Proces 1: notatki ze spotkania w plan działania
Skorzystaj z tego procesu po rozmowach, spotkaniach sprzedażowych i sesjach planowania. Celem nie jest samo streszczenie. Celem jest plan działania gotowy do decyzji: z odpowiedzialnymi, terminami, otwartymi pytaniami i krokami następczymi.
Dane wejściowe -> prompt -> wynik -> kontrola jakości. Każdy proces w tym poradniku używa tych samych czterech etapów. Jeśli to sam etap promptu jest tym, czego nie jesteś pewien, poradnik o pisaniu promptów dla początkujących omawia, jak napisać instrukcję, kontekst, ograniczenia i format, które zakłada każdy szablon poniżej.
| Etap | Co dostarczasz | Dlaczego to ważne |
|---|---|---|
| Dane wejściowe | Prawdziwy materiał: transkrypcja, skrzynka odbiorcza, strony źródłowe, diff, lista zadań albo szkic | Niejasne prośby pozwalają modelowi zgadywać właścicieli, daty i twierdzenia, których mu nie podałeś |
| Prompt | Rola, kontekst, ograniczenia i dokładny format wyniku | Ograniczenia trzymają model z dala od prywatnych danych i decyzji wymagających ludzkiego osądu |
| Wynik | Nazwana struktura: tabela działań, kolejka priorytetów, tabela ekstrakcji, lista ustaleń, harmonogram albo zestaw treści | Nazwany format jest dużo łatwiejszy do sprawdzenia niż akapity prozy |
| Kontrola jakości | Sprawdzenie, które śledzi każdy element z powrotem do źródła, zanim zaczniesz działać | Nazwiska, daty, liczby i zobowiązania nadal wymagają zatwierdzenia przez człowieka |
Gotowe do uruchomienia pakiety szablonów. Siedem procesów poniżej to ogólne wzorce. Te dwa pakiety to wersje wypełnione, rozpisane już prompt po prompcie.
| Szablon | Co robi | Najlepszy dla |
|---|---|---|
| Founder Research Stack | Dziewięć gotowych do skopiowania promptów do map rynku, analiz konkurencji, struktury cen, pozycjonowania i wydobywania języka klientów, kończących się szkicem strony docelowej | Founderzy, konsultanci i operatorzy decydujący, gdzie celować i ile liczyć |
| Claude Coding Prompt Pack | Dwanaście gotowych do skopiowania promptów do debugowania, przeglądu kodu, refaktoryzacji, przeglądów architektury i projektowania testów, z ograniczeniami, które nie pozwalają małej poprawce zamienić się w przepisanie od nowa | Programiści, którzy chcą sprawdzalnego diffa zamiast przebudowanego pliku |
Dane wejściowe: transkrypcja, luźne notatki, lista uczestników, cel spotkania, znane terminy i decyzje, którym już ufasz. Jeśli transkrypcja jest długa, przed promptowaniem opisz jej fragmenty tematami lub znacznikami czasu.
Prompt: "Zamień te notatki ze spotkania w plan działania. Kontekst: celem spotkania było [cel]. Uczestnicy: [nazwiska]. Notatki lub transkrypcja: [wklej]. Ograniczenia: nie wymyślaj osób odpowiedzialnych ani dat. Niejasne punkty oznacz jako wymagające potwierdzenia. Oddziel decyzje od dyskusji. Format: streszczenie, decyzje, tabela zadań, ryzyka, wiadomość podsumowująca".
Wynik: pięcioczęściowy dokument z krótkim streszczeniem dla zarządu, potwierdzonymi decyzjami, tabelą zadań z odpowiedzialnym, terminem i statusem, nierozstrzygniętymi pytaniami oraz gotowym do wysłania e-mailem podsumowującym.
Kontrola jakości: sprawdź każde zadanie przy transkrypcji. Usuń wszystko, co AI wywnioskowała na wyrost. Potwierdź daty i osoby przed wysłaniem. Jeśli wynik jest zbyt ogólny, uruchom prompt ponownie z jednym dodatkowym ograniczeniem: "Uwzględnij tylko zadania, do których ktoś wprost się zobowiązał".
