Dzień 5 — Wiarygodność i skalowanie

Blok 1 • 90 min

Sprawdzanie wiarygodności AI - triangulacja modeli

08:00 – 09:30

🎯 Cel bloku

Stosujesz triangulację: zadajesz to samo 2-3 modelom i porównujesz. Rozumiesz, kiedy różnica między modelami to sygnał, a kiedy szum. Masz gotowy workflow do krytycznych decyzji.

1. Dlaczego jeden model to za mało

Każdy model ma swoje bias'y (dane treningowe, filtrowanie, RLHF).
Modele często halucynują zgodnie - jeśli pytanie ma "prawdopodobną" fałszywą odpowiedź, wszystkie ją dadzą.
Jeden model = jedna perspektywa. Dwa-trzy = różne punkty widzenia.
Rozbieżność = sygnał do głębszej weryfikacji. Zbieżność = wyższa pewność (ale nie 100%).

2. Technika triangulacji - 3 warianty

Wariant A: Równoległy (manualny)

Otwórz 3 narzędzia (ChatGPT, Claude, Gemini). Wklej to samo pytanie. Porównaj.

Kiedy: krytyczna decyzja, ważne liczby, cytat ze źródła.

Czas: 3-5 min + porównanie.

Wariant B: Łańcuchowy (1 narzędzie)

W Claude: "Daj odpowiedź. Potem zmień perspektywę, jakbyś był ekspertem z opozycyjnej szkoły. Potem porównaj i skomentuj różnice."

Kiedy: sprawdzenie bias'u jednego modelu.

Czas: 2-3 min.

Wariant C: Automatyczny (Make/n8n)

Scenariusz: input → rozgałęzienie do 3 modeli → agregator → porównanie → jednostronicowy raport.

Kiedy: regularne, ważne zadania (umowy, raporty zarządcze).

Czas setup: 1h raz. Użycie: 30s.

Wariant D: Krytyk (w jednym czacie)

"Daj odpowiedź. Potem bądź surowym krytykiem tej odpowiedzi - wypisz 5 słabości. Potem daj wersję poprawioną."

Kiedy: gdy chcesz jakościowej poprawy, nie weryfikacji faktów.

Prompt: Agregator triangulacji

Dostajesz 3 odpowiedzi od różnych modeli AI na to samo pytanie. Twoje zadanie: 1. ZGODNOŚĆ - co wszystkie 3 mówią tak samo (najpewniejsze) 2. ROZBIEŻNOŚCI - w czym się różnią + co to może znaczyć 3. UNIKALNE TEZY - każdy model dodał coś, czego inne nie miały 4. REKOMENDACJA - na podstawie łączonych, co jest najbardziej prawdopodobne 5. CZEGO BRAKUJE - czego żaden z nich nie powiedział, a powinien PYTANIE: [oryginalne pytanie] ODPOWIEDŹ 1 (model A): [wklej] ODPOWIEDŹ 2 (model B): [wklej] ODPOWIEDŹ 3 (model C): [wklej] Format wyjścia: jak opisano wyżej. Bądź konkretny, nie ogólny.

3. Kiedy triangulacja się nie opłaca

Sytuacja	Czy triangulować	Dlaczego
Kreatywne pisanie (tekst marketingowy)	❌	Nie ma "prawdy" - każdy model da inaczej, to normalne
Prosta lista zadań	❌	Nadmierna praca
Liczba, data, fakt	✅	Kluczowy kontrolny
Interpretacja umowy	✅	Różne perspektywy cenne
Cytat, źródło	✅ + weryfikacja ręczna	Modele halucynują cytaty
Kod programistyczny	⚠️ uruchom zamiast	Test > triangulacja
Obliczenie matematyczne	❌ użyj Code Interpreter	Modele nie liczą - liczy kod
Decyzja strategiczna	✅ + ekspert	Sygnał dla głębszej analizy

🏋️ Ćwiczenie 1 • 30 min

Pierwsza triangulacja

Weź realny problem, nad którym pracujesz (analiza, decyzja, interpretacja).
Zadaj identyczny prompt w ChatGPT, Claude, Gemini.
Skopiuj 3 odpowiedzi.
W Claude (lub innym) użyj promptu "Agregator triangulacji".
Wklej 3 odpowiedzi. Dostaniesz meta-analizę.
Oceń: które rozbieżności są istotne? Które modele widzą więcej?
Zapisz ten workflow do biblioteki - dla ważnych decyzji.

