O czym jest ten film
- AI może pełnić w firmie trzy role: odciążać od administracji, generować przychód i wykonywać zadania, których przed erą AI nikt realnie nie podejmował.
- Większość właścicieli firm i menedżerów zostaje na pierwszym poziomie — a odzyskane godziny najczęściej pochłania kolejna papierologia.
- Autor zaleca zmianę proporcji: docelowo np. około 55% wysiłku AI na oszczędność czasu, resztę na przychód i nowe możliwości.
- Metoda: każdą listę zadań do automatyzacji lub wsparcia sortuj do jednego z trzech koszyków według głównej korzyści.
- Poziom pierwszy w praktyce: nagrywaj wszystkie spotkania, a notatki generuj promptem AI — z sekcjami „decyzje”, „zadania”, „otwarte pytania”.
- Kluczowa zasada dobrych promptów: model ma czerpać wyłącznie z podanych źródeł i otwarcie przyznawać, czego w nich nie ma.
- Poziom drugi w praktyce: jednostronicowe opracowanie przed każdą ważną rozmową — tło na temat kontrahenta, przewidywane obiekcje, spersonalizowany argument, jedno najlepsze pytanie.
- Nie wiesz, jak powinien wyglądać taki dokument? Samą strukturę opracowania też można zlecić AI.
- Poziom trzeci w praktyce: AI analizuje setki plików (opinie klientów, zgłoszenia do supportu) i wyławia wzorce oraz anomalie, na których można oprzeć decyzje.
- Weryfikacja analiz masowych: każ modelowi podać, ile plików faktycznie przeczytał, i porównaj z rzeczywistą liczbą w folderze.
Redakcyjne tłumaczenie
Trzy prace AI, z których większość firm zna tylko pierwszą
Sztuczna inteligencja może wykonywać w Twojej firmie trzy różne prace — a większość właścicieli firm korzysta wyłącznie z pierwszej. Porządkują nią notatki, szkicują e-maile, składają raporty. To rozsądny punkt wyjścia, ale fatalny punkt do pozostania. Cały czas widuję u właścicieli i kadr zarządzającej ten sam schemat: godziny, które oszczędza AI, natychmiast pochłania kolejna administracja.
Dla nowych widzów: jestem Dylan, prowadzę doradztwo w obszarze AI i pomagam właścicielom firm oraz menedżerom decydować, gdzie sztuczna inteligencja faktycznie ma sens. Pokażę te trzy prace, wyjaśnię, dlaczego pierwsza z nich przykleja ludzi do miejsca, i podpowiem, jak zacząć używać AI do czegoś więcej niż odliczanie zaoszczędzonych godzin.
Poziom pierwszy: odciążenie od administracji
To naturalny start i właśnie tu namawiam moich klientów do początku. Na starcie współpracy zadaję im jedno pytanie: co najbardziej zżera czas w Waszym dniu? I tam kierujemy AI. W praktyce u większości menedżerów i przedsiębiorców chodzi o pisanie e-maili, porządkowanie skrzynki, tworzenie lub przeglądanie raportów od zespołu — plus cała masa pokrewnych drobiazgów. Wszystko to oszczędza czas i ląduje w jednym worku: administracji.
Po jakimś czasie warto jednak wyjść poza samo odzyskiwanie godzin i wejść na dwa kolejne szczeble: generowanie przychodu oraz wykonywanie zadań, których bez AI nie dałoby się wykonać — bo nikt wcześniej nie miał na nie ani środków, ani głowy. To właśnie trzy prace, trzy poziomy, o których myślę, rozważając, co sztuczna inteligencja może dać firmie.
Nie zostawaj w stu procentach na administracji
U większości z Was proporcje wyglądają tak, że niemal całe zaangażowanie AI koncentruje się na oszczędzaniu czasu, czyli właśnie na administracji. Zacząć tak trzeba — ale te proporcje trzeba z czasem przetasować. Zamiast stu procent dobrze wygląda mniej więcej taki miks: około 55% wysiłku AI wciąż idzie w odzyskiwanie czasu, a resztę rozkłada się na generowanie przychodu i odblokowywanie tego, co wcześniej wymykało się możliwościom firmy. Te udziały będą się przesuwać wraz z rozwojem biznesu.
