Praca na wiedzy wspomagana AI - MMC Polska

Dziewięćdziesiąt minut nagrania audio z rady programowej. Kilkanaście godzin merytorycznej pracy nad wyciągnięciem wniosków, stworzeniem notatki i szkicu programu konferencji. Zespół MMC Polska, organizator dużych wydarzeń branżowych, stanął przed pytaniem: czy da się to zrobić inaczej?

Odpowiedź brzmi: tak, w dwie godziny zamiast kilkunastu. Ale sukces nie wynikał z samej technologii – wynikał z tego, że zespół był gotowy na eksperymenty, a organizacja dała przestrzeń do nauki.

Kontekst: praca na wiedzy w złożonym środowisku

MMC Polska organizuje duże konferencje branżowe – wydarzenia, gdzie spotykają się eksperci z energetyki, samorządów, bankowości czy sektora danych. To nie są proste tematy. To zagadnienia, które wymagają głębokiego zrozumienia, znajomości kontekstu i umiejętności łączenia różnych perspektyw.

Zespół pracuje z radą programową – grupą ekspertów, którzy wspólnie budują ramy programowe konferencji. Proces wygląda tak: konsultacje, research, notatki ze spotkań, weryfikacja merytoryczna, iteracje. To typowa praca intelektualna, która dzieje się wokół treści.

Mieliśmy proste pytanie: jak można pracować efektywniej, nie tracąc na jakości? Bo jakość merytoryczna w organizacji konferencji jest kluczowa.

Zaczęliśmy od czterech spotkań. Pierwsze poświęciliśmy na słuchanie – zespół opowiadał, gdzie czuje ból, co zabiera najwięcej czasu, co chciałby zmienić. Nie przyszliśmy z gotowym rozwiązaniem.

Proces: mapowanie przed narzędziami

Pierwsze spotkanie to było rozrysowywanie mapy: jak powstają treści? Na podstawie czego? Gdzie jest research, gdzie konsultacje, gdzie praca z notatkami?

Skupiliśmy się na jednym komponencie: tworzenie ram programowych i agendy konferencji. To moment, kiedy zespół ma przed sobą mnóstwo źródeł – nagrania ze spotkań rady programowej, notatki, materiały z researchu – i musi to wszystko przetworzyć w spójną całość.

Rozrysowaliśmy proces krok po kroku. I zaczęliśmy zadawać pytania: gdzie AI mogłoby pomóc? Gdzie jest powtarzalność? Gdzie tracicie najwięcej czasu?

Okazało się, że pierwszym wyzwaniem były nagrania audio z rady programowej. 1,5 godziny rozmowy merytorycznej. Trzeba przesłuchać, wyciągnąć kluczowe wnioski, zrobić notatkę, wyłapać szczegóły, które będą ważne przy budowaniu programu. To zadanie, które zwykle zajmuje kilkanaście godzin.

Ale zanim w ogóle zaczęliśmy rozmawiać o narzędziach, natrafiliśmy na fundamentalny problem: jakość nagrania.

I tu była pierwsza lekcja – bez wysokiej jakości danych najlepsze AI nie pomoże. Można mieć najnowszy model transkrypcji, ale jeśli dźwięk jest słaby, wynik będzie rozczarowujący. Dlatego pierwszym krokiem nie było wybranie narzędzia AI. Pierwszym krokiem było zadbanie o… dobry mikrofon na spotkaniach.

Podział pracy: narzędzia, które się uzupełniają

Kiedy jakość nagrań przestała być problemem, mogliśmy zająć się właściwą pracą. I tu pojawiło się kolejne pytanie: jakie narzędzie wybrać? Nasze spotkania nie polegały na prezentowaniu listy „
najlepszych narzędzi AI”. Większość czasu warsztatów poświęciliśmy na wspólne sprawdzanie jakie wsparcie jest zespołowi faktycznie potrzebne w tym konkretnym procesie.

NotebookLM okazał się świetny do pracy z dużymi ilościami treści. Robił transkrypcję nagrań, pomagał obrabiać owoce researchu, kompresował informacje. To było jego miejsce: wstępna obórka, porządkowanie, przygotowanie materiału. Zero fantazji, zero halucynacji.

