Naucz AI swojego fachu raz. Nigdy więcej niczego nie tłumacz

O czym jest ten film

1. Umiejętność (skill) to zapisany raz sposób wykonywania twojej pracy — AI korzysta z niego w każdej rozmowie, bez ponownego tłumaczenia.
2. Claude, OpenAI, Grok i Gemini przyjęły wspólny standard, a umiejętności łatwo przenieść między dostawcami.
3. Prompt to jednorazówka; projekt to tematyczna przestrzeń, do której wchodzisz; umiejętność działa między tematami i „przychodzi do ciebie” w dowolnym czacie.
4. Umiejętności oszczędzają ograniczony kontekst dzięki stopniowemu ujawnianiu informacji — model czyta tylko te pliki, których akurat potrzebuje.
5. Zadanie kwalifikują trzy pytania: czy się powtarza, czy jakość musi być za każdym razem na poziomie i czy proces przechodzi między tematami.
6. Budowa zaczyna się od ręcznej pracy z AI: kilka iteracji i poprawek, a dopiero potem zapis rozmowy jako umiejętność gotowym promptem.
7. W zapisie obowiązują trzy zasady: uchwycić proces, standardy i format wyniku; nie przywiązywać się do przykładowych danych; trzymać minimalną objętość.
8. Według wewnętrznego badania Anthropic (ok. 400 umiejętności) istnieją cztery typy: wykonawca, formater, kontroler i reguły — kontroler okazał się dla firmy najcenniejszy.
9. Kontroler w praktyce to trzy–pięć binarnych testów, które AI przechodzi sam, zanim pokaże ci wynik.
10. Rozrost liczby umiejętności grozi ich myleniem przez model — rozwiązaniem jest mniejsza liczba, wyraziste nazwy albo przypisanie do folderów; w skali firmy umiejętności zastępują SOP-y.

Redakcyjne tłumaczenie

Most między proszeniem o pomoc a delegowaniem

Wyobraź sobie, że ChatGPT albo Claude raz na zawsze uczysz, jak wygląda twoja praca — i nigdy więcej nie musisz przeprowadzać modelu przez ten proces krok po kroku. Właśnie po to powstały umiejętności (ang. skills). Bierzesz swój sposób działania: kolejne etapy, standardy, drobne ustalenia, które zwykle za każdym razem powtarzasz, i zamieniasz je w coś, z czego AI korzysta automatycznie, ilekroć taka praca się pojawi. Zamiast zaczynać od zera w każdej nowej rozmowie, wystarczy napisać: „Napisz follow-upa do tego klienta” — i model już wie, jak zrobiłbyś to ty.

Jeśli oglądacie mnie po raz pierwszy: jestem Dylan, prowadzę firmę doradczą z zakresu AI. I umiejętności to chyba najczytelniejszy most, jaki znam, między korzystaniem z AI jak z pomocy a faktycznym delegowaniem na nie pracy. W tym materiale pokazuję trzy rzeczy: czym umiejętność jest, które zadania na nią zasługują i jak zbudować pierwszą — nie pisząc jej samodzielnie.

Jeden standard u wszystkich dostawców

Niezależnie od dostawcy — Claude, OpenAI, Grok czy Gemini — wszyscy zbiegli do podobnego rozwiązania, które nazywa się właśnie skills. A ilekroć ryka umawia się na jeden standard jakiegoś formatu — jak kiedyś PDF czy e-mail — to sygnał, żeby właśnie ten jeden format naprawdę dobrze opanować. W świecie AI tym bardziej.

Moje przewidywanie: większość ludzi zacznie używać umiejętności do automatyzacji procesów w swojej pracy. Nie tylko dlatego, że świetnie się do tego nadają, ale też dlatego, że przenoszą się między dostawcami. Przejście z Claude do ChatGPT nie oznacza utraty włożonej pracy — umiejętności przenosisz w całości, szybko i sprawnie.

Jak dziś wygląda typowa współpraca z AI (na slajdzie po lewej)? Jak obsługa okienka: pytanie, odpowiedź, znowu pytanie, znowu odpowiedź. Nie ma w tym nic złego, ale z czasem warto przejść od zadawania pytań do kierowania pracą — tak, by AI wykonywało ją samodzielnie przez minuty, a nawet godziny. Umiejętności są do tego kluczowe. I zwykle nie chodzi o jedną, lecz o łańcuch połączonych ze sobą umiejętności, którym delegujesz fragmenty albo całe zadania.