Ważne zastrzeżenie: żaden poziom nie jest z natury lepszy od innego — wszystko zależy od sytuacji i kontekstu. Istotna jest sama zasada: wysiłek i budżet przeznaczany na AI warto rozkładać między różne kategorie zadań.
Najprostsza metoda: gdy masz listę zadań, do których chcesz wpiąć AI — czy to pełną automatyzację, czy tylko wsparcie — posegreguj je na trzy koszyki. Coś oszczędza czas, coś generuje przychód, coś jest zupełnie nową możliwością dla firmy. Część zadań będzie dotykać wszystkich trzech naraz, ale niemal zawsze da się wskazać korzyść główną: jeśli zadanie przede wszystkim oszczędza czas — do pierwszego koszyka; jeśli przede wszystkim zarabia — do drugiego. Gdy lista jest już posortowana, od razu wiadomo, gdzie wpiąć AI i które zadanie wyjąć w którym momencie.
(Informacja dodatkowa: w tym miejscu autor robi przerwę autoreklamową — przypomina o bezpłatnej, trzydziestodniowej serii e-maili z pomysłami na zastosowanie AI w pracy oraz o możliwości współpracy z jego firmą doradczą.)
Pierwszy poziom w praktyce: koniec z ręcznym notowaniem
Jedno zadanie polecam wykonać każdemu, kto dopiero zaczyna przygodę z AI: przestań pisać notatki. Spotykamy się z różnymi ludźmi i w różnych celach — wewnętrznie oraz z kontrahentami. Każde takie spotkanie powinno być nagrywane i mieć swój transkrypt. Transkrypt trafia do AI, a stamtąd już blisko do gotowych notatek: ich strukturę, ton i zakres w pełni narzucasz. Sedno jest jednak gdzie indziej — zrzucasz z barków całą tę robotę. Dla większości ludzi to ogromna oszczędność i wzorcowy przykład pierwszej pracy AI.
Do rozpoczęcia wystarczy bardzo prosty prompt, który później dopracujesz. Na górze prosisz model o zamianę transkryptu spotkania na czytelne notatki. W mojej wersji mają one trzy sekcje — i to jest właśnie fragment do zmiany: dopasujesz go do preferowanego tonu i układu, a z czasem zapewne okaże się, że różne spotkania wymagają różnych wersji. W przykładzie proszę o trzy punkty podsumowujące podjęte decyzje; listę zadań do wykonania — każdą pozycję z osobą odpowiedzialną i terminem; oraz otwarte pytania, na które w trakcie spotkania nie padła odpowiedź.
Potem przychodzą reguły. Dwie polecam zachować bezwarunkowo. Pierwsza: korzystaj wyłącznie z tego, co jest w transkrypcie. Druga: jeśli ktoś nie wskazał właściciela zadania ani terminu, wyraźnie to zaznacz. Obie ograniczają ryzyko, że model coś zmyśli — dobierze informację z własnej wiedzy albo z internetu. Chcemy, żeby czerpał tylko i wyłącznie z naszego transkryptu. Druga reguła dodatkowo uczy model uczciwości: skoro wolno mu przyznać, że informacji po prostu nie ma, nie musi niczego dopowiadać.
Trzecia reguła to kwestia gustu: zwięzłość. Przydatna taktyka — zamiast długości podawać czas. Nie piszę, że notatki mają być krótkie, tylko że chcę je przeczytać w niecałą minutę. Różne modele lepiej reagują na taką formułę i faktycznie piszą treściwiej.
Na końcu do polecenia wklejasz transkrypt — bezpośrednio albo jako załącznik. Całość traktuj jak szablon do dowolnej modyfikacji. A gdy doprowadzisz go do wersji, która Ci odpowiada, schowaj go do projektu w ChatGPT lub Claude albo zapisz jako umiejętność — żeby nie wklejać tego samego przy każdym spotkaniu.
