O czym jest ten film
- Autor twierdzi, że modele AI domyślnie przytakują użytkownikowi i uzasadniają każdy pomysł, zamiast go rzetelnie oceniać.
- W odpowiedzi zbudował skill do Claude Code, który uruchamia grupę fokusową złożoną z niezależnych agentów.
- Agenci nie są generycznymi personami — powstają jako kompozyty realnych klientów na podstawie transkryptów rozmów sprzedażowych.
- U autora panel zbudowano na 97 rozmowach sprzedażowych z ostatnich kilku miesięcy; powstało pięć awatarów.
- Sesja przebiega dwuetapowo: najpierw odruchowa reakcja, potem wypowiedź, której długość zależy od siły reakcji.
- Agent-moderator wyszukuje najostrzejsze rozbieżności w panelu i nie dokłada własnych opinii.
- W drugiej rundzie do dyskusji wracają wyłącznie ci agenci, którzy się nie zgadzają — sprawdzane jest, czy zmienią zdanie.
- Raport końcowy zawiera cytaty źródłowe oraz sekcję z tym, co konkretnie przekonałoby każdego opornego uczestnika.
- Awatary mają pamięć między sesjami i aktualizują się wraz z napływem nowych rozmów sprzedażowych.
- Trzy główne zastosowania: testowanie komunikacji, walidacja koncepcji przed budową produktu i analiza nieudanych premier.
Redakcyjne tłumaczenie
Problem: AI jako największy potakiwacz świata
Sklonowałem swoich najlepszych klientów w Claude Code i teraz mogę przetestować na nich dowolny pomysł, zanim trafi na rynek.
Większość ludzi sądzi, że sztuczna inteligencja jest obiektywna. W rzeczywistości to największy potakiwacz na świecie. Niezależnie od tego, jak dobry albo jak zły jest twój pomysł, model znajdzie sposób, żeby uzasadnić dokładnie to, co chcesz usłyszeć — po to, żeby cię nie zmartwić.
Dlatego zbudowałem skill, który zmusza Claude’a do szczerości. Pozwala zobaczyć, jak na twoją propozycję zareagowaliby prawdziwi klienci, bez tego przytakiwania. Wystarczy, że wkleisz treść landing page’a albo swoją ofertę, a skill uruchomi pełną grupę fokusową złożoną z niezależnych agentów AI, którzy zareagują i przeanalizują materiał.
(Informacja dodatkowa: „skill” w Claude Code to spakowany zestaw instrukcji i plików, który rozszerza działanie asystenta o konkretny, powtarzalny scenariusz pracy — coś w rodzaju wtyczki uruchamianej komendą.)
To nie są generyczne persony AI. Każdy z agentów w panelu to awatar zbudowany na kompozycie twoich realnych klientów. Oznacza to, że myślą tak, jak oni myślą, reagują tak, jak oni reagują, i używają tych samych słów oraz zwrotów. Kiedy uruchomiłem to u siebie, skill zbudował pięciu agentów na podstawie 97 rozmów sprzedażowych z ostatnich kilku miesięcy. Każdy z nich reaguje na ofertę zupełnie inaczej.
Jak przebiega sesja fokusowa
Zanim opowiem, w jaki sposób ten skill pozwala czytać w myślach klientów, pokażę, jak przebiega sama sesja.
Wystarczy wpisać komendę /focus-group i wkleić to, co chcesz przetestować. Dosłownie cokolwiek. Po zatwierdzeniu skill uruchamia osobne subagenty dla każdego miejsca przy twoim własnym, spersonalizowanym stole fokusowym.
Wszyscy agenci działają jednocześnie, ale są od siebie odizolowani. Marcus nie ma pojęcia, co powiedziała Dana — nie widzą nawzajem swoich reakcji.
