Maksymilian

Finanse to obszar, w którym adopcja AI przynosi najszybsze i najbardziej mierzalne rezultaty, ponieważ praca jest powtarzalna, procesy jasno zdefiniowane, a koszt wykonywania jej ręcznie można niezwykle łatwo zmierzyć Dlatego, szczególnie jeżeli jesteś CFO albo kimś związanym z finansami, zachęcam do przeczytania mojego artykułu, w którym przedstawiam pełną filozofię tego, jak my do tego podchodzimy i jak powinna wyglądać poprawna adopcja AI w wasze procesy - za darmo ;) Jedynym kosztem jest czas i skupienie się, bo trochę tego jest, a i tak starałem się nie wchodzić w techniczne szczegóły Enjoy!

polecam przeczytać

z biegiem czasu coraz więcej problemów, które mamy z ogólnie pojętym ai, będzie znikać. dobrze widać to właśnie po tym, jak zmienił się context engineering i jak wyzwania, z którymi na początku tego roku się zmagaliśmy, zostały już praktycznie rozwiązane nowsze modele, uczone na coraz to nowszych harnessach podczas RLowania, „zjadają” umiejętności tych harnessów, które materializują się w wagach modelu. stąd harness może być coraz mniejszy i nie musi już aż tak bardzo prowadzić modelu za rączkę fajnym przykładem są umiejętności związane z tool calling. zanim stało się ono natywną umiejętnością modeli, trzeba było się trochę nagimnastykować i obchodzić nieporadność modeli z tamtych czasów stąd wymuszało się na modelach generowanie JSONa opisującego wywołanie narzędzia, a następnie jego parsowanie w kodzie, tak aby na tej podstawie model mógł zwrócić wynik użycia danego narzędzia po tym, jak openai udostępniło tool calling, wszyscy porzucili te obejścia, bo nie było już sensu instruować modelu, jak używać narzędzi (bitter lesson) rzeczy, które stwarzały nam duże problemy na początku tego roku, teraz są praktycznie nieodczuwalne. ale ponieważ proces progresowania idzie w nieskończoność, zawsze pojawiają się nowe wyzwania o nich właśnie pisze ze swojej perspektywy @hwchase17 polecam lekturę z jakimi problemami wy mierzycie się na co dzień, jeżeli chodzi o dzisiejsze umiejętności modeli i harnessów?

mały rant na temat modelu mentalnego wdrażania ai pośród ludzi decyzyjnych w dużych firmach - zainspirowany poniższym postem niestety choroba chwalenia się ilością przepalonych tokenów, a tym samym przepalonej kasy, rozpowszechnia się bardzo szybko. nawet wśród ludzi, u których podejrzewałbym trochę więcej rozgarnięcia biznesowego (c-levels) z którymi mam do czynienia ale czego można się spodziewać, skoro dla kogoś decyzyjnego w firmie, w której pracują setki albo nawet tysiące ludzi, metryką sukcesu jest liczba wydanych licencji na jakiegoś sidekicka pokroju claude code, albo to że nagle każdy buduje swoje rozwiązania w kompletnym odłączeniu od innych stąd umiejętność przeprowadzenia gruntownej transformacji procesów pod nowe możliwości, jakie daje ai, jest ważniejsza niż samo „ogarnianie” claude code czy gpt próba zautomatyzowania procesów w takiej formie, w jakiej istnieją obecnie, zawsze kończy się niepowodzeniem i nieosiągnięciem pełnego potencjału, a co za tym idzie, maksymalnego ROI transformacja ai jest cholernie trudna i mozolna, ale gdy się przy tym wytrwa i zrobi się to porządnie, ROI jest niesamowite. i to dla każdego pracującego w danej firmie, a nie tylko dla tych, którzy mają największy kawałek tortu a jeżeli ktoś uważa że dobrym rozwiązaniem po takiej transformacji jest zwalnianie ludzi, to w mojej ocenie jest debilem i nie rozumie kompletnie jak bardzo wartościowi są eksperci domenowi, w CAŁYM procesie tej transformacji. ludzie też są i nadal będą jednym z lewarów skalowania biznesu „zautomatyzowanie czy też wdrożenie ai w gówniane procesy powoduje tylko to, że gówno płynie szybciej”

