Można poprosić GPT o szybką odpowiedź, poprawienie zdjęcia, streszczenie dokumentu albo pomysł na obiad. Nie ma w tym nic złego. To po prostu najprostszy sposób korzystania z narzędzia.
U nas granica przesunęła się w chwili, kiedy odpowiedź przestała wyglądać jak odpowiedź. Zaczęła przypominać raport z wykonanej części rzeczywistego procesu: część pracy została przeanalizowana, część sprawdzona, a system zatrzymał się dokładnie tam, gdzie wcześniej ustaliliśmy granicę.
Wtedy pojawiło się dużo ciekawsze pytanie niż „co jeszcze potrafi AI?”. Gdzie kończy się używanie AI w agencji marketingowej, a zaczyna projektowanie z nim sposobu pracy firmy?
Im głębiej wchodziliśmy w ten temat, tym wyraźniejszy był paradoks: im więcej pracy możemy powierzyć AI, tym więcej sami musimy wiedzieć. Ktoś nadal musi określić poprawny wynik, granice, poziom ryzyka i moment, w którym dobrze brzmiąca odpowiedź powinna zostać odrzucona.
Najważniejsza zadsada
AI może zwiększyć zakres pracy. Nie może przejąć odpowiedzialności za to, co uznajemy za poprawne.
Jeżeli człowiek nie potrafi ocenić wyniku, automatyzacja nie rozwiązuje problemu. Co najwyżej sprawia, że wynik pojawia się szybciej.
Spis treści
AI może być zabawką. Może też stać się częścią pracy
Różnica nie polega na tym, czy używamy najnowszego modelu ani czy potrafimy napisać skomplikowany prompt. Różnica zaczyna się wtedy, gdy wynik AI wpływa na coś, za co firma bierze odpowiedzialność.
Jeżeli model pomaga stworzyć roboczą wersję grafiki, błędny wynik można po prostu wyrzucić. Jeżeli wspiera analizę, stronę internetową, SEO, automatyzację albo fragment procesu klienta, konsekwencje są inne. Trzeba wiedzieć, z jakich informacji wolno korzystać, czego model ma nie robić, po czym poznamy poprawny rezultat i co dzieje się w przypadku niepewności.
W Shade Media w Lesznie AI nie funkcjonuje więc jako osobna „usługa od technologii”. Jest jedną z warstw pracy, podobnie jak analityka czy automatyzacja. Nadal zaczynamy od problemu i zakresu, a dopiero później dobieramy narzędzia. Ten sam porządek opisujemy szerzej na stronie jak pracujemy.
To podejście jest mniej efektowne niż demonstracja autonomicznego agenta wykonującego dziesięć czynności naraz. Za to dużo lepiej odpowiada na pytanie, które ma znaczenie dla klienta: kto wie, co ma się wydarzyć, i kto zauważy, że coś poszło w złą stronę?
Największy postęp nie polegał na tym, że AI zaczęło robić więcej. Polegał na tym, że potrafiliśmy jasno określić, kiedy ma się zatrzymać i oddać decyzję człowiekowi.
Damian Pakosz, właściciel Shade Media
Najciekawszy moment? Kiedy system niczego nie zrobił
W jednym z rzeczywistych procesów system wspierany AI napotkał warunek, którego nie mógł obsłużyć w bezpieczny, wcześniej dopuszczony sposób.
Mógł spróbować znaleźć obejście. Technicznie możliwe było kilka dalszych ruchów. Tyle że żaden z nich nie należał do przestrzeni, którą wcześniej uznaliśmy za dozwoloną.
System się zatrzymał.
Z perspektywy pokazu możliwości technologii brzmi to mało spektakularnie. Z perspektywy firmy był to dokładnie właściwy wynik. Nie chcieliśmy systemu, który za wszelką cenę „dowiezie”. Chcieliśmy systemu, który potrafi wykonać swoją część pracy i równie konsekwentnie rozpoznać moment, w którym odpowiedzialność wraca do człowieka.
Autonomia bez granic nie jest automatyzacją. Jest ryzykiem.
Dobrze zaprojektowana autonomia nie polega na tym, że AI zawsze znajdzie sposób. Polega na tym, że ma jasno określony obszar działania, potrafi wykonać w nim dużą część pracy i nie udaje pewności poza nim.
Ten przykład jest dla nas ważny właśnie dlatego, że sukcesem było niewykonanie kolejnego kroku. Granica zadziałała zanim trzeba było naprawiać jej konsekwencje.