Blok 2 • 90 min

Przełamywanie barier w dużych plikach - techniki wyciągania danych

09:45 – 11:15

🎯 Cel bloku

Znasz 4 techniki radzenia sobie z plikami, które się nie mieszczą w kontekście: chunking, mapowanie, RAG, sliding window. Umiesz wyciągnąć 20 precyzyjnych faktów z 500-stronicowego dokumentu.

1. Strategie dla dużych dokumentów

Technika	Jak działa	Kiedy	Narzędzie
Chunking	Tnij plik na fragmenty, przetwarzaj każdy osobno, agreguj wyniki	Długie raporty, które da się dzielić tematycznie	Ręcznie lub Make.com
Map-Reduce	Map: na każdym chunk'u odpowiedz na pytanie. Reduce: zagreguj odpowiedzi.	Pytania typu "podsumuj" / "wypisz wszystkie X"	Claude API, LangChain
RAG (baza wektorowa)	Plik → embeddings → baza. Zapytanie → szuka najbliższych → tylko te do modelu.	Gdy pytania są różne, dokumenty długie (księga, prawo)	NotebookLM, Claude Projects, Pinecone
Sliding window	Okno przesuwające się po dokumencie, z overlap	Gdy ważny jest kontekst między fragmentami	LangChain, własny skrypt
Hierarchiczne streszczanie	Streszczamy sekcje, potem streszczenie streszczeń	Książki, długie raporty roczne	Claude (200k kontekst)
Ogromny kontekst (Gemini 2.5)	1M tokenów w oknie - często nie trzeba dzielić	Pojedynczy ogromny dokument	Gemini 2.5 Pro

2. Praktyczny workflow: 500-stronicowy raport → 20 precyzyjnych faktów

Plan (5 min): Co dokładnie chcę znaleźć? Wypisz 20 pytań.
Wybór narzędzia:
- Pytania ogólne, różne → NotebookLM
- Pytania wymagające pełnego kontekstu → Gemini 2.5 Pro
- Automatyzacja + JSON → Claude API z chunking
Podział (jeśli potrzeba): po rozdziałach/sekcjach.
Zadawanie pytań: po jednym, z wymaganiem cytatu i strony.
Weryfikacja: dla krytycznych faktów - sprawdź w oryginale.
Agregacja: tabela z 20 faktami + źródłami.

Prompt: Precyzyjne pytanie z grounding

Zadanie: odpowiedz DOKŁADNIE na pytanie poniżej, używając wyłącznie tekstu dokumentu. PYTANIE: [konkretne pytanie, np. "Ile wynosi maksymalna odpowiedzialność wykonawcy za szkody?"] ZASADY: 1. Odpowiedź musi być CYTATEM z dokumentu (max 3 zdania) 2. Podaj stronę/paragraf/sekcję 3. Jeśli odpowiedź jest w kilku miejscach - cytuj najbardziej precyzyjne 4. Jeśli odpowiedź NIE ma w dokumencie - napisz "BRAK W DOKUMENCIE", nie zgaduj 5. Jeśli są DWIE RÓŻNE odpowiedzi - pokaż obie z lokalizacją 6. Na końcu: 1 zdanie kontekstu (gdzie w strukturze dokumentu to jest) FORMAT: Odpowiedź: [cytat] Lokalizacja: [strona/paragraf] Kontekst: [1 zdanie] Pewność: [wysoka/średnia/niska] + uzasadnienie

3. Gdy dokument jest obrazem/skanem (OCR)

ChatGPT - wrzuć zdjęcie/PDF-skan, ma wbudowane OCR + interpretację
Claude - tak samo, obrazy w chatbie
Google Document AI - dla firm, masowe OCR
Abbyy FineReader / ReadIris - dla idealnej jakości przed AI

⚠️ Typowe problemy z OCR

Tabele się rozpadają - wymagaj przed AI oczyszczenia/transkrybcji ręcznie dla kluczowych danych
Polskie znaki - sprawdź w kilku miejscach
Cyfry (8/3/5, 0/O) - weryfikuj wyciąg do kluczowych liczb
Pieczątki i odręczne - rzadko dają się rozczytać

🏋️ Ćwiczenie 2 • 30 min

Ekstraktor z dużego pliku

Weź duży plik (co najmniej 50 stron - umowa, raport, książka).
Wypisz 10 pytań, na które chcesz odpowiedzi.
Wrzuć plik do NotebookLM i/lub Gemini 2.5 Pro.
Zadaj każde pytanie z promptem "Precyzyjne pytanie z grounding".
Dla 3 losowych odpowiedzi - sprawdź ręcznie w oryginale.
Policz: ile trafnych / częściowych / błędnych?

