Wykorzystanie AI i automatyzacji w doradztwie biznesowym w obszarze cyfrowym

W zeszłym tygodniu społeczność Digital Marketing Malaga zaprosiła mnie do przedstawienia naszego przypadku, czyli procesu, który zastosowaliśmy w projektach doradztwa biznesowego w obszarze cyfrowym w Disruptivos aby dostosować się do nadejścia AI, które — jak w każdej branży — wywołało wielką (r)ewolucję.

Prezentacja poszła całkiem dobrze, ale prawdę mówiąc, spodziewałem się tego, bo jestem bardzo zadowolony z procesu, który przeszliśmy, i z osiągniętych wyników. Przede wszystkim dlatego, że zbudowaliśmy fundamenty potrzebne do dalszego rozwoju bez konieczności zaczynania od zera.

Jeśli zajmujesz się jakimkolwiek doradztwem — cyfrowym lub nie — zobaczysz, że 80% tego, o czym mówię, da się zastosować w twoim biznesie, dlatego chcę tutaj podsumować najważniejsze punkty prezentacji.

Powody, dla których warto korzystać z AI i automatyzować procesy

Są oczywiste powody, jak zaraz zobaczysz, ale kiedy naprawdę zaczęliśmy analizować, co chcemy osiągnąć dzięki AI, zdaliśmy sobie sprawę, że oszczędność czasu jest tylko jedną z korzyści.

Co więcej, niektóre korzyści, które dziś uważam za najważniejsze, mają mniej wspólnego z szybszym wykonywaniem konsultingu, a więcej z robieniem go lepiej i przede wszystkim w bardziej spójny sposób.

Pytanie, od którego wszystko się zaczyna: czy AI naprawdę daje nam wyniki, których chcemy?

ChatGPT daje nam zaskakujące rezultaty. Przygotowywałeś dobry prompt, dodawałeś trochę kontekstu i po kilku sekundach miałeś analizę, propozycję albo dokument, który wcześniej wymagałby znacznie więcej czasu.

Problem pojawiał się wtedy, gdy próbowałeś wykorzystać ten wynik w realnym projekcie. 

Często jakość była niewystarczająca, brakowało głębi, jedne odpowiedzi były lepsze od innych, a rezultat zbyt mocno zależał od tego, jak sformułowałeś prompt lub jakie informacje dodałeś.

Dlatego ostatecznie zmieniliśmy pytanie. Zamiast po prostu zastanawiać się, jak moglibyśmy używać więcej AI, zaczęliśmy pytać, co musimy zmienić w naszych procesach, aby AI dawała nam wyniki, których naprawdę potrzebujemy.

Ta zmiana może wydawać się niewielka, ale dla mnie jest podstawą wszystkiego, co zrobiliśmy później. 

Korzystanie z AI jest bardzo łatwe. Włączenie jej do profesjonalnego, powtarzalnego procesu z jasno określonymi standardami jakości jest znacznie trudniejsze.

Oszczędność czasu to tylko najbardziej oczywisty powód

Pierwsza korzyść z automatyzacji jest oczywista: oszczędność czasu. Doradztwo obejmuje znaczną ilość wyszukiwania informacji, zbierania danych, wstępnych analiz, tworzenia dokumentów i zadań administracyjnych, które są potrzebne, ale nie muszą być wykonywane ręcznie przez człowieka od początku do końca.

Co więcej, nie powinny.

Bo jeśli uda nam się skrócić zadanie, które wcześniej zajmowało cztery godziny, do jednej godziny, zyskujemy trzy dodatkowe godziny na inne rzeczy. Pomnożone przez wszystkie etapy projektu ma to duży wpływ.

Ale jest jedna ważna kwestia: oszczędność czasu nie mogła odbywać się kosztem jakości. Jeśli zadanie zajmuje o połowę mniej czasu, ale wynik jest gorszy, dla nas nie jest to realna poprawa.

Dlatego najważniejsze jest oszczędzać czas przy zachowaniu tego samego poziomu jakości.