Najpierw człowiek i jego praca. Później technologia
Inny projekt wyglądał na początku jak typowe zadanie techniczne. Trzeba było umożliwić jednej osobie wykonywanie wszystkich operacji potrzebnych w codziennej pracy, a jednocześnie nie otwierać dostępu do rzeczy, których ta osoba nie potrzebuje.
Łatwo zacząć od pytania: „jak ograniczyć uprawnienia?”. My musieliśmy zacząć krok wcześniej. Co ten człowiek właściwie robi? Za co odpowiada? Gdzie kończy się jego zadanie? Co musi pozostać dostępne, żeby rozwiązanie nie utrudniło pracy?
Dopiero po zrozumieniu roli można było sensownie analizować rozwiązanie. AI mogło pomóc sprawdzić warianty i zależności, ale nie znało dnia pracy tej osoby. Nie wiedziało, co jest niezbędne, a co tylko wygląda na przydatne.
Model nie wiedział, jak wygląda praca tego człowieka. Najpierw my musieliśmy to wiedzieć.
To jedna z najprostszych zasad wdrażania AI i automatyzacji: najpierw zrozum proces, później decyduj, którą jego część warto wspierać technologią.
Z punktu widzenia klienta różnica jest konkretna. System ma pozwalać pracownikowi spokojnie wykonywać swoją pracę, a nie zmuszać go do proszenia o pomoc przy każdej drobnej czynności. Jednocześnie dostęp nie powinien być szerszy tylko dlatego, że tak było najłatwiej skonfigurować rozwiązanie.
To nie jest problem wyłącznie techniczny. To decyzja o odpowiedzialności, ryzyku i ergonomii pracy. Narzędzie pojawia się dopiero na końcu tej układanki.
AI nie wie, co dla nas oznacza „dobrze”
Trzecia historia nie dotyczy pojedynczego wdrożenia, tylko sposobu pracy analitycznej. Model może przejrzeć dużo informacji szybciej niż człowiek. Potrafi porównać warianty, znaleźć sprzeczności i przygotować sensowną syntezę.
Ale samo z siebie AI nie wie, jaki poziom odpowiedzi akceptuje Shade Media. Nie wie, kiedy wynik jest wystarczająco potwierdzony, kiedy temat trzeba sprawdzić dalej ani co w danym projekcie jest tylko ciekawostką, a co zmienia decyzję.
Tego nie da się załatwić poleceniem „zrób to dobrze”. Najpierw po naszej stronie musi istnieć standard. Dopiero potem można używać modelu do pracy w jego ramach, do krytykowania własnych wniosków i do wyłapywania miejsc, które wymagają dodatkowej uwagi.
Dlatego w wielu obszarach nie zaczynaliśmy od automatyzacji. Zaczynaliśmy od uporządkowania tego, jak chcemy pracować bez niej. Dopiero kiedy potrafiliśmy nazwać poprawny wynik i błędny skrót, technologia zaczynała mieć sens.
Jeżeli nie potrafisz powiedzieć, po czym poznasz dobry wynik, nie masz jeszcze czego automatyzować.
To samo widać przy stronach internetowych dla firm. AI może pomóc przeanalizować warianty komunikacji czy struktury, ale ktoś musi rozpoznać, czy strona rzeczywiście porządkuje ofertę i prowadzi klienta do właściwej decyzji. W SEO może przyspieszyć analizę, ale nadal trzeba wiedzieć, czy wzrost widoczności dotyczy tematów, na których firmie zależy.
Automatyzacja nie naprawia niejasnego procesu. Może go za to bardzo skutecznie przyspieszyć, także wtedy, gdy przyspiesza w złą stronę.
Najbardziej niebezpieczne odpowiedzi brzmią czasem bardzo dobrze
Najłatwiejszy błąd AI do wychwycenia to taki, który wygląda absurdalnie. Problem zaczyna się wtedy, gdy odpowiedź jest logiczna, dobrze napisana, kompletna w formie i błędna w samym rdzeniu.
NIST używa dla takich zjawisk pojęcia confabulation: model może z dużą pewnością wygenerować informację fałszywą albo niespójną. W praktyce szczególnie zdradliwe są odpowiedzi, które pasują językowo do sytuacji i zawierają wystarczająco dużo poprawnych elementów, żeby reszta również brzmiała wiarygodnie.
Mieliśmy sytuacje, w których diagnoza modelu była spójna i profesjonalna, ale nie tłumaczyła tego, co faktycznie obserwowaliśmy. To wystarczyło, żeby ją odrzucić i szukać dalej. Osoba bez odpowiedniego kontekstu mogłaby zaakceptować pierwszą wersję właśnie dlatego, że brzmiała tak przekonująco.