Czym umiejętność nie jest: prompty i projekty

Zanim powiem, czym umiejętność jest, trzeba powiedzieć, czym nie jest. Niemal każdy korzystający z AI zna prompty i projekty. Projekt przypomina folder: wchodzisz w niego i dopiero w tej przestrzeni pracujesz z modelem. Po jej otwarciu AI jest już przygotowane pod konkretne zadanie. Podobnie jak umiejętność, projekt zawiera instrukcje — plik CLAUDE.md albo AGENTS.md, który pełni rolę księgi poleceń: model go czyta i wie dokładnie, co ma robić. Do instrukcji dochodzą zwykle pliki kontekstowe, do których AI sięga po dodatkowe informacje potrzebne do wykonania zadania.

(Informacja dodatkowa: CLAUDE.md i AGENTS.md to umowne nazwy plików z instrukcjami, które asystenci AI automatycznie odczytują w katalogu projektu; pierwsza jest związana z Claude, druga stała się szerszym standardem branżowym.)

Słabość projektów — i folderów w ogóle — polega na tym, że w zależności od tego, ile treści tam wrzucisz, bardzo szybko zapełniasz AI „głowę”. Model ma ograniczoną pojemność: im pełniejsza głowa, tym głupsze odpowiedzi. Cała sztuka polega więc na tym, by zajmować możliwie mało miejsca danymi — i zostawić modelowi przestrzeń na rozumowanie nad twoim zadaniem. To jedna z najważniejszych zalet umiejętności.

Czym jest umiejętność i jak działa od środka

W najprostszym ujęciu umiejętność to folder z kilkoma rzeczami w środku. Różnica wobec projektu jest zasadnicza: do projektu ty przychodzisz, a umiejętność przychodzi do ciebie. Niezależnie od tego, w jakim czacie pracujesz i z kim rozmawiasz, możesz ją wywołać zawsze i wszędzie.

Mam tu prosty przykład: umiejętność, która pomaga pisać klientom maile po rozmowach. Każda umiejętność, z jaką się zetkniesz, zawiera plik skill.md. I od razu ważna uwaga praktyczna: to samo AI może napisać umiejętność za ciebie i później ją edytować. Nie musisz tworzyć jej od zera — tę pracę również delegujesz modelowi. Zaraz pokażę, jak to zrobić.

Plik skill.md pełni tę samą rolę co wspomniane CLAUDE.md i AGENTS.md: to instrukcja, do której model zagląda, żeby zrozumieć, po co jest i jak przeprowadzić dany proces. W zależności od tego, jak AI zbuduje umiejętność, w środku znajdą się podfoldery z plikami. I tu tkwi najpiękniejsza cecha tego rozwiązania: stopniowe ujawnianie informacji (ang. progressive disclosure) — model czyta wyłącznie te materiały, których akurat potrzebuje do zadania. Widać to na slajdzie: umiejętność follow-upów zagląda do skill.md, pomija podfolder z przykładami, przechodzi prosto do podfolderu z szablonami i otwiera tylko jeden konkretny plik — ten, który wynika z prośby użytkownika. Dzięki temu kontekst się nie zapełnia, model zachowuje sprawność, a rośnie szansa, że dostaniesz wynik zgodny z oczekiwaniami.

W dwóch zdaniach: umiejętność przychodzi do ciebie zamiast czekać, aż do niej pójdziesz, a informacje odsłania stopniowo — oszczędzając miejsce w głowie modelu.

Prompt, projekt czy umiejętność?

Podział jest prosty:

• Prompt — coś doraźnego, jednorazowego: „streść ten artykuł”, „podsumuj raport”.
• Projekt — miejsce związane z tematem. Jeśli zestaw zadań i procesów wykonujesz tylko przy jednym przedsięwzięciu albo jednym kliencie, projekt się do tego nadaje.
• Umiejętność — działa między tematami i dociera wszędzie tam, gdzie ty.

Wzorcowy przykład z mojego warsztatu: propozycje handlowe. Piszę je dla wszystkich potencjalnych klientów, a ci różnią się wielkością, branżą oraz tym, jakie produkty i usługi u mnie kupują. Mimo to sama propozycja zawsze ma tę samą strukturę, ten sam ton i podobnie rozłożone akcenty. To proces przechodzący między tematami i projektami — czyli kandydat idealny na umiejętność.

