O czym jest ten film
- OpenAI opublikowało 16 przepływów pracy, które ich zespół finansowy uruchamia regularnie — autor wyciąga z nich to, co da się zastosować poza finansami.
- Kluczowa obserwacja: ten zespół prawie nigdy nie pyta, „co mówią dane”, tylko „gdzie powinien trafić następny dolar”.
- Problem wyjściowy nie polegał na braku danych ani pieniędzy, tylko na tempie decyzji — zanim zapadały, tydzień budżetowy już mijał.
- Tłem jest prawo malejących przychodów: pierwszy dolar w kanale zwraca się kilkukrotnie, kolejne coraz słabiej.
- Autor układa „drabinę wartości pytań”: co się wydarzyło → gdzie dostaję coraz mniej → co powinienem przesunąć.
- Podane są dwa gotowe prompty — do wykrywania malejących zwrotów i do decyzji o przesunięciu zasobów (ten drugi pochodzi z bloga OpenAI).
- Ważny szczegół promptowania: nadawaj modelowi odbiorcę, nie personę — persony pogarszają wyniki nowszych modeli.
- Każdy prompt ma wymuszać dowody: liczby, źródła i cytowania, na których model oparł rekomendację.
- Trzy zbiory danych do przećwiczenia dziś: kalendarz, wyciągi z karty, lista klientów.
- Człowiek zostaje w pętli — AI ma wspierać osąd, nie go zastępować; trzeba pytać model o jego martwe punkty.
Redakcyjne tłumaczenie
Streszczenie nigdy nie było problemem
Co tydzień ktoś wrzuca plik do ChatGPT i wpisuje to samo słowo: „streszcz”. Dostaje krótki raporcik, kiwa głową — i nic nie zmienia. Problemem nigdy nie było streszczenie. Problemem było pytanie.
OpenAI opublikowało właśnie prawdziwe prompty, które ich zespół finansowy uruchamia co tydzień. I ten zespół prawie nigdy nie pyta, co mówią dane. Pyta, gdzie powinien trafić następny dolar.
Nazywam się Dylan, prowadzę firmę doradczą zajmującą się AI. Przez lata wpisywałem „streszcz”, zanim ten materiał kazał mi przestać. Pokażę więc pytania, na których zbudowany jest cały ten przepływ pracy, i jak uruchomić go na plikach, które najpewniej już masz.
Rzecz kluczowa: owszem, te 16 przepływów dotyczy finansów, ale większość wniosków przenosi się na dowolny zespół, który podejmuje decyzje na podstawie danych. A to praktycznie każdy zespół w firmie — obsługa klienta, marketing, operacje, HR i tak dalej.
Problem, który OpenAI chciało pokazać
Podstawowy przypadek użycia, który wyeksponowali w tych szesnastu przepływach, dotyczył zespołu finansowego pracującego przy marketingu. Ludzie mieli kłopot z szybkim podejmowaniem decyzji. Nie brakowało im danych ani pieniędzy do wydania — problemem było ustalenie, gdzie te pieniądze najlepiej ulokować. A jeśli akurat trwał tydzień, w którym trzeba było wydać budżet na reklamy sprzedające produkt, to zanim dochodzili do odpowiedzi, tydzień już mijał. Dane i decyzja były przeterminowane. Potrzebowali szybszego sposobu decydowania.
Prawo malejących przychodów
Kto zajmował się marketingiem albo wydawaniem pieniędzy na reklamę usług czy produktów, zna zjawisko malejących przychodów. Wyobraź sobie wykres: na osi pionowej zwrot, na osi poziomej pieniądze wydane w czasie. Pierwszy dolar wydany w danym kanale — Reddit, Instagram, YouTube, dowolna forma reklamy — przynosi bardzo wysoki zwrot. Wkładasz dolara, wyjmujesz może trzy. Ale w miarę jak zwiększasz wydatki i skalujesz, okazuje się, że w tym samym kanale wkładasz dolara i wyjmujesz mniej więcej dolara. Zwrot jest już nikły.