Mają też dwa poziomy reakcji. Najpierw dostajesz szybki odruch: czy to w ogóle przykuło ich uwagę? Czy obchodzi ich to, co próbujesz z nimi przetestować? Dopiero potem pojawia się wypowiedź. Jeśli odruchowa reakcja brzmi „przeskanowałbym to wzrokiem”, dostajesz dwuwierszowe zbycie — dokładnie takie, jakie dałby ci prawdziwy człowiek. Jeśli natomiast agent reaguje mocno, obojętnie czy pozytywnie, czy negatywnie, dostajesz też pełne uzasadnienie.
Nad tym wszystkim stoi agent-moderator. Czyta każdą reakcję i wyciąga najostrzejsze rozbieżności. Nie dokłada żadnych własnych opinii — po prostu wskazuje, gdzie panel się dzieli.
W drugiej rundzie do sali wracają wyłącznie ci agenci, którzy się nie zgadzają. Każdy z nich widzi argument strony przeciwnej. Chodzi o to, żeby sprawdzić, czy osoba na ich pozycji faktycznie zmieniłaby zdanie.
Raport, który da się wykorzystać
Kiedy to się kończy, dostajesz podsumowanie, na którym możesz działać w 30 sekund. Znajdziesz tam streszczenie tego, co powiedzieli, oraz tego, czego zabrakło. Każdy werdykt jest podparty prawdziwym cytatem od twoich klientów.
Jest tam też sekcja, która sama w sobie jest warta całego tego skilla: co zmieniłoby zdanie każdego z opornych uczestników? Raport mówi wprost, co masz zmienić, żeby twoi klienci powiedzieli „tak”. Od tego momentu możesz też przemaglować każdego z agentów bezpośrednio w rozmowie.
Jak powstają awatary
Powtarzam, że ci agenci reagują jak twoi prawdziwi klienci — wyjaśnię więc dokładnie, jak skill ich buduje.
Każdy agent to awatar, czyli kompozyt twoich realnych klientów, zbudowany na danych z twojego biznesu. Przy pierwszym uruchomieniu skill czyta całą twoją bibliotekę nagranych rozmów sprzedażowych i rozprowadza po niej całą flotę subagentów. Każdy z nich czyta kilka transkryptów i wyciąga to, co faktycznie przewiduje zachowania zakupowe: dokładne słowa, jakimi klienci opisywali swoje problemy, wszystkie zgłoszone obiekcje, reakcje na moment, w którym pada cena, oraz to, kto jeszcze bierze udział w decyzji zakupowej. Do tego wyciąga ich prawdziwe wypowiedzi, słowo w słowo, i wrzuca je do banku cytatów.
Następnie grupuje tych realnych ludzi według tego, w jaki sposób kupują. Na tej podstawie powstają kompozytowe awatary. Za każdym awatarem muszą stać co najmniej trzy prawdziwe osoby, żeby żadne miejsce przy stole nie było kopią jeden do jednego konkretnego klienta. Jeśli twoje rozmowy dają podstawę tylko do dwóch czystych archetypów, dostaniesz tylko dwa. Skill nigdy nie dopcha panelu cienkimi awatarami po to, żeby wyglądał imponująco.
(Informacja dodatkowa: próg „minimum trzy osoby na awatar” ma dwie funkcje — chroni prywatność konkretnych klientów i zmniejsza ryzyko, że panel odzwierciedli idiosynkrazje jednej rozmowy zamiast realnego wzorca.)
Potem skill pokazuje ci, co znalazł, i pozwala zatwierdzić panel. Możesz zmieniać nazwy miejsc, łączyć je albo usuwać te, których nie chcesz. Następnie buduje z każdego awatara pełne dossier i zapisuje je jako plik markdown na twoim komputerze: kim są, jak kupują, mapa ich obiekcji, bank ponad 30 prawdziwych cytatów, które zakotwiczają sposób ich mówienia, oraz mapa zasięgu — o czym mogą, a o czym nie mogą się wypowiadać.
