Szkolenie AI dla małej firmy B2B: co uczyć, w jakiej kolejności

Wspólnik firmy montażowej powiedział mi na rozmowie, że każdy mail od klienta zaczyna od wklejenia opisu firmy do ChatGPT od nowa. Sam nazwał ten sposób „topornym”. Szkolenie AI w małej firmie usługowej B2B ma sens tylko wtedy, gdy prowadzi do sześciu konkretnych wdrożeń: poczta, oferty, faktury, dane o klientach, baza wiedzy i marketing. Prezentacja na Zoomie z listą narzędzi tego nie załatwi, bo w poniedziałek zespół i tak wraca do wpisywania tego samego kontekstu od nowa.

Szkolenie AI to nie kurs, to plan wdrożeń w sekwencji

Kiedy właściciel firmy usługowej pyta mnie o szkolenie AI dla firmy, w głowie ma zwykle jedną z dwóch rzeczy. Albo cały dzień warsztatu z listy narzędzi, na który zabiera zespół. Albo kurs online, który sam przeklika w wolne piątki. Oba scenariusze wyglądają jak inwestycja w rozwój, a kończą się tak samo. Zespół zna nazwy modeli, umie zrobić obrazek w midjourney i po tygodniu wraca do tego samego procesu, co przed szkoleniem.

Powód jest prosty. Wiedza bez wdrożenia paruje. Człowiek, który w piątek zobaczył prezentację o promptach, w poniedziałek dostaje trzydzieści maili do ogarnięcia i wraca do starego trybu. Nie dlatego, że jest leniwy. Dlatego, że nikt nie zaprojektował mu nowego trybu i nie usiadł z nim przy pierwszej realnej sytuacji.

Dlaczego pojedynczy warsztat nic nie zmienia

Warsztat dobrze zbudowany daje trzy rzeczy: świadomość, że coś się da, słownik pojęć i pierwsze skojarzenia z narzędziami. To wartość, ale nie zmienia dnia pracy. Zmienia dzień pracy dopiero wdrożenie w konkretnym obszarze firmy, na jej danych, w jej procesie i z jej ograniczeniami (klient X, który nie życzy sobie danych w chmurze, kancelaria, która pyta o RODO, dostawca, który przysyła PDF-y ze skanem zamiast tekstu).

Dla kogo: dla firm, w których szefowa albo szef ma czas przez sześć do ośmiu tygodni siedzieć obok wdrożenia i podejmować decyzje operacyjne. Firmy z zewnętrznym zarządzaniem, gdzie decyzje idą przez radę nadzorczą, potrzebują innego modelu (najpierw pilotaż na jednym obszarze, potem eskalacja).

Co znaczy done-with-you w praktyce

U siebie prowadzę wdrożenia w formacie done-with-you: sześć do ośmiu tygodni, ja prowadzę i konfiguruję, klient buduje razem ze mną, na swoim koncie i swoich danych. Nie robię tego za nikogo, bo wtedy know-how zostaje u mnie, a nie w firmie. Robię z klientem, żeby po zakończeniu wdrożenia sam mógł dorzucać nowe scenariusze bez oddzwaniania do mnie co drugi tydzień.

U siebie samego mam sześć obszarów obsługiwanych przez asystentów AI: poczta, oferty, faktury, dane o klientach, baza wiedzy, marketing. Pracuję solo, bez zespołu i bez agencji. To samo wdrażam u klientów, na ich kontach.

Poczta jako pierwszy obszar do uporządkowania

Zaczynam od poczty, bo tu widać efekt najszybciej i tu zespół najczęściej się zatrzymuje. Wspólnik firmy montażowej, o którym pisałem na początku, nazwał ten problem sam: „to jest taki właśnie toporny sposób, że trzeba dać mu ten cały kontekst” (chodziło o wklejanie do ChatGPT opisu firmy przy każdym mailu od nowa). Dodatkowo duża część korespondencji szła po angielsku, więc każdy mail wymagał dwóch przejść: kontekst plus tłumaczenie.

Jak wygląda skrzynka po wdrożeniu

Moja skrzynka działa tak: agent czyta wiadomości i przygotowuje wersję odpowiedzi, ja ją zatwierdzam albo poprawiam, dopiero wtedy wychodzi. Każdy obsłużony mail od razu trafia do archiwum, w skrzynce zostają tylko te, które czekają na moją decyzję. Nic nie wychodzi w świat beze mnie. Agent nie działa jak autopilot. Przygotowuje pierwszą wersję odpowiedzi, którą i tak muszę przeczytać, ale nie muszę już wpisywać kontekstu firmy, języka, tonu ani szukać poprzedniej korespondencji z tym klientem.