Trzy pytania, które kwalifikują zadanie

Skoro wiadomo gdzie, pozostaje pytanie kiedy. Są trzy pytania o to, czy zadanie nadaje się na umiejętność. Porównajmy przykłady: mail follow-up pisany każdemu klientowi po rozmowie oraz jednorazowa analiza ankiety.

1. Czy zadanie się powtarza — codziennie, co tydzień, co miesiąc?
2. Czy za każdym razem wymagasz określonego poziomu jakości — wynik ma być niezawodny?
3. Czy proces da się przenieść między tematami — chcesz go używać w różnych rozmowach?

Trzy razy „tak” oznacza, że zadanie jest dobrym kandydatem na umiejętność. Jakiekolwiek „nie” — wystarczy prompt albo projekt.

Jak zbudować umiejętność: najpierw praca, potem zapis

Pracowałem z wieloma klientami i widziałem różne sposoby tworzenia umiejętności — ten wydaje mi się najprostszy i najskuteczniejszy: najpierw zrób dane zadanie razem z AI, dopiero potem zamień je w umiejętność. Na przykładzie follow-upów po określonych typach rozmów z klientami wygląda to tak:

1. Bierzesz transkrypt rozmowy i przekazujesz go do AI.
2. Dyktujesz prompt: co ma napisać i jak — struktura, ton, pozostałe ustalenia.
3. Pierwsza wersja prawie na pewno się nie spodoba — na przykład ton będzie nietrafiony. Prosisz o poprawkę.
4. Druga jest lepsza, ale format lekko odbiega od twojego. Kolejna uwaga.
5. Trzecia wersja w końcu spełnia oczekiwania.

Dopiero wtedy „zamykasz” proces w umiejętności — i to jest sedno metody. Skoro model przeszło z tobą całą pracę, zna jej niuanse, subtelności i szczegóły, więc potrafi skutecznie uchwycić je w gotowym opakowaniu. Do spisania rozmowy służy dedykowany prompt — prezentację z tego filmu znajdziesz w opisie, więc wystarczy go skopiować i wkleić na końcu czatu.

Trzy zasady promptu zapisującego

Na początku tego promptu mówisz modelowi wprost: „Zamień tę rozmowę w umiejętność wielokrotnego użytku”. Zwrot „wielokrotnego użytku” (ang. reusable) to kluczowe słowo — ma zapewnić, że zapis nie będzie przywiązany do jednego tematu, tylko używalny w wielu kontekstach. Dalej następują trzy zasady:

Zasada 1: uchwycić proces, standardy jakości i format wyniku. To elementy, które da się wyabstrahować ze wspólnej pracy i które stanowią rdzeń umiejętności.

Zasada 2: proces ma działać przy różnych danych wejściowych. Umiejętność nie może być przywiązana do przykładu, na którym ćwiczyliście — do tego konkretnego klienta, tej daty czy tego pliku. Zmieniasz dane, a wynik nadal ma być wysokiej jakości.

Zasada 3 — najważniejsza i najczęściej pomijana: umiejętność ma być tak mała, jak to możliwe. Wystarczająco duża, żeby dobrze zrobić zadanie, ani linijki więcej. Każda linijka musi zasłużyć na swoje miejsce.

Trzecia zasada wraca do ograniczonej pojemności modelu. Stopniowe ujawnianie informacji pomaga, ale spuchnięta umiejętność i tak pogarsza jakość jego pracy. Zwięzłość i skupienie na jednym zadaniu zwiększają szansę, że wynik będzie powtarzalny i zgodny ze standardem. Zasada obowiązuje też później: gdy poprawiasz umiejętność (może to zrobić za ciebie samo AI), każda poprawka również ma być minimalna i celna.

Cztery typy umiejętności

Na kilka tygodni przed publikacją Anthropic przejrzało wewnętrznie około 400 umiejętności stworzonych przez swoje zespoły i wyodrębniło cztery kategorie. Większość ludzi buduje tylko dwie z nich, a trzecia okazała się dla firmy najbardziej wartościowa.

(Informacja dodatkowa: Anthropic to firma stojąca za modelem Claude; badanie dotyczyło umiejętności tworzonych wewnątrz tej firmy.)

