Założyciel firmy AI rozwijającej autonomiczny biznes wyjaśnia, jak tworzyć agentowe przepływy pracy na potrzeby realizacji projektów i obsługi klienta
Amos Bar Joseph to seryjny przedsiębiorca, który wyciągnął wnioski z wcześniejszych błędów związanych z tradycyjnym zarządzaniem projektami, strategiami wejścia na rynek i modelami biznesowymi. W rezultacie jego najnowsza firma, Swan AI, staje się w pełni autonomiczna. Oznacza to, że AI będzie realizować projekty — i praktycznie wszystko inne.
Amos Bar Joseph
Dyrektor generalny Swanai
Od planowania do szybkości podejmowania decyzji: Tradycyjne zarządzanie projektami koncentruje się w dużej mierze na planowaniu, dokumentacji i koordynacji. Amos pokazuje, że w biznesie opartym przede wszystkim na AI realizacja zadań staje się tania i szybka, więc prawdziwym wąskim gardłem jest to, jak szybko rozpoznajesz wzorce i podejmujesz decyzje.
Autonomiczne przepływy pracy: Swan AI zrezygnowało ze spotkań dotyczących statusu, długich planów projektów, wieloetapowych ścieżek zatwierdzania i kwartalnych przeglądów — zastępując je aktualizacjami asynchronicznymi, definicjami rezultatów, jasno określonymi uprawnieniami do podejmowania decyzji i automatycznymi sygnałami zwrotnymi. Ta zmiana skróciła czas koordynacji z 60% do 10%, pozwalając zespołowi poświęcać większość czasu na faktyczną pracę, a nie na rozmowy o pracy.
Role ludzi muszą być określone: Role ludzi muszą zostać określone przed rozpoczęciem automatyzacji z wykorzystaniem AI, ponieważ wdrożenia nie kończą się niepowodzeniem z powodu ograniczeń AI, lecz dlatego, że zespoły nigdy nie wyjaśniają, za co powinni odpowiadać ludzie; Amos wyjaśnia, że AI powinno w pełni realizować zadania o małym wpływie i niskim stopniu złożoności, wspierać działania, w których złożoność lub ryzyko są większe, a decyzje o dużym wpływie i wysokim stopniu złożoności pozostawiać ludziom.
Usiedliśmy z Amosem, aby zrozumieć, co to oznacza w praktyce. Oto, co miał do powiedzenia.
Jak autonomiczny model biznesowy zmienia realizację projektów
Jestem współzałożycielem i dyrektorem generalnym Swan AI, platformy automatyzacji GTM, która integruje kanały komunikacji (e-mail, Slack itp.), systemy CRM oraz źródła danych B2B, aby obsługiwać przepływy pracy GTM. Wykorzystujemy ją wewnętrznie do realizacji projektów i zarządzania klientami.
Budujemy pierwszy autonomiczny biznes, którego celem jest osiągnięcie $10M ARR na pracownika przy małym zespole i armii agentów AI. Nasz autonomiczny biznes został zaprojektowany z myślą o współpracy człowieka z AI, a nie koordynacji między ludźmi, i może skalować się dzięki inteligencji — a nie zwiększaniu liczby pracowników.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
To ograniczenie przerodziło się w przypadkowe laboratorium realizacji projektów. Kiedy nie możesz rozwiązywać problemów poprzez zatrudnianie kolejnych osób, każda decyzja dotycząca projektu staje się kwestią egzystencjalną: Czy zwiększy to naszą wydajność 10-krotnie, czy jest tylko aktywnością, która sprawia wrażenie postępu?
Ten bezlitosny filtr ujawnił wzorce, których nie potrafiłem dostrzec, gdy w dwóch poprzednich startupach, które założyłem i skalowałem zgodnie ze starą zasadą wzrostu za wszelką cenę, mogłem po prostu angażować kolejne osoby do rozwiązywania problemów. Teraz, po obserwowaniu, jak ponad 200 firm wdraża AI za pośrednictwem produktu Swan, potrafię natychmiast rozpoznawać wzorce prowadzące do niepowodzeń.