Blok 3 • 90 min

Przekładanie odpowiedzi AI na konkretne listy zadań i decyzje

11:30 – 13:00

🎯 Cel bloku

Umiesz zamienić odpowiedź AI na checklist, kalendarz, decyzję. Integrujesz z Todoist/Asana/Trello. Tworzysz łańcuch: analiza AI → plan → akcja → efekt.

1. Problem: "AI powiedział mi coś mądrego, ale co z tego?"

Najczęstszy błąd: dostajesz świetną analizę i... nic dalej. Odpowiedź ląduje w notatkach, nigdy nie staje się działaniem. Rozwiązanie: każda odpowiedź AI musi kończyć się listą konkretów z odpowiedzialnym i deadlinem.

Prompt: Ekstrakcja action items

Na podstawie poniższej analizy/notatki/rozmowy wyciągnij wszystkie DZIAŁANIA. Format (tabela): | # | Zadanie | Kto | Deadline | Priorytet (A/B/C) | Zależności | Zasady: 1. Zadanie = czasownik + obiekt + wynik (np. "Wysłać ofertę klientowi X do piątku") 2. "Kto" - konkretnie kto, nie "ktoś" / "zespół" 3. Deadline - konkretna data lub "asap" jeśli nie padło 4. Priorytet: A=dziś/jutro, B=tydzień, C=miesiąc 5. Zależności - co musi się zadziać wcześniej 6. NIE dodawaj nic "od siebie" - tylko to, co wynika z tekstu 7. Pomijaj zadania, które są tylko sugestiami bez właściciela - zapisz je OSOBNO jako "TEMATY DO USTALENIA" Na końcu tabeli: ### TEMATY DO USTALENIA [lista] ### RYZYKA [1-3 ryzyka, które warto zaadresować] TEKST DO ANALIZY: [wklej]

2. Integracja z narzędziami zadań

Narzędzie	Jak zintegrować z AI
Todoist	Format "Zadanie #project @osoba !!1 (jutro)" - AI pisze w tym formacie, wklejasz, Todoist parsuje
Asana	Przez Make.com: AI → JSON → Asana API. Pola: name, due_date, assignee, tags.
Trello	AI generuje listę kart w Markdown z checklistami, importer Trello je rozpozna
Notion	Notion API + Make/n8n. AI tworzy stronę w bazie z property (priority, owner, due)
Jira	Przez API lub Zapier: AI → epic + tasks, każde z opisem, story points, assignee
Google Calendar	AI generuje ICS (plik kalendarza) lub przez Make tworzy wydarzenia
Email (follow-up)	AI generuje drafts - ręcznie lub przez Gmail API Drafts

Prompt: Generator ICS (kalendarz)

Z poniższej listy zadań wygeneruj plik ICS (format iCalendar) gotowy do importu do Google Calendar / Outlook. Zasady: - Każde zadanie = osobne wydarzenie - Zadania z A (priorytet wysoki) - bloki 1h z reminder 1 dzień przed - Zadania z B - 30 min z reminder rano - Zadania C - cały dzień, bez remindera - Domyślna strefa czasowa: Europe/Warsaw - Tytuł wydarzenia: "[priorytet] Zadanie" - Opis: pełna treść zadania + kontekst + link (jeśli był) LISTA ZADAŃ: [wklej tabelę z poprzedniego promptu] Zwróć wyłącznie plik ICS, bez komentarzy.

3. Cykl akcji: analiza → plan → wykonanie → refleksja

Faza 1: Analiza (AI)

Wejście: sytuacja, dane, dokumenty
AI: diagnoza + rekomendacja
Wyjście: raport/Raport decyzyjny

Faza 2: Plan (AI → człowiek)

Wejście: raport
AI: ekstrakcja action items, kalendarz, zależności
Człowiek: zatwierdza, redaguje, dzieli na osoby

Faza 3: Wykonanie (człowiek + AI)

Człowiek: wykonuje
AI: wspiera każdym z pojedynczych zadań
System: trackuje postęp

Faza 4: Refleksja (AI)

Wejście: wynik + log
AI: co się udało, czego nauczyć, co zautomatyzować
Wyjście: lessons learned + poprawki do procesu

🏋️ Ćwiczenie 3 • 25 min

Pełny cykl akcji

Weź ostatnią notatkę/raport/analizę z Twojej pracy.
Uruchom "Ekstraktor action items".
Z wygenerowanej listy - 3 najważniejsze wybierz do wykonania w tym tygodniu.
Wrzuć je do swojego narzędzia zadań (Todoist/Asana/Kalendarz).
Ustaw reminder: za tydzień ocenisz, które wykonałeś.
Zapisz workflow jako standard - po każdej ważnej analizie AI.