1. Wykonawca (doer) — klasyczny typ: delegujesz zadanie, a umiejętność sprawia, że AI je wykonuje. Ten przypadek omawialiśmy do tej pory.
2. Formater (formatter) — pilnuje formatowania zgodnego z twoimi preferencjami. Przykład: firmowe wytyczne dla prezentacji — czcionki, kolory, logo. Tworzysz umiejętność, udostępniasz jej całej organizacji i każdy, kto robi prezentację, automatycznie dostaje wersję zgodną z wytycznymi.
3. Kontroler (checker) — sprawdza wynik pracy AI, zanim trafi do ciebie; dodaje do układu recenzenta. Według samego Anthropic to najpotężniejszy i najcenniejszy typ w ich firmie. Kontroler może być osobną umiejętnością albo jedną linijką w umiejętności wykonawczej, każe modelowi sprawdzić własną pracę — wrócę do tego za chwilę.
4. Reguły (rule) — wpisują model w kontekst twojej firmy. Świetny specjalista „z ulicy” nie zna twoich klientów ani okoliczności: klienta, który nie znosi maili w piątki, albo takiego, który płaci po 45 dniach, a nie po 30.

Kontroler, czyli recenzent w pętli

Najczęściej nie potrzebujesz osobnej umiejętności kontrolnej — wystarczy dopisać odpowiednią linię do istniejącej umiejętności wykonawczej lub formatującej. Rekomendowany przeze mnie dodatek do promptu zapisującego każe modelowi dołączyć do umiejętności kryteria samokontroli. Treść w skrócie: „Dodaj na końcu tej umiejętności od trzech do pięciu testów. Każdy ma być binarny — tak/nie, zaliczony/niezaliczony, 1/0. Zanim zwrócisz jakikolwiek wynik, sprawdź własną pracę wobec tych kryteriów; jeśli któryś test nie przechodzi, najpierw popraw wynik, a dopiero potem go pokaż”.

Na slajdzie widać to w działaniu: AI szkicuje maila i samo stwierdza, że wynik nie spełnia kryteriów. Czy mail ma mniej niż 150 słów? Czy przy każdej pozycji widnieje nazwa i data? Skoro nie — poprawia, zanim pokaże finalną wersję. W tym cały sens: model wielokrotnie recenzuje swoją pracę, zanim cokolwiek do ciebie trafi, więc ty nie tracisz czasu na wczesne szkice.

Koszty: mylące nazwy i rozrost liczby umiejętności

Umiejętności mają też swoje ceny — trzeba je znać, żeby korzystać z nich poprawnie. Te zapisane globalnie są przez cały czas „w polu widzenia” modelu: przy każdym zadaniu patrzy on na dwie rzeczy — nazwę umiejętności i jej jednozdaniowy opis. Większość modeli daje radę obsłużyć około 50–70 umiejętności. Pułapka polega na tym, że gdy dwie nazwy i ich opisy są do siebie zbyt podobne, model się gubi i wybiera złą umiejętność w złym momencie. Zasada: niezależnie od liczby, umiejętności muszą się od siebie wyraźnie odróżniać — nazwą i opisem — tak, by model wiedział, po którą sięgnąć.

Są dwa sposoby na ten problem. Pierwszy: po prostu mieć ich mniej — na przykład 10–15 zapisanych globalnie. Bardzo podobne można połączyć w jedną i w jej instrukcjach pozwolić AI wybrać ścieżkę zależnie od zadania. Drugi, skuteczniejszy i przeze mnie rekomendowany: jeśli pracujesz w programie na komputerze, takim jak Claude Cowork czy firmowy ChatGPT, możesz przypisać umiejętność do konkretnego folderu. Umiejętność pisania propozycji byłaby wtedy dostępna wyłącznie w folderze pracy z klientami; umiejętność mailowa pozostaje tam niewidoczna — i odwrotnie. Wiązanie umiejętności z folderami pozwala mnożyć je bez rozpraszania modelu.

(Informacja dodatkowa: Claude Cowork to desktopowy asystent Anthropic, który pracuje bezpośrednio na plikach i folderach komputera użytkownika.)

Ewolucja firmowych SOP-ów

Ostatnia myśl: umiejętności to naturalna ewolucja standardowych procedur operacyjnych. Wiele firm opisuje procesy po to, by szkolić pracowników — wiedzę najlepszego specjalisty przenosi z głowy do dokumentu, żeby cały zespół pracował na tym samym poziomie. Rozwinięcie tego pomysłu polega na tym, że ten sam proces, dokument i doświadczenie eksperta zamieniasz w umiejętność i udostępniasz jej całej organizacji. Każdy, kto wykonuje dane zadanie, trafia w ten sam standard. To niezwykły prezent ze strony AI: inteligencję eksperta rozprowadzasz między pracowników bez długotrwałego szkolenia. Od ludzi wymaga się już tylko jednego — rzetelnej oceny i weryfikacji wyników. U moich klientów to jeden z najczęstszych scenariuszy użycia.