czego nauczyłem się wdrażając ai do firm nie da się sensownie tego przeprowadzić jako jakiś byt w izolacji. mam na myśli to, że ai musi mieć wgląd w kilka działów naraz, bo realne procesy naturalnie tak przebiegają. przykładem są same przekazania między działami, które marnują dużo czasu nie radzę ufać ludziom, którzy „specjalizują się” w transformacji ai w konkretnym departamencie, dlatego że nie ma czegoś takiego jak „departamentowy agent" np. agent działający TYLKO w dziale finansów nie radzę tym samym zamykać czy też izolować ai w jakiejś konkretnej roli albo departamencie. ograniczenie agenta do tylko jednego konkretnego zadania jest marnowaniem jego potencjału. nie widzę żadnych przesłanek, żeby ograniczać ai tak, jak ograniczamy ludzi my jako ludzie mamy po prostu takie przyzwyczajenie, że nadajemy sobie konkretne role w konkretnych działach ze względu na nasze limity umiejętności. nie jesteśmy tak wszechstronni i elastyczni jak ai. czemu więc zasady, które egzekwujemy wobec nas, mają być dla ai najlepszymi praktykami? jeżeli ktoś chce wdrożyć ai w finansach swojej albo czyjejś firmy, to nie może ograniczać się tylko do procesów typowo finansowych, takich jak AP czy AR. powinien też rozciągać możliwości ai horyzontalnie, obejmując konkretne części innych działów, które bezpośrednio łączą się z danym procesem finansowym, np. dział operacji, sprzedaży albo HR nie ma w firmach człowieka od tych wszystkich działów. nie ma żadnego kleju, który naturalnie je łączy. stąd właśnie duża szansa dla ai. wasi agenci muszą mieć możliwości pracy między różnymi działami, bo po prostu są do tego zdolni i mają takie umiejętności, w przeciwieństwie do nas dlatego też, gdy jesteśmy na samym początku wdrażania ai, zawsze polecam startować od działu, ALE mapować cały proces wraz z innymi etapami, które działają przed nim i po nim: - przed danym procesem (upstream), np. zakupy i przyjęcie towaru wpływają na zobowiązania wobec dostawców - po danym procesie (downstream), np. obsługa wyjątków opóźnia lub blokuje zamknięcie miesiąca nie startujemy od pojedynczego workflow ani od całej firmy. wybieramy dział na podstawie jego metryk, takich jak: - ilość wykonywanej pracy - koszt - zasięg (ile innych działów dotyka) kolejny raz przypomnę, transformacja ai to: 1. przeprojektowanie istniejących procesów pod nowe możliwości, tak by usunąć zbędne kroki 2. rozdzielenie pracy na deterministyczny kod, agentów ai oraz ludzi 3. danie ludziom możliwości kontroli nad całym systemem 4. ścisła współpraca na każdym etapie transformacji (projektowaniu, budowy i ewaluacji) z ekspertami domenowymi 5. wdrażanie ai w istniejących narzędziach firmy i pomiędzy nimi (jak najbardziej w tle), tak żeby nie wprowadzać kolejnych systemów/interfejsów, ani nie zmuszać ludzi do migracji danych i nowych szkoleń 6. świadome przekraczanie granic działów wewnątrz firmy, bo to tam jest masa wartości do zagospodarowania

polecam lekturę w kontekście sporu o to, czy czytać kod ai, nie chodzi o to, czy go czytać, tylko kiedy to robić, a przede wszystkim jak lepiej zrozumieć to, co budujemy code review, tak jak opisuje to Addy, powinno mieć kilka poziomów. każdy z nich wyłapuje co innego i przepuszcza to, co wyłapie dopiero następny poziom ale Addy wspomina też o fundamentalnej rzeczy, jaką jest zrozumienie tego, co w ogóle budujemy (a bardziej tego, co buduje dla nas ai) i czy warto to budować. dlatego tak ważne jest tworzenie narzędzi, które wspierają utrzymanie wspólnego rozumienia między człowiekiem a ai przykładem są dopracowane graficzne explainery, o których też mowa w artykule. niektórzy idą dalej tworząc krótkie filmiki, których zadaniem było właśnie bycie takim explainerem zagadnienia X już pare miesięcy temu (w świecie ai lata temu) pisałem o tym, jak zwiększyć poziom zrozumienia tego, co budujemy z ai, w o wiele przyjemniejszy sposób niż przez czytanie diffów: teapawt.net/MAXIMISEART/status/207… nie idźcie na skróty w procesie zrozumienia waszej pracy

