Maksymilian

AI Engineer | Pomagam wdrażać AI do polskich firm | Propagator myślenia :)

[Maksymilian @MAXIMISEART]

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!

[Maksymilian @MAXIMISEART]

https://t.co/dQwoVK7hdI

[Maksymilian @MAXIMISEART]

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

[Maksymilian @MAXIMISEART]

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

[Wiejski Organista @MarekWojtaszek]

@MAXIMISEART "Pani Ela...."

Wystarczy jej dać narzędzie zaprojektowane tak, żeby nawet idiota obsluzyl i jak zobaczy, ile szybciej robota idzie, to nie wróci do starych nawyków.

Sprawdzone kilkukrotnie. Początkowa niechęć mija szybko ;)

[Theo - t3.gg @theo]

https://t.co/cRdL7orwcq

[Maksymilian @MAXIMISEART]

@MateuszBrat uczyć strategicznego programowania zamiast taktycznego, jak to rozdziela @JohnOusterhout w swojej książce philosophy of software design

[Maksymilian @MAXIMISEART]

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

[Maksymilian @MAXIMISEART]

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

[Lee Robinson @leerob]

How do always-on, proactive agents like @Bot work?

Watch my lecture at Stanford CS146S:

2:35 How we got here
6:13 What changed in the models
10:06 Inside an always-on agent
18:07 The harness
27:26 Context engineering
34:26 Where this is going

[lauren @poteto]

pstack v0.15.27 ships with a new skill /create-formal-verification-skill!

it's still in beta, and similar to /create-verification-skill, this is a meta-skill that creates a new skill and formal verification suite based on the characteristics you want to verify. for example, you may want to model state machines and systems with concurrency using TLA+, or use kani in rust to check for undefined behavior.

if you're new to formal verification, think of it as mathematically proving properties and invariants (something that must always be true) or "laws" of your system. usually, this means modeling your programs in a separate language like with TLA+ and then running the solver on that spec. newer approaches like with kani and @bendlang take a different approach where there is no separate language: you write kani in rust, and bend in bend (it's also a programming language, and the proofs are written as laws and expressed in its type system).

historically formal verification never reached mainstream status because of the difficulty in modeling and writing proofs. it's quite difficult to model your business requirements and keep them in sync! but i expect that we will see more innovation in formal verification in the future as being able to formally verifiy that the code does what you intended gives your agents superpowers in writing correct software.

in the meantime though, i've been experimenting with modeling our code with TLA+ and have already found several bugs with the skill created by /create-formal-verification-skill.

try it out and let me know how it goes!

[Remek Kinas @KinasRemek]

basal-omni 🇵🇱 - TOP1 🤩🤩🤩 🌍 na świecie w modelach otwartych oraz TOP2 wśród zamkniętych i otwartych

Wg niezależnego benchmarku modeli system-one gdzie testowane są wszystkjie modele na świecie - JevBench (link do bencha w pierwszym wpisie). Czyli można? Można! Polskie AI 🇵🇱

basal wyprzedził model OpenAI, Microsoft oraz pierwowzór z TypeSafe (jev).

Thank you, @airesearch12 , for the independent evaluation on JevBench.

[lauren @poteto]

how do you trust your agents' work more? copy this post/link and give it to your @bot or agent!

1. codebase improvements: this is just good software engineering - better architecture, stronger types and invariants, clear boundaries. agents love to copy what exists and take the shortest path, so make the easy thing the right thing. categorically eliminate problems through code and you won't need to think about it again.
2. static analysis: lint rules, tests, CI, verification (eg TLA+). very token efficient ways to catch issues ahead of time.
3. prose: comments, rules, AGENTS.md, skills - anything that can't be enforced and requires agent judgment. use it minimally, but do use /create-verification-skill.
4. human review: the hardest to scale. at the rate agents land code, it's pretty much impossible to thoroughly review every PR, so spend that effort on the highest leverage point, designing an environment where agents do the right thing by default.

this forms an inverse pyramid: you want most of your effort at the top, least at the bottom. codebase improvements are deterministic, making it more token efficient, and lets you sleep more soundly at night.

install https://t.co/u9xIlN3eN0 and create a new Project:
1. look through my slack/chat messages and code review comments where i've given feedback on PRs, code, architecture
2. use /recall on my past transcripts to learn how i steer agents
3. /poteto-mode use /correct and /architect on past commits to find the most common pitfalls agents fall into, then propose a plan to rearchitect the code i own so it's more agent friendly. answer open questions with prototyping rather than defer to me, and back the plan with real data.
4. before you begin, use /sharpen + /in-your-own-words and confirm this prompt with me