Dlaczego AI przesuwa realizację projektów od planowania w stronę rozpoznawania wzorców i szybkości podejmowania decyzji
Najbardziej radykalna zmiana dotyczy sposobu, w jaki wykorzystuję swój czas — i jest on niemal odwrotnością tradycyjnego zarządzania projektami. Poświęcam bardzo mało czasu zadaniom, które wcześniej wymagały mojego skupienia, takim jak planowanie z wyprzedzeniem, spotkania statusowe i dokumentacja, której nikt nie czyta. Więcej na ten temat za chwilę.
Oto, co obecnie przyciąga moją uwagę:
- 60% przeznaczam na rozpoznawanie wzorców i podejmowanie decyzji: Analizuję w czasie rzeczywistym to, co działa w ramach ponad 200 naszych wdrożeń. Nie comiesięczne przeglądy — codzienne wychwytywanie wzorców. Które wdrożenia przynoszą coraz lepsze wyniki, a które zatrzymały się w miejscu? Gdzie faktycznie pojawiają się wąskie gardła, a gdzie przewidywaliśmy, że się pojawią? Gra polega na szybkim podejmowaniu decyzji o tym, co zakończyć, a na czym skupić się jeszcze intensywniej — a nie da się tego zrobić podczas kwartalnego przeglądu biznesowego. W tym celu mamy pulpit Retool do monitorowania kondycji klientów i wyświetlamy alerty w Slacku. Korzystam również z Metabase, gdzie mamy bardziej szczegółową analitykę produktu dla poszczególnych klientów.
- 30% przeznaczam na projektowanie pętli informacji zwrotnej: Skąd wiemy w ciągu 48 godzin, czy wdrożenie AI działa? Jakie sygnały mówią nam, że powinniśmy zmienić kierunek, zamiast kontynuować? Tworzę „systemy wykrywania awarii” — sposoby wychwytywania sytuacji, w których AI odchodzi od scenariusza lub przepływ pracy nie przynosi rezultatów, zanim problem przerodzi się w kryzys. Aby to osiągnąć, ważne jest ustalenie jasnego planu, który zaczyna się od małych, łatwych do zmierzenia kroków. Tradycyjni kierownicy projektów planowali sukces; ja projektuję systemy, które natychmiast ujawniają niepowodzenia, abyśmy mogli je naprawić, gdy są jeszcze niewielkie.
- 10% to faktyczne „uruchomienie projektu”: Kiedyś był to punkt kulminacyjny wielomiesięcznego planowania. Teraz to po prostu wtorek. Nieustannie udostępniamy wersje v1 i traktujemy uruchomienie jako początek nauki, a nie koniec planowania. Uruchomienie nie oznacza już sukcesu — daje nam pozwolenie na rozpoczęcie zbierania prawdziwych informacji zwrotnych.
W świecie, w którym AI jest priorytetem, realizacja jest tania i szybka. Wąskim gardłem jest szybkość podejmowania decyzji. Moja rola zmieniła się z „opracuj idealny plan” na „podejmuj szybkie decyzje na podstawie rzeczywistych informacji zwrotnych”. Dlatego 90% czasu poświęcam systemom uczenia się, a nie systemom realizacji.
W świecie, w którym AI jest priorytetem, realizacja jest tania i szybka. Wąskim gardłem jest szybkość podejmowania decyzji.