Pamięć i aktualizacja panelu
Każdy agent w panelu ma pamięć trwałą między sesjami, więc pamięta swoje wcześniejsze decyzje. Każdy prowadzi plik pozycji, uzupełniany po każdej przeprowadzonej sesji fokusowej. Dzięki temu agenci faktycznie pamiętają, co powiedzieli ostatnim razem, i nigdy nie zaprzeczają sami sobie między sesjami.
Pozostają też aktualni: przy każdej nowej rozmowie sprzedażowej skill odświeża dossier o nowe dane. A jeśli napłynie wystarczająco dużo rozmów, które nie pasują do żadnego z istniejących awatarów, skill sam zaproponuje nowe miejsce przy stole. Panel ewoluuje więc razem z twoim rynkiem.
Trzy zastosowania
Do czego właściwie używa się skilla do grup fokusowych? Mam trzy ogromne zastosowania, z których korzystam cały czas.
Pierwsze to testowanie komunikatów i pozycjonowania — używam go codziennie. Testuję landing page’e, e-maile, hooki, ceny. Wklejasz szkic, uruchamiasz panel i iterujesz, zanim cokolwiek pójdzie na żywo. Dokładnie tak stroję teraz swoje premiery: wiem, które linijki przyciągną mojego docelowego klienta, i zostawiam te, które odsieją niedopasowanych prospektów.
(Informacja dodatkowa: ICP, czyli ideal customer profile, to profil idealnego klienta — opis segmentu, do którego oferta jest celowo skierowana.)
Drugie to walidacja koncepcji albo produktu przed jego zbudowaniem. Zanim wtopisz miesiące w budowanie czegoś, możesz zapytać panel, czy ta potrzeba w ogóle jest realna. Czy produkt faktycznie rozwiązuje problem, o którym mówili twoi klienci?
Trzecie to ustalanie, dlaczego coś nie zadziałało po premierze. Powiedzmy, że wysłałeś e-mail premierowy i nie dostałeś żadnych odpowiedzi albo oferta zebrała kliknięcia, ale nikt nie umówił się na rozmowę. Możesz przepuścić dokładnie ten materiał przez panel i po prostu zapytać, dlaczego nie zadziałał. Panel poda ci przyczyny porażki wraz z dowodami: kto to przewinął i dlaczego, która obiekcja się uruchomiła i co zmieniłoby jego zdanie.
Instalacja i konfiguracja
Uruchomienie tego u siebie zajmuje jakieś dwie minuty. Jeśli pracujesz w Claude Code, wejdź w link w opisie i skopiuj dwie komendy. Pierwsza dodaje marketplace, druga instaluje skill do grup fokusowych. Skill działa też w Claude X i w Cursorze, a także w zwykłym Claude. Pełne instrukcje instalacji dla każdej platformy są w pliku README, a całość jest darmowa.
Przy pierwszym uruchomieniu skill zada ci jedno pytanie: gdzie mieszkają twoje dane sprzedażowe? Masz dwie opcje.
Pierwszą, którą rekomenduję, jest pobranie transkryptów rozmów do lokalnego folderu i wskazanie go skillowi. Fireflies, Zoom, Google Meet — wszystkie mają eksport transkryptów, a lokalne pliki Claude czyta za darmo. Druga opcja to podpięcie MCP twojego narzędzia do spotkań, na przykład Fireflies albo Google Drive. Wtedy też pobierze te rozmowy, tylko będzie to trochę wolniejsze i trochę droższe.
(Informacja dodatkowa: MCP, czyli Model Context Protocol, to standard podłączania modeli AI do zewnętrznych źródeł danych i narzędzi. Koszt bierze się stąd, że dane pobierane przez MCP przechodzą przez model jako tokeny, przy każdym odpytaniu.)