Proces 2: segregacja poczty w kolejkę odpowiedzi
Ten proces pomaga przerobić zatłoczoną skrzynkę, nie pozwalając AI mówić za ciebie bez kontroli. Użytecznym wynikiem jest kolejka priorytetów, a nie paczka zrobotyzowanych odpowiedzi.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: nadawca, temat, treść wiadomości, kontekst relacji, pilność i preferowany styl odpowiedzi. Przy wrażliwych wątkach usuń dane prywatne przed wklejeniem i poproś model o szkic, a nie o wysyłkę.
Prompt: "Posegreguj te wiadomości na dziś. Kontekst: moja rola to [rola], moje priorytety to [priorytety], a ton ma być [ton]. Wiadomości: [wklej]. Ograniczenia: nie odpowiadaj na pytania wymagające prywatnych danych konta. Oznacz wszystko, co wymaga ludzkiej oceny. Format: tabela priorytetów, rekomendowane działanie, szkic odpowiedzi dla każdej wiadomości, na którą da się bezpiecznie odpisać".
Wynik: tabela z priorytetem, uzasadnieniem, następnym działaniem, proponowaną odpowiedzią i znacznikiem ryzyka. Sprawy rozliczeniowe, dostęp do konta i wszelkie zobowiązania powinny trafić do ręcznego przeglądu.
Kontrola jakości: najpierw czytaj uzasadnienie priorytetu. Jeśli model nie potrafi wyjaśnić, dlaczego wiadomość jest pilna, obniż jej rangę. Sprawdź wszystkie nazwiska, daty, obietnice, ceny i załączniki. Trzymaj się osobistej zasady: AI może pisać szkice, ale zobowiązania zatwierdza człowiek.
Proces 3: przegląd konkurencji w brief badawczy
Użyj tego jako procesu researchowego z AI, gdy potrzebujesz szybkiego, ale możliwego do zweryfikowania obrazu rynku bez tonięcia w zakładkach.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: nazwy konkurentów, notatki ze stron, fragmenty cenników, strony produktowe, wycinki recenzji, docelowy klient i decyzja, którą próbujesz podjąć. Możesz też zacząć od szablonu Founder Research Stack w Whizi, jeśli chcesz pełniejszej struktury.
Prompt: "Przygotuj przegląd konkurencji dla [rynek]. Kontekst: podejmuję decyzję o [decyzja]. Konkurenci i notatki: [wklej]. Ograniczenia: korzystaj wyłącznie z podanych notatek. Oddziel fakty od wniosków. Nie wymyślaj cen, klientów ani funkcji. Format: tabela porównawcza, wzorce pozycjonowania, luki, ryzyka i kolejne pytania badawcze".
Wynik: tabela porównawcza z konkurentem, odbiorcą, obietnicą, funkcjami, uwagami o cenach, dowodami, słabościami i domniemanym pozycjonowaniem. Najlepsza wersja ma też kolumnę "co zweryfikować dalej", żeby badanie nie udawało zamkniętego.
Kontrola jakości: każde twierdzenie prześledź do notatki lub fragmentu źródła. Zaznacz niepoparte wnioski. Przy ważnych decyzjach uruchom ten sam prompt w innym modelu i porównaj, który wynik czyściej oddziela dowody od opinii.
Proces 4: streszczenie PDF w zweryfikowaną ekstrakcję
Ogólne streszczenia plików PDF bywają ryzykowne, bo potrafią pominąć zastrzeżenia albo wyolbrzymić wnioski. Ten proces prosi o ekstrakcję i weryfikację, a nie o miłe podsumowanie.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: tekst pliku PDF lub przesłany dokument, typ dokumentu, twój cel, sekcje, które są najważniejsze, i dokładny format wyniku. Jeśli dokument jest długi, poproś najpierw o streszczenia poszczególnych sekcji, a dopiero potem o syntezę.