Dla kogo: dla firm, które dostają dziennie ponad dwadzieścia maili wymagających kontekstu (kim klient jest, co u niego robiliśmy, jaka jest cena, jaki termin). Dla firm z dwoma mailami dziennie ta konfiguracja się nie zwraca w skali miesiąca, tu wystarczą szablony w kliencie pocztowym.

Zły workflow vs dobry workflow (mail)

1. Otwierasz maila od klienta.
2. Otwierasz ChatGPT w drugiej karcie.
3. Wklejasz treść maila.
4. Piszesz „napisz odpowiedź w moim stylu, jestem firmą montażową z Polski, klient pyta o wycenę linii".
5. Kopiujesz wynik, wklejasz do maila, poprawiasz.
6. Za pół godziny kolejny mail. Zaczynasz od punktu 1.

1. Agent czyta maila w skrzynce, ma stały kontekst firmy (kim jesteśmy, co robimy, w jakich językach, w jakich cenach, jakie mamy standardowe warunki).
2. Rozpoznaje typ (nowe zapytanie, follow-up, faktura, spam, wiadomość od stałego klienta).
3. Przy zapytaniu wyciąga historię wcześniejszych kontaktów z tym adresem i firmą, wrzuca do notatki.
4. Przygotowuje pierwszą wersję odpowiedzi w języku maila, z linkami do case studies i wcześniejszych ofert.
5. Ty widzisz gotowca w folderze „do zatwierdzenia", akceptujesz albo poprawiasz, wysyłasz.

Oferty i wyceny: AI robi szkic, człowiek dokleja wagę

Drugi obszar to oferty. Ten sam wspólnik firmy montażowej opisał mi, że przy stawce godzinowej oferta jest prosta: liczba godzin razy stawka, jedna linijka. Ale przy wycenie całej instalacji (bywają oferty na milion złotych i projekty na 8 tysięcy godzin) przygotowanie zajmuje „z kilka, no nawet kilkanaście godzin całego zespołu”: jedna osoba liczy, druga sprawdza, potem rewizje, czasem wizja lokalna. Kilka wygranych i kilkanaście przegranych ofert miesięcznie robi z tego drugi etat.

Gdzie AI szybko oszczędza godziny

Szkic pierwszej wersji oferty na podstawie zapytania mailowego i archiwum wygranych ofert. Model widzi, że w podobnym projekcie sprzed pół roku były te same pozycje, więc podsuwa strukturę, listę materiałów i widełki cenowe. Człowiek nie zaczyna od pustej kartki, tylko poprawia szkic.

Poszukiwanie porównań w archiwum („czy robiliśmy kiedyś podobną linię dla producenta X, jakie były wtedy godziny, ile spaliliśmy przy montażu”). To praca, która dziś zajmuje pół dnia szperania w Drive, a z modelem to jest minuta.

Wersje językowe. Ta sama oferta po polsku, angielsku i niemiecku bez wynajmowania tłumacza za każdym razem.

Dla kogo: dla firm, które mają archiwum przynajmniej pięćdziesięciu wygranych i przegranych ofert w wersjach cyfrowych. Bez archiwum model nie ma się na czym oprzeć i szkic wychodzi ogólnikowy. W takiej sytuacji pierwsze dwa miesiące wdrożenia idą na to, żeby archiwum uporządkować.

Gdzie ostatnie słowo zostaje po stronie człowieka

Wycena ryczałtowa dużej instalacji, w której waży doświadczenie inżyniera i wynik wizji lokalnej, nie jest zadaniem dla AI. Model zrobi szkic, ale ostateczna liczba zostaje po stronie człowieka, który wie, że u tego klienta rok temu było więcej pracy, niż pokazywał rysunek. To samo dotyczy negocjacji cenowych, rabatów strategicznych i decyzji „bierzemy albo odpuszczamy”. Uczenie zespołu, gdzie kończy się rola modelu, jest częścią szkolenia równie ważną, co pokazywanie promptów.

Prompt do generowania szkicu oferty

Napisz mi ofertę dla klienta, który pyta o montaż linii produkcyjnej.

Jesteś ofertowcem w firmie zajmującej się montażem linii produkcyjnych dla przemysłu spożywczego (kontekst: 15 lat na rynku, projekty od 200 tys. do 3 mln PLN, standard rozliczenia w PLN, dwa języki ofertowe: polski i angielski).

