O czym jest ten film
- Autor od około dwóch lat nie napisał samodzielnie żadnego maila — wszystkie redaguje ChatGPT albo Claude.
- Kluczowa teza: większość narzędzi uczy AI wyłącznie tonu, a ton to najmniej ważny element — brakuje kategorii maila, kontekstu i osądu.
- Autor proponuje „mapę maili” — dokument opisujący typy wiadomości, sposób ich obsługi i styl pisania dla każdego typu.
- Przed rozpoczęciem trzeba podłączyć konektory: skrzynkę, kalendarz, dysk i komunikator firmowy — tam żyją fakty.
- Analiza opiera się na folderze „wysłane”: 500–600 ostatnich wiadomości, praca AI trwa 20–30 minut.
- Pojawia się słowo-klucz „literature fingerprint”, które ma naprowadzić model na pełny opis stylu pisania.
- Dokument trzeba obowiązkowo przejrzeć, zanim zamieni się go w skill — kategorie, ton, osąd.
- Maile wymagające dużo osądu warto wydzielić do osobnego skilla i wywoływać go przez łańcuch skilli.
- Kryterium gotowości: osiem na dziesięć wersji roboczych gotowych do wysłania lub wymagających drobnych poprawek.
- Poprawiać należy tylko błędy powtarzalne, punktowo; na końcu ustawia się harmonogram, który działa w chmurze.
Redakcyjne tłumaczenie
Dlaczego sam ton nie wystarcza
Właściwie od dwóch lat nie napisałem maila od zera. ChatGPT i Claude redagują praktycznie każdą wiadomość, którą wysyłam — i nie, nie brzmią one jak tekst napisany przez robota. Dzieje się tak dzięki jednej rzeczy, którą większość ludzi pomija.
Większość narzędzi uczy się wyłącznie twojego tonu. Ale ty nie masz jednego tonu. Inaczej piszesz do kolegi z zespołu, z którym pracujesz codziennie, a inaczej do kogoś, kogo dopiero poznałeś. Tego elementu — osądu — nikt nie uczy sztucznej inteligencji.
Prowadzę firmę doradczą zajmującą się AI i szczerze mówiąc, to jest ta rzecz, z której klienci najczęściej czerpią wartość od razu: AI, które pisze, brzmi i myśli tak jak oni. Cała konfiguracja zajmuje około dwudziestu minut.
Różne typy maili to różne decyzje
Większość z nas odpowiada na kilka bardzo różnych rodzajów wiadomości. Czasem trzeba podjąć trudną decyzję i stanowczo odmówić. Czasem przedstawiasz firmie nowego potencjalnego klienta i musisz podać dużo konkretów, żeby wprowadzić go we współpracę. A czasem to po prostu krótkie podziękowanie w kilku linijkach.
To wszystko są odmienne typy maili. Różni je nie tylko ton, ale przede wszystkim zastosowany osąd. Dlatego musimy zbudować coś bardziej rozbudowanego niż AI, które po prostu brzmi jak my.
Mapa maili — trzy kroki, które wykonuje AI
Najlepiej sprawdza się coś, co nazywam mapą maili. Kiedy przychodzi nowa wiadomość, a ty masz już zbudowaną taką mapę, AI robi trzy rzeczy.
Po pierwsze, ustala, z jakim typem maila ma do czynienia — do której kategorii najlepiej pasuje.
Po drugie, ustala, jak na taki mail odpowiedzieć. Sprowadza się to do dwóch kwestii: jaki kontekst muszę zebrać, żeby udzielić odpowiedzi, oraz jaki osąd muszę tutaj zastosować, żeby ta odpowiedź była skuteczna.
Dopiero po wykonaniu tych dwóch naprawdę ważnych rzeczy AI nakłada twój ton. I wtedy brzmi jak ty — po tym, jak wykonało trudną pracę związaną z osądem, kontekstem i kategorią wiadomości.
Na końcu po prostu przeglądasz gotowy mail. Jeśli ci odpowiada, klikasz „wyślij”. Cały wysiłek polega na tym, żeby zamknąć wszystkie trzy elementy w jednym systemie AI, dla wszystkich typów maili, na które odpowiadasz.
Konektory: skrzynka to za mało
Z opisu mapy maili pewnie już widać, jak ważne są konektory i wtyczki. Nie ma znaczenia, czy używasz ChatGPT w wersji firmowej, czy Claude’a — oba mają rozbudowane możliwości podłączania AI do zewnętrznych systemów.