Prompt: "Przeanalizuj ten dokument pod kątem [cel]. Kontekst: to dokument typu [typ], a najbardziej zależy mi na [tematy]. Ograniczenia: cytuj lub wskazuj nazwy sekcji, gdy to możliwe. Oznacz niepewne miejsca. Nie streszczaj sekcji, których nie widzisz. Format: streszczenie na jedną stronę, tabela kluczowych faktów, ryzyka i zastrzeżenia, wypisane daty, liczby i nazwy oraz lista kontrolna do weryfikacji".
Wynik: zwięzłe streszczenie plus uporządkowana tabela ekstrakcji. Przy artykule naukowym tabela może zawierać twierdzenie, dowód, metodę, ograniczenie i poziom pewności. Przy umowie: zobowiązanie, stronę, termin, paragraf i ryzyko.
Kontrola jakości: przeszukaj oryginalny PDF pod kątem każdej liczby, terminu, nazwy własnej i cytatu. Poproś o drugą turę: "Wypisz pięć sposobów, w jakie to streszczenie może wprowadzać w błąd". Jeśli sprawa dotyczy decyzji prawnych, medycznych, finansowych lub kadrowych, traktuj wynik AI jako pomoc w lekturze, nie jako poradę.
Proces 5: przegląd kodu w bezpieczniejszą listę zmian
Ten proces przydaje się, gdy masz diff, pull request albo plik, który chcesz przejrzeć. Chodzi o ograniczenie ryzyka, a nie o oddanie decyzji maszynie.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: diff, otaczająca funkcja lub moduł, oczekiwane zachowanie, wynik testów, komunikaty błędów, ograniczenia i to, co nie powinno się zmienić. Nigdy nie wklejaj sekretów, danych dostępowych do produkcji ani prywatnych danych klientów.
Prompt: "Przejrzyj ten kod jak starszy inżynier. Kontekst: oczekiwane zachowanie to [zachowanie]. Cel zmiany to [cel]. Kod lub diff: [wklej]. Ograniczenia: priorytetem są błędy, regresje, kwestie bezpieczeństwa, przypadki brzegowe i brakujące testy. Unikaj uwag wyłącznie stylistycznych, chyba że ukrywają błąd. Format: tabela ustaleń z wagą, plikiem lub funkcją, problemem, uzasadnieniem, proponowaną poprawką i testem do dopisania".
Wynik: uszeregowana lista uwag, propozycje testów i minimalny plan zmian. Przy refaktorach proś o najmniejszą poprawę czytelności zachowującą zachowanie kodu, a potem o listę testów, które to potwierdzą.
Kontrola jakości: gdy to możliwe, odtwórz każdy błąd przed poprawką. Nie przyjmuj proponowanej łatki bez przeczytania jej. Uruchom testy, linter i sprawdzanie typów lokalnie. Jeśli dwa modele się nie zgadzają, potraktuj tę różnicę jako listę rzeczy do sprawdzenia, a nie jako głosowanie.
Proces 6: planowanie dnia w skupiony harmonogram
Codzienna rutyna z AI ma pomagać wybrać, czego nie robić. Ten proces zamienia chaotyczną listę w skupiony plan z realistycznymi blokami, kompromisami i punktem zamknięcia dnia.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: lista zadań, ograniczenia kalendarza, terminy, poziom energii, spotkania, rzeczy obowiązkowe, opcjonalne i jeden cel strategiczny. Im uczciwsze dane, tym lepszy plan.
Prompt: "Zaplanuj mój dzień wokół rezultatów, a nie zabiegania. Kontekst: dostępne bloki pracy to [bloki]. Obowiązkowe zadania: [lista]. Opcjonalne zadania: [lista]. Poziom energii: [energia]. Cel strategiczny: [cel]. Ograniczenia: chroń czas na pracę głęboką, wstaw bufory, nie przeciążaj dnia i wyjaśnij kompromisy. Format: harmonogram, 3 najważniejsze rezultaty, lista odłożonych zadań, lista ryzyk, rytuał zamknięcia dnia".