To pierwszy przykład oszczędzania czasu, ale sprawa nie kończy się na notatkach. AI napisze za Ciebie e-maile z ustaleniami, zaproponuje terminy kolejnych spotkań i ogarnie mnóstwo pokrewnych spraw. Cała ta administracja powinna przejść na barki sztucznej inteligencji.
Drugi poziom w praktyce: jednostronicowe opracowanie przed ważną rozmową
Poziom drugi to generowanie przychodu. Zastosowań jest mnóstwo, ale to, które opiszę, widzę najczęściej — i pewnie dotyczy także Ciebie. Chodzi o branie surowych danych i zamienianie ich w przygotowanie do poważnych rozmów.
Taka rozmowa to na przykład sprzedaż nowej usługi lub produktu, negocjacje odnowienia umowy z klientem albo przekonywanie inwestora. Przed spotkaniem możesz każesz AI przejść przez wszystkie materiały, jakie masz o drugiej stronie: „Zbierz moje notatki, e-maile i dane z CRM, przeanalizuj całość i zwróć jednostronicowe opracowanie do przeczytania przed rozmową — żeby zwiększyć szansę, że wyjdę z niej z tym, po co przyszedłem”.
Znowu mam prompt na start — generyczny, do dopasowania. U góry proszę model o jednostronicowy skrót przed rozmową z potencjalnym klientem; w tym wypadku z propozycją sprzedaży. Ten sam schemat sprawdzi się przy negocjacjach umów, ocenach pracowniczych, rozmowach z inwestorami i wielu innych.
Dalej nakazujesz modelowi korzystanie z notatek, przeszłej korespondencji i CRM-u. Potem prosisz o konkretny zestaw informacji w konkretnej strukturze — i to jest fragment, który zmienisz pod swoją sytuację. W moim przykładzie proszę o: tło na temat potencjalnego klienta; najczęstsze obiekcje, jakie prawdopodobnie podniesie; jeden argument szyty na miarę tego klienta, który przy ręcznym przygotowaniu łatwo bym przegapił; oraz jedno najlepsze pytanie do zadania w trakcie rozmowy.
A jeśli nie wiesz, jaka struktura najlepiej sprawdzi się w danym typie spotkania? Ten fragment też możesz zlecić AI. Opisz sytuację i cel: „Czeka mnie taka a taka rozmowa, chcę osiągnąć to i to — przejrzyj sprawdzone praktyki dla tego typu spotkań i podpowiedz, jak zbudować skuteczne opracowanie”. Model przejrzy własną wiedzę i internet, a potem podpowie, jak ułożyć dokument i jak się przygotować.
Na końcu reguły, z których pierwszą polecam zostawić: każdy fakt ma pochodzić wyłącznie z moich materiałów — z tych źródeł, które wskazałem, i nigdzie indziej. Jeśli coś zgadujesz, oznacz to jako domysł, żebym mógł to zweryfikować. Robimy tu dokładnie to samo co w prompcie na notatki: wiążemy model z naszymi źródłami (to tzw. uziemienie) i prostujemy jego skłonność do zgadywania — dajemy mu do zrozumienia, że przyznanie się do braku informacji jest w porządku. Do tego jeszcze preferencja: jednostronicowe opracowanie ma być napisane prostym językiem.
Trzeci poziom w praktyce: wzorce i anomalie na setkach plików
Trzeci poziom to rzeczy, których bez AI po prostu nie dało się zrobić. Dlaczego wcześniej było to niewykonalne? Z dwóch powodów. Po pierwsze, inwestycja się nie spinała — nie opłacało się angażować stu analityków do jednego zadania, bo zwrot był mglisty albo wcale go nie było. Po drugie, niektórych prac ludzki umysł po prostu nie udźwignie.
Typowy przykład — częsty, więc warto wziąć schemat na warsztat i przenieść go na własny przypadek. Schemat jest prosty: bierzesz wielki zbiór plików i każesz AI wyciągnąć z niego wzorce oraz anomalie, na których można oprzeć decyzje. Model jest w stanie przejrzeć setki, a nawet tysiące plików poświęconych jednemu tematowi, przemielić całość i zwrócić regularności albo odstępstwa, które przy okazji odkrył.