(Informacja dodatkowa: autor mówi o „ChatGPT work”, czyli planach biznesowych ChatGPT z konektorami do firmowych narzędzi; odpowiednikiem po stronie Anthropic są konektory w Claude.)
Rzecz oczywista to podłączenie poczty jako źródła — Gmail, Outlook, bez różnicy. Ale kiedy już to zrobisz, nie zapomnij o części naprawdę istotnej, czyli o tym, gdzie mieszkają fakty. Musisz podłączyć kalendarz oraz źródła danych: najprawdopodobniej Google Drive, OneDrive czy SharePoint. Do tego rozmowy na Slacku albo w Teamsach. To właśnie tam znajduje się dodatkowy kontekst — to są miejsca, do których sam sięgasz, kiedy odpowiadasz na maile. Musimy zadbać, żeby AI też miało do nich dostęp. Zarówno ChatGPT w wersji firmowej, jak i Claude mają wszystkie potrzebne wtyczki i konektory.
Najważniejszy krok: analiza folderu „wysłane”
Zakładając, że konektory są już podpięte, przechodzimy do tworzenia mapy maili. To prawdopodobnie najważniejszy krok ze wszystkich. Kierujemy AI konkretnie do folderu „wysłane”, ponieważ to tam znajduje się nasza faktyczna praca — tam widać, jak naprawdę odpowiadamy.
Prosimy model, żeby przeanalizował mniej więcej pięćset do sześciuset wysłanych wiadomości i zagregował wszystkie wnioski w jeden dokument specyfikacji, opisujący kategorie maili, ton, osąd i tak dalej. Tu spędzimy najwięcej czasu — AI będzie pracować jakieś dwadzieścia do trzydziestu minut. Kiedy skończy, przeglądasz wynik.
Mam dla tego zadania konkretny prompt. Możesz go po prostu skopiować i wkleić, a AI wykona pracę za ciebie. Ale jeśli chcesz zrozumieć, co się w nim kryje, przejdę przez niego po kolei.
Co robimy. Na początku mówimy AI wprost: przeanalizuj moje wysłane maile, ostatnie pięćset do sześciuset wiadomości. Następnie wskazujemy dwie rzeczy, które ma zrozumieć — kategorie maili oraz przypisany do nich ton.
Kategorie. Prosimy: chcę, żebyś zidentyfikował główne kategorie maili, na które odpowiadam. Podpowiadamy też, że najłatwiej je rozpoznać po rodzajach próśb i zadań, na które reaguję w skrzynce i w wysłanych.
Ton. Mówimy: kiedy już wyodrębnisz kategorie, ustal dokładnie, jak odpowiadam w każdej z nich i jaki jest przypisany do niej „literature fingerprint”. To słowo-klucz — swego rodzaju wyzwalacz. Ustawia model tak, żeby sam określił wszystkie elementy, które musiałby zrozumieć, aby naśladować mój styl pisania. Polecam użyć dokładnie tego sformułowania w swoim promptcie.
(Informacja dodatkowa: „literature fingerprint” to angielskie wyrażenie oznaczające tu „literacki odcisk palca” — autor celowo zaleca wpisanie go w oryginalnym brzmieniu, nie w tłumaczeniu.)
Ale poza samym odciskiem stylu zaznaczamy również wagę osądu: chcę, żebyś zrozumiał także mój sposób oceniania sytuacji przy odpowiadaniu na te maile.
Kontekst. Mając już kategorie i ton, przechodzimy do kontekstu. Mówimy AI, że czasem musimy zebrać dodatkowe informacje spoza samego maila, żeby odpowiedzieć skutecznie. Prosimy: ustal na podstawie swojej analizy, do jakich źródeł zwykle sięgam po te informacje. Przeglądając wysłane wiadomości, model jest w stanie wychwycić najczęstsze źródła — a jeśli ma dostęp do konektorów i wtyczek, powinien do nich dotrzeć.
Wynik. Następnie określamy, co AI ma nam zwrócić po analizie. Prosimy o dokument zawierający kategorie maili, przypisany do każdej kategorii osąd oraz literacki odcisk stylu — wszystko skonsolidowane w jednej specyfikacji.
Jesteśmy przy tym jednoznaczni: nie twórz jeszcze skilla. Wyjaśniamy modelowi intencję całego procesu — robisz tę analizę, ponieważ docelowo chcę to zamknąć w skillu, który będzie odpowiadał w moim imieniu. Ale skilla jeszcze nie buduj, na razie daj mi sam dokument, żebym mógł go przejrzeć. To ważne.