DISCLAIMER: uwaga ten post może spowodować ból dupy, a może nie zobaczymy --- jeżeli jeszcze tego nie zrobiliście, to to zróbcie im bardziej umożliwicie swoim agentom weryfikowanie własnej pracy, zarówno w formalny, jak i nieformalny sposób, tym lepsze wyniki od nich otrzymacie oraz tym więcej autonomii będziecie mogli im przekazać celem jest odpowiednio zaprojektowanym pod agentów codebase, który może nie jest zbyt fajny i przyjemny do pracy dla ludzi, ale za to jest sterylnie zamknięty pod agentów, a drogi na skróty są tymi poprawnymi drogami wasze zaufanie do ai będzie z czasem o wiele większe, aż do momentu, w którym większość, czyli 90-95% PRów, będzie mogła być auto merge tak, jest to trudne, ale osiągalne te pozostałe 5-10% to rzeczy, z których później trudno wrócić, tak zwane one-way doors - tam trzeba się więcej napocić jeżeli wasze code review nadal polega wyłącznie na czytaniu surowego diffu, to znaczy, że nie poświęciliście wystarczająco dużo czasu na zbudowanie architektury, której możecie ufać tak samo jak z danymi - garbage in garbage out jakość i architektura waszego codebase >>> wasze agents.md może przy gpt 7 przejrzycie na oczy i zrozumiecie, że produkowanie większej ilości jednorazowego i mało jakościowego kodu (slopu) właśnie pomaga wam produkować więcej jakościowego kodu przede wszystkim pomaga w zrozumieniu, prototypowaniu i tworzeniu środowisk, w których możecie przetestować swoje idee, zanim się w nie zagłębicie i przeznaczycie na nie swój czas i energię a dzięki temu wasz produkt/usługa, którą oferujecie, będzie bardziej wartościowa dla drugiego człowieka co zrobić, żeby zacząć? przeczytać post od @poteto i wkleić go do swojego agenta dla chętnych i ambitnych przeczytać jej pstack, zacząć go używać, a z czasem dostosować go do tego, jak pracujecie

przepis na sukces i dużo kasy z ai w 7 krokach zamiast przebranżowienia się na hydraulika 1. ucz się od mądrzejszych od ciebie. słuchaj, czytaj, oglądaj, rób po kilkanaście godzin dziennie, aż nie posiądziesz potrzebnych ci umiejętności. musisz dorównać, a nawet prześcignąć tych, którzy są przed tobą. to znaczy, że musisz robić x3 więcej niż oni 2. dowiedz się, jakie problemy możesz rozwiązać dzięki nowo nabytym umiejętnościom i wiedzy w zakresie ai 3. nikt cię nie zna i nikt nie wie, że masz już te nowe umiejętności. więc musisz zacząć mówić ludziom, że je masz i możesz im pomóc. w domyśle mówisz to ludziom, którzy mocno odczuwają problem, który umiesz rozwiązać. najczęściej jest to problem przez który sami żeśmy przeszli. 4. gdy już znajdziesz tych śmiałków, oferujesz, że zrobisz im to za darmo. bo przecież nikt cię nie zna, więc dlaczego mają ci ufać? musisz sobie zapracować na zaufanie w tym świecie, w którym każdy kłamie. poza tym jeszcze tego nie robiłeś na żywym pacjencie, dlatego proszenie za to pieniędzy jest moralnie niepoprawne. w zamian za darmową pracę prosisz o miłe słowo i opinię/recenzję 5. robisz tak x10 razy 6. za 11. razem lewarujesz tymi 10 case studies i mówisz: „tych 10 typków miało ten sam problem co ty. ja pomogłem im go rozwiązać i dzięki temu mają X. tutaj ich case studies. chcesz, żebym też ci pomógł z twoim problemem za $$$?” 7. powtarzasz to do momentu, w którym twój biznes jest supply constraint, czyli „mam więcej klientów, niż jestem w stanie obsłużyć”. wtedy myślisz o skalowaniu (powtarzasz punkt 1, ale skupiasz się stricte na tym, jak skalować biznes). i tak. najlepiej zacząć od rzeczy, która jest w chuj nieskalowana, bo to znaczy, że musisz wykonać dużo pracy dla drugiego człowieka, a to oznacza, że możesz też dać mu więcej wartości. a kiedy zaczynasz, musisz mieć kasę, a nie zoptymalizowany biznes NIESPODZIANKA wychodzi na to, że ai nic nie zmienia w tym, jak wygląda proces zaczynania swojej przygody. jest oczywiście lewarem, bo możemy rozwiązywać większe problemy niż tylko ścinanie zarośniętego trawnika, ALE samo ai nie zrobi z nas milionerów jeżeli ai cię zastąpiło albo już to zrobiło, to jest to twoja wina. przestań się mazać i zacznij coś robić. nikt nie mówił, że będzie łatwo