(Informacja dodatkowa: „gdzie powinien trafić następny dolar” to w ekonomii pytanie o krańcowy zwrot z nakładu — nie o to, który kanał jest średnio najlepszy, tylko który da najwięcej z kolejnej wydanej złotówki. To dwie różne rzeczy i mylenie ich jest częstym błędem w raportowaniu marketingowym).
Pierwsza lekcja: zmień pytanie
Pierwszy wniosek, który powtarza się w wielu udostępnionych przepływach, brzmi tak: pytanie zadawane sztucznej inteligencji nie brzmiało „co mówią te dane?”, bo to jest po prostu prośba o streszczenie. Brzmiało: „gdzie powinien trafić następny dolar?”.
W tym rzecz. Oni nie proszą AI o streszczenie danych — proszą, by wzięła te dane i pomogła im szybko podjąć decyzję. Zadając tego typu pytanie, fundamentalnie zmieniasz to, o czym model myśli i co robi.
Nie chodzi o to, że streszczenia są złe. Streszczenia są w porządku, to dobry punkt wyjścia. Ale kiedy prosisz AI o streszczenie, ona po prostu zwija dane i destyluje je do postaci przyswajalnej dla ciebie. To jest jednak spojrzenie wstecz: na poprzedni miesiąc, poprzedni tydzień, na coś, co już się wydarzyło. A przecież najczęściej prosimy o streszczenie po to, żeby na jego podstawie podjąć decyzję. I tu wchodzi porównanie: na podstawie tego zbioru danych — tak dotąd rozdzielaliśmy czas albo pieniądze — czy powinniśmy je przesunąć tutaj, czy odwrotnie?
Drabina wartości pytań
Przez wszystkie te przepływy pracy zespół finansowy wracał do trzech pytań.
Pierwsze: „Co się wydarzyło?” To robią już wszyscy. Prośba o streszczenie. Pamiętaj: retrospektywna, bazowa. Tu należy zacząć — ale zaraz potem trzeba wspinać się po drabinie wartości: zadawać cenniejsze pytania, żeby dostawać cenniejsze odpowiedzi.
Drugie: „Gdzie dostaję coraz mniej?” To wraca do malejących przychodów. Popularny przykład to pizza. Jeśli dam ci jeden kawałek, gdy jesteś naprawdę głodny, zjesz go z wielką przyjemnością. Ale jeśli dam ci pięć czy dziesięć, to dziesiąty kawałek na pewno nie będzie już tak dobry jak pierwszy. Pizza z czasem staje się coraz mniej wartościowa. Dokładnie to samo dzieje się z czasem i pieniędzmi wkładanymi w poszczególne obszary. To pytanie pozwala AI szybko wskazać, gdzie tak się dzieje.
Trzecie: „Co powinienem przesunąć?” Zwykle najcenniejsze i najczęściej zadawane przez OpenAI w tych szesnastu przepływach: co — czas albo pieniądze — przenieść z jednego miejsca w drugie. To pytanie wynika bezpośrednio z poprzedniego.
Prompt do pytania drugiego
Do dwóch ostatnich pytań autor podaje gotowe prompty do skopiowania.
Pierwszy — zakładając, że model dostał już dane — mówi w istocie: przeanalizuj te dane i wskaż, gdzie dostaję coraz mniej za ten sam czas lub te same pieniądze. I pokaż mi liczby, na podstawie których tak uważasz.
Druga część jest kluczowa. Prosimy AI o dowód. Nie chcemy wierzyć jej na słowo. Za każdym razem, gdy model wydaje rekomendację albo decyzję opartą na danych, powinien wskazać, skąd te dane wziął i jak z nich wyprowadził konkretny wniosek. Dokładnie to robi druga część promptu.
Prompt do pytania trzeciego — ten najważniejszy
To prompt, który naprawdę warto skopiować z tego materiału, i to prompt, który OpenAI pokazało w swoim wpisie na blogu. Mówimy modelowi:
Muszę zdecydować, gdzie w przyszłym tygodniu trafi mój czas i moje pieniądze. Napisz odpowiedź dla zapracowanego właściciela firmy, który w tym tygodniu może zmienić tylko jedną rzecz i musi wybrać właściwą.