Podsumowanie autora

1. Zanim uznasz, że zadanie nadaje się na umiejętność, odpowiedz na trzy pytania: czy się powtarza, czy wymaga niezawodnie wysokiej jakości i czy ma działać między tematami oraz rozmowami.
2. Trzy razy „tak”? Buduj. Metoda: udowodnij proces, pracując z AI ręcznie, a potem zapisz całą rozmowę jako zwięzłą umiejętność — dokładnie tak dużą, jak wymaga zadanie.
3. Pamiętaj o czterech typach umiejętności, zwłaszcza o kontrolerze: wystarczy jedna linijka na końcu umiejętności wykonawczej lub formatującej, by model sprawdzał własną pracę w sposób binarny — tak/nie, zaliczone/niezaliczone, 1/0. To czytelniejszy dla modelu sposób oceniania, czy idzie w dobrą stronę.
4. Miej świadomość kosztów zbyt dużej liczby umiejętności: ograniczaj ich liczbę i dbaj o wyrazistość nazw albo przypisuj je do folderów w programach desktopowych.

Na koniec zapowiadam kolejny materiał: w każdej firmie są trzy prace do oddania AI, większość ludzi utyka na pierwszej — a jedna z nich po cichu kosztuje najwięcej.

10 najważniejszych takeaways — z kontekstem zastosowania

1.Trzy pytania, zanim cokolwiek zbudujesz

Na czym polega: Umiejętność opłaca się budować tylko dla zadań powtarzalnych, wymagających każdorazowo tej samej jakości i działających między tematami.

Jak stosować: Przejrzyj swój tydzień pracy i wypisz zadania spełniające wszystkie trzy warunki naraz. Typowymi pierwszymi kandydatami są mail follow-up po rozmowie z klientem albo propozycja handlowa o stałej strukturze.

Na co uważać: Jednorazowa analiza (np. ankiety) nie jest kandydatem — do takich rzeczy wystarczy zwykły prompt. Nie buduj umiejętności na zapas, „na wszelki wypadek”.

2.Najpierw wykonaj zadanie z AI, dopiero potem je zapisz

Na czym polega: Sedno metody: model uczy się niuansów w trakcie wspólnej pracy — iteracje i poprawki są materiałem, z którego powstaje umiejętność.

Jak stosować: Wrzuć materiał wyjściowy (np. transkrypt rozmowy), zleć napisanie wyniku, poprawiaj aż do zadowalającej wersji, a na końcu wklej prompt zapisujący całość jako umiejętność.

Na co uważać: Nie zapisuj po pierwszej wersji — utrwalisz przypadkowe standardy. Ale nie ciągnij też iteracji w nieskończoność: umiejętność ma uchwycić proces, nie doskonałość.

3.„Wielokrotnego użytku”, czyli neutralność wobec danych

Na czym polega: W prompcie zapisującym mówi się wprost o umiejętności wielokrotnego użytku, niezależnej od konkretnego klienta, daty czy pliku.

Jak stosować: Zlecając zapis, zażądaj, by proces działał przy różnych danych wejściowych i by z wyniku zniknęło wszystko, co przywiązuje go do ćwiczebnego przykładu.

Na co uważać: Najczęstszy błąd to umiejętność „zakodowana” pod jeden przypadek — raz działa świetnie, potem zawodzi. Test: podmień dane wejściowe i sprawdź, czy wynik trzyma poziom.

4.Każda linijka musi zasłużyć na swoje miejsce

Na czym polega: Spuchnięta umiejętność zapełnia kontekst i pogarsza jakość pracy modelu — minimalizm to warunek niezawodności.

Jak stosować: Przy zapisie każ modelowi stworzyć najmniejszą możliwą wersję. Przy każdej późniejszej poprawce żądaj zmiany minimalnej i celnej, a nie przepisywania całości.

Na co uważać: Naturalna tendencja do dokładania kolejnych uwag z czasem „tuczy” umiejętność — rób okresowe przeglądy i odchudzaj zapis.