Zabezpieczenie na koniec. Na końcu dodajemy furtkę, którą często dopisuję do promptów uruchamiających długie zadania — takie na trzydzieści minut i więcej. Ta siatka bezpieczeństwa brzmi po prostu: jeśli potrzebujesz ode mnie dodatkowego kontekstu, zanim zaczniesz, zadaj mi maksymalnie trzy pytania, po jednym naraz. Dzięki temu model uzupełnia braki, zanim ruszy z pracą.
To cały prompt. Pracując z klientami, często po prostu dyktuję go w całości, a oni wklejają go i używają.
Przegląd dokumentu — zatrzymaj się tutaj
Kiedy AI popracuje przez jakieś trzydzieści minut, dostajesz z powrotem dokument specyfikacji. To bardzo ważny moment: musisz się zatrzymać, zanim zamienisz go w skilla. Nie przyjmuj bezkrytycznie tego, co dostałeś. Najpierw przejrzyj dokument.
Szukamy trzech rzeczy.
Po pierwsze: czy kategorie są poprawne? Czy typy maili, które model wyodrębnił, faktycznie odpowiadają temu, na co odpowiadam? Czy czegoś nie brakuje?
Po drugie: ton. Sprawdzamy, czy AI naprawdę uchwyciło nasz literacki odcisk palca. Czy to brzmi jak my? To bodaj najzabawniejszy fragment całego procesu — wielu moich klientów świetnie się bawi, śmiejąc się z samych siebie i z tego, jak AI interpretuje ich styl pisania. Doceń ten moment.
Po trzecie: osąd. Ten element przenika zresztą kategorie i ton — chodzi o zrozumienie, w jaki sposób faktycznie podejmujemy decyzje, odpowiadając na maile.
Kiedy osądu jest dużo — wydziel osobny skill
Przy osądzie chcę zwrócić uwagę na jedną rzecz. Czasem odpowiedź wymaga go niewiele, a czasem bardzo dużo. Z mojego doświadczenia z klientami wynika, że jakieś sześćdziesiąt, może siedemdziesiąt procent maili, na które odpowiadają, wymaga minimalnego osądu. Ale mniejsza część wymaga go naprawdę sporo.
Kiedy osądu jest dużo, zalecam odcięcie tego fragmentu i zamienienie go w osobnego skilla, zamiast wpychania wszystkiego w jeden skill do obsługi poczty. Piękne w tym jest to, że po wytrenowaniu osobnego skilla na tych szczególnych typach wiadomości możesz łączyć skille w łańcuch. Na samym dole skilla do segregacji maili wpisujesz po prostu: kiedy pojawi się mail tego typu i potrzeba dużo osądu, wywołaj ten drugi skill, użyj go do części decyzyjnej, a potem odpowiedz w moim imieniu.
Zaznaczam: to ma sens tylko wtedy, gdy faktycznie odpowiadasz na maile wymagające dużo osądu, przy których AI musi przejrzeć wiele plików, żeby ustalić treść odpowiedzi.
Zamiana mapy w skill
Kiedy jesteśmy zadowoleni z dokumentu i przejrzeliśmy całą analizę, możemy zamienić go w skill. Prompt, którego używam, jest chyba bardziej szczegółowy, niż musi być — ale chciałem pokazać detale, żebyś mógł go skopiować i przy okazji się z niego czegoś nauczyć. Jeśli chcesz wersję prostą, wystarczy powiedzieć: „Dobrze, teraz zamień to w skill”. Tyle. Kilka słów.
Jeśli chcesz nieco więcej szczegółu, wygląda to tak. Mówimy AI: zamień tę mapę w skill. Następnie precyzujemy zachowanie skilla: kiedy go wywołam, ma przeglądać wyłącznie maile z ostatnich dwudziestu czterech godzin, na które jeszcze nie odpowiedziałem. To ogranicza zakres działania. Bez takiego ograniczenia model spróbuje odpowiedzieć na każdą wiadomość, na którą nigdy nie odpowiedziałeś — a tego zwykle jest zdecydowanie za dużo. Zawężamy więc zakres czasem.
Dalej wskazujemy kilka rzeczy, które skill ma uwzględniać: ma trzymać się reguł pisania właściwych dla każdego typu maila; ma korzystać z podłączonych narzędzi, żeby zebrać kontekst potrzebny do każdej wiadomości; ma zadawać mi krótkie pytania, gdy w odpowiedzi lub w samym mailu brakuje faktów.