Zatrzymajmy się przy tym fragmencie, bo jest ważny. Nadajemy modelowi odbiorcę, a nie personę. Kiedyś w dobrych praktykach promptowania mówiono: powiedz modelowi, że jest światowej klasy pisarzem albo światowej klasy doradcą biznesowym. Nadawanie persony daje dziś gorsze wyniki. Nowsze modele — GPT-5.6, Opus-5, Fable-5 i podobne — zbyt mocno fiksują się na odgrywaniu tej persony i realnie pogarszają jakość odpowiedzi. Zamiast persony daj więc odbiorcę. To właśnie robi ten prompt: mówimy, że rezultat trafia do zapracowanego właściciela firmy.
(Informacja dodatkowa: określenie odbiorcy definiuje wymagany format, poziom szczegółowości i ostrość rekomendacji — persona określa jedynie styl, i to kosztem trafności).
Dalsza część promptu to trzy pytania, na które model ma odpowiedzieć na podstawie danych:
- Czego powinienem robić więcej i dlaczego? Czyli gdzie dołożyć zasoby — czas albo pieniądze.
- Z czego powinienem się wycofać i dlaczego? Czyli skąd zasoby zabrać.
- Jeśli wykonam tę jedną zamianę, co na tym zyskam? Zarówno przy zabraniu, jak i przy dołożeniu — jaka jest korzyść.
Na koniec każemy modelowi powiedzieć, czego te dane nie widzą, a co mogłoby zmienić rekomendację. To kolejny kluczowy punkt: dane nie obejmują wszystkiego. Czegoś modelowi nie udostępniłeś, a czegoś udostępnić się po prostu nie da, bo nie jest nigdzie spisane. To są martwe punkty AI. Model spróbuje zgadnąć, co nimi jest i jak zmieniłoby to rekomendację. A to pozwala ci ocenić, na ile ufać jego odpowiedzi.
Trzy zbiory danych, które już masz
Skoro znasz już pytania i prompty, możesz przeprowadzić to ćwiczenie od razu — dziś wieczorem, w weekend, kiedykolwiek. Nasuwają się trzy zbiory danych.
Kalendarz. Każdy ma kalendarz pokazujący, na co idzie jego czas. Wyeksportuj ostatni miesiąc, oddaj modelowi i zadaj powiązane pytania. Często pojawiają się niespodzianki i przykre prawdy o tym, gdzie marnujemy czas. Tu AI potrafi pomóc.
Wyciągi z karty. Mogą to być wydatki prywatne albo firmowe, mogą to być też wydatki reklamowe — dokładnie jak w opisanym przypadku OpenAI. Możesz zrobić dokładnie to samo, co oni, tyle że na własnych danych. Po stronie subskrypcji: wyeksportuj wszystkie wydatki i zapytaj, czy na czymś nie marnujesz pieniędzy i czy z czegoś korzystasz w pełni. Jeśli nie, może da się na tym zaoszczędzić. Reklama działa według opisanego wcześniej schematu.
Lista klientów. Kto jest twoim klientem i ile czasu poświęcasz każdemu z nich. Pytanie do modelu: z którymi klientami budować relację, a które relacje zakończyć. Jeśli ktoś płaci bardzo mało i przysparza mnóstwo kłopotu — może warto odpuścić. Jeśli ktoś płaci dużo i wymaga niewiele — może warto poświęcić mu więcej czasu.
Człowiek zostaje w pętli
Jedna rzecz, o której OpenAI mówi bardzo dużo we wszystkich tych przepływach, to utrzymanie człowieka w pętli decyzyjnej. Nie można po prostu przyjąć rekomendacji AI bez zastrzeżeń i zrobić, co każe. To oznaczałoby oddanie własnego osądu na zewnątrz, a na to nie ma zgody. Chodzi o coś innego: o wzmacnianie własnego osądu przez AI. Bierzemy odpowiedź modelu, a potem poddajemy ją kontroli na dwa sposoby.