nie zgadzam się jest to według mnie niepoprawne myślenie ze starej ery, w której saas jako interfejs był produktem. w nowym świecie to outcome, czyli wykonana praca, jest produktem każde nowe narzędzie, nowy interfejs dla pracowników to tylko kolejne komplikowanie procesów oraz pogłębianie problemu rozproszenia danych nie ma czegoś takiego jak zaprojektowanie narzędzia, które obsłuży nawet idiota, bo każdy pracuje inaczej. nawet każdy „idiota” robi to po swojemu, więc każdy musiałby mieć swoje personalne narzędzie, uszyte specjalnie dla niego, a to jest jeszcze gorsze poza tym człowieka nie da się zmienić. on sam musi chcieć tej zmiany, a prawdą jest że większość uważa się za najmądrzejszych w swojej dziedzinie. jeżeli wchodzisz na jej podwórko, to nie da ci wygrać „ale to narzędzie będzie zastępować wszystkie inne narzędzia, których już używają, więc nie ma mowy o rozproszeniu danych, jeżeli wszystko jest w jednym miejscu” po pierwsze, firma, która wydała pieniądze rzędu kilkuset tysięcy do paru milionów na customowe systemy ERP, CRM itd nie widzi sensu migracji do nowego narzędzia tylko dlatego, że jest ono ai native. poza tym migracja tych ogromnych ilości danych jest skomplikowana. w grę wchodzą regulacje, wewnętrzne polityki itd wdrożenia i adopcja ai powinny być: - effortless, niewymagające nowych narzędzi, migracji danych oraz specjalistycznych szkoleń - ai powinno wykonywać pracę w tle, a człowiek powinien podejmować decyzje i być za nie odpowiedzialny. jest też najważniejszym elementem przy projektowaniu, tworzeniu i ewaluacji, co wymaga ścisłej współpracy z ekspertami domenowymi - ai powinno działać na i pomiędzy istniejącymi systemami np. ERP, CRM, TMS, excelami, mailem itd - ważniejsze od fancy ai jest przeprojektowanie całego procesu/workflow pod nowe możliwości, tak żeby 24-krokowy proces stał się 7-krokowy - wdrożenie ai ma zmniejszyć koszty i ryzyko oraz zwiększyć przychód firmy