Zadanie: przygotuj szkic oferty na podstawie poniższego zapytania i trzech ofert referencyjnych (w załączeniu).

Cel: wersja robocza dla inżyniera prowadzącego, do dopracowania po wizji lokalnej.

Struktura:
1. Podsumowanie zakresu (5 punktów, w słowach klienta).
2. Lista pozycji (montaż, materiały, dokumentacja, testy, szkolenie użytkowników).
3. Widełki godzinowe (min/max) z rozbiciem na etapy.
4. Widełki kosztowe (min/max) w PLN netto.
5. Terminy (start, wizja lokalna, dostawa, rozruch).
6. Warunki płatności (nasz standard: 30/40/30, do potwierdzenia po rozmowie).
7. Zastrzeżenia (co wymaga wizji lokalnej, co zależy od dostępności komponentów).

Ton: konkretny, techniczny, bez marketingowej otoczki. Klient jest inżynierem u siebie.

Nie wymyślaj cen ani terminów, których nie widać w ofertach referencyjnych. Jeśli czegoś brakuje, wypisz to w sekcji „Zastrzeżenia" jako pytanie do klienta.

Faktury i dane o klientach: automat plus kontroler

Trzeci obszar to dokumenty. Faktury kosztowe przepisywane ręcznie do programu księgowego są klasykiem w firmach usługowych: sześćdziesiąt do stu dokumentów miesięcznie, każdy przez cztery minuty w Optimie albo iFirmie. Z tego wychodzą dwa dni robocze na przepisywanie tego samego.

Faktury: co można oddać automatowi

U siebie faktury kosztowe z zagranicy zbiera aplikacja, która czyta skrzynkę i codziennie o 6:30 wysyła dokumenty do systemu księgowej. Polskie faktury nie idą tą drogą, bo wchodzą przez KSeF, a wysyłka mailem robiłaby duplikat. Osobny skrypt 1. i 7. dnia miesiąca sprawdza, czy nic nie zginęło. To jest właśnie ten „drugi automat” pilnujący pierwszego. Bez zabezpieczeń (ten sam PDF w kilku skrzynkach, paragon dosłany obok faktury, faktura na inny podmiot) w lipcu 2026 do księgowej poszło u mnie 6 błędnych dokumentów.

Ta historia mówi jedną ważną rzecz: automatu nie stawia się i nie zostawia w spokoju. Automat wymaga drugiego automatu do kontroli i ludzkiego oka co miesiąc. Stripe i Meta nie wysyłają PDF mailem, tylko link, więc te dwa nadal pobieram ręcznie. Uczenie zespołu, co można oddać, a czego nie, jest ważniejsze od uczenia obsługi konkretnej platformy.

Dla kogo: dla firm z minimum trzydziestoma fakturami kosztowymi miesięcznie i biurem księgowym, które przyjmuje wsad automatyczny (kropkowany plik CSV albo import przez API). Firmy z jedną, dwiema fakturami tygodniowo mogą zostać przy załączaniu do folderu w Drive.

Dane o klientach: koniec pamięci wspólników

Ten sam wspólnik firmy montażowej powiedział mi wprost o CRM w firmie: „bardzo prymitywny”, tablica w Trello, reszta w pamięci („część się pamięta, aczkolwiek to jest bardzo zawodne”). Zapytania o statystyki („ile ofert miesięcznie zamieniamy w zlecenia”) kończyły się zdaniem „nie zbieramy takich danych, a to by się na pewno przydało”. Formularz na stronie łapie głównie spam, prawdziwe zapytania przychodzą mailem.

Wdrożenie nie zaczyna się od wyboru CRM, tylko od odpowiedzi na trzy pytania: kto pyta, w jakiej sprawie, co obiecaliśmy. Reszta narzędzi wychodzi z tego.

Dla kogo: dla firm, w których dwie osoby prowadzą sprzedaż i obie noszą po dziesięć rozmów tygodniowo w głowie. Dla firmy z jedną osobą i pięcioma leadami miesięcznie wystarczy Notion i cotygodniowy przegląd na jednym ekranie.

Baza wiedzy: dlaczego urlop właściciela zatrzymuje firmę

W firmie usługowej urlop właściciela zatrzymuje firmę wtedy, kiedy procedury i wiedza o klientach siedzą w głowach wspólników. Baza wiedzy dla AI zaczyna się od tego, że opisujesz raz, jak coś robicie, i dokładasz do wspólnego folderu. Nie chodzi o encyklopedię, tylko o odpowiedzi na dwadzieścia najczęściej powtarzanych pytań („jak wystawiamy fakturę korygującą”, „jak zakładamy nowego klienta w systemie”, „co robimy, gdy klient nie odpowiada dwa tygodnie”). Model dopyta zespół w chwili, gdy właścicielka jest na wakacjach.