Jak wyeliminować koszt koordynacji w realizacji projektów
Nasze przejście od tradycyjnego do lekkiego zarządzania projektami nie było zmianą metodyki, lecz eliminacją konkretnych rytuałów, które nas spowalniały. Oto, co zlikwidowaliśmy i czym to zastąpiliśmy:
Spotkania statusowe (40% kalendarza) → Aktualizacje asynchroniczne (obecnie 5% czasu)
- Zlikwidowaliśmy: Cotygodniowe spotkania statusowe dotyczące projektów z prezentacjami slajdów
- Zastąpiliśmy je: Krótkimi aktualizacjami na Slacku, gdy coś się zmienia, a nie zgodnie z harmonogramem
- Dlaczego to działa: Informacje przepływają wtedy, gdy ma to znaczenie, a nie wtedy, gdy wskazuje na to kalendarz
- Rezultat: Odzyskaliśmy ponad 15 godzin tygodniowo na każdego założyciela
Szczegółowe plany projektów (2–4 tygodnie z wyprzedzeniem) → Definiowanie rezultatów (2–4 godziny)
- Usunięto: Kompleksową dokumentację wymagań, mapy procesów i macierze ryzyka
- Zastąpiono przez: Jasno określony rezultat, który chcemy osiągnąć, oraz pierwszy eksperyment do przeprowadzenia
- Dlaczego to działa: Plany natychmiast się dezaktualizują, a rezultaty pozostają aktualne
- Rezultat: Dostarczanie pierwszych wersji w ciągu dni, a nie miesięcy
Łańcuchy akceptacji → Jasno określone uprawnienia decyzyjne
- Usunięto: „Skonsultuj to z kierownictwem” w przypadku małych decyzji
- Zastąpiono przez: Zdefiniowane progi — jeśli kwota jest niższa niż $X lub wpływ wynosi Y, po prostu to wdrażamy
- Dlaczego to działa: Szybkość jest ważniejsza niż zapobieganie małym błędom
- Rezultat: Czas od podjęcia decyzji do działania skrócił się z dni do godzin
Kwartalne przeglądy → Codzienne sygnały zwrotne
- Usunięto: Zaplanowane spotkania pod hasłem „sprawdźmy, jak idzie ten projekt”
- Zastąpiono przez: Automatyczne metryki, które powiadamiają nas, gdy coś jest nie tak
- Dlaczego to działa: Problemy wykrywamy drugiego dnia, a nie w trzecim miesiącu
- Rezultat: Problemy są naprawiane, zanim przerodzą się w kryzysy
Przeszliśmy od poświęcania 60% czasu na koordynowanie pracy do poświęcania 90% czasu na wykonywanie pracy. Nie dlatego, że jesteśmy bardziej zdyscyplinowani, lecz dlatego, że usunęliśmy podatek od koordynacji, który tworzy tradycyjne zarządzanie projektami.
Jak AI zmienia rytuały dostarczania, wymagając bogatszego kontekstu
Tradycyjne myślenie zakłada, że AI oznacza mniej komunikacji między ludźmi. Nasza rzeczywistość jest odwrotna: AI w zespole oznacza, że komunikujemy się bardziej szczegółowo, ponieważ AI potrzebuje kontekstu, aby być użyteczne.
Jest to dla nas szczególnie istotne, ponieważ wykorzystujemy własny produkt do usuwania „podatku od kontekstu” — integruje się on z naszymi kanałami komunikacji, aby gromadzić i pobierać kontekst. Nasłuchuje.
Ma to duży wpływ na nasze rytuały. Dobrym przykładem są projekty związane z sukcesem klienta. Gdy klient zgłasza problem lub prosi o coś, nasi założyciele celowo komunikują się bardziej szczegółowo, niż jest to potrzebne między nimi — ponieważ wiemy, że AI to wychwytuje.
W praktyce wygląda to tak:
Zamiast: „Klient X chce funkcję Y, omówmy to jutro”
Piszemy: „Klient X poprosił o funkcję Y. Kontekst: napotyka problemy ze skalowaniem przy 200 leadach dziennie, jego 3-osobowy zespół SDR jest przeciążony, a ta funkcja pozwoliłaby mu obsługiwać 500 leadów dziennie bez zatrudniania nowych osób. Jest to zgodne z naszym profilem idealnego klienta (ICP) w segmencie SMB. Pilność: wysoka — w tym tygodniu ocenia oferty konkurencji”.
Później, gdy ktokolwiek z zespołu — w tym AI — wchodzi w interakcję z tym klientem, mamy dostęp do istotnego kontekstu.
Tak, każda komunikacja zajmuje dodatkowe 2–3 minuty. Oszczędza jednak godziny w obszarach:
- Spotkań dotyczących uzgodnień — AI dba o to, aby wszyscy byli na bieżąco
- Gromadzenia kontekstu — AI już zna sytuację
- Przekazywania zadań — AI zachowuje kontekst między interakcjami
Gdy traktujesz AI jak członka zespołu, który musi być na bieżąco, Twoje rytuały komunikacji i dokumentowania zasadniczo się zmieniają — i właśnie wtedy AI staje się naprawdę użyteczne, a nie jest tylko funkcją.
Dlaczego zdefiniowanie ról ludzi w pierwszej kolejności jest niezbędne do pomyślnego wdrożenia AI
Niepowodzenia we wdrażaniu AI prawie nigdy nie wynikają z tego, że AI nie jest wystarczająco sprawne. Dochodzi do nich dlatego, że zespoły nigdy nie odpowiedziały na bardziej fundamentalne pytanie: „Za co właściwie ludzie powinni odpowiadać w tym procesie?”