krucjaty ciąg dalszy czemu firmy, które wdrożyły u siebie ai jako licencje do sidekicków, jakimi są chat gpt albo claude, po pierwsze przegrają ten wyścig, a po drugie nie rozumieją całego procesu wdrażania żeby fabryki za czasów rewolucji przemysłowej mogły lewarować maszynami parowymi, musiały się przetransformować. procesy i cała praca zostały przeprojektowane na nowe czasy i możliwości - same istnienie maszyny parowej przecież nic nie zmieniło tak samo jest dzisiaj z ai automatyzowanie procesów w takiej formie, w jakiej istnieją, powoduje tylko, że gówniane procesy płyną szybciej. stąd potrzeba, by najpierw zrozumieć te procesy od podszewki (wiele firm w ogóle nie zna swoich procesów), zmapować je i poznać ważne dla nas metryki, np. w dziale finansów czas procesu AP albo AR czy też zamknięcia miesiąca. dopiero później przeprojektowanie tych procesów i usunięcie niepotrzebnych kroków powinno być pierwszą rzeczą, o której się myśli i której poświęca się czas i energię. wracając do tych copilotów, najczęściej sprawa wygląda w ten sposób, że zostały zakupione licencje dla pracowników, przeprowadzono szkolenia i teraz każdy ma możliwość budowania swoich agentów, próbując zautomatyzować część swojej pracy nie ma lepszego przepisu na wprowadzenie chaosu gdzie każdy robi inaczej po swojemu --> wynikające poźniej z tego konflikty i rozbieżności --> jeszcze więcej problemów --> powiedzenie w końcu "ai nie działa, a przynajmniej nie u NAS" żeby nie zrozumieć mnie źle, chat gpt czy claude pomagają być bardziej produktywnymi (10-20% nie wliczając w to IT, a zahaczając sie o takie działy jak finanse, operacje, sprzedaż, marketing, HR), ale bycie bardziej produktywnym nie musi wpłynąć na jakiś niesamowity wzrost przychodu firmy następną rzeczą jest to, że takie podejście ma ograniczoną pulę odbiorców, a to dlatego, że ludzie nie chcą się uczyć nowych narzędzi. Pani Ela od 10 lat pracuje w określony sposób, używając tylko maila i excela, uważa, że tak jest lepiej i nikt jej nie przekona. nie ma zamiaru specjalnie zmieniać swojego sposobu pracy, bo jakiś typ wyżej, w garniturku, jej kazał tylko mały odsetek pracowników (około 5%, częściej mniej) jest wart inwestowania, bo to power userzy. to oni też powinni zostać „apostołami” ai, szerzyć świadectwo i dawać przykład, że ogarnianie ai jest w cenie dla każdego, nawet dla Pani Eli pracownicy bardziej ufają sobie nawzajem niż ludziom wyżej w takim też duchu podchodzimy do wdrażania ai, które ma być praktycznie effortless (co jest trudne). to znaczy: - budowanie agentów, którzy działają na i pomiędzy już istniejącymi systemami w tle, np. ERP, excelem, mailem, CRM, TMS itd w zależności od tego, czego używa dana branża. to rozwiązuje tak mocno odczuwalny problem rozproszenia danych - rozwiązanie problemu obsługi wyjątków, które zajmują najwięcej czasu (to tu widać największy wzrost efektywności). poniżej przykłady wyjątków występujące tylko w samym procesie AP: brak PO (zamówienia) brak potwierdzenia dostawy albo odbioru podwójna faktura nieprawidłowe dane na fakturze zła stawka vat brak akceptacji kosztu przekroczony budżet przypisanie wydatku do nieprawidłowego konta księgowego rozbieżność faktury z umową korekta bez powiązanej z nią faktury 100% ręczne rozwiązywanie tych wyjątków jest męczące, skomplikowane, ryzykowne i wydłuża procesy, opóźniając tym samym wynik biznesowy, np. zamknięcie miesiąca - człowiek nie powinien być maszyną kopiuj wklej. nie powinien być klejem między tymi wszystkimi narzędziami i systemami (dopełnienie pierwszego problemu). dlatego agenci czy też deterministyczny kod muszą przejmować tę nudną i powtarzalną pracę i uwalniać od niej pracowników. ludzie powinni wykonywać bardziej ambitne zadania i rozwiązywać poważniejsze problemy, które mogą się przełożyć na wzrost firmy. człowiek powinien być powiadamiany tylko wtedy, gdy potrzeba jego osądu i decyzji, właśnie przy obsłudze wyjątków, które wymagają obejść i wiedzy, która jest tylko w głowach tych pracowników - praktycznie każdy proces, który został zaprojektowany przed ai, jest do przeprojektowania. zbyt długie workflowy, przekazania do innych działów, czekanie na odpowiedzi, wracanie do starych tematów (robienie pętli akceptacji, sprawdzanie rozbieżności itd.). stąd potrzeba zredukowania liczby kroków i usunięcia tych już niepotrzebnych. po co kopiować i wklejać te same wartości do 5 różnych arkuszy, bo jeden ma inne formatowanie, drugi ma inne funkcje albo makra? na liczbach: jeżeli firma ma 10k pracowników, a 10% z nich używa sidekicka, np. claude, żeby być szybszymi o te 10-15% przez 1/3 ich dnia, to wydaje mi się, skromnie mówiąc, że za dużo to nie da firmie, np. pod względem P&L. takie podejście nie zmienia praktycznie nic. pracownicy pracują tak samo, a co ważniejsze, ich koszt pracy też się nie zmienia ale gdy mamy zespół kilkudziesięciu ludzi w np. dziale AP i poprawnie wdrożyliśmy ai, żeby zautomatyzować ich pracę w 70-80%, to możemy ograniczyć koszty powtarzalnej i często błędnej pracy wykonywanej przez około 30 pracowników. a to jest to, o co martwi się CFO DISCLAIMER: nie zachęcam do zwalniania ludzi. jest to głupie i to też przypominam decydentom, że ludzie są jednym z lewarów skalowania biznesu i jeszcze długo nie znikną. firma powinna zawsze znaleźć odpowiednie zadanie dla ludzi w niej pracujących, nawet jeżeli odejdzie im 80% pracy