Standaryzacja jakości wszystkich projektów doradczych

To prawdopodobnie powód, który największe znaczenie ostatecznie miał dla mnie.

Gdy kilka osób prowadzi projekty doradcze, różnice są nieuniknione. Jeden konsultant może być szczególnie dobry w technicznym SEO, a inny znacznie głębiej wchodzić w link building. Jeden może przygotowywać niezwykle szczegółowe dokumenty, a drugi być o wiele bardziej bezpośredni.

To nie jest złe per se, bo najlepiej jest wykorzystywać doświadczenie każdej osoby, ale może stać się problemem, gdy głębokość i jakość usługi zaczynają za bardzo zależeć od konsultanta realizującego projekt.

Chcieliśmy osiągnąć dokładnie odwrotny efekt. Jeśli klient zamawia doradztwo biznesowe w obszarze cyfrowym w Disruptivos, powinien otrzymać określony poziom szczegółowości i spójności niezależnie od tego, kto realizuje projekt.

Tutaj AI i automatyzacja mogą nam bardzo pomóc, ponieważ z góry możemy określić, jakie elementy trzeba sprawdzić, jakie KPI przeanalizować, jakiej dokumentacji użyć i jakiego minimalnego poziomu szczegółowości oczekujemy w każdym obszarze.  

Później oczywiście konsultant może rozszerzyć, ocenić i zmienić wszystko, co uzna za stosowne, ale istnieje wspólna baza którą muszą spełniać wszystkie projekty.

Zostawić konsultantowi pracę, która naprawdę tworzy wartość

Wartość konsultanta polega przede wszystkim na jego osądzie. Na rozumieniu biznesu, wiedzy, które informacje są ważne, a które nie, kwestionowaniu wniosków, dostrzeganiu rzeczy, które się nie zgadzają, ustalaniu priorytetów i decydowaniu, co ma sens przy rzeczywistych ograniczeniach klienta.

Polega też oczywiście na relacji z klientem. Są rzeczy, których nie widać w Analytics, Search Console ani w CRM i które rozumiesz dopiero po rozmowie z ludźmi znającymi biznes.

Dlatego nigdy nie chodziło nam o to, by AI prowadziła konsulting, lecz by przejmowała część pracy wstępnej, powtarzalnej lub mechanicznej, dzięki czemu konsultant może poświęcić więcej czasu właśnie na to, gdzie jego doświadczenie daje największą wartość.

Pomagać nowym konsultantom bez ciągłego polegania na seniorach

Jest jeszcze inny problem, który pojawia się, gdy zespół zaczyna rosnąć albo gdy przenosisz kogoś do innego projektu. W pierwszych dniach lub tygodniach taka osoba musi zadawać pytania praktycznie bez przerwy, ponieważ nie ma pełnego kontekstu.

• Gdzie znajduje się dokument.
• Którego szablonu należy użyć.
• Kto odpowiada za dany obszar.
• Jakie KPI trzeba przeanalizować.
• Jak jest zbudowany konkretny materiał końcowy. 

To całkowicie normalne, ale ma dość oczywistą konsekwencję: żeby jedna osoba mogła iść do przodu, druga musi stale przerywać swoją pracę.

I właśnie tutaj wchodzi AI, ponieważ może stać się warstwą wiedzy o projekcie i samej firmie. Jeśli metodologia, procesy, szablony, osoby odpowiedzialne i dokumentacja są dobrze uporządkowane, wiele z tych pytań można rozwiązać bezpośrednio, bez ciągłego zwracania się do innego konsultanta.

To nie zastępuje szkolenia, tylko ogranicza wiele przerw, które nie tworzą wartości, i pomaga nowej osobie szybciej stać się samodzielną.

Metodyka doradcza Disruptivos

Najpierw trzeba wyjaśnić, że choć proces realizacji się zmienił, framework czy metodyka doradcza firmy pozostały takie same. Są dokładnie takie same przed i po AI. Jeśli jesteś konsultantem, prawdopodobnie wyda ci się to znajome albo podobne do tego, co już robisz.