Oto schemat, który nieustannie obserwuję podczas ponad 200 naszych wdrożeń:
Zespoły spędzają tygodnie, pytając: „Czy AI może wykonać to zadanie?”. Mapują obecny proces, określają, co AI może zautomatyzować, budują system i uruchamiają go. AI działa. Potrafi niezawodnie wykonać 70–80% zadania.
Potem wszystko się rozpada. Nie dlatego, że AI przestaje działać, lecz dlatego, że nikt nie określił, co ludzie powinni zrobić z pozostałymi 20–30%. W efekcie dzieje się jedna z dwóch rzeczy:
- Ludzie kontrolują wszystko w najdrobniejszych szczegółach. Nie ufają AI, więc sprawdzają każdą decyzję, skutecznie zamieniając wdrożenie AI za $20K w drogie narzędzie do przedstawiania sugestii. Zespół wypala się, sprawdzając pracę domową AI.
- Ludzie całkowicie rezygnują z odpowiedzialności. Zakładają, że „AI się tym zajmuje”, i przestają zwracać uwagę. Gdy coś się psuje lub odbiega od ustalonego scenariusza, nikt tego nie zauważa, dopóki nie przerodzi się to w kryzys dotyczący klienta.
Dzieje się tak, ponieważ podeszliśmy do wdrażania AI od niewłaściwej strony. Pytaliśmy: "Co możemy zautomatyzować?" zamiast: "Gdzie ludzki osąd jest niezastąpiony i jak zbudować AI, które wzmacnia ten osąd?"
Zamiast tego każdy projekt AI zaczynaj od zdefiniowania roli człowieka. Które decyzje wymagają intuicji? Gdzie kluczowy jest kontekst? Które tryby awarii wymagają nadzoru człowieka? Następnie zbuduj AI tak, aby zajmowało się wszystkim innym i dostarczało właściwe sygnały we właściwym czasie, wspierając podejmowanie decyzji przez człowieka.
Z perspektywy czasu brzmi to oczywiście. Kiedy jednak ekscytują Cię możliwości AI, niezwykle łatwo pominąć ten krok i skupić się wyłącznie na tym, co AI potrafi — zamiast z wyprzedzeniem zaprojektować współpracę człowieka z AI.
Praktyczne ramy decydowania o tym, co AI powinno automatyzować
Analizuję decyzje dotyczące automatyzacji w dwóch wymiarach: wpływu błędu oraz złożoności wymaganego osądu. Tworzy to cztery wyraźne kategorie, które za chwilę omówię.
W miarę wzrostu złożoności lub wpływu rola AI zmienia się z "właściciela" w "asystenta". Musisz jednak z góry określić, którą rolę AI pełni w każdym przepływie pracy — a nie dopiero po uruchomieniu, gdy ludzie nie wiedzą, czy powinni ufać decyzjom AI, czy je odrzucać.
Te ramy nie dotyczą tego, co AI może zrobić pod względem technicznym. Chodzi o to, co AI powinno przejąć, biorąc pod uwagę profil ryzyka i wymagany osąd.
