Wyobraź sobie szkolenie, po którym zespół zna kilkanaście narzędzi AI, ale w poniedziałek nadal przygotowuje raport dokładnie tak samo jak wcześniej. Prezentacja mogła być ciekawa. Zabrakło jednak przejścia od oglądania możliwości do samodzielnego wykonania pracy.
Dobre szkolenie AI warto zaplanować wokół konkretnego zadania: krótkiego podsumowania kampanii, uporządkowania informacji o produkcie albo przygotowania materiału na spotkanie. Uczestnik powinien umieć dostarczyć wynik, sprawdzić jego poprawność i powtórzyć proces bez pomocy prowadzącego. Poniżej pokazujemy, jak taki warsztat może wyglądać w zespole marketingu i sprzedaży.
Duże firmy technologiczne stawiają na ćwiczenia
W ogłoszonej 2 października 2026 r. Claude Frontier Academy Anthropic opisuje naukę na realistycznych przypadkach i praktyczne sprawdziany dla inżynierów. To program techniczny, ale daje użyteczną inspirację: umiejętność trzeba sprawdzić podczas działania.
Higgsfield Academy, opisana w poradniku z 25 października, łączy lekcje z zadaniami praktycznymi. Z kolei Microsoft Learn dla marketingu proponuje ćwiczenia odnoszące się do pracy działu, między innymi analizę wyników i przygotowanie planu kampanii. Zakres dostępnych funkcji zależy tam od licencji i ustawień organizacji.
Nasz wniosek dla firm: program szkolenia powinien zaczynać się od codziennego zadania zespołu. Lista funkcji narzędzia jest potrzebna dopiero wtedy, gdy wiadomo, do czego uczestnicy mają je wykorzystać.
Ustal jeden rezultat, który da się ocenić
Cel „nauczymy się korzystać z AI” jest zbyt szeroki, aby sprawdzić efekt. Bardziej użyteczny cel brzmi: „Każda osoba przygotuje jednostronicowe podsumowanie kampanii, w którym liczby zgadzają się z raportem, a rekomendacje wynikają z dostępnych danych”.
Przed warsztatem warto ustalić pięć warunków odbioru. Dokument ma zawierać właściwy okres, poprawne wartości, wyraźne oddzielenie faktów od przypuszczeń, wskazane braki informacji i zrozumiały następny krok. Dzięki temu prowadzący oraz uczestnik oceniają tę samą pracę według tych samych zasad.
Wybierz zadanie powtarzalne i wystarczająco małe na jedno spotkanie. Jeżeli grupa ma jednocześnie opanować analizę danych, budowanie aplikacji i automatyczne publikowanie, trudno ustalić, która umiejętność została rzeczywiście zdobyta.
Przygotuj materiały przed rozpoczęciem zajęć
Uczestnicy powinni pracować na zatwierdzonym zestawie danych. Może to być fikcyjny raport albo dokument przygotowany specjalnie do ćwiczenia. Dołącz krótkie wyjaśnienie kolumn, okresu i znaczenia wskaźników. Bez tego AI może zgrabnie opisać liczby, których samo nie rozumie w kontekście firmy.
Sprawdź wcześniej konta, dostęp do plików i funkcje potrzebne podczas zajęć. Jeżeli ćwiczenie wymaga płatnej licencji lub zgody administratora, rozwiąż to przed warsztatem. Warto również przygotować wersję zadania opartą na prostym pliku, aby problem z jedną integracją nie zatrzymał całej grupy.
Ustal zasady korzystania z danych firmowych. Materiałów klientów i poufnych dokumentów nie należy wrzucać do przypadkowo wybranego narzędzia. Zespół musi wiedzieć, które środowisko firma zatwierdziła oraz jakie informacje wolno w nim przetwarzać.
Przykład warsztatu: podsumowanie kampanii z kontrolą liczb
Poniższy przykład wykorzystuje fikcyjne dane szkoleniowe. Kampania A kosztowała 600 zł i przyniosła 20 zgłoszeń. Kampania B kosztowała 900 zł i przyniosła 15 zgłoszeń. Koszt zgłoszenia wynosi więc odpowiednio 30 zł i 60 zł. Taki prosty zestaw pozwala ćwiczyć sprawdzanie odpowiedzi bez skomplikowanego arkusza.