Blok 4 • 90 min

Skalowanie sukcesu - z jednego procesu do dziesięciu

13:15 – 14:45

🎯 Cel bloku

Masz proces, który działa. Teraz robisz z niego 10 kolejnych - bez budowy od zera za każdym razem. Uczysz się wzorców, które da się przenieść.

1. Zasada skalowania: szablon, nie kopiowanie

Zamiast robić 10 osobnych automatyzacji od zera, zbuduj jeden szablon i parametryzuj go. Różne projekty = różne parametry, ta sama struktura.

2. Katalog "gotowych szablonów biznesowych"

Szablon	Do czego	Parametry do zmiany
Klasyfikator	Mail, ticket, zgłoszenie, wniosek	Kategorie, kryteria, akcje po klasyfikacji
Ekstraktor	Faktury, CV, umowy, formularze	Pola do wyciągnięcia, format wyjścia, walidacje
Generator dokumentu	Oferta, raport, mail, prezentacja	Szablon treści, ton, długość, odbiorca
Synteza	Raport z plików, mapa literatury, executive summary	Struktura raportu, priorytety, format
Weryfikator	Fakty w raporcie, liczby w ofercie, zgodność z polityką	Zasady, bank "ok" vs "nie ok", co robić przy błędzie
Triager	Dzienny przegląd: co pilne, co delegować, co ignorować	Kryteria pilności, osoby, kanały
Research	Konkurencja, klient, topiki, trendy	Źródła, zakres, głębokość
Edukacja	Kurs, ścieżka nauki, quiz	Temat, poziom, format

3. Jak przenieść proces A do nowego obszaru B

Abstrahuj - jaki jest wzorzec Twojego procesu A? Klasyfikator? Ekstraktor? Generator?
Zrób checklist parametrów - co zmienisz w B:
- Wejście (format, źródło, wolumen)
- Reguły (kategorie, kryteria)
- Wyjście (struktura, odbiorca)
- Integracje (systemy)
Skopiuj scenariusz w Make/n8n (klik - "Copy scenario").
Podmień parametry (konfiguracja, prompt, endpointy).
Testuj na 5 realnych przypadkach B.
Iteruj 1-2 rundy.
Deploy - czas całkowity: 1-2h zamiast 1-2 dni.

4. Skalowanie zespołowe - dzielenie się

📚 Biblioteka firmowa

Jedno miejsce: Notion / Confluence / SharePoint
Kategorie: po działach, po procesach, po autorze
Szablon każdego promptu: metadane + treść + przykład + wersja
Ownership: kto odpowiada za co
Feedback loop: komentarze, rating

🎓 Onboarding AI w zespole

1 godzina: podstawy + jak używać biblioteki
1 dzień "buddy" z kimś doświadczonym
Cotygodniowe 30-min AI showcases (ktoś pokazuje swój workflow)
Kanał #ai-tips na Slack/Teams
Miesięczne metryki: kto używa, co działa, co się zmienia

🏋️ Ćwiczenie 4 • 30 min

Skalowanie Twojego procesu

Weź swojego agenta z dnia 4.
Zidentyfikuj wzorzec: klasyfikator/ekstraktor/generator/synteza?
Wymyśl 3 INNE zastosowania tego samego wzorca w Twojej pracy.
Dla każdego wypisz: co zmienisz w parametrach (wejście, reguły, wyjście, integracje).
Oszacuj: ile zajęłoby zbudowanie każdego od zera vs z szablonu?
Wybierz 1 - zbuduj go w 20 min (możesz dokończyć po szkoleniu).

Blok 5 • 45 min

Podsumowanie najskuteczniejszych metod pracy oraz osobisty plan wdrożenia

15:00 – 15:45

🎯 Cel bloku

Masz konkretny, realistyczny plan działania na 3 miesiące po szkoleniu. Wiesz, jak się nie poddać, jak mierzyć postępy, gdzie szukać pomocy.

