Małe usprawnienia, które robią różnicę - MMC Polska
Autor: Tomek Mostowski
Kategoria: Case study
Jak wprowadzić AI do codziennej pracy – tak, żeby to nie było tylko kolejne wdrożenie bez efektu? Z takim pytaniem zaczęliśmy współpracę z zespołem MMC Polska, odpowiedzialnym za organizację warsztatów oraz szkoleń. To ekspertki od zarządzania projektami, ale też od researchu i tworzenia treści merytorycznych.
Naszym celem było jedno: usprawnić codzienną pracę. Bez technologicznego nadmiaru, za to z zauważalną poprawą. Nazwijmy to efektem kuli śnieżnej – bo to właśnie drobne, ale trwałe zmiany, które się kumulują, potrafią zrobić dużą różnicę.
Zaczęliśmy od warsztatu discovery. Rozmawialiśmy o codziennych zadaniach – o tym, co pochłania czas, co frustruje, a co mogłoby działać szybciej lub po prostu lepiej. Wspólnie zmapowaliśmy obszary możliwych usprawnień. Uporządkowaliśmy je według wpływu i kosztu wdrożenia – i od razu odpuściliśmy pomysły zbyt skomplikowane lub nieadekwatne.
Na tej podstawie zaplanowaliśmy serię warsztatów. Każde spotkanie łączyło teorię z praktyką – i rozmowę o możliwościach, ale też ograniczeniach narzędzi AI. Pracowaliśmy na zadaniach, które faktycznie pojawiają się w ich pracy.
Poniżej znajdziesz trzy wybrane przypadki z tego procesu. Każdy dotyczy innego obszaru pracy – i pokazuje inną lekcję z wdrażania AI w codzienne obowiązki.
Case 1: Jak skrócić research z dwóch dni do kilku godzin
Zespół odpowiedzialny za produkcję wydarzeń w MMC Polska regularnie musi szybko wchodzić w specjalistyczne tematy – szczególnie przy tworzeniu nowych szkoleń i warsztatów. Dotąd dogłębny research potrafił zająć nawet dwa dni: szukanie źródeł, selekcja danych, układanie dokumentu.
Podczas warsztatów AI for People zaczęliśmy się zastanawiać: czy da się to uprościć, nie tracąc na jakości?
Nie zaczynaliśmy od „szkolenia z narzędzi”. Zamiast tego skupiliśmy się na sposobie pracy – i na tym, jak go mądrze wesprzeć. Wspólnie przetestowaliśmy trzy rozwiązania z funkcjami do głębszego rozeznania tematu:
- Perplexity – szybki przegląd, iteracyjna praca z tematem
- ChatGPT – pogłębiona analiza i bardziej przemyślana wiedza
- Gemini – szeroki przegląd wielu źródeł i wygodny eksport do Google Docs
Nie szukaliśmy „najlepszego” rozwiązania. Sprawdzaliśmy, które sprawdza się w jakim kontekście. Uczestniczki zaczęły zadawać trafniejsze pytania, porównywały odpowiedzi, wybierały narzędzia w zależności od zadania i własnych preferencji.
Co ciekawe – wyniki były różnie oceniane. Każda z uczestniczek miała inne odczucia co do stylu i użyteczności danego rozwiązania. To tylko potwierdziło jedną rzecz: narzędzie powinno pasować do stylu pracy konkretnej osoby.
Odkrycie
Największym zaskoczeniem nie była szybkość działania, ale porządek, jaki wnosi AI. Systematyzuje informacje, eliminuje chaos, a końcowy dokument jest przejrzysty i gotowy do dalszej pracy. Zamiast kilkunastu zakładek i plików – specjalistka MMC pracuje dziś na dwóch, trzech dobrze uporządkowanych dokumentach, z linkami i źródłami pod ręką.
To odciąża mentalnie. Zamiast walczyć z formatowaniem, można od razu skupić się na analizie.
Efekty?
- Czas pracy skrócony o ok. 50%
- Dokument gotowy w kilka godzin zamiast dwóch dni
- Więcej struktury, mniej chaosu
- Mniej klikania – więcej myślenia
To nie była rewolucja. To był mały, ale znaczący krok w stronę spokojniejszej, lepiej zorganizowanej pracy. Zespół zyskał nie tylko czas – ale i większą kontrolę nad procesem.
Case 2: Jak tworzyć spójne grafiki bez grafika
Zespół MMC odpowiada nie tylko za organizację wydarzeń, ale także za przygotowanie materiałów wizualnych, które towarzyszą ich promocji. Potrzebują grafik, które będą estetyczne, spójne i dobrze oddadzą temat – bez sięgania po typowe „stockowe” ilustracje.
Problem? W zespole nie ma dedykowanego grafika. A potrzeba tworzenia wizualnych materiałów wraca przy każdym nowym projekcie.
Podczas warsztatów przetestowaliśmy kilka narzędzi generatywnych:
- Midjourney – dawał dobre efekty, ale był zbyt skomplikowany w obsłudze,
- DALL·E – nie trafiał w oczekiwaną estetykę,
- Freepik – okazał się niespodziewanym hitem.
Freepik pozwala generować ilustracje na podstawie istniejących grafik – wystarczy wskazać przykład, który pasuje wizualnie, wgrać go jako referencję i dodać krótki opis. Na tej podstawie powstają kolejne warianty, utrzymane w tym samym stylu.