Po pierwsze, prosimy o walidację: każda podana liczba i każda decyzja musi mieć przypisaną liczbę, źródło i cytowanie, żebym mógł sprawdzić, czy to prawda.
Po drugie, martwe punkty. Jest sporo danych, do których model może nie mieć dostępu. Może twój biznes jest sezonowy — rośnie w pierwszym kwartale, spada w drugim. Model musi o tym wiedzieć, żeby nie wyciągnąć złego wniosku. Innym częstym przypadkiem jest klient „nisko wartościowy” w cudzysłowie, który dostarcza ci mnóstwo poleceń. Model potrzebuje tego kontekstu, żeby dobrze ocenić sytuację. Takich przykładów są dziesiątki — to tylko dwa.
Sedno: nie przyjmuj tego, co daje ci AI, lecz sprawdzaj to na wiele sposobów. Te dwa są po prostu szczególnie dobre. A potem sam decydujesz, co zrobisz z tymi danymi i z tą rekomendacją.
Podsumowanie
Trzy główne wnioski z tych szesnastu przepływów pracy OpenAI.
Po pierwsze: zadając modelowi pytania o dane, zamiast prosić o streszczenie, pytaj „co powinienem przesunąć?” — czyli jakie decyzje mam podjąć na podstawie tych danych, a nie jak je skrócić.
Po drugie: masz pod ręką trzy oczywiste zbiory danych, na których możesz to przećwiczyć i sprawdzić, jak model radzi sobie z czasem — kalendarz, wyciągi z karty i listę klientów.
Po trzecie: zawsze sprawdzaj, zanim zadziałasz. Jeśli AI daje rekomendację, trzeba potwierdzić jakość danych — bo model dostarczył dowody, paragony i cytowania — oraz przewietrzyć martwe punkty, prosząc model, by je nazwał i wyjaśnił, jak mogłyby zmienić wynik. Wtedy stosujemy własny osąd wzmocniony przez AI, a nie oddajemy go sztucznej inteligencji w całości.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Zmień „streszcz” na „co przesunąć”
Na czym polega: Prośba o streszczenie zwija dane i patrzy wstecz. Pytanie o przesunięcie zasobów zmusza model do porównania opcji i wskazania działania.
Jak stosować: Zanim wkleisz plik, dokończ zdanie: „muszę zdecydować, czy…”. To zdanie, nie słowo „streszcz”, ma być twoim promptem.
Na co uważać: Streszczenie nadal bywa potrzebne jako pierwszy krok orientacyjny — nie wyrzucaj go, tylko nie kończ na nim.
2.Pytaj o krańcowy zwrot, nie o średni wynik
Na czym polega: Malejące przychody sprawiają, że kanał o najlepszym wyniku ogółem może być najgorszym miejscem na kolejną wydaną złotówkę.
Jak stosować: Formułuj pytanie jako „gdzie dostaję coraz mniej za ten sam czas lub pieniądze”, a nie „który kanał działa najlepiej”.
Na co uważać: Do wykrycia trendu potrzebujesz danych w podziale na okresy. Pojedynczy zrzut miesięczny nie pokaże spadku krańcowego zwrotu.
3.Wspinaj się po drabinie: co się wydarzyło → gdzie tracę → co przesunąć
Na czym polega: Trzy poziomy pytań o rosnącej wartości decyzyjnej, z których większość ludzi zatrzymuje się na pierwszym.
Jak stosować: Potraktuj to jako trzyetapową rozmowę z modelem w jednym wątku — każdy poziom korzysta z ustaleń poprzedniego.
Na co uważać: Przeskok od razu na trzeci poziom bez sprawdzenia faktów z poziomu pierwszego oznacza rekomendację opartą na niezweryfikowanym obrazie sytuacji.
4.Zawsze żądaj liczb, które doprowadziły do wniosku
Na czym polega: Druga część obu promptów wymusza pokazanie danych i sposobu wnioskowania, zamiast gołej konkluzji.