Wynik: harmonogram w blokach czasowych, trzy rezultaty, lista odłożonych zadań i dziesięciominutowy rytuał zamknięcia dnia. Lista odłożonych zadań jest kluczowa, bo nie pozwala AI ładnie opakować niewykonalnego dnia.
Kontrola jakości: sprawdź, czy plan mieści się w twoim prawdziwym kalendarzu. Utnij 20 procent, jeśli wygląda zbyt gęsto. Jeśli zadanie nie ma definicji sukcesu, poproś model o określenie, co znaczy "zrobione", zanim zaczniesz.
Proces 7: recykling treści w zestaw publikacyjny
Ten proces pisarski z AI zamienia jedno dobre źródło w kilka gotowych do publikacji materiałów, nie sprawiając, że wszystko brzmi tak samo.
Dane wejściowe -> prompt -> wynik -> kontrola jakości
Dane wejściowe: treść źródłowa, odbiorca, lista kanałów, próbka stylu marki, twierdzenia, które muszą pozostać dokładne, twierdzenia zakazane oraz oczekiwane formaty. Dołącz przykłady swoich najlepszych dotychczasowych treści, jeśli chcesz mniej ogólnikowego wyniku.
Prompt: "Przerób to źródło w zestaw publikacyjny. Kontekst: odbiorca to [odbiorca]. Kanały: [kanały]. Próbka stylu: [wklej]. Źródło: [wklej]. Ograniczenia: zachowaj fakty, unikaj hype'u, nie dodawaj niepopartych statystyk i dopasuj każdy tekst do formatu jego kanału. Format: główny przekaz, 5 pomysłów na posty, szkic e-maila, krótkie posty społecznościowe, długi post, sekcja newslettera i tabela kontroli jakości".
Wynik: zestaw treści z gotowymi kątami, szkicami dopasowanymi do kanałów i tabelą kontroli jakości wymieniającą oryginalne twierdzenie, jego nową wersję, miejsce w źródle i ryzyko.
Kontrola jakości: porównaj każdy szkic ze źródłem. Usuń twierdzenia dodane dla efektu. Sprawdź, czy e-mail, post i wstęp do artykułu mają różne zadania, zamiast powtarzać to samo zdanie. Zapisz prompt jako powtarzalny szablon dopiero wtedy, gdy sprawdzi się na prawdziwym materiale.
- Zaczynaj każdy proces z AI od prawdziwych danych, a nie od mglistej prośby.
- Zdefiniuj wynik przed uruchomieniem promptu: tabela, lista kontrolna, notatka, szkic, plan lub ekstrakcja.
- Dodaj ograniczenia dotyczące dowodów, prywatności, tonu, długości i niepewności.
- Poproś o krok kontroli jakości jako część wyniku, a nie po fakcie.
- Zapisuj powtarzalne prompty według procesu, a nie według modelu: jeden projekt w Whizi mieści do 10 przypiętych plików i 32 000 znaków stałych instrukcji.
- Ważne procesy uruchamiaj w kilku modelach i porównuj trafność, strukturę i czas poprawek.
- Aktualizuj każdy szablon po użyciu go na prawdziwym zadaniu.
Najczęstsze pytania
Czym jest szablon procesu z AI?
Szablon procesu z AI to powtarzalny schemat, który określa dane wejściowe, prompt, oczekiwany wynik i kontrolę jakości dla konkretnego zadania, na przykład streszczania plików PDF, przeglądu kodu czy segregacji poczty.
Jak zbudować własny proces z AI do pracy?
Zacznij od jednego powtarzającego się zadania, wypisz potrzebne dane wejściowe, napisz prompt z ograniczeniami i formatem wyniku, a potem dodaj listę kontrolną weryfikującą fakty, decyzje, nazwiska, liczby i kolejne kroki.
Czy do każdego procesu używać tego samego modelu AI?
Nie. Różne modele radzą sobie lepiej z różnymi zadaniami. Przy ważnych procesach uruchom ten sam prompt w kilku modelach i zostaw wersję, która daje najtrafniejszy i najbardziej użyteczny wynik.