1. Top 10 wniosków z 5 dni (retrospektywa)

AI to nie wyszukiwarka - to junior ze specjalistyczną wiedzą, który potrzebuje dobrej instrukcji
Prompt = instrukcja dla asystenta, nie zaklęcie. RCKFO to minimum.
Kontekst to wszystko. Więcej konkretu = lepsze wyniki. 90% problemów z AI = za mało kontekstu.
Halucynacje są pewne, pytanie tylko kiedy. Zasada: ufaj ale weryfikuj.
Asystenci > pojedyncze prompty dla zadań powtarzalnych
Agenci > asystenci dla zadań wieloetapowych
Wielu modeli > jednego modelu dla ważnych decyzji
Prywatność to wybór, nie domysł. Dobierz poziom 1/2/3.
Biblioteka promptów to ROI. Każda godzina w budowę = 10 godzin zwrotu.
Zacznij od 1 procesu. Potem skaluj. Nie próbuj 10 naraz.

2. Plan 90 dni (po szkoleniu)

Okres	Cel	Jak mierzyć
Tydzień 1	Codzienne użycie 1 asystenta + biblioteka	5 dni z rzędu minimum 30 min pracy z AI
Tydzień 2	Wdrożenie 2 kolejnych promptów z biblioteki do codzienności	10+ promptów regularnie używanych
Tydzień 3	Pierwszy agent w Make.com (kontynuacja D4)	Scenariusz z 10+ udanymi uruchomieniami
Tydzień 4	Dopracowanie asystenta do v3	80% zadań nie wymaga poprawek ręcznych
Miesiąc 2	Drugi agent, z wzorca szablonowego	Zbudowany w 2h zamiast 2 dni
Miesiąc 2	Dzielenie się z zespołem (min. 1 osoba)	Ktoś inny używa Twojej biblioteki
Miesiąc 3	Trzeci agent + retrospektywa	3 procesy działają, policzalna oszczędność czasu
Miesiąc 3	Audyt: co zostawić, co wyłączyć	Lista projektów z ROI + plan na kolejny kwartał

3. Najczęstsze pułapki wdrożeniowe (unikaj!)

⚠️ Top 8 pułapek

"Zrobię od razu wszystko" - Nie. 1 proces. Potem skaluj.
"Biblioteki zbuduję później" - Nie zbudujesz. Buduj od dnia 1.
"AI powinno być doskonałe" - Nie jest. 80% wystarczy, Ty poprawiasz.
"Mój przypadek jest specjalny" - Nie. Wzorce się powtarzają.
"Zakończyłem szkolenie, znam AI" - Znasz podstawy. Wiedza rośnie z praktyki.
"Zapytam zespół, czy chcą" - Najpierw pokaż efekty. Potem zapytają sami.
"Boję się, że coś pójdzie nie tak" - Małe wdrożenia, duża kontrola, logi.
"Nie mam na to czasu" - 30 min/dzień przez miesiąc = 10h zwrotu tygodniowo.

4. Gdzie szukać dalej

Newslettery: The Rundown AI, Ben's Bites, TLDR AI (codzienne)
YouTube (PL): Mateusz Chrobok, Piotr Kunicki, Netchmura
YouTube (EN): AI Explained, Matthew Berman, David Ondrej
Discord / Slack: Make.com community, OpenAI dev forum
Dokumentacja: docs.anthropic.com, platform.openai.com/docs (najlepsze źródła)
Wsparcie po szkoleniu: konsultacje mailowe i telefoniczne (Instytut DS)

🏋️ Ćwiczenie 5 • 20 min

Twój osobisty plan 90 dni

Wypisz 3 konkretne cele na 90 dni (mierzalne, realistyczne).
Dla każdego - pierwsze działanie w tym tygodniu.
Wyznacz "datę kontrolną" za 30 / 60 / 90 dni (w kalendarz).
Napisz sobie mail na 30 dni naprzód (np. Boomerang, FollowUpThen) z pytaniami: Co zrobiłem? Co nie? Dlaczego?
Znajdź "AI buddy" (kolega z grupy) - 15 min co 2 tygodnie, wymiana co się udało.

💡 Podsumowanie dnia 5

Triangulacja = 3 modele = wyższa pewność dla ważnych decyzji
Duże pliki: NotebookLM / Gemini 2.5 Pro / chunking. Wybieraj pod zadanie.
Każda odpowiedź AI → lista akcji z właścicielem i deadlinem
Skalowanie = szablony, nie kopiowanie
Plan 90 dni z cotygodniowymi celami > ogólnych ambicji