Jak stosować: Dopisuj do każdego promptu decyzyjnego: „pokaż liczby, na podstawie których tak uważasz” — plus źródło i cytowanie.
Na co uważać: Model potrafi podać liczby, które brzmią wiarygodnie, a nie występują w twoim pliku. Wyrywkowo sprawdź kilka z nich w źródle.
5.Nadawaj odbiorcę, nie personę
Na czym polega: Nowsze modele fiksują się na odgrywaniu narzuconej roli („światowej klasy doradca”), co pogarsza jakość odpowiedzi. Wskazanie odbiorcy działa lepiej.
Jak stosować: Zamiast „jesteś ekspertem od X” napisz, dla kogo jest odpowiedź i w jakiej sytuacji ta osoba się znajduje — jak w przykładzie z zapracowanym właścicielem.
Na co uważać: To obserwacja autora dotycząca obecnych modeli, nie reguła uniwersalna. Jeśli twoje istniejące prompty z personą działają dobrze, porównaj obie wersje na własnych zadaniach, zanim je przepiszesz.
6.Ogranicz odpowiedź do jednej zmiany
Na czym polega: Warunek „może zmienić tylko jedną rzecz w tym tygodniu” zmusza model do priorytetyzacji zamiast wypisania listy dwudziestu pomysłów.
Jak stosować: Wpisuj limit działań i horyzont czasowy wprost do promptu — „jedna zmiana”, „ten tydzień”.
Na co uważać: Przy naprawdę złożonych decyzjach jedna zmiana może być zbyt wąska. Wtedy podnieś limit świadomie, zamiast usuwać go całkiem.
7.Pytaj o zysk z zamiany, nie tylko o kierunek
Na czym polega: Trzeci element promptu — „jeśli wykonam tę jedną zamianę, co na tym zyskam?” — domyka rekomendację korzyścią.
Jak stosować: Wymagaj oszacowania efektu przy każdej propozycji dodania i odjęcia zasobów.
Na co uważać: Oszacowanie efektu to ekstrapolacja modelu, nie pomiar. Traktuj je jako rząd wielkości i sprawdź po fakcie, co rzeczywiście się zmieniło.
8.Zmuś model do nazwania własnych martwych punktów
Na czym polega: Pytanie „czego te dane nie widzą, a co mogłoby zmienić rekomendację” wydobywa brakujący kontekst, którego w pliku nie ma.
Jak stosować: Dopisuj to zdanie na końcu każdego promptu decyzyjnego i traktuj listę martwych punktów jako checklistę do własnej weryfikacji.
Na co uważać: Model zgaduje. Brak wskazanego martwego punktu nie znaczy, że go nie ma — sezonowość, polecenia od klientów czy zobowiązania umowne musisz dorzucić sam.
9.Zacznij od trzech zbiorów danych, które już masz
Na czym polega: Kalendarz, wyciągi z karty i lista klientów wystarczą, by przećwiczyć całą metodę bez czekania na firmowe dane.
Jak stosować: Wyeksportuj ostatni miesiąc kalendarza albo wydatków i przepuść przez oba prompty. Dla listy klientów zestaw przychód z poświęconym czasem.
Na co uważać: To dane wrażliwe — wyciągi i lista klientów. Sprawdź politykę firmy i ustawienia prywatności narzędzia, a wcześniej usuń numery kont i dane osobowe.
10.Wzmacniaj osąd, nie oddawaj go
Na czym polega: Wykonanie rekomendacji bez weryfikacji to outsourcing decyzji. Model ma dostarczać materiał do osądu, nie osąd.
Jak stosować: Wprowadź stałą bramkę przed działaniem: sprawdzone liczby ze źródeł plus przejrzana lista martwych punktów. Dopiero potem decyzja.
Na co uważać: Wraz z rosnącym zaufaniem do modelu ta bramka pierwsza wypada z procesu — właśnie wtedy, gdy stawki decyzji rosną.