[Maksymilian @MAXIMISEART]

@itspaulg ta jest! jak ze wszystkim

“volume negates luck”

[Maksymilian @MAXIMISEART]

UPDATE

parę pomysłów i dodatkowych rozwiązań przy tworzeniu swojego improvement loop

1. proaktywny red teaming

agenci z dzisiejszymi możliwościami nie powinni czekać, aż wskażemy im błędy. nie powinni też czekać, aż te błędy pojawią się w produkcji

dlatego warto mieć agenta, któremu możemy dać zadanie polegające na tym, aby po pierwsze zrozumiał, do czego służy nasz system/agent, którego próbujemy poprawić, jak powinien się zachowywać oraz na jakie problemy trafił dotychczas (na podstawie jego trace'ów)

na podstawie takiego kontekstu agent sam szuka słabych punktów i generuje przewidywalne przypadki, które mają doprowadzić system do błędnego zachowania. następnie uruchamia te przypadki i sprawdza, czy rzeczywiście udało się znaleźć hipotetyczny błąd/problem, który wcześniej nie pojawił się w produkcyjnych trace'ach

zamiast tworzyć testy wyłącznie na podstawie już znanych problemów, agent sam próbuje znaleźć nowe sposoby na złamanie naszego systemu. jest to szczególnie ważne przy takich problemach jak halucynacje, łamanie system promptu czy po prostu niepożądane zachowania, które nie zostały jeszcze zaobserwowane

2. wykrywanie problemów, które przeoczyliśmy w naszym review

chodzi o patrzenie szerzej niż tylko na finalną odpowiedź, bo duża część błędów może pojawić się właśnie na drodze do tej odpowiedzi. agent może poprawnie wykonać zadanie, ale jednocześnie przejść przez niepotrzebnie długą trajektorię, wywołując masę niepotrzebnych narzędzi, skilli i instrukcji albo uruchamiając te same rzeczy wielokrotnie. z czasem generuje to coraz większe koszty oraz większe latency, a co za tym idzie, może prowadzić do większej liczby błędów

dlatego dobrym rozwiązaniem byłoby danie agentowi dostępu do dużej liczby trace'ów i polecenie mu samodzielnego wyszukiwania oraz grupowania takich wzorców. agent może analizować całe, długie trajektorie i wyłapywać nie tylko pojedyncze błędy, ale też trendy, które powtarzają się przy każdym runie

dzięki temu nie musimy ręcznie przeglądać setek czy tysięcy trace'ów w poszukiwaniu podejrzanych problemów. agent może pomóc nam wskazać miejsca, w których działanie systemu zaczyna odbiegać od naszych oczekiwań, a także zaproponować rozwiązania. samo rozwiązywanie napotkanych problemów to już kwestia ewaluacji

3. sprawdzanie sprawdzonego

chodzi o przeniesienie ciężaru testowania poprawek z człowieka na agenta. gdy agent znajdzie problem, powinien najpierw uruchomić dokładnie te same przypadki, na których ten błąd został odkryty. następnie, oprócz samej propozycji zmiany, powinien ją wdrożyć (w środowisku testowym - spinując sandboxa i forkując środowisko, w którym działa), a potem ponownie uruchomić te przypadki

następnie sam ocenia wyniki. jeżeli zaproponowana poprawka nie daje pożądanego rezultatu, iteruje i testuje kolejną wersję. dopiero gdy ma pewność, że poprawka działa tak, jak należy, przekazuje ją człowiekowi do review, najlepiej w formie poprawnie sformatowanego PRa. to już bardziej subiektywna kwestia, ale warto mieć również wizualne przedstawienie dowodów, że poprawka rzeczywiście działa i można ją mergować np. screeny porównujące, krótkie nagrania ekranu pokazujące before/after

człowiek nie dostaje więc już tylko sugestii typu „zmień to i to w prompcie” albo „zmień ten fragment kodu”, ale gotowy, sprawdzony i, co najważniejsze, poparty dowodami PR do oceny

człowiek pracujący z agentami powinien być tylko i wyłącznie osobą podejmującą decyzje, czyli być strategic programmer jak to mówi @JohnOusterhout

[Maksymilian @MAXIMISEART]

https://t.co/QNFRie6sAp

[Maksymilian @MAXIMISEART]