ChatGPT z kolei lepiej radził sobie z wyciąganiem wniosków i pracą merytoryczną. Kiedy trzeba było spojrzeć na skompresowane treści i odpowiedzieć na pytanie „co z tego wynika?”, działał lepiej. GPT było tym narzędziem, które rozumie niuanse i potrafi dobrze pisać.

Kluczem okazała się nie automatyzacja całości, tylko zrozumienie, kiedy które narzędzie użyć – i jak przenosić między nimi informacje tak, żeby przy okazji nie zgubić jakości.

Rola liderów AI: od eksperymentu do sukcesu

Zespół był zróżnicowany – nie wszyscy mieli taki sam poziom komfortu z nowymi narzędziami ani gotowość do eksperymentowania. Dlatego kluczowa okazała się rola liderów AI: osób z zespołu, które miały ciekawość, odwagę spróbować i chęć sprawdzania narzędzi w praktyce. Nie byli to specjaliści techniczni, raczej ludzie otwarci na eksperymenty.

Po zakończeniu serii warsztatów zespół miał czas na samodzielne sprawdzenie. Wtedy 2-osobowy team wziął zadanie, które zwykle zajmowało kilkanaście godzin i wykonał je w dwie godziny. To był ważny moment, ale nie zakończył procesu nauki.

Liderzy AI zapisali proces krok po kroku, aby pokazać go reszcie zespołu. Dzięki temu zmiana nie została punktowa. Zadaniem liderów nie było „robić szybciej niż inni”, a raczej przetrzeć szlaki – i stworzyć warunki do tego, żeby inni mogli to powtórzyć.

To wymagało przestrzeni: zgody na eksperymenty, wsparcia organizacji i akceptacji tego, że nie wszystko zadziała za pierwszym razem. Bez odpowiedniego środowiska nie ma szans na trwałą zmianę.

Współpraca, nie zastępowanie: o czym trzeba pamiętać

W trakcie spotkań pojawiły się ważne pytania. I dobrze, że się pojawiły, bo oznaczały, że zespół myśli krytycznie.

• Czy AI nie spłyca tematu?
• Czy nie omija kluczowych informacji?
• Czy nie zabiera wartości z tego, co robimy?

To były uzasadnione obawy. I szczerze mówiąc – mają pokrycie w rzeczywistości. Output AI potrafi być poprawny, ale ogólnikowy. Potrafi brzmieć dobrze, ale być niskiej jakości.

Dlatego szukamy modelu współpracy, nie automatyzacji. Człowiek zleca coś AI, ale sam dodaje do tej pracy jakość – weryfikuje, uzupełnia, nadaje sens merytoryczny.

W przypadku zespołu MMC to wyglądało tak: AI przesłuchiwało nagranie, wyciągało informacje, tworzyło pierwsze notatki. Ale to zespół decydował, co jest ważne, co wymaga doprecyzowania, co trzeba zmienić. To zespół wnosił kontekst, znajomość branży, zrozumienie problemu.

Efekt? Zadanie, które wcześniej zajmowało kilkanaście godzin, teraz trwało dwie – ale jakość się nie obniżyła.

Efekty: co się zmieniło

Dwa mierzalne efekty:

• Czas: Zadanie skrócone z kilkunastu godzin do dwóch godzin.
• Transfer wiedzy: Pierwsze sukcesy zostały udokumentowane – konkretna lista kroków, pokazanie w praktyce. To ułatwiło pozostałym osobom próby i ośmieliło do eksperymentów.

Podsumowanie

Historia zespołu MMC pokazuje, że do pracy z AI nie potrzeba wielkiego budżetu ani zaawansowanej infrastruktury. Potrzeba mapy procesu, otwartości na innowacje i kilku osób chętnych do eksperymentów.

A potem – udokumentowania pierwszych sukcesów i pokazania innym, że da się inaczej.

To case szczególnie inspirujący dla zespołów pracujących na wiedzy: tworzących treści, programy, analizy czy rekomendacje, gdzie jakość merytoryczna jest równie ważna jak szybkość.