Zły prompt vs dobry prompt: co uczyć zespół

Największa różnica między firmą, w której AI „nie działa”, a firmą, w której działa, tkwi w promptach. Model, cena subskrypcji, wybór platformy grają rolę drugorzędną. Decyduje sposób, w jaki ludzie rozmawiają z modelem. To jest ta część, której faktycznie trzeba uczyć zespół.

Trzy rzeczy, których brakuje w złych promptach

Rola: kim jest model w tej rozmowie. Ofertowcem, redaktorem, księgową, prawnikiem od RODO. Bez tego wszystko idzie po średniej.

Kontekst: kim jesteśmy my, kim jest klient, jaka jest sytuacja. Najważniejszy element, o którym prawie nikt nie pamięta.

Format i cel: co ma powstać (mail 120 słów), po co (zaprosić na demo), z jednym CTA. Bez tego model produkuje esej.

Prompt do research klienta przed rozmową

Sprawdź mi tę firmę: nazwafirmy.pl. Co robią.

Jesteś researcherem przygotowującym mnie do 30-minutowej rozmowy sprzedażowej.

Kontekst: robię wdrożenia AI dla małych firm usługowych B2B (poczta, oferty, faktury, dane o klientach). Cena wdrożenia 5 do 7 tys. PLN, sześć do ośmiu tygodni pracy done-with-you.

Klient: nazwafirmy.pl. Rozmowa o 11:00, poznaliśmy się na LinkedInie.

Cel: pomóc mi w piętnastu minutach zrozumieć, co u nich boli i czy pasujemy.

Zwróć:
1. Co firma robi (jedno zdanie, po polsku, w słowach klienta).
2. Skala (zatrudnienie, obszar działania, jeśli publicznie widać).
3. Trzy najbardziej prawdopodobne bóle na podstawie strony i LinkedIna.
4. Dwa pytania, które mam zadać w pierwszych pięciu minutach, żeby zweryfikować bóle.
5. Czerwone flagi (branża, w której moje wdrożenie nie zadziała, np. ochrona zdrowia z tajemnicą lekarską).
6. Jedno zdanie „dla kogo" (czy pasujemy, tak/nie, uzasadnienie).

Trzymaj się tego, co widać publicznie. Jeśli czegoś nie znajdziesz, napisz „nie znalazłem" zamiast zgadywać.

Prompt do maila w Twoim głosie

Napisz maila do klienta o nowym produkcie.

Jesteś senior marketerem B2B (kontekst: SaaS dla małych firm usługowych, moja firma zajmuje się wdrożeniami AI).

Zadanie: napisz email do warm leada (zostawił dane na webinarze 7 dni temu, otworzył dwa maile z sekwencji, nie odpisał).

Cel: zaprosić go na demo 30 minut. Nie sprzedaję jeszcze programu, sprzedaję rozmowę.

Ton: konsultant, spokojny, konkretny. Nie zaczynaj od „mam nadzieję, że mail Cię zastaje w dobrym momencie". Zacznij od jednego zdania, które nawiązuje do konkretnej rzeczy z webinaru („na Q&A pytałeś o skrzynkę").

Format: 80 do 120 słów, jeden CTA z linkiem, P.S. z dowodem (jednym zdaniem, np. „ostatnio wdrażałem to u klientki z kursami dla psychologów, jej lejek zrobił zwrot z reklam 2,55 raza w miesiąc").

Nie wymyślaj liczb i case studies. Jeśli nie masz danych, pomiń P.S.

Gdzie AI nie ma sensu (i lepiej odpuścić)

Jedno z pytań, które pada u mnie na każdej rozmowie o wdrożeniu, brzmi: „gdzie AI nie ma sensu”. To dobre pytanie i chętnie na nie odpowiadam, bo wpychanie AI wszędzie kosztuje więcej niż rozsądny wybór trzech obszarów. Właściciel firmy usługowej powiedział mi wprost: „nie chcę tego robić na siłę, żeby wpychać AI tam, gdzie nie ma takiej potrzeby”. Ta myśl weszła u mnie do standardu rozmowy.

Duże wyceny ryczałtowe i decyzje strategiczne

Wycena ryczałtowa dużej instalacji, w której waży doświadczenie inżyniera i wynik wizji lokalnej, jest gorsza po wdrożeniu AI, bo młodszy pracownik nabiera fałszywej pewności („model to policzył, chyba dobrze”). Model zrobi szkic, ale ostatnie słowo należy do kogoś, kto rozumie klienta, jego infrastrukturę i historię projektu.