Proces okazał się prosty:
- wybór ilustracji – referencji
- dodanie promptu
- wybranie odpowiedniej grafiki
Odkrycie
Freepik – choć nie jest pierwszym wyborem profesjonalnych grafików – okazał się doskonałym narzędziem dla nie-projektantek z MMC. Idealne do tworzenia materiałów promocyjnych „na już”.
Nikt z nas nie rozważał wcześniej tego narzędzia. Ale podczas szkolenia postanowiliśmy je przetestować – i okazało się najbardziej trafione w tym kontekście.
Ostrzeżenie
Zespół zauważył też ograniczenia. Niektóre ilustracje zawierały błędy merytoryczne – detale, które laik może pominąć, ale które mogłyby zostać zauważone przez odbiorców, którymi są specjaliści branżowi. Dlatego kontrola człowieka – nie tylko pod kątem estetyki, ale również merytoryki grafik – pozostaje niezbędna.
Case 3: Jak wyciągać wnioski z transkrypcji rozmów
Zespół MMC prowadzi rozmowy z ekspertami i uczestnikami wydarzeń – to wartościowe źródło wiedzy, z którego tworzy się m.in. programy warsztatów. Rozmowy są długie, a ich analiza pochłania czas.
Zespół znalazł sposób na pierwszy krok: szybkie transkrypcje nagrań audio powstawały dzięki NotebookLM – narzędziu, które nie zostało stworzone do tej roli, ale sprawdziło się zaskakująco dobrze.
Ten etap zespół miał już przetestowany samodzielnie – jeszcze przed warsztatem. To pokazuje, że eksperymentowanie z technologią często wyprzedza formalne wdrożenia.
Wyzwaniem było jednak to, co dalej: jak z transkrypcji wydobyć istotne wątki i wnioski? Próby z ChatGPT przynosiły nierówne rezultaty. Efekty zależały od tego, kto pisał prompt, jak go formułował i na czym się skupił.
Zaproponowałem zbudowanie własnego narzędzia – CustomGPT, który miałby jedno, konkretne zadanie: przeprowadzać analizę tych rozmów, a wynik podawać w konkretnym formacie. Wspólnie spisaliśmy szczegółową instrukcję działania.
Ten GPT pełni rolę senior researchera. Jego zadaniem jest analiza plików z rozmowami researchowymi — zarówno z ekspertami, jak i z przedstawicielami grupy docelowej — dostarczanymi przez użytkownika. GPT powinien skupić się na wyciąganiu głównych zagadnień, spostrzeżeń i tematów przewijających się w rozmowach. Efektem jego pracy mają być czytelne listy najważniejszych wniosków, które będą wykorzystywane do opracowania programu wydarzenia (np. konferencji, warsztatu, spotkania branżowego). GPT ma być bardzo uważny, precyzyjny, syntetyzować informacje i wykazywać się doświadczeniem analitycznym. Nie spekuluje, bazuje wyłącznie na dostarczonych danych. Potrafi zidentyfikować ukryte potrzeby, wspólne motywy i kluczowe napięcia w wypowiedziach rozmówców. Nie używa bulletów. Tworzy zagadnienia w formie tytułów.
Narzędzie miało być dostępne dla całego zespołu – tak, aby każdy mógł z niego korzystać w jednakowy sposób, niezależnie od doświadczenia czy roli.
Efekty?
- Wnioski stały się spójne – niezależnie od tego, kto obsługiwał narzędzie,
- Proces był powtarzalny i skalowalny,
- Osoby pracujące z materiałem miały jasny punkt wyjścia – bez potrzeby tłumaczenia założeń od nowa.
Odkrycie
Czasem rozwiązanie już istnieje – tylko nikt go jeszcze nie opisał, nie udostępnił i nie wdrożył. Zespół MMC miał pomysł i częściowe rozwiązanie. Warsztaty okazały się momentem porządkowania – pomogły nazwać to, co działa i ubrać w proces.
To przykład, jak ważne jest dzielenie się wiedzą i wzmacnianie tych, którzy już tworzyą wartość – tylko potrzebują narzędzi i kultury organizacyjnej wspierającej innowację. Liderzy technologiczni są w każdym zespole, w którym jest pozwolenie na samodzielne szukanie rozwiązań.
Podsumowanie
Nie każda zmiana musi być przełomem. Czasem wystarczy odzyskać godzinę tu, dwie tam – by odzyskać oddech. Uporządkować chaos i odciążyć głowę.
Właśnie o to chodziło w tej współpracy: o małe usprawnienia, które się sumują. Zyskujemy czas, ale też jakość – a przy okazji lepsze samopoczucie w pracy. Coraz więcej badań pokazuje, że ludzie pracujący z AI czują się mniej przeciążeni i bardziej zadowoleni z efektów.
W pracy z AI nie chodziło o kolejne narzędzia. Chodziło o sposób ich użycia – dostosowany do rytmu pracy zespołu, jego kompetencji i ograniczeń. Szukaliśmy rozwiązań, które można wdrożyć tu i teraz. Takich, które nie wymagają rewolucji, ale pomagają zrobić krok w stronę bardziej zrównoważone, uporządkowanej codzienności.