świetny gość, fajny wykład, dobrze spędzone 45 min na temat jak działają proaktywni always on agenci np. grok bot na pewno lepsze niz scrollowanie tiktoka czy innych reelsów polecam

nie chcę nikogo martwić, ale ludzie mają w dupie ciebie, to co robisz i to jak to robisz ludzie głównie myślą o sobie „co w tym jest dla MNIE?”, „co JA dostanę?”, „co jest w tym wartościowego dla MNIE?”. zdobycie zaufania obcej osoby jest dzisiaj trudniejsze niż kiedykolwiek. właśnie przez ai, ale też przez naszą awersję do obcych ludzi i to, że prędzej myślimy o tym, gdzie jest haczyk, niż o tym, że obca osoba rzeczywiście chce nam pomóc dlatego uważam i w pełni zgadzam się z człowiekiem, który mnie tego nauczył, @AlexHormozi , że powinno się dawać wartość najpierw za darmo, ZWŁASZCZA jeśli dopiero zaczynasz zamiast prosić klientów o szansę, zrób coś dla nich. wykonaj jakąś konkretną, użyteczną rzecz, która realnie komuś pomoże masz problem X, ja mam umiejętność Y, która rozwiązuje problem X, i zrobię to za darmo, żeby zdobyć twoje zaufanie i żebyś uwierzył, że moje intencje są prawdziwe i mogę ci serio pomóc w tym, co robisz pod kątem psychologicznym odpala się tzw. law of reciprocity (dług wdzięczności). osoba, której pomogłeś, chce ci się jakoś odwdzięczyć, jako że zrobiłeś to za darmo. jej odwdzięczeniem się mogą być np. referrals do innych ludzi, których zna i którzy mają problem X, albo zaproponowanie ci rozwiązania kolejnego problemu, za które już ci zapłaci. kiedy to ma sens? - rób to dla osób lub firm, które są 1-2 kroki przed tobą, a nie dla kogoś, kto jest już na szczycie - nie można oferować „mogę zrobić coś za darmo”, bo to zbyt ogólnikowe. klient czy osoba, której chcesz pomóc, musi widzieć, że ją rozumiesz i rozumiesz jej problem, czyli to, z czym się zmaga. potem wykonaj konkretną rzecz, żeby rozwiązać ten konkretny problem - to ma cię nauczyć pracy z klientem i ogólnie robienia tego, co robisz, w praktyce, na realnym pacjencie. buduje też twoje portfolio, opinie i case studies, które posłużą do przekonywania kolejnych klientów i budowania third party proof - jeżeli nikt nie chce od ciebie darmowej rzeczy, to znaczy, że nikt nie interpretuje jej jako czegoś wartościowego (jest gównem) i trzeba poprawić ofertę darmowa praca z twojej strony ma być krótkim, strategicznym ruchem, który ma tworzyć DOWÓD, że umiesz to, co mówisz, że umiesz, i otwierać wrota do płatnej pracy na takiej zasadzie tworzy się np. lead magnety 1. reveal the problem - pokazujesz komuś, że ma problem, o którym ten ktoś nie wiedział. ten ktoś wie już więc, jaki ma problem, i albo sam go rozwiąże, albo poprosi ciebie, żebyś rozwiązał go już za $$$, bo ci ufa. to ty mu pokazałeś, że ten problem w ogóle posiada 2. free trial - dajesz swój produkt lub usługę na określony czas za darmo, na wypróbowanie. po okresie darmowym pojawia się pytanie: „jeżeli chcesz kontynuować używanie x, to musisz już zapłacić” (dosyć powszechne i zrozumiałe, mam nadzieję) 3. one step of many - jeżeli wiesz, że proces rozwiązania problemu ma więcej niż jeden krok lub etap, dajesz pierwszy za darmo i potem mówisz: „zrobiliśmy x, co dało ci y, ale żeby w pełni osiągnąć twój cel, musimy zrobić jeszcze a, b i c. możemy to zrobić, ale już za $$$” im więcej wartości dasz na rynek, tym więcej zarobisz