Niski wpływ + niska złożoność = pełna automatyzacja
Przykład 1: Wzbogacanie danych i badania
- AI pobiera informacje o firmie, stosie technologicznym i profilach w mediach społecznościowych
- Jeśli popełni błąd, ludzie wychwycą go podczas przeglądu
- Nie jest wymagany osąd — tylko gromadzenie danych
- Wdrożenie: integracje API, AI porządkuje dane wyjściowe, ludzie przeprowadzają wyrywkową kontrolę
Przykład 2: Wstępna ocena potencjalnych klientów i kierowanie ich do odpowiednich procesów
- AI ocenia potencjalnych klientów na podstawie zdefiniowanych kryteriów ICP i kieruje ich do odpowiedniego przepływu pracy
- Błędne przekierowania są oczywiste i łatwe do skorygowania
- Logikę można zakodować (wielkość firmy, branża, sygnały behawioralne)
- Wdrożenie: ocena oparta na regułach i AI, człowiek przegląda przypadki graniczne
Niski wpływ + wysoka złożoność = przygotowanie przez AI, decyzja człowieka
Przykład: Odpowiedzi dla klientów
- AI tworzy projekty odpowiedzi na podstawie podobnych wcześniejszych przypadków
- To złożone zadanie, ponieważ znaczenie mają ton, kontekst i przypadki graniczne
- Jednak wpływ błędu jest niewielki, jeśli przed wysłaniem dokonamy przeglądu
- Wdrożenie: AI tworzy projekt, człowiek go sprawdza i edytuje, a my uczymy się na podstawie wprowadzonych zmian
Wysoki wpływ + niska złożoność = automatyzacja z zabezpieczeniami
Przykład: Wysyłanie wiadomości wychodzących
- Wpływ jest wysoki, ponieważ źle przeprowadzone działania mogą zaszkodzić Twojej marce lub pozycji na rynku
- Jednak zadanie jest stosunkowo mało złożone, a jakość można mierzyć
- Wdrożenie: AI generuje treści, obowiązują rygorystyczne procesy zatwierdzania, a przy spadku wyników automatycznie uruchamiane są mechanizmy awaryjnego wyłączenia
Wysoki wpływ + wysoka złożoność = odpowiedzialność człowieka
Przykład: Strategiczne zmiany kierunku projektu
- Decyzja o zakończeniu wdrożenia lub zwiększeniu zaangażowania w nie
- Wymaga rozpoznawania wzorców w wielu kontekstach
- Błędna decyzja jest kosztowna ze względu na zmarnowane zasoby lub utraconą szansę
- Wdrożenie: AI prezentuje sygnały (spadki wykorzystania, wzorce w informacjach zwrotnych), a człowiek podejmuje decyzję
Przykład: Złożone negocjacje z klientami
- Rozmowy o cenach, rozszerzaniu współpracy i ryzyku nieodnowienia umowy
- Wymaga odczytywania dynamiki relacji, kontekstu politycznego i niewypowiedzianych obaw
- Błąd niszczy zaufanie, które trudno odbudować
- Wdrożenie: AI prowadzi badania i przygotowuje materiały, a człowiek odpowiada za rozmowę
Jak przepływy pracy agentów AI umożliwiły stworzenie samouczącego się systemu wsparcia w 13 godzin
Oto przykład złożoności, z którą poradziliśmy sobie dzięki wykorzystaniu przepływów pracy agentów AI w dążeniu do zbudowania zautomatyzowanej firmy.
Ograniczenie: Dążenie do osiągnięcia $10M ARR na pracownika przy zaledwie 3 założycielach oznaczało, że nie mogliśmy rozwiązywać problemów poprzez zatrudnianie kolejnych osób. Gdy liczba zgłoszeń do pomocy technicznej przekroczyła 200 tygodniowo, tradycyjne rozwiązanie — zatrudnienie 2 menedżerów ds. sukcesu klienta — nie było dla nas dostępne. Każde zgłoszenie wymagało pełnego zaangażowania jednego z założycieli — znalezienia odpowiedzi, przygotowania jej i udokumentowania w odpowiednim miejscu. Tonęliśmy w pracy.
V1 (tydzień 1): Odpowiadanie na znane pytania
Zaczęliśmy od absolutnego minimum: agenta AI w Slacku, który potrafił odpowiadać na około 20 pytań, które wcześniej udokumentowaliśmy w Notion.
- Narzędzia: Swan AI, Slack, Notion
- Konfiguracja: 6 godzin
- Rezultat: obsłużonych 15% zgłoszeń
- Nowy problem: Klienci byli sfrustrowani, otrzymując odpowiedzi „nie wiem”. Nadal odpowiadaliśmy ręcznie na 85% zgłoszeń.
V2 (tydzień 2): Eskalowanie nieznanych pytań
Dodaliśmy ścieżkę eskalacji: AI pozostaje w wątku klienta, ale powiadamia nas wewnętrznie, gdy czegoś nie wie. Odpowiadamy, a AI przekazuje klientowi naszą odpowiedź.
- Konfiguracja: 3 godziny
- Rezultat: 35% spraw rozwiązywanych autonomicznie
- Nowy problem: Zauważyliśmy, że wciąż odpowiadaliśmy na te same nowe pytania. Każda eskalacja nie uczyła AI niczego — był to jedynie system kierowania zgłoszeń.