Trzy etapy konsultingu

Naszą metodykę można podsumować w trzech głównych etapach: zrozumieć, pomyśleć i zrobić.

Pierwszy polega na zrozumieniu biznesu. Analizujemy firmę, jej liczby, propozycję wartości, technologię i cele, audytujemy jej kanały i zasoby cyfrowe, a następnie uzupełniamy to badaniem rynku, analizą popytu i analizą konkurencji.

Potem przychodzi etap myślenia. Na podstawie wszystkich tych informacji budujemy plan strategiczny który zasadniczo powinien odpowiedzieć na trzy pytania: co trzeba zrobić, w jakiej kolejności i kto powinien to zrobić.

Trzeci etap to wdrożenie. Nie wszystkie projekty dochodzą do tego miejsca, ponieważ część kończy się przekazaniem planu strategicznego i klient realizuje go samodzielnie, a w innych nadal pracujemy nad wdrożeniem proponowanych usprawnień.

Rozłożenie całego procesu na części

Po wyjaśnieniu metodologii kolejnym krokiem było jej rozłożenie na części.

Nie wystarczyło powiedzieć, że robimy audyt SEO, analizę rynku czy propozycję strategiczną. Zeszliśmy kilka poziomów niżej — później rozbijaliśmy to jeszcze bardziej — i otrzymaliśmy 6 kroków z kilkoma kamieniami milowymi w każdym z nich.

Dla każdego kamienia milowego odpowiedzieliśmy na trzy bardzo proste pytania: ile czasu zajmuje nam obecnie, jaką część można zautomatyzować i ile czasu powinien zajmować po automatyzacji. Pierwsze mieliśmy policzone, pozostałe dwa były szacunkami, które trzeba było przetestować w realnych projektach.

I właśnie wtedy pojawiła się jedna z najważniejszych myśli, które warto zapamiętać z całego tego procesu: jeśli proces istnieje tylko w twojej głowie, nie jesteś jeszcze gotowy, żeby go automatyzować.

Najpierw trzeba go zapisać, podzielić i wyjaśnić, jak działa. W przeciwnym razie przy automatyzacji zaczniesz odkrywać wyjątki, decyzje i drobne kroki, które dla doświadczonej osoby mogą być intuicyjne, ale nigdy nie zostały przez ciebie udokumentowane.

I których w związku z tym nowy konsultant ani AI nie potrafią prawidłowo przetworzyć.

Stopnie automatyzacji

Nie wszystkie zadania można automatyzować w takim samym stopniu.

Na przykład znaczną część badań rynku można zautomatyzować. Możemy zbierać wolumeny wyszukiwań, trendy i publiczne informacje branżowe albo analizować część cyfrowej obecności konkurentów bez konieczności wykonywania całej pracy ręcznie.

W innych obszarach ten udział jest znacznie mniejszy. Na przykład heurystyczne analizy CRO nadal wymagają bardzo dużej dawki ludzkiego osądu.

Niektóre zadania administracyjne, takie jak tworzenie struktur folderów czy projektów w Asana, można zautomatyzować niemal całkowicie.

Dlatego automatyzacji nie można traktować jako wszystko albo nic. Są procesy, w których można zautomatyzować 80%, i takie, w których ma sens tylko 20%, i absolutnie nie ma w tym nic złego.

I pamiętaj, co mówiliśmy wcześniej: pytanie nie brzmi, czy zadanie można całkowicie zautomatyzować, lecz którą część warto zautomatyzować bez pogarszania rezultatu.

Nasze wyniki

Gdy zsumowaliśmy średni czas poświęcany wcześniej na wszystkie zadania w projekcie doradztwa biznesowego w obszarze cyfrowym, typowy projekt zajmował około 80–100 godzin pracy.

Po przeanalizowaniu potencjału automatyzacji w każdym obszarze teoretyczne wyliczenie dawało około 38 godzin. Na papierze była to ogromna redukcja — praktycznie zejście poniżej połowy pierwotnego czasu.

Rzeczywistość jeszcze do tego poziomu nie doszła.