no i potem muszę się pocić i tłumaczyć tym wszystkim ceo, cro, coo i cfo, dlaczego przejście z chata gpt na claude code magicznie nie przetransformuje ich pod adopcje ai i dlaczego 2200 licencji i 800k wydane na tokeny nic nie mówią i w żadnym wypadku nie są metryką sukcesu, a jedynie pokazują niezrozumienie tego, jak poprawnie wdraża się ai w przedsiębiorstwach - jak bardzo zmniejszył się problem rozproszenia danych? czy pracownicy nadal muszą zasuwać po ERP, excelach, mailach, slacku itd, żeby móc rozliczyć jedną fakturę, bo macie kilka źródeł prawdy zamiast jednego? - co z obsługą wyjątków? o ile procent zmniejszyła się ich ręczna obsługa? czy pracownicy nadal marnują swój cenny czas na uzgadnianie i szukanie brakujących danych albo ustalanie, dlaczego PO nie zgadza się z fakturą lub ilość towaru na fakturze nie zgadza się z WZ? - jak już macie tyle tych systemów, to ile czasu pracownicy spędzają na ręcznym klikaniu między nimi? ile czasu poświęcają dziennie na kopiuj wklej z jednego excela do drugiego, z maila do ERP itd? - jak wygląda wasz workflow w kontekście liczby kroków? dlaczego automatyzowane są gówniane procesy? to sprawia tylko, że gówno płynie szybciej. dlatego każdy workflow powinien być mapowany i przeprojektowywany, a dopiero potem wdrażane ai na dodatek wdrożenie ai w firmach w formie sidekicka, takiego jak claude code, jest błędem. ai nie ma być kolejnym narzędziem, tylko ma samo wykonywać pracę w tle wasi pracownicy chcą, żeby ich praca była wykonana, a nie żeby musieli uczyć się nowych narzędzi. jeżeli ktoś pracuje 10 lat w excelu, to nadal chce tam pracować. nie chce być zmuszany do nauki magicznego promptowania i efektywnego używania cc, bo się na to nie pisał (jak będzie chciał, to sam się nauczy i to lepiej)

doradzę jako wścibski DZIECIAK, który gówno wie o życiu jeszcze ;) 1. ai nigdy nie powinno być skrótem i ominięciem procesu uczenia się. stąd programiści i wszyscy inni w świecie it mają ogromną przewagę w używaniu agentów. to nie dyskredytuje osób pragnących chłonąć wiedzę i tych, których napędza ciekawość (oni zawsze nadgonią a potem przegonią) 2. uczcie się od najlepszych (za oceanem), a potem to, czego się nauczyliście, przekażcie tutaj rodakom, najlepiej za darmo, żeby wiedza rozprzestrzeniała się jak wirus 3. software fundamentals nadal mają i będą miały znaczenie. nie rozumiem ludzi, którzy uważają inaczej (sposób w jaki ich używamy się zmieni, już zmienił) 4. działajcie w małych zespołach 3-5. dzięki temu możecie się poruszać i adaptować o wiele szybciej niż te stare molochy 5. w świecie ai to dowód będzie królem, bo wszyscy będą mogli sobie coś wygenerować albo napisać. pokazujcie, dzielcie się tym, co robicie, swoją wiedzą, ZA DARMO. żeby uprościć, o jakim rodzaju wartości mówimy, to dawajcie za darmo to, za co ktoś prosi gruba kase 6. nigdy nie outsourcuj niczego w 100% dla ai, zwłaszcza myślenia 7. naucz się robić X → znajdź problemy, które można rozwiązać za pomocą X → zaproponuj obcej osobie, która zmaga się z tym problemem, że go rozwiążesz za pomocą X → zrób to za darmo → zdobądź zaufanie i wdzięczność drugiego człowieka → jak chce więcej od ciebie, to już musi zapłacić (często sami chcą) → jak mu to starcza, idziesz do kolejnego i tak x10 → odzywasz się do 11 ktosia i mówisz „pomogłem już aż 10 osobom rozwiązać ten problem. tutaj ich opinie i case studies. chcesz, żebym też ci pomógł i żebyś był zadowolony jak oni, za $$$?”. on mówi „no jaha stary” i żyjecie długo i szczęśliwie 7 jak CR7 albo jak Boża pełnia i doskonałość @miroburn więcej doradzania dla fanów!