Zadania raz na kwartał

Jeśli zadanie zajmuje kwadrans co trzy miesiące, wdrożenie zje więcej czasu, niż odda. Rachunek: konfiguracja i szkolenie zespołu to co najmniej pół dnia, obsługa awarii i drobne poprawki to kolejne dwie godziny miesięcznie, uaktualnianie promptów co pół roku. To wszystko oddajesz kwartał w kwartał, żeby zaoszczędzić kwadrans na kwartał. Nie sumuje się.

Dla kogo automatyzacja się zwraca: rzecz robiona codziennie albo tygodniowo, powtarzalna, oparta na tekście albo strukturach danych. Zadanie raz w miesiącu na piętnaście minut jest granicą. Wszystko poniżej odpuść.

Obszar bez historii danych

To najczęstsza pułapka. Firma zaczyna nowy produkt, nie ma jeszcze klientów w tym obszarze, i chce, żeby AI robiła prognozy sprzedaży. Bez archiwum ofert, korespondencji albo dokumentów model nie ma się na czym oprzeć. Wtedy pierwszy miesiąc wdrożenia idzie na zbieranie danych, a nie na model. Uczenie zespołu, żeby rozpoznawał sytuację „brak danych, brak wdrożenia”, oszczędza firmie kilka fałszywych startów.

Bezpieczeństwo i RODO: co można wrzucić do chmury

Ostatnia obawa, którą słyszę na każdej rozmowie, dotyczy danych klientów. „Nie chcę wrzucać ich do chmury”. Rozumiem to, sam mam podobne odruchy. Trzeba jednak oddzielić emocje od faktów.

Trzy warstwy decyzji

Dane osobowe i wrażliwe (RODO): PESEL, adresy, dane zdrowotne, dane finansowe. Nie wrzucaj do publicznego ChatGPT bez umowy DPA i pseudonimizacji. OpenAI oferuje umowy DPA dla planów Team i Enterprise. Sprawdź politykę prywatności OpenAI dla API i Enterprise, bo dane w ChatGPT Free i Plus mogą być domyślnie użyte do treningu (opcja do wyłączenia w ustawieniach).

Dane firmowe niewrażliwe (wewnętrzne procedury, oferty, korespondencja techniczna): można wrzucać, pod warunkiem wyłączenia treningu na Twoich danych i zawarcia umowy DPA.

Dane publiczne (strona firmy, katalog produktów, referencje ze zgody klientów): bez ograniczeń.

Pseudonimizacja jako pierwszy krok

Zamiast wrzucać do modelu „klient Jan Kowalski, PESEL 91092312345, adres Warszawa Kwiatowa 7”, wrzucasz „klient A, mężczyzna 30-40 lat, Warszawa”. Model zrobi tę samą pracę, a Twoja firma nie ma problemu z RODO. Uczenie zespołu tej jednej zasady załatwia 80 procent obaw właściciela.

Dla kogo lokalne modele: dla firm, które przetwarzają dane wrażliwe (kancelarie prawne, gabinety lekarskie, biura księgowe z pełnymi PESEL-ami klientów) albo mają w umowach z klientami zakaz przekazywania danych do państw trzecich. Wtedy warto rozważyć modele uruchamiane u siebie (na własnym serwerze). Dla większości małych firm usługowych chmura z DPA plus pseudonimizacja wystarcza.

AI Act i obowiązek oznaczania

Od 2 sierpnia 2026 obowiązuje wymóg oznaczania treści generowanych przez AI, gdy wyglądają jak realne. Dotyczy grafik, wideo, głosu i deepfake’ów. Jeśli używasz AI do produkcji zdjęć produktowych albo wideo z „przedstawicielem firmy”, potrzebujesz jasnej informacji, że to materiał wygenerowany. Sprawdź tekst AI Act w Dzienniku Urzędowym UE, żeby wiedzieć, co konkretnie obejmuje Twoją firmę.

Szkolenie AI kończy się dobrze wtedy, gdy w firmie zamiast slajdów z listą narzędzi pojawia się sześć folderów w Google Drive: „poczta”, „oferty”, „faktury”, „dane o klientach”, „baza wiedzy”, „marketing”. W każdym siedzi automat, który ktoś od tego zespołu skonfigurował, przetestował na trzech przypadkach i pilnuje raz w miesiącu. Poniedziałek po szkoleniu wygląda inaczej niż piątek przed.