Obecnie jesteśmy bliżej 50 godzin, co nadal oznacza niemal skrócenie czasu potrzebnego wcześniej o połowę. Przy zachowaniu naszych standardów jakości, które, jak mówiłem wcześniej, nie podlegały negocjacjom.

I nie jest to 38 godzin, bo procesy mają wyjątki, pojawiają się błędy, klienci się różnią, a nie wszystkie integracje działają idealnie. Automatyzacja idealnej ścieżki może być nawet stosunkowo prosta, ale zautomatyzowanie wszystkiego, co może pójść nie tak, jest praktycznie niemożliwe. I nie warto tego robić.

Wynik jest dobry. A co ważniejsze, mamy teraz bazową strukturę, którą możemy dalej ulepszać zamiast polegać wyłącznie na dodawaniu kolejnych promptów czy narzędzi.

Systemy i narzędzia, które budujemy

Gdy zdefiniowaliśmy proces i zrozumieliśmy, które części warto automatyzować, zaczęliśmy budować narzędzia.

Na początku było nam obojętne, czy rozwiązaniem okaże się GPT, przepływ w n8n, agent czy własna aplikacja. Najpierw musieliśmy dokładnie określić zadanie lub proces do rozwiązania, a dopiero potem dobrać odpowiednie narzędzie.

Nasz rzeczywisty cel był bardzo konkretny i być może trochę inny, niż się spodziewasz, ale bardzo dobrze określał to, do czego dążyliśmy: ułatwić życie każdemu nowemu konsultantowi bez obniżania naszych standardów.

Najpierw: udokumentować procesy, metryki, KPI i szablony

Aby to osiągnąć, musieliśmy udokumentować cały proces doradczy znacznie dokładniej niż wcześniej, gdy rozbijaliśmy metodologię. Każdy blok zamienił się w konkretne zadania z instrukcjami, powiązanymi dokumentami i szablonami wyjaśniającymi, jak należy je wykonywać.

Następnie zrobiliśmy to samo z metrykami i KPI.

Mamy różne poziomy doradztwa i w zależności od projektu wiemy, jakie dokładnie metryki powinny być analizowane w każdym obszarze biznesu cyfrowego, takim jak SEO, CRO, paid media, e-mail czy content. Konsultant może dodać wszystko, co uzna za potrzebne, ale istnieje minimalna baza, którą musi sprawdzić i która jest standardem we wszystkich projektach doradczych.

To samo dotyczy samych audytów. Stworzyliśmy szablony, aby zamiast po prostu prosić AI, żeby „zrobiła audyt”, przekazać jej używaną przez nas strukturę, obszary do analizy i rodzaj informacji, których oczekujemy.

Kolejna kluczowa rzecz, którą warto zapamiętać: nie pozwalamy AI decydować, jak wygląda dobra usługa doradcza. Najpierw sami definiujemy standard, a potem sprawiamy, że AI pracuje w jego ramach.

Wybór stopnia automatyzacji: trzy podejścia

Od tego momentu możemy wybierać różne stopnie automatyzacji.

Pierwsze i najprostsze podejście polega na używaniu AI jako asystenta. Może to być niestandardowy GPT, Gem, projekt z określonymi instrukcjami albo podobne narzędzie, któremu przekazujemy naszą metodologię i dokumentację.

To opcja z najmniejszą automatyzacją, ale również taka, która najszybciej pozwala osiągnąć wyniki bez konieczności budowania zbyt wielu rzeczy.

Drugi poziom polega na automatyzowaniu zadań przez łączenie różnych narzędzi. Tutaj pojawiają się systemy takie jak n8n, w których możemy automatycznie przekazywać informacje z jednej aplikacji do drugiej, włączać modele AI w określone części procesu i zachować ludzką walidację tam, gdzie jest potrzebna.

A trzeci poziom polegałby na zbudowaniu kompletnego systemu — za pomocą agentów albo własnego SaaS z front-endem i back-endem.

