą konkurencyjną w AI
Na czym polega: Nie model AI ani prompty dają przewagę, ale unikalny kontekst organizacyjny – sposób pracy, doświadczenia, zasady działania specyficzne dla twojej firmy.
Jak stosować: Zamiast polegać tylko na ogólnych promptach, zbieraj i dokumentuj specyficzne dla swojej firmy sposoby rozwiązywania problemów, udane strategie sprzedażowe, wewnętrzne zasady podejmowania decyzji.
Na co uważać: Nie wrzucaj do AI wszystkich dokumentów firmowych na raz – wybieraj tylko istotny kontekst dla konkretnego zadania.
2.Nagrywaj i transkrybuj wszystkie spotkania
Na czym polega: Każde spotkanie biznesowe powinno być automatycznie nagrywane i transkrybowane, tworząc bazę wiedzy kontekstowej.
Jak stosować: Ustaw domyślne nagrywanie w narzędziach do spotkań online, używaj narzędzi do automatycznej transkrypcji, organizuj transkrypcje w folderach według typu rozmowy lub klienta.
Na co uważać: Pamiętaj o zgodach na nagrywanie, RODO i bezpiecznym przechowywaniu wrażliwych danych biznesowych.
3.Dokumentuj nie tylko wyniki, ale też ich przyczyny
Na czym polega: Po każdej ważnej decyzji biznesowej zapisuj nie tylko co się stało, ale przede wszystkim dlaczego tak się stało według twojej oceny.
Jak stosować: Stwórz szablon dokumentowania: opis sytuacji, wynik, twoja interpretacja przyczyn, analiza AI, uzgodnione wnioski.
Na co uważać: Bądź szczery w analizie porażek – to one często dostarczają najcenniejszych lekcji dla AI.
4.Używaj agentów desktopowych do automatyzacji
Na czym polega: Agenty desktopowe jak Claude CoWork czy Codex mogą samodzielnie aktualizować swoje pliki wiedzy i uczyć się z każdej interakcji.
Jak stosować: Zainstaluj odpowiedniego agenta, stwórz strukturę folderów, napisz pliki instrukcji (claude.md lub agents.md) z regułami działania.
Na co uważać: Regularnie sprawdzaj, co agent dodaje do plików wiedzy, aby upewnić się, że zapisuje istotne informacje.
5.Twórz plik poprawek dla powtarzalnych zadań
Na czym polega: Każda korekta wprowadzona do pracy AI powinna być automatycznie zapisywana, aby system nie powtarzał tych samych błędów.
Jak stosować: Ustaw instrukcję dla AI, aby dokumentowało znaczące poprawki w dedykowanym pliku, sprawdzając czy dana korekta nie została już zapisana.
Na co uważać: Zapisuj tylko istotne, powtarzalne poprawki, nie jednorazowe dostosowania specyficzne dla konkretnego zadania.
6.Ograniczaj kontekst do najbardziej relevantnych przykładów
Na czym polega: AI ma ograniczone okno kontekstowe – zamiast wczytywać wszystkie dane, wybieraj 2-3 najbardziej podobne przypadki z przeszłości.
Jak stosować: Przy każdym nowym zadaniu każ AI znaleźć najbardziej podobne przykłady według kryteriów: typ klienta, rodzaj pracy, wielkość projektu.
Na co uważać: Nie przeciążaj AI tysiącami dokumentów – to pogarsza jakość wyników zamiast ją poprawiać.
7.Przeprowadzaj miesięczne audyty wyników
Na czym polega: Regularnie analizuj z AI zebrane dane o sukcesach i porażkach, szukając wzorców i możliwości poprawy.
Jak stosować: Raz w miesiącu każ AI pogrupować podobne przypadki, porównać wygrane z przegranymi, zasugerować ulepszenia procesów.
Na co uważać: Nie ignoruj niewygodnych wniosków – często wskazują na największe możliwości poprawy.
8.Wydobądź nieudokumentowane zasady z głów pracowników
Na czym polega: Wiele cennych zasad biznesowych istnieje tylko w umysłach doświadczonych pracowników – trzeba je wydobyć i przekazać AI.
Jak stosować: Przeprowadź wywiady z kluczowymi pracownikami, pytaj o nieoczywiste zasady podejmowania decyzji, dokumentuj wyjątki i specjalne przypadki.
Na co uważać: Niektóre zasady mogą być przestarzałe lub błędne – weryfikuj ich aktualność przed wdrożeniem.
9.Buduj bibliotekę zwycięskich przykładów
Na czym polega: Zbieraj i kategoryzuj przykłady udanych projektów, ofert, rozwiązań jako wzorce dla AI.
Jak stosować: Stwórz folder z przykładami, dbaj o ich różnorodność, aktualizuj regularnie, usuwaj przestarzałe.
Na co uważać: Nie kopiuj bezmyślnie starych sukcesów – rynek i klienci się zmieniają.
10.Traktuj AI jako system uczący się, nie narzędzie
Na czym polega: Zamiast używać AI do jednorazowych zadań, buduj system, który staje się mądrzejszy z każdym użyciem.
Jak stosować: Wdrażaj koło zamachowe kontekstu, pozwól AI uczyć się z każdej interakcji, regularnie aktualizuj bazę wiedzy.
Na co uważać: System wymaga początkowej inwestycji czasu – efekty kumulują się w czasie, nie pojawiają się natychmiast.