AI sprawia, że łatwiej otrzymać dobrą odpowiedź. Sprawia też, że łatwiej otrzymać bardzo dobrze napisaną odpowiedź błędną.
Damian Pakosz, właściciel Shade Media
To jeden z powodów, dla których wiedza specjalisty nie traci znaczenia. Zmienia się jej rola. Coraz mniej wartości leży w samym wpisaniu komendy czy wykonaniu powtarzalnej czynności. Coraz więcej w tym, czy potrafisz sprawdzić wynik, zadać właściwe pytanie kontrolne i zauważyć, że odpowiedź nie pasuje do problemu.
Im więcej powierzamy AI, tym więcej sami musimy wiedzieć
Na początku korzystanie z AI jest łatwe, bo odpowiedzialność za wynik jest mała. Można wygenerować wariant, wybrać lepszy i iść dalej. Im głębiej narzędzie wchodzi w prawdziwą pracę, tym więcej rzeczy trzeba określić wcześniej.
Trzeba znać problem na tyle dobrze, żeby rozpoznać poprawny rezultat. Trzeba wiedzieć, które decyzje są odwracalne, a które mogą spowodować koszt. Trzeba umieć wyznaczyć granicę autonomii. Trzeba też wiedzieć, kiedy wynik wymaga potwierdzenia poza samym modelem.
To właśnie dlatego rozwój AI w agencji marketingowej nie prowadzi nas do wniosku „potrzebujemy mniej wiedzy”. Prowadzi do odwrotnego. Możemy rozszerzyć możliwości zespołu tylko wtedy, gdy zespół potrafi zaprojektować i ocenić tę dodatkową pracę.
Więcej możliwości analizy
Możemy przejrzeć więcej wariantów i zależności, zanim wybierzemy kierunek. Człowiek nadal decyduje, które z nich mają znaczenie.
Szybsze dojście do rozwiązania
Powtarzalne fragmenty procesu nie muszą zajmować tyle uwagi co wcześniej. Odzyskany czas można przeznaczyć na decyzję, weryfikację i jakość.
Stabilniejszy standard
Dobrze opisany proces jest mniej zależny od pamięci i chwilowego sposobu pracy konkretnej osoby. AI może pomagać pilnować reguł, które najpierw ustalili ludzie.
Wyraźna odpowiedzialność
Model może wykonać swoją część pracy. Ostateczna odpowiedzialność za zakres, bezpieczeństwo i wynik pozostaje po naszej stronie.
Nie oznacza to, że usługa staje się mniej wartościowa, bo mniej czasu trzeba poświęcić na ręczne wykonywanie części czynności. Klient nie kupuje liczby kliknięć. Kupuje trafniejszą diagnozę, wykonanie, kontrolę i odpowiedzialność za to, co zostanie wdrożone.
Jeżeli technologia pozwala sprawdzić więcej, szybciej odrzucić słaby wariant i wcześniej znaleźć ryzyko, jej wartość nie polega na obniżeniu poziomu pracy. Polega na podniesieniu sufitu tego, co zespół może zrobić dobrze.
Co AI w agencji marketingowej zmienia po stronie klienta
Klient nie powinien potrzebować mapy naszych modeli, narzędzi i wewnętrznych procedur. To zaplecze. Powinien natomiast odczuć skutki dobrze zaprojektowanej pracy.
- Więcej kontroli nad procesem. Wiadomo, gdzie AI może pomagać, a gdzie decyzja należy do człowieka.
- Szerszą analizę bez dokładania chaosu. Można sprawdzić więcej wariantów, ale klient nie dostaje dziesięciu nieprzefiltrowanych odpowiedzi do samodzielnego wyboru.
- Szybsze dochodzenie do rozwiązania. Czas nie musi znikać na powtarzalnych czynnościach, jeśli można wykonać je konsekwentnie w inny sposób.
- Mniejsze uzależnienie jakości od pracy „na pamięć”. Standard może być egzekwowany częściej i w większej liczbie punktów procesu.
- Ludzką odpowiedzialność. To Shade Media odpowiada za rekomendację i wdrożenie, nie model.
Dobrze wykorzystane AI powinno być trochę niewidoczne. Tak jak klient nie musi wiedzieć, w jaki sposób ustawiamy środowisko wdrożeniowe albo jak porządkujemy analizę przed startem projektu, tak samo nie musi śledzić każdego miejsca, w którym technologia wspiera zespół.