Kiedy zaczynaliśmy nad tym pracować, agenci byli mniej rozwinięci niż dziś, dlatego skupiliśmy się głównie na dwóch pierwszych ścieżkach. Gdybyśmy zaczynali dziś od zera, prawdopodobnie znacznie dokładniej przeanalizowalibyśmy architekturę opartą na agentach, choć nadal uważam, że najpierw warto zweryfikować każdą część procesu, zanim zbuduje się ogromny system.

Narzędzia, które stworzyliśmy

Z całego tego procesu powstały różne narzędzia i eksperymenty. Niektóre już działają, inne nadal się rozwijają, a kilka prawdopodobnie mocno zmieni się w nadchodzących miesiącach.

Najciekawsze nie jest konkretne narzędzie, którego używamy, bo za dwa lata wiele z nich prawdopodobnie będzie innych, lecz jaki problem każde z nich rozwiązuje w ramach procesu.

Oráculo: baza wiedzy dla każdego projektu

Jedną z pierwszych rzeczy, które stworzyliśmy, było to, co wewnętrznie nazywamy Oráculo.

Nazwa może brzmieć bardziej zaawansowanie, niż jest w rzeczywistości. W praktyce chodzi o bazę wiedzy zawierającą informacje potrzebne do pracy nad projektem: 

1. Kontekst projektu.
2. Komunikacja z klientem.
3. Nasze materiały końcowe (audyty, przewodniki…)
4. Informacje z naszego narzędzia do zarządzania projektami.
5. Miesięczny raport KPI.

Wszystko to w systemie AI, aby konsultant mógł zadawać mu pytania.

Dowolne.

W rzeczywistości przy takich źródłach trudno mieć pytanie, na które Oráculo nie odpowiedziałoby dobrze.

Mamy jedno Oráculo na klienta i kolejne dla każdego osobnego projektu, dzięki czemu każdy nowy konsultant może łatwo się zorientować.

Oczywiście działa to tylko wtedy, gdy informacje wejściowe są dobrze uporządkowane i aktualne; wrzucenie nieuporządkowanej dokumentacji do AI nie sprawia magicznie, że staje się uporządkowana.

Automatyzacja zarządzania projektem z n8n, Drive i Asana

Innym przykładem jest przepływ, który stworzyliśmy w n8n, aby zautomatyzować część warstwy zarządzania projektami.

Gdy dział sprzedaży zamyka projekt, tworzy raport według określonej struktury. Konsultant musi tylko skopiować te informacje i przekazać je do przepływu, gdzie używamy węzła AI do ich interpretacji i automatycznego przygotowania zarówno struktury folderów i dokumentów w Google Drive, jak i odpowiedniego projektu oraz zadań w Asana.

Przed utworzeniem czegokolwiek system pokazuje informacje i prosi konsultanta o zatwierdzenie. Jeśli coś jest nieprawidłowe, możemy to zmienić przed uruchomieniem reszty procesu.

To rozwiązanie nauczyło nas jeszcze jednej ważnej rzeczy: automatyzacja, gdy wszystko działa poprawnie, jest stosunkowo łatwa, ale obsługa błędów i wyjątków jest znacznie trudniejsza.

Człowiek intuicyjnie stosuje mnóstwo drobnych reguł, często nawet nie zdając sobie sprawy, że to robi. Gdy automatyzujesz proces, wszystkie te reguły muszą być zapisane, a system musi wiedzieć, co zrobić, gdy coś nie pasuje do oczekiwanego przypadku.

Asystent konsultanta

Inne narzędzie, które budujemy, ma trochę inny cel: służyć jako asystent podczas samej pracy doradczej.

Chodzi o to, aby osoba mogła podać rodzaj biznesu i najważniejsze KPI, a system pomagał jej wykrywać, co należy sprawdzić i gdzie mogą występować problemy.

W tym celu system musi znać KPI, które uznajemy za istotne, oraz pracować z publicznymi benchmarkami i informacjami wewnętrznymi, które pozwolą mu dostarczać kontekst i oceniać metryki.

Nie chcemy, by asystent podejmował decyzje za konsultanta, tylko by podpowiadał i ograniczał pracę potrzebną do dotarcia do punktu, w którym zaczyna się naprawdę kluczowa część analizy.