Konkrety? Masz setki opinii klientów o produkcie lub usłudze — AI je przegląda i podpowiada, co poprawić, żeby ograniczyć odpływ klientów (tzw. churn). Albo analizuje setki zgłoszeń do wsparcia dotyczących jednego produktu i na podstawie powtarzających się skarg wskazuje, jakie funkcje warto zbudować w następnej kolejności. Takich zastosowań tego schematu widziałem mnóstwo. Dawniej było to niewykonalne: zbyt czasochłonne albo po prostu ponad ludzkie możliwości.
Prompt jest bardzo generyczny i dopasujesz go do swojego scenariusza. Na wstępie każemy: przeczytaj każdy plik z tego foldera lub źródła. Zakładam, że używasz agenta działającego bezpośrednio na komputerze — np. Codex od OpenAI albo Claude Cowork od Anthropic. To najlepsze narzędzia do tej roboty, bo znoszą ogromne liczby plików bez przedwczesnego „poddawania się” i bez pobieżnego przejrzywania materiałów. To zastrzeżenie jest naprawdę ważne.
Potem: znajdź najważniejsze wzorce. Model dostaje kontekst — szukam skarg, próśb i ryzyk, które wracają najczęściej, oraz okazji, które mogą kryć się w danych. Następnie precyzyjne instrukcje, co ma znaleźć wewnątrz tych wzorców — i to jest fragment, który zdecydowanie zmienisz pod siebie. A jeśli nie wiesz, co ciekawego może się kryć w zbiorze, i ten element oddaj AI: zacznij od trybu rozpoznania — „przejrzyj całość i wskaż wzorce, a przy nich informacje, którymi powinienem się zainteresować, mając na uwadze mój cel”.
W mojej wersji proszę o: jednolinijkowy opis każdego wzorca; informację, jak często pojawia się w danych; autentyczne cytaty z materiałów, które do mnie przemówią; oraz wyjaśnienie, dlaczego to istotne dla mojego celu.
Potem reguły — pierwsze dwie gorąco polecam zatrzymać. Po pierwsze: wszystko, co zwrócisz, ma opierać się wyłącznie na plikach, które Ci przekazałem. Po drugie: jeśli coś wnioskujesz lub zakładasz, oznacz to jako wniosek — żeby było jasne, co pochodzi wprost z danych, a co jest domniemaniem.
Jest jeszcze jedna sztuczka, która świetnie się sprawdza: każ AI podać, ile plików faktycznie przeczytał. Jeśli wiem, że w folderze są 362 pliki, a model raportuje 264, od razu wiem, że spora część mu umknęła. To prosty sposób, by sprawdzić, czy analiza objęła pełny zbiór.
Podsumowanie: zacznij od administracji, ale przesuwaj uwagę dalej
Na koniec krótko, dlaczego to wszystko ma znaczenie. Pierwszy poziom — odciążanie od administracji — to obowiązkowy punkt startu, bo to właśnie tam najwcześniej zobaczysz największy zwrot z wdrożenia AI. Ale gdy narzędzie przestanie być nowością, a oszczędzanie czasu wejdzie na autopilot, przenieś część uwagi dalej: najpierw na generowanie przychodu, potem na odblokowywanie możliwości, których firma nigdy wcześniej nie miała.
(Informacja dodatkowa: film zamyka autoreklama kanału — przypomnienie o darmowej serii mailingowej i ofercie współpracy.)
Na koniec autor zostawia jeszcze jedną obserwację: im większe zlecenia dajesz AI, tym częściej tworzy ona rzeczy widoczne dla klientów — oferty, prezentacje, raporty. Kłopot w tym, że rzadko wyglądają one jak Twoja marka: niewłaściwe kolory, brak logo, cały szereg potknięć. Ręczne poprawki zjadają zaoszczędzony czas — a tak być nie musi. Temu tematowi autor poświęca osobny film, do którego odsyła widzów.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Sortuj zadania dla AI do trzech koszyków: czas, przychód, nowość
Na czym polega: AI w firmie może odciążać od administracji, generować przychód albo odblokowywać zadania niemożliwe wcześniej. Większość firm lokuje niemal wszystko w pierwszym koszyku i tam zostaje. Zmiana polega na świadomym rozdzielaniu wysiłku i budżetu między trzy kategorie.