@DaamianWu @miuoshekb

[Maksymilian @MAXIMISEART]

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)

[Biznes Info 🇵🇱 @BiznesinfoPL]

"Dzisiaj w firmie nikt już nie używa ChatGPT". Rafał Brzoska opowiada jak przejście na Claude Code w jego firmie przyniosło dwukrotny wzrost wydajności i szacowany wpływ na EBITDA na poziomie 70 mln euro. @RBrzoska

Obserwuj @BiznesinfoPL - dla nas liczy się polski biznes 🫡

[Maksymilian @MAXIMISEART]

@itspaulg staram się wyrabiać 12h gdzie 4 się uczę 4 robię i aplikuję to czego się nauczyłem 4 promuję to co robię

czasem ten rozkład się zmienia w zależności od priorytetów

[Maksymilian @MAXIMISEART]

po to:
- odpowiadaj za decyzje gdzie bledne jej podjęcie będzie dużo kosztować

- maja wiedze która nie ma ai w swoim kontekście np. nie każdy wyjątek można rozwiązać na podstawie reguły albo historycznych danych

- weryfikuje i podejmuje decyzje w sprawach gdzie ai nie powinna jej podejmować samodzielnie

- sa niezbędni do prawidłowego wdrożenia bo to oni pracują i wykonają od lat te proces wiec znają jego rzeczywisty przebieg, problemy i wyjątki dlatego trzeba ich angażować na każdym etapie takiego wdrożenia

HITL jest w cenie i nadal potrzebny, chodzi o to że ai/automatyzacje powinny odciążać pracowników z nudnej i powtarzalnej pracy i koordynacji

[Maksymilian @MAXIMISEART]

@crashev @stockenjoyer127 uber jest dobrym przykładem, jak zmienili podejście i czego się nauczyli, po tym jak przepalił roczny budżet w 4 miechy

[Maksymilian @MAXIMISEART]

@Przemek62 traktuje to jako możliwość zaprezentowania punktu widzenia innej strony niż jakąś krytykę, niech se robią jak chcą jak im tak dobrze

[lauren @poteto]

try pstack! it’s my personal set of skills for rigorous and autonomous engineering with agents. it’s updated frequently as I continue to tune and simplify them

10 second tutorial:
1. run /setup-pstack and choose your budget
2. add /poteto-mode in front of any prompt you want done rigorously
3. ask /poteto-help whenever you’re unsure what pstack skills to use
4. that’s it!

Grok Bot: https://t.co/nqeRdY62ee
Cursor: https://t.co/WDB4U1rwmu
Source: https://t.co/u9xIlN3eN0

[Maksymilian @MAXIMISEART]

@Maciejze1 @marcino_marcino nie traca, ludzie sa stworzeni do bardziej ambitnej pracy niż kopiuj wklej między excelami

[Maksymilian @MAXIMISEART]

idziesz do firmy → mapujesz jeden ich proces w jakimś dziale, np. finansów → patrzysz, kto co robi, jak robi, dlaczego tak robi i ile to robi. gadasz z nim, zadajesz dobre pytania → przeprojektowujesz ten proces pod dzisiejsze możliwości automatyzacji i ai → budujesz rozwiązanie w ich narzędziach i systemach, tak żeby ai tam żyło, a nie było nowym narzędziem (headless przez api, jeżeli mają mcp, computer use) → pracownicy widzą, że ich praca wykonuje się sama, a oni dostają tylko powiadomienia, gdy muszą podjąć jakąś decyzję → dają ci feedback, a ty na jego podstawie przeprowadzasz ewaluację i doskonalisz cały system, dopóki będą tego chcieli i będą ci płacić

nie wchodząc w szczegóły. polecam siebie bo juz nie raz pisałem o naszej filozofii wdrażania i adopcji ai

[Maksymilian @MAXIMISEART]

chodzi mi o to, że nie ma znaczenia, czy przechodzi się z chata gpt na claude code, czy ma się więcej licencji, albo ile tokenów się przepala. powinno się mówić o innych rzeczach, które doprowadziły do tego, że ebitda wzrosła o 70 MLN.

czyli o tym, jak przeprojektowali swoje procesy, np. w ap, ar albo przy zamykaniu miesiąca w działach finansów, tak żeby wykorzystać ai i rozwiązywać realne problemy pracowników, które wymieniłem wyżej.

[Maksymilian @MAXIMISEART]

@strmcbet to jest moja praca