Dalej skill buduje cały panel dokładnie tak, jak pokazałem wcześniej: czyta rozmowy, znajduje awatary, a ty zatwierdzasz skład. Kiedy to gotowe, możesz z nim rozmawiać. Masz stałą grupę fokusową, której możesz odtąd przedstawić dowolny pomysł.
Ten skill nie działa zresztą w izolacji. Jest wpięty prosto w mój system operacyjny AI, obok skilli, których używam do treści i do researchu. Jeśli chcesz zobaczyć, jak dokładnie prowadzę cały swój biznes na Claudzie, to jest kolejny film do obejrzenia.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Traktuj domyślną ocenę AI jako niewiarygodną
Na czym polega: Autor wychodzi z założenia, że model domyślnie potwierdza pomysł użytkownika i dorabia do niego uzasadnienie, zamiast go rzetelnie ocenić. Cała konstrukcja skilla jest odpowiedzią na ten problem.
Jak stosować: Kiedy pytasz AI, czy twój pomysł jest dobry, nie licz na to, że sam z siebie zaprotestuje. Zbuduj strukturę, która wymusza krytykę: role, ograniczenia, oparcie w danych zewnętrznych.
Na co uważać: Sama instrukcja „bądź brutalnie szczery” zwykle nie wystarcza — daje bardziej surowy ton, a nie inną merytorykę. Szczerość musi wynikać z danych, nie ze stylistyki promptu.
2.Awatary buduj z własnych danych, nie z wyobrażeń
Na czym polega: Panel powstaje z transkryptów realnych rozmów sprzedażowych, a nie z generycznych person marketingowych. Stąd bierze się jego wartość.
Jak stosować: Zacznij od zebrania surowego materiału: nagrań rozmów handlowych, wywiadów z klientami, zgłoszeń supportu. Bez tego zasobu skill nie ma z czego zbudować panelu.
Na co uważać: Jeśli twoje dane pochodzą wyłącznie od klientów, którzy kupili, panel nie powie ci nic o tych, którzy odpadli. Zbieraj też rozmowy zakończone odmową.
3.Bank dosłownych cytatów to fundament wiarygodności
Na czym polega: Skill wyciąga wypowiedzi klientów słowo w słowo i zapisuje je w banku cytatów — ponad 30 na awatar. To one zakotwiczają sposób, w jaki agent mówi, a później stanowią dowód pod każdym werdyktem.
Jak stosować: Buduj podobne banki cytatów niezależnie od tego, czy używasz akurat tego skilla. Wymuszaj na modelu, żeby każdy wniosek podpierał konkretnym cytatem źródłowym.
Na co uważać: Sprawdzaj, czy cytat faktycznie istnieje w źródle. Wymóg cytowania zmniejsza konfabulację, ale jej nie eliminuje.
4.Izolacja agentów zapobiega efektowi kaskady
Na czym polega: Agenci reagują jednocześnie, ale nie widzą nawzajem swoich odpowiedzi. Marcus nie wie, co powiedziała Dana.
Jak stosować: Projektując dowolny panel wielu agentów, w pierwszej rundzie trzymaj ich osobno. Zbieżność opinii ma wtedy wartość informacyjną, bo nie jest wynikiem wzajemnego naśladowania.
Na co uważać: Izolacja nie usuwa wspólnego źródła obciążenia — wszystkie awatary opierają się na tym samym modelu i tym samym zbiorze rozmów. Jednomyślność panelu nie jest dowodem prawdy o rynku.
5.Dwa poziomy reakcji odwzorowują realną uwagę
Na czym polega: Najpierw pada odruchowa reakcja („czy to w ogóle przykuło uwagę?”), a dopiero potem wypowiedź. Obojętność daje dwuwierszowe zbycie, silna reakcja — pełne uzasadnienie.
Jak stosować: Czytaj przede wszystkim rozkład odruchów. Jeśli większość panelu zbywa twój materiał dwoma zdaniami, problemem nie są argumenty, tylko to, że nikt nie dotarł do argumentów.