Tworzenie pierwszego szkicu audytu z AI

Następny krok polega na wykorzystaniu wszystkiego powyżej do wygenerowania pierwszego szkicu audytu.

Używamy szablonów projektowych dla Claude Code, Codex lub Antigravity, przygotowanych specjalnie dla danego obszaru, z naszą metodologią, szablonami i instrukcjami, tak aby AI mogła wygenerować pierwszą wersję dokumentu audytowego na podstawie dostępnych informacji, które jej przekazujemy.

Już testujemy to podejście w obszarach takich jak SEO, choć nadal jest w fazie rozwoju.

Jedna rzecz: wygenerowanie pierwszego szkicu nie oznacza wygenerowania finalnego materiału.

Konsultant nadal musi przejrzeć, zredagować, uporządkować i ustalić priorytety szkicu. AI może sprawić, że zacznie pracę od dokumentu gotowego już w 50%, 60% czy innym odpowiednim stopniu, zamiast zawsze zaczynać od pustej strony.

Taki jest cel: nie zastąpić konsultanta, lecz dać mu znacznie lepszy punkt wyjścia.

Wnioski i małe ćwiczenie

Po całym tym procesie jest kilka rzeczy, które polecam zapamiętać.

Pierwsza jest taka, że automatyzacja nie polega po prostu na oszczędzaniu czasu. Udokumentowanie metodologii, zdefiniowanie standardów i ustalenie, co powinno wydarzyć się w każdej sytuacji, jest ważniejsze niż wybór narzędzia, które później wykona proces.

Druga jest taka, że nie istnieje jedno rozwiązanie do wszystkiego. Czasami wystarczy dobry prompt, innym razem ma sens stworzenie niestandardowego GPT, w niektórych przypadkach potrzebujemy n8n, a w innych skończymy na budowie agenta lub nawet kompletnej aplikacji.

Potrzebujesz wiedzieć, jakie rodzaje narzędzi istnieją i które najlepiej pasuje do problemu, który chcesz rozwiązać.

Trzecia dotyczy roli konsultanta. Im tańsza i szybsza staje się realizacja, tym większą wartość będą miały osąd, zdolność podejmowania decyzji, zarządzanie i relacja z klientem.

I jest jeszcze czwarta, ostatnia konsekwencja, o której nie wszyscy pamiętają: AI ogromnie rozszerza to, co może zrobić jedna osoba.

Specjalista od marketingu, który wcześniej nie potrafił stworzyć małego narzędzia, bo nie umiał programować, teraz może to zrobić. Osoba specjalizująca się w CRM może tworzyć automatyzacje, które wcześniej wymagałyby programisty, a osoba biznesowa może prototypować rozwiązania, których wcześniej nawet nie rozważałaby zbudować.

Nie oznacza to, że wszyscy staliśmy się programistami, projektantami czy analitykami, lecz że bariera wykonania spadła tak bardzo, że coraz ważniejsze będzie wiedzieć co chcemy zbudować, dlaczego i jak powinno to działać a nie tyle umieć to zbudować, ponieważ AI zrobi to za nas przy odpowiednich instrukcjach.

Na zakończenie artykułu i prezentacji zostawiam ci bardzo proste ćwiczenie, które moim zdaniem warto wykonać.

Pomyśl o zadaniu, które regularnie wykonujesz w pracy, i zadaj sobie pytanie, której części tego zadania mógłbyś przestać wykonywać ręcznie w ciągu sześciu miesięcy. 

Następnie pomyśl, czego potrzebujesz, aby to osiągnąć: może narzędzia, kilku godzin na udokumentowanie procesu, pomocy innej osoby albo po prostu nauczenia się, jak działa określona technologia.

W ten sposób zrobisz już pierwszy krok na drodze do automatyzacji.

Jeśli chcesz zrobić drugi, wybierz coś konkretnego, co możesz przetestować jeszcze w tym tygodniu w realnym projekcie. 

Właśnie tak zaczniesz odkrywać, jak naprawdę może się zmienić twój sposób pracy.