Ustawiamy też zabezpieczenie: nigdy nie wysyłaj maili, tylko przygotowuj wersje robocze. To zabezpieczenie miękkie — bo prompt zawsze jest zabezpieczeniem miękkim. Istnieją też twarde. Są nimi uprawnienia konkretnego konektora czy wtyczki, zarówno w firmowym ChatGPT, jak i w Claude. Jeśli podłączasz Outlooka albo Gmaila, możesz te uprawnienia ustawić tak, że AI nigdy nie ma prawa wysłać maila — to jest twarde zabezpieczenie — ale może tworzyć wersje robocze. Sprawdź te ustawienia i skonfiguruj je poprawnie.
Na koniec, jako bonus, proszę, żeby sam skill był gęsty informacyjnie i nieprzeładowany — nie chcemy rozpraszać modelu jego objętością. Prosimy też, żeby na samym końcu skilla znalazło się kilka kontroli zero-jedynkowych sprawdzających, czy wynik spełnia nasze oczekiwania. To sposób na to, żeby AI samo skontrolowało swoją pracę, zanim odeśle nam gotowe wersje robocze. To dobra praktyka przy każdym skillu.
Zbudowanie skilla zajmie modelowi jakieś trzy do sześciu minut.
Testowanie
Skoro skill jest gotowy, czas go przetestować. To znowu jeden z ważniejszych etapów, bo musimy się upewnić, że narzędzie spełnia nasze oczekiwania.
Używamy prostego promptu — i robimy to w nowym czacie. Otwierasz nową rozmowę w firmowym ChatGPT albo w Claude, wywołujesz tam skill i prosisz, żeby przejrzał ostatnie dwadzieścia cztery godziny, jeśli nie zapisałeś tego wcześniej w samym skillu. Dodajemy jeszcze zastrzeżenie: jeśli brakuje jakichś faktów, zapytaj mnie, nie zgaduj. To prawdopodobnie powinno być już wpisane w skill — ale pokazuję to dla celów dydaktycznych. W praktyce, jeśli skill jest dobrze zaktualizowany, po prostu wywołuję go jednym zdaniem i naciskam enter.
Moja reguła kciuka przy testach: jeśli osiem na dziesięć maili zostaje przygotowanych w sposób, który uznaję za idealny i na którym kliknąłbym „wyślij”, AI jest wystarczająco dobre, żeby ustawić je na harmonogramie.
Pracując z klientami, obserwuję zwykle trzy poziomy jakości. Pierwszy: AI redaguje coś, co wprawia człowieka w zachwyt, bo jest gotowe do wysłania i idealne. Drugi: są drobne poprawki, które trzeba wprowadzić, ale naprawdę malutkie. Trzeci: AI kompletnie się myli, tekst nie nadaje się do wysłania i trzeba go poprawić. Jeśli osiem z dziesięciu mieści się w kategorii „gotowe do wysłania” lub „drobne poprawki”, można przechodzić do harmonogramu.
Poprawianie powtarzalnych błędów
Jeśli pierwsze testy przyniosą zbyt wiele problemów — a to się zdarza — popraw skill w zakresie błędów systemowych. Systemowych, czyli takich, które AI popełniło wielokrotnie w różnych mailach. Nie muszą być identyczne, wystarczy, że są podobne w kształcie. Może chodzić o to, że model źle rozpoznał typ maila i na tej podstawie zbudował odpowiedź, że brakuje mu faktów, że ton jest nietrafiony albo że tekst jest za długi. To, co się powtarza, jest tym, co należy naprawić w samym skillu.
Prompt jest prosty. Załóżmy, że zidentyfikowałeś powtarzające się błędy. Mówisz AI, żeby zaktualizowało skill w oparciu o powracający problem, po czym opisujesz ten problem — najbardziej szczegółowo, jak potrafisz. Następnie polecasz wprowadzić punktową zmianę w skillu: nie za dużą, tylko taką, która naprawia dokładnie ten jeden powracający problem, i nic więcej. Zależy nam na małych, celowanych edycjach, bo nie chcemy rozdmuchać skilla — a to znów jest ogólna dobra praktyka przy tworzeniu skilli.
Harmonogram i praca w chmurze
Kiedy skill nas satysfakcjonuje, a powracające błędy są naprawione, czas ustawić harmonogram. Prompt jest tu bardzo prosty — nie musisz robić niczego technicznego ani ręcznego. Możesz po prostu poprosić AI, żeby zrobiło to za ciebie. Działa to zarówno w firmowym ChatGPT, jak i w Claude.