Jak stosować: wypisz zadania, które chcesz zautomatyzować lub wspomóc AI, i przypisz każde do koszyka według głównej korzyści — zadania mieszane trafiają tam, gdzie przynoszą najwięcej. Proporcje przeglądaj np. co kwartał; wzorcowy cel autora to mniej więcej połowa wysiłku na czas, reszta na przychód i nowe możliwości.
Na co uważać: żaden koszyk nie jest z natury lepszy — proporcje zależą od etapu i sytuacji firmy. Nie porzucaj poziomu administracyjnego, tylko zmniejszaj jego udział.
2.Odzyskane godziny trzeba zainwestować, a nie oddać papierologii
Na czym polega: Autor wielokrotnie obserwuje, że czas zaoszczędzony dzięki AI wraca do firmy jako… kolejna administracja. Samo odliczanie zaoszczędzonych godzin nic nie mówi o realnej wartości wdrożenia.
Jak stosować: po każdym wdrożeniu oszczędzającym czas świadomie zaplanuj, na co pójdą odzyskane godziny — najlepiej na działania z drugiego i trzeciego koszyka (przygotowanie do rozmów handlowych, analizy zbiorcze).
Na co uważać: bez takiego planu „oszczędność” pozostanie wpisem w raporcie, a nie wzrostem przychodu czy nowych możliwości.
3.Przestań pisać notatki ze spotkań — nagrywaj i deleguj
Na czym polega: Każde spotkanie, wewnętrzne i zewnętrzne, może być nagrywane i zamieniane na transkrypt, z którego AI robi notatki w narzuconej strukturze: decyzje, zadania z właścicielami i terminami, otwarte pytania.
Jak stosować: zacznij od prostego promptu z trzema sekcjami i testuj go na kilku spotkaniach; różne typy spotkań mogą wymagać różnych układów (np. inne sekcje dla 1:1 niż dla spotkania projektowego).
Na co uważać: transkrypcje automatyczne bywają niedokładne przy nazwiskach, liczbach i terminach — przed wysłaniem notatek dalej zweryfikuj kluczowe ustalenia. Dbaj też o zgodę uczestników na nagrywanie.
4.Wiąż model wyłącznie z Twoimi materiałami i daj mu prawo do niewiedzy
Na czym polega: Dwie reguły, które autor zaleca zostawiać w każdym prompcie: „korzystaj wyłącznie z podanych źródeł” oraz „jeśli czegoś w nich nie ma, wyraźnie to zaznacz”. Razem ograniczają ryzyko zmyśleń — model nie sięga po własną wiedzę ani internet i nie dopowiada luk na siłę.
Jak stosować: wklej obie reguły do każdego szablonu, w którym AI pracuje na transkryptach, e-mailach, danych z CRM czy plikach firmowych.
Na co uważać: nawet dobrze uziemiony model potrafi przekręcić szczegół — kluczowe fakty i liczby sprawdź w oryginale, a oznaczone jako „domysł” elementy potraktuj jako hipotezę do weryfikacji.
5.Zwięzłość definiuj czasem czytania, nie długością
Na czym polega: Zamiast pisać „maksymalnie pół strony” czy „bądź krótki”, autor podaje ramy czasowe: „chcę to przeczytać w niecałą minutę”. Modele lepiej reagują na taką formułę i piszą treściwiej.
Jak stosować: w każdej instrukcji dotyczącej streszczeń, notatek i opracowań podaj docelowy czas lektury zamiast limitu znaków czy akapitów.
Na co uważać: zbyt agresywny limit może wyciąć kontekst ważny dla decyzji — przy materiałach o dużej wadze dopuść dłuższy czas czytania.
6.Dopracowane prompty trzymaj w projektach i umiejętnościach
Na czym polega: Gdy szablon notatek czy briefu osiągnie wersję, która działa, nie wklejaj go za każdym razem — zapisz go jako projekt w ChatGPT lub Claude albo jako osobną umiejętność.