V3 (tydzień 4): Uczenie się na podstawie eskalacji
Zbudowaliśmy pętlę uczenia się. Teraz, gdy odpowiadamy na pytanie przekazane do eskalacji, AI automatycznie rejestruje pytanie i odpowiedź, porządkuje je oraz dodaje do bazy wiedzy.
- Konfiguracja: 4 godziny
- Rezultat: 70% spraw rozwiązywanych autonomicznie w ciągu 2 tygodni
Dlaczego to zadziałało: Każda wersja zajęła mniej niż 6 godzin, ponieważ nie planowaliśmy perfekcji — reagowaliśmy na konkretne informacje zwrotne. Możliwości „samodzielnego uczenia się” nie było w pierwotnym planie. Pojawiła się naturalnie, gdy zadaliśmy sobie pytanie: „Dlaczego odpowiadamy na te same pytania dwa razy?”
Obecnie odpowiadamy na ponad 200 zgłoszeń tygodniowo, 70% z nich jest obsługiwanych autonomicznie, a nasza baza wiedzy rośnie organicznie dzięki prawdziwym pytaniom klientów.
Oto moja rada: Wypuść minimum potrzebne do rozwiązania bieżącego problemu. Obserwuj, gdzie rozwiązanie zawodzi. Dodaj minimalną funkcję, która naprawi ten problem. Powtarzaj. Stworzyliśmy zaawansowany system samodzielnego uczenia się, nigdy wcześniej tego nie planując.
Wypuść minimum potrzebne do rozwiązania bieżącego problemu. Obserwuj, gdzie rozwiązanie zawodzi. Dodaj minimalną funkcję, która naprawi ten problem. Powtarzaj.
Inne obszary odpowiednie dla przepływów pracy opartych na agentach
Wykorzystujemy również przepływy pracy oparte na agentach w:
- Wdrażaniu klientów: Nowy klient → Swan prowadzi go przez konfigurację w formie rozmowy, zadaje pytania dotyczące idealnego profilu klienta i konfiguruje przepływy pracy na podstawie odpowiedzi
- Sukcesie klienta: Monitoruje wzorce korzystania z produktu → wskazuje możliwości rozszerzenia współpracy lub zagrożenia → przedstawia założycielom rekomendacje
Dlaczego pętle informacji zwrotnej są ważniejsze niż wybór narzędzia AI i jak je budować
Wszyscy pytają: „Jakiego narzędzia AI powinniśmy używać?”. To niewłaściwe pytanie.
Najcenniejszą rzeczą, która oszczędza nam czas, nie jest narzędzie — lecz to, że w ciągu 48 godzin wiemy, gdy coś przestaje działać.
Wbudowujemy pętle informacji zwrotnej w każdą implementację. Śledzimy:
- Wzorce eskalacji: Gdy AI przekazuje sprawę człowiekowi, oznacza to, że potrzebuje pomocy
- Wskaźniki zmian: Gdy ludzie zmieniają wyniki AI, oznacza to, że ocena sytuacji była niewystarczająca.
- Wskaźniki rezultatów: Umówione spotkania, rozwiązane zgłoszenia itp. — nie tylko aktywność.
- Wyzwalacze awarii: Automatyczne alerty, gdy wydajność spada.
Bez pętli informacji zwrotnej uruchamiasz AI i masz nadzieję, że działa. Zanim zorientujesz się, że tak nie jest — zwykle dzięki skargom lub kwartalnym przeglądom — tracisz miesiące.
Dzięki pętlom informacji zwrotnej wykrywasz problemy w ciągu kilku dni i naprawiasz je, gdy są jeszcze niewielkie.
Zaobserwowaliśmy rzeczywisty wpływ:
- AI do obsługi klienta: wzrost z 35% do 70% spraw rozwiązywanych autonomicznie w ciągu 2 tygodni dzięki sprawdzeniu, które pytania wymagały lepszych odpowiedzi
- AI do kwalifikacji: poprawa dokładności o 40% w ciągu 30 dni dzięki śledzeniu zmian wprowadzanych przez ludzi
Wybór narzędzia AI ma znacznie mniejsze znaczenie niż zdolność do wykrywania tego, co nie działa, i szybkiego wprowadzania zmian. „Narzędziem”, które oszczędza najwięcej czasu, jest system informujący, co wymaga naprawy, zanim problem przerodzi się w kryzys.