Wystarczy powiedzieć: chcę, żebyś uruchamiał ten skill cyklicznie. Możesz określić — codziennie o ósmej rano albo w każdy poniedziałek o konkretnej godzinie. Kadencja zależy od ciebie. AI skonfiguruje wszystko za ciebie.
Świetne w tym skillu jest to, że jeśli cały kontekst i wszystkie pliki, do których potrzebuje sięgnąć, są dostępne przez wtyczki i konektory, nie musi on działać na twoim komputerze. Zadanie zaplanowane w firmowym ChatGPT albo w Claude wykona się w chmurze. Możesz wyłączyć komputer, odejść od biurka, wyjechać — a system i tak będzie działał i redagował maile w twoim imieniu. Ty wchodzisz do skrzynki, zaglądasz w wersje robocze i klikasz „wyślij”, kiedy jesteś zadowolony.
To jeden z najczęstszych scenariuszy, jakie buduję dla klientów, ponieważu realnie podnosi jakość ich pracy. Nie muszą już mierzyć się z lawiną maili — AI zdejmuje im część tego ciężaru.
Podsumowanie
Po pierwsze: budując narzędzie do maili, nie skupiaj się wyłącznie na tonie. Musisz zająć się rzeczami ważniejszymi albo co najmniej równie ważnymi — kategoryzacją typów maili oraz kontekstem i osądem potrzebnym do odpowiedzi.
Po drugie: po przeanalizowaniu pięciuset do sześciuset wysłanych wiadomości AI zwróci ci dokument. Przejrzyj go szczegółowo i sprawdź, czy zgadza się z twoimi oczekiwaniami — zarówno co do kategorii, jak i tonu.
Po trzecie: testuj, i to jest krok krytyczny. Testujemy na mailach z ostatnich dwudziestu czterech godzin, na które jeszcze nie odpowiedziano. Celujemy w osiem na dziesięć — osiem wersji roboczych ma być idealnych i gotowych albo wymagać drobnych poprawek. Dopiero wtedy ustawiasz harmonogram, po prostu prosząc o to AI.
I wreszcie: jeśli coś nie działa i nie osiągnąłeś jeszcze poziomu osiem na dziesięć, wprowadź punktową poprawkę do skilla, znów po prostu polecając to modelowi. Ale pamiętaj — rób to wyłącznie dla błędów powracających, nie dla jednorazowych.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Ton jest ostatnim krokiem, nie pierwszym
Na czym polega: Kolejność pracy AI to: rozpoznanie kategorii maila → zebranie kontekstu i zastosowanie osądu → dopiero na końcu nałożenie stylu. Narzędzia „klonujące ton” pomijają dwa pierwsze etapy.
Jak stosować: Projektując własny prompt lub skill, wymuś tę sekwencję wprost — najpierw klasyfikacja, potem decyzja, na końcu redakcja.
Na co uważać: Mail brzmiący idealnie jak ty, ale zawierający złą decyzję, jest gorszy niż mail sztywny i poprawny merytorycznie. Ocena jakości nie może kończyć się na „brzmi jak ja”.
2.Folder „wysłane” to twoja jedyna wiarygodna baza treningowa
Na czym polega: Analiza obejmuje 500–600 ostatnich wysłanych wiadomości, bo tam widać faktyczne decyzje, a nie deklarowane preferencje.
Jak stosować: Skieruj model konkretnie na folder „wysłane” i podaj liczbę wiadomości; przewiduj 20–30 minut pracy.
Na co uważać: Wysłane maile zawierają dane wrażliwe i cudze informacje. Zanim uruchomisz taką analizę na koncie firmowym, sprawdź politykę bezpieczeństwa i zakres uprawnień konektora.
3.Konektory do źródeł faktów są ważniejsze niż konektor do poczty
Na czym polega: Sama skrzynka nie wystarczy — odpowiedzi opierają się na kalendarzu, dysku (Google Drive, OneDrive, SharePoint) i rozmowach na Slacku czy w Teamsach.
Jak stosować: Podłącz wszystkie miejsca, do których sam sięgasz przy pisaniu odpowiedzi, zanim zaczniesz analizę.
Na co uważać: Każdy podłączony konektor rozszerza zakres danych dostępnych dla modelu. Podłączaj świadomie, źródło po źródle, zamiast włączać wszystko naraz.