5.Rozróżniaj: prompt, projekt, umiejętność

Na czym polega: Prompt służy doraźnie, projekt wiąże się z tematem, umiejętność działa wszędzie i można ją wywołać w dowolnym czacie.

Jak stosować: Przy każdym nowym zadaniu zadaj sobie pytanie: jednorazowo, tematycznie czy wszędzie? Jeśli proces ma wspólną strukturę mimo różnych klientów i projektów — to umiejętność.

Na co uważać: Projekt wygodnie wchłania duże pliki i szybko zapełnia kontekst — nie trzymaj tam rzeczy, które lepiej przenieść do umiejętności z podfolderami.

6.Wykorzystaj stopniowe ujawnianie informacji

Na czym polega: Model czyta z folderu umiejętności tylko to, czego potrzebuje: plik skill.md i wybrany podfolder (np. szablony), pomijając resztę — dzięki temu nie traci pojemności na rozumowanie.

Jak stosować: Buduj strukturę z podfolderów — szablony, przykłady, listy kontrolne — i pozwalaj AI wybierać właściwy plik zależnie od zadania.

Na co uważać: Płaski katalog z dziesiątkami plików niweczy tę zaletę; druga skrajność to nadmierny podział. Trzymaj równowagę między strukturą a minimalizmem.

7.Wbuduj kontrolera: trzy–pięć binarnych testów

Na czym polega: Jedna linijka w umiejętności każe modelowi sprawdzić wynik przed pokazaniem (np. „czy mniej niż 150 słów?”) i poprawić go, jeśli test nie przechodzi.

Jak stosować: Dodaj do promptu zapisującego polecenie: umieść na końcu umiejętności 3–5 testów binarnych (tak/nie) i sprawdzaj własną pracę przed każdym zwrotem wyniku.

Na co uważać: Testy muszą być binarne — otwarte pytania osłabiają samokontrolę. Kontroler ogranicza liczbę poprawek po twojej stronie, ale nie zwalnia z ostatecznej weryfikacji człowieka.

8.Rozbuduj arsenał poza typ „wykonawczy”

Na czym polega: Badanie Anthropic (ok. 400 umiejętności) wyróżniło cztery typy: wykonawcę, formatera, kontrolera i reguły. Większość ludzi buduje tylko dwa pierwsze, a kontroler okazał się najcenniejszy.

Jak stosować: Po pierwszej umiejętności wykonawczej dodaj formatera (np. firmowe standardy prezentacji) i reguły kontekstu (np. „ten klient nie dostaje maili w piątki”, „ten płaci po 45 dniach”).

Na co uważać: Reguły dotyczące klientów szybko się dezaktualizują — przewiduj ich aktualizację. Umiejętność typu „reguły” rozsądnie jest przypisać do właściwego folderu, by nie działała globalnie.

9.Pilnuj nazw i liczby umiejętności

Na czym polega: Model stale „widzi” nazwy i opisy wszystkich globalnych umiejętności; zbyt podobne prowadzą do wyboru niewłaściwej. Bezpieczna granica to około 50–70, a rozsądnie 10–15.

Jak stosować: Nadawaj wyraziste, wzajemnie różne nazwy i opisy. Podobne umiejętności łącz w jedną z rozgałęzieniami wybieranymi przez AI. Jeśli korzystasz z aplikacji desktopowej (Claude Cowork, firmowy ChatGPT), przypisz umiejętności do folderów — w danym katalogu model widzi tylko właściwe narzędzia.

Na co uważać: Po dodaniu każdej nowej umiejętności sprawdź, czy jej nazwa nie koliduje z istniejącymi. Objaw problemu: model włącza niewłaściwą umiejętność w niewłaściwym momencie.

10.Zamiast SOP: wiedza eksperta w umiejętności

Na czym polega: Umiejętność to naturalny następca dokumentu procedur — tę samą wiedzę eksperta wdrażasz do całej organizacji, bez kosztownego szkolenia.

Jak stosować: Weź najlepszy proces w zespole, przepracuj go z AI razem z ekspertem, zapisz jako umiejętność i udostępnij wszystkim. Od pozostałych osób wymagaj tylko rzetelnej walidacji wyników.

Na co uważać: Umiejętność utrwali też złe nawyki, jeśli proces opisze ktoś przeciętny — zaczynaj od najlepszych praktyków. Przewidź cykliczny przegląd umiejętności, bo standardy w firmie ewoluują.