Na co uważać: Nie nadinterpretuj rozbudowanych odpowiedzi jako dowodu zainteresowania — modele lubią pisać dużo. Znaczenie ma to, że mechanizm wymusił krótkość tam, gdzie reakcja była słaba.
6.Moderator ma znajdować rozbieżności, a nie mieć zdanie
Na czym polega: Agent-moderator czyta wszystkie reakcje i wskazuje najostrzejsze punkty sporne, ale świadomie nie dokłada własnych opinii.
Jak stosować: W każdym multi-agentowym układzie oddziel rolę syntezującą od oceniającej. Warstwa podsumowująca ma redukować szum, a nie dokładać kolejnego werdyktu.
Na co uważać: Streszczanie samo w sobie jest interpretacją. Przy ważnych decyzjach zajrzyj do surowych wypowiedzi agentów, a nie tylko do podsumowania.
7.Druga runda testuje odporność opinii
Na czym polega: Do drugiej rundy wracają wyłącznie agenci, którzy się nie zgadzali. Każdy widzi argument strony przeciwnej i sprawdzane jest, czy realnie zmieniłby zdanie.
Jak stosować: Przenieś ten wzorzec na własne procesy decyzyjne — konfrontuj krytyków z najmocniejszym kontrargumentem i patrz, kto ustępuje. Obiekcja, która nie znika po najlepszej odpowiedzi, jest twoim prawdziwym problemem.
Na co uważać: Modele bywają nadmiernie ustępliwe pod naciskiem. Zmianę zdania agenta traktuj jako sygnał do sprawdzenia, a nie jako potwierdzenie, że argument zadziała na żywym rynku.
8.Sekcja „co zmieniłoby ich zdanie” jest właściwym produktem
Na czym polega: Autor uznaje, że najcenniejsza część raportu to nie werdykt, ale lista konkretnych zmian, które przekonałyby każdego opornego uczestnika.
Jak stosować: Oceniając dowolne narzędzie do feedbacku, pytaj, czy kończy się listą działań. Krytyka bez wskazania poprawki nie zmienia następnej wersji materiału.
Na co uważać: Nie wdrażaj wszystkich sugestii naraz. Materiał, który próbuje zadowolić każde miejsce przy stole, przestaje odsiewać niedopasowanych odbiorców — a to była jedna z korzyści wymienianych przez autora.
9.Minimum trzy osoby na awatar i zero dopychania panelu
Na czym polega: Za każdym awatarem stoją co najmniej trzy realne osoby, a jeśli dane dają podstawę tylko do dwóch archetypów, panel będzie dwuosobowy. Skill nie dokłada cienkich awatarów dla efektu.
Jak stosować: Stosuj podobny próg reprezentatywności we własnych segmentacjach. Lepszy mały panel oparty na danych niż pięć miejsc, z których trzy są zmyślone.
Na co uważać: Dwuosobowy panel to sygnał o stanie twoich danych — albo masz mało rozmów, albo jednorodną bazę klientów. Nie traktuj tego jako ograniczenia narzędzia.
10.Panel utrzymuj jako żywy zasób, nie jednorazowy artefakt
Na czym polega: Awatary mają pamięć trwałą i pliki pozycji, dopisywane po każdej sesji, dzięki czemu nie zaprzeczają sobie między sesjami. Nowe rozmowy odświeżają dossier, a wystarczająca liczba niepasujących rozmów prowadzi do propozycji nowego miejsca przy stole.
Jak stosować: Zbuduj rutynę dosypywania nowych transkryptów. Wartość panelu rośnie z czasem, ale tylko wtedy, gdy dane napływają regularnie.
Na co uważać: Spójność między sesjami ma też koszt — utrwalona pozycja awatara może zamrozić nieaktualny pogląd. Kiedy zmieniasz ofertę albo segment, rozważ przebudowę panelu zamiast dalszego doklejania danych.