Ma widzieć efekt: mniej przypadkowych decyzji, szybsze przejście przez warianty, bardziej konsekwentną jakość i zespół, który nadal potrafi powiedzieć: „tego nie robimy, bo w tej sytuacji to zły ruch”.
Nie każdą pracę warto oddać AI
Technologia bardzo łatwo tworzy presję, żeby automatyzować wszystko, co da się opisać. My wolimy inne kryterium: czy potrafimy bezpiecznie ocenić rezultat i czy delegowanie tej części pracy rzeczywiście poprawia cały proces?
Jeżeli wyniku nie da się sensownie zweryfikować, konsekwencje błędu są nieproporcjonalnie duże, model nie ma wystarczającego kontekstu albo potrzebna jest decyzja biznesowa, której nie da się sprowadzić do wcześniej ustalonych reguł, człowiek powinien zostać bliżej zadania.
Czasem najlepszą decyzją automatyzacyjną jest świadome pozostawienie czegoś poza automatyzacją.
Nie dlatego, że AI „nie potrafi”. Dlatego, że firma odpowiada za cały wynik, a nie za demonstrację możliwości narzędzia.
To również chroni poufność i know-how. Nie każdy proces musi zostać wystawiony na zewnątrz, żeby udowodnić, że istnieje. Wystarczy, że klient widzi konsekwencję decyzji i rezultat.
Ma się zgadzać.
W tym miejscu nasze hasło dostaje jeszcze jedną warstwę. AI może analizować informacje, wykonywać część procesu, proponować rozwiązanie i kontrolować wcześniej ustalone warunki.
Ale na końcu ktoś nadal musi wiedzieć, czy problem i rozwiązanie, dostęp i potrzeba, wynik i standard, szybkość i odpowiedzialność rzeczywiście do siebie pasują.
Dlatego nie traktujemy AI jako skrótu do wiedzy. Traktujemy je jako narzędzie, które pozwala wiedzę wykorzystać szerzej. Im więcej mu powierzamy, tym większą odpowiedzialność bierzemy za projekt procesu, granice i ocenę wyniku.
Jeżeli przychodzisz do nas z problemem, nie musisz wcześniej wiedzieć, czy odpowiedzią jest nowa strona, SEO, automatyzacja czy coś jeszcze. Możemy zacząć od samego problemu i sprawdzić, gdzie technologia rzeczywiście pomaga, a gdzie tylko komplikuje rozwiązanie.
Nie zaczynajmy od narzędzia.
Opisz, co dziś nie działa, co zabiera czas albo gdzie decyzje zaczynają się rozjeżdżać. Wrócimy z właściwym kierunkiem, nie z listą modnych funkcji.
Ma się zgadzać.
Najczęstsze pytania
Czy AI w agencji marketingowej może zastąpić specjalistę?
Może przejąć część powtarzalnej analizy, generowania wariantów lub kontroli wcześniej opisanych warunków. Nie zastępuje jednak wiedzy potrzebnej do zdefiniowania problemu, oceny poprawności wyniku, wyznaczenia granic i wzięcia odpowiedzialności za wdrożenie.
Jak Shade Media wykorzystuje AI w pracy?
AI wspiera wybrane fragmenty analizy, kontroli, pracy z informacją i automatyzacji. Zakres zależy od projektu. Nie publikujemy wewnętrznych workflow, promptów ani konfiguracji, ponieważ przewaga nie polega na samym narzędziu, tylko na sposobie zaprojektowania procesu i kontroli wyniku.
Czy AI może działać autonomicznie w firmie?
Tak, ale autonomia powinna mieć granice. System musi wiedzieć, jakie działania są dopuszczone, kiedy ma się zatrzymać i kiedy potrzebna jest decyzja człowieka. Jeżeli nie można wiarygodnie zweryfikować wyniku albo konsekwencje błędu są zbyt duże, zakres autonomii powinien być mniejszy.
Od czego zacząć wdrożenie AI w firmie?
Od procesu lub problemu, nie od wyboru modelu. Najpierw trzeba zrozumieć, co dziś dzieje się w firmie, jaki wynik uznajemy za dobry i które decyzje wymagają wiedzy człowieka. Dopiero potem wiadomo, gdzie AI może zwiększyć możliwości bez dokładania ryzyka.
Metodologia i źródła
Research zaktualizowano 23 sierpnia 2026 roku. Trzy historie w artykule pochodzą z rzeczywistej pracy Shade Media i zostały celowo zanonimizowane. Zewnętrzne źródła służą wyłącznie do weryfikacji ogólnych zjawisk dotyczących błędnych odpowiedzi generatywnych oraz aktualnych zasad widoczności treści w Google.