Jak stosować: prowadź oddzielne wersje pod różne typy spotkań i rozmów; nową modyfikację testuj na jednym–dwóch przypadkach, zanim podmienisz wersję bazową.
Na co uważać: zaszyty raz prompt łatwo popaść w zapomnienie — co jakiś czas przeglądaj reguły, bo zmieniają się możliwości modeli i Twoje potrzeby.
7.Przygotowuj jednostronicowe opracowanie przed każdą ważną rozmową
Na czym polega: Przed sprzedażą, negocjacją odnowienia umowy czy spotkaniem z inwestorem każ AI przejrzeć Twoje notatki, e-maile i CRM, a potem zwrócić jednostronicowy skrót: tło na temat kontrahenta, przewidywane obiekcje, jeden argument szyty na miarę tej konkretnej rozmowy oraz jedno najlepsze pytanie do zadania.
Jak stosować: buduj szablon pod typ rozmowy; zaczynaj od wersji autora i po każdej rozmowie dopisuj, które elementy briefu faktycznie się przydały.
Na co uważać: opracowanie to wsparcie przygotowań, nie scenariusz do odrecytowania — nie przenoś jego treści do rozmowy bezrefleksyjnie i weryfikuj fakty, bo błąd w tle kontrahenta na wejściu może zniweczyć całe spotkanie.
8.Nie wiesz, jak ma wyglądać dokument? Zleć AI zaprojektowanie jego struktury
Na czym polega: Jeśli nie masz pewności, jakie informacje i w jakim układzie przygotować przed rozmową albo czego szukać w zbiorze danych, możesz zlecić to samo AI: opisujesz cel, a model po researchie sprawdzonych praktyk podpowiada strukturę opracowania.
Jak stosować: użyj formuły w stylu: „Czeka mnie taka rozmowa, chcę osiągnąć to i to — sprawdź, co się sprawdza w takich sytuacjach, i zaproponuj strukturę briefu”. Dopiero potem zbuduj docelowy prompt na podstawie tej struktury.
Na co uważać: rekomendacje pochodzą z ogólnych źródeł i mogą nie uwzględniać specyfiki Twojej branży — potraktuj je jako punkt wyjścia i skonfrontuj z własnym doświadczeniem.
9.Setki plików na wejściu, wzorce i anomalie na wyjściu
Na czym polega: Trzeci poziom to zadania nieopłacalne albo niewykonalne dla ludzi: AI czyta setki opinii klientów czy zgłoszeń do supportu i wyławia powtarzające się skargi, prośby, ryzyka oraz ukryte okazje — gotowe podstawy decyzji, np. co poprawić, żeby zatrzymać klientów, albo jakie funkcje budować następne.
Jak stosować: zacznij od trybu rozpoznania („przejrzyj całość i wskaż wzorce istotne dla mojego celu”), potem doprecyzuj prompt: opis każdego wzorca, częstotliwość występowania, autentyczne cytaty oraz związek z Twoim celem. Do takiej pracy używaj agentów działających bezpośrednio na plikach, np. Codex od OpenAI lub Claude Cowork od Anthropic.
Na co uważać: zwykły czat internetowy może przy dużych zbiorach przejrzeć materiały pobieżnie lub zbyt wcześnie przerwać analizę — wtedy wyniki będą niekompletne i mylące.
10.Sprawdzaj, ile plików AI faktycznie przeczytał
Na czym polega: Prosty trik kontrolny przy analizach masowych: każ modelowi podać liczbę przeczytanych plików. Jeśli w folderze jest 362 pliki, a raport mówi o 264 — wiadomo, że sporą część pominięto i wyniki nie odzwierciedlają całości.
Jak stosować: dodaj taki punkt do reguł każdego promptu pracującego na folderach; porównuj raportowaną liczbę z rzeczywistą przed podjęciem decyzji na podstawie analizy.
Na co uważać: liczba zgodna ze stanem foldera nie gwarantuje jakości lektury — przy kluczowych decyzjach sięgnij dodatkowo do przykładowych plików i sprawdź, czy wnioski modelu mają pokrycie w treści.