4.„Literature fingerprint” jako słowo-wyzwalacz
Na czym polega: Autor zaleca użycie dokładnie tego angielskiego sformułowania, bo skłania ono model do samodzielnego wypisania wszystkich elementów stylu potrzebnych do naśladowania autora.
Jak stosować: Wpisz je w prompcie w oryginalnym brzmieniu i poproś o odcisk stylu osobno dla każdej kategorii maili — nie jeden zbiorczy.
Na co uważać: To zalecenie praktyczne autora, nie zweryfikowana reguła. Jeśli wynik jest ogólnikowy, poproś o konkretniejszy opis: długość zdań, formuły otwarcia i zamknięcia, sposób odmawiania.
5.Dokument przed skillem — obowiązkowa pauza
Na czym polega: W prompcie jest jawne polecenie „nie twórz jeszcze skilla”, z uzasadnieniem intencji. Najpierw powstaje specyfikacja do przeglądu.
Jak stosować: Sprawdź trzy rzeczy: czy kategorie są kompletne, czy ton jest trafiony, czy osąd został właściwie odczytany.
Na co uważać: Błąd w dokumencie zostaje zaszyty w skillu i będzie się powtarzał w każdym mailu. Poprawianie na tym etapie jest wielokrotnie tańsze niż później.
6.Pytania przed startem jako siatka bezpieczeństwa
Na czym polega: Do promptów uruchamiających długie zadania autor dopisuje prośbę o maksymalnie trzy pytania zadawane pojedynczo, zanim model zacznie pracę.
Jak stosować: Dodawaj tę klauzulę do każdego zadania, które zajmie modelowi pół godziny lub dłużej.
Na co uważać: Limit trzech pytań i podawanie ich pojedynczo są celowe — bez tego rozmowa zamienia się w długi wywiad zamiast w pracę.
7.Osobny skill dla maili wymagających dużo osądu
Na czym polega: Według obserwacji autora 60–70% maili wymaga minimalnego osądu; resztę warto wydzielić do własnego skilla i wywoływać go z poziomu głównego skilla do segregacji.
Jak stosować: Na końcu skilla głównego dopisz warunek: gdy pojawi się taki typ maila, wywołaj drugi skill po część decyzyjną, a potem zredaguj odpowiedź.
Na co uważać: To ma sens tylko wtedy, gdy takie maile faktycznie występują i wymagają przejrzenia wielu plików. Przy prostej skrzynce dzielenie na dwa skille to zbędna komplikacja.
8.Miękkie zabezpieczenie w prompcie, twarde w uprawnieniach
Na czym polega: Zapis „nigdy nie wysyłaj, tylko twórz wersje robocze” to zabezpieczenie miękkie. Twarde to odebranie konektorowi Gmaila czy Outlooka uprawnienia do wysyłki, z pozostawieniem prawa do tworzenia szkiców.
Jak stosować: Ustaw oba naraz — instrukcję w skillu i ograniczenie uprawnień w ustawieniach konektora.
Na co uważać: Sam prompt nie jest gwarancją. Jeśli polegasz wyłącznie na nim, zakładasz, że model nigdy nie zinterpretuje instrukcji inaczej.
9.Próg gotowości: osiem na dziesięć
Na czym polega: Skill jest gotowy do automatyzacji, gdy osiem z dziesięciu wersji roboczych nadaje się do wysłania od razu lub po drobnych poprawkach.
Jak stosować: Testuj w nowym czacie, na mailach z ostatnich 24 godzin, na które jeszcze nie odpowiedziałeś. Zliczaj wyniki w trzech koszykach: gotowe / drobne poprawki / do wyrzucenia.
Na co uważać: Nie planuj harmonogramu przed osiągnięciem progu. Automatyzacja słabego skilla oznacza tylko codzienną porcję szkiców, które i tak trzeba przepisać.
10.Popraw tylko to, co się powtarza — i to punktowo
Na czym polega: Poprawiamy wyłącznie błędy systemowe, czyli powracające w różnych mailach, choćby nie były identyczne. Edycja ma być celowana i nie ruszać reszty skilla.
Jak stosować: Opisz problem możliwie szczegółowo i poleć modelowi wprowadzenie jednej wąskiej zmiany, bez modyfikowania czegokolwiek innego.
Na co uważać: Łatanie jednorazowych wpadek rozdyma skill, a rozdęty skill sam w sobie pogarsza wyniki. Skill ma być gęsty informacyjnie, z kilkoma zero-jedynkowymi kontrolami na końcu.