Pierwsza próba: uczestnik przygotowuje krótkie podsumowanie samodzielnie. Zapisuje czas pracy i sprawdza liczby. To punkt odniesienia dla jego późniejszych prób, a nie wynik obiecywany każdemu zespołowi.
Praca z AI: uczestnik przekazuje zatwierdzony raport i zleca przygotowanie podsumowania. Określa odbiorcę, wymagany format oraz zasadę: jeżeli w danych czegoś brakuje, trzeba to wskazać. Wynik ma zawierać trzy obserwacje, propozycję działania i pytania wymagające dodatkowych informacji.
Kontrola: uczestnik sam sprawdza działania matematyczne i porównuje opis ze źródłem. Kampania A ma niższy koszt zgłoszenia, ale nie oznacza to jeszcze lepszej sprzedaży. W przykładzie brakuje informacji o jakości zgłoszeń, zawartych umowach i przychodzie. Prawidłowe podsumowanie powinno zauważyć tę granicę.
Poprawka: zamiast prosić ogólnie o „lepszą odpowiedź”, uczestnik wskazuje konkretny problem. Na przykład: usuwa nieuzasadniony wniosek o rentowności i dodaje pytanie o liczbę zaakceptowanych zgłoszeń. Uczy się w ten sposób poprawiać wynik według kryteriów, a nie według samego wrażenia.
Sprawdź samodzielność na nowym przykładzie
Na końcu prowadzący przekazuje drugi zestaw danych: inny okres, inne wartości i jeden brakujący element. Uczestnik wykonuje zadanie bez instrukcji krok po kroku. To pozwala sprawdzić, czy potrafi przenieść sposób pracy na nową sytuację.
W dziale sprzedaży podobną konstrukcję można zastosować do porównania wariantów produktu. Uczestnik przygotowuje zestawienie wyłącznie na podstawie aktualnej specyfikacji i wskazuje parametry, których dokument nie podaje. Ocenie podlega zgodność z materiałem, jasność wyjaśnienia oraz umiejętność zauważenia braków.
Jeśli ktoś utknie, zapisz konkretną przyczynę. Problem z dostępem, niejasne polecenie i przeoczenie błędu w odpowiedzi wymagają innych ćwiczeń. Samo pytanie „czy szkolenie się podobało?” nie pokaże tej różnicy.
Co powinno zostać w firmie po warsztacie
Po zajęciach zespół powinien otrzymać sprawdzony przykład rezultatu, opis zadania, kryteria kontroli i krótką instrukcję korzystania z zatwierdzonego narzędzia. Warto zachować także typowe błędy z wyjaśnieniem, po czym je rozpoznać. Taki zestaw pomaga wrócić do pracy bez odtwarzania całego szkolenia.
Wyznacz osobę odpowiedzialną za aktualizację materiałów. Zmiana raportu lub zakresu produktu może sprawić, że wcześniejsza instrukcja przestanie pasować. Przy każdym przykładzie zapisz datę sprawdzenia i źródło danych.
Po tygodniu wróć do kilku rzeczywistych zadań. Porównaj całkowity czas pracy, liczbę poprawek i zgodność wyniku z kryteriami. Uwzględnij sprawdzanie odpowiedzi AI. Szybkie wygenerowanie tekstu nie jest jeszcze oszczędnością czasu, jeżeli później trzeba długo poprawiać pomyłki.
Kiedy przejść od szkolenia do automatyzacji
Najpierw zespół powinien umieć poprawnie wykonać i ocenić zadanie. Dopiero później warto automatyzować jego powtarzalne części. W naszym przykładzie system mógłby pobierać zatwierdzony raport, sprawdzać wymagane kolumny i tworzyć robocze podsumowanie. Osoba odpowiedzialna za kampanię oceniałaby wnioski przed ich dalszym wykorzystaniem.
Brak pliku, zmieniona definicja zgłoszenia albo niepełny okres powinny zatrzymać taki proces i zgłosić problem. Automatyzacja nie naprawi niejasnych zasad raportowania. Jej zakres należy dopasować do jakości danych i tego, co zespół potrafi wiarygodnie sprawdzić.
W All Day IT prowadzimy szkolenia AI i tworzymy automatyzacje dopasowane do pracy firm. Jeśli chcesz ustalić, od którego zadania zacząć w swoim zespole, porozmawiajmy o praktycznym zakresie warsztatu. Dobrym początkiem jest jeden powtarzalny problem i jasna odpowiedź na pytanie: po czym poznamy, że praca została wykonana poprawnie?