Stos technologiczny oparty na AI, napędzający autonomiczną realizację projektów
Mimo to mam kilka podstawowych narzędzi:
- Projekty Claude (narzędzie AI zwiększające produktywność): tworzę i modyfikuję wszystkie dokumenty związane z projektem w ramach projektu Claude. Dzięki temu kontekst AI się kumuluje, a narzędzie staje się coraz mądrzejsze z każdą rozmową.
- Shortwave (narzędzia AI do komunikacji): to nowy klient poczty e-mail stworzony z myślą o AI, z wbudowanym agentem AI, który pomaga mi łatwo znaleźć właściwy kontekst w całym bałaganie mojej skrzynki odbiorczej. Pomaga mi także pisać świetne wiadomości e-mail i synchronizować działania interesariuszy bez przełączania się między kontekstami ani utonięcia w wyszukiwaniu wcześniejszych wątków.
- N8N (oprogramowanie AI do automatyzacji przepływów pracy): używam go do budowania agentów AI połączonych z naszymi narzędziami Retool i Metabase, dzięki czemu możemy otrzymywać aktualizacje dotyczące projektów bezpośrednio na Slacku.
Dlaczego zarządzanie projektami ewoluuje w zarządzanie tempem
AI w zarządzaniu projektami będzie ewoluować od realizacji odrębnych projektów do zarządzania tempem ciągłego dostosowywania.
Uważam, że AI sprawi, iż tworzenie i zmienianie rzeczy będzie odbywać się tak szybko, że projekty o określonym początku i końcu staną się przestarzałe. Zanim trzymiesięczny projekt się zakończy, wymagania ulegną zmianie, możliwości AI ewoluują, a „ukończone” rozwiązanie będzie już nieaktualne.
Zastąpią je cykle ciągłego doskonalenia z szybkimi pętlami informacji zwrotnej. Zamiast „uruchomić portal klienta w trzecim kwartale” będzie to oznaczać „stale rozwijać interakcje z klientami, codziennie wdrażać zmiany na podstawie rzeczywistych informacji zwrotnych”.
„Menedżerowie tempa” będą optymalizować:
- szybkość przejścia od informacji zwrotnej do naprawy — nie terminy realizacji
- częstotliwość iteracji — nie ukończenie projektu
- tempo uczenia się — nie zarządzanie zakresem
Sukces będzie definiowany przez to, jak szybko wykrywasz problemy i wdrażasz rozwiązania, a nie przez realizację z góry określonych kamieni milowych.
Kierownicy projektów, którzy przetrwają, już rozwijają tę umiejętność — wdrażają niedoskonałe wersje v1, modyfikują je na podstawie rzeczywistego użytkowania i optymalizują pod kątem szybkości zamiast perfekcji. Ci, którzy wciąż udoskonalają swoje wykresy Gantta, za pięć lat nie rozpoznają tej pracy.
Dlaczego szybkość iteracji przewyższa planowanie — i jak liderzy mogą szybciej wdrażać rozwiązania dzięki AI
Oto moja rada: twórz z myślą o szybkości iteracji, a nie o perfekcji wdrożenia.
Przestań: planować przez wiele tygodni, dążyć do perfekcyjnych premier i unikać wszystkich porażek.
Zacznij: wdrażać minimalne użyteczne wersje w ciągu kilku dni, najpierw budować pętle informacji zwrotnej i wyciągać wnioski z szybkich iteracji.
I zadbaj o praktyczne podejście: skróć fazę planowania kolejnego projektu o 75%. Wdróż w tym tygodniu coś niedoskonałego, co pokaże ci, co naprawdę ma znaczenie. Mierz sukces tym, jak szybko przechodzisz od „to się zepsuło” do „oto v2”.
Szybkość uczenia się za każdym razem przewyższa głębokość planowania.
Szybkość uczenia się za każdym razem przewyższa głębokość planowania.
Śledź dalszy rozwój
Możesz śledzić pracę Amosa nad automatyzacją przepływów pracy GTM na LinkedInie oraz w newsletterze firmy Swan. Możesz także odwiedzić strony Swan i Autonamos — cyfrowego klona Amosa.
Więcej wywiadów z ekspertami już wkrótce w The Digital Project Manager!
