Jak pracuję z AI
Nie kolejny poradnik o tym, co AI „może”. Dziesięć konkretnych rzeczy, które AI robi u mnie na żywych kontach klientów: z liczbami, z pułapkami, w które wpadłem, i z zasadami, których nie łamię.
- Status
- działa na żywych kontach
- Dane
- Google Ads · GA4 · sklep · mailing
- Rozdziały
- 10
- Ostatni wpis
- 25.09.2026
Prowadzę marketing kilkunastu firm i własne produkty. Sam. Da się, bo większość powtarzalnej roboty przejęło AI. Nie jako czat, któremu zadaję pytanie, tylko jako system, któremu mówię:
Poniżej to, co działa, i to, co po drodze się sypało. Liczby pochodzą z prawdziwych kont. Nazwy klientów pomijam.
Raporty Google Ads, które piszą się same
Co miesiąc siadałem do tego samego: eksport z konta, arkusz, wykresy, wnioski. Teraz raport składa się sam, prosto z danych konta reklamowego: trzy miesiące obok siebie, koszt pozyskania klienta i rekomendacja budżetu. Działa tak na czterech kontach klientów.
Najważniejsza zmiana nie dotyczyła szybkości. Jeden z raportów pokazywał „zgłoszenie za 11 zł”, bo liczył wszystko, co konto nazywa konwersją. Poprawiona wersja osobno pokazuje wszystkie konwersje i osobno realne kontakty: telefon i formularz. Klient widzi liczbę, za którą naprawdę płaci.
> Raport ma pokazywać pieniądze klienta, nie ładne liczby z panelu.
Wyłapywanie przepalonego budżetu
AI przegląda każdy produkt w kampanii i szuka tych, które wydają, a nie sprzedają. W jednym sklepie internetowym sześć takich produktów kosztowało około 1 902 zł w 30 dni. Przy okazji wyszło, że 163 z 584 produktów (28%) wysyłanych do Google nie było w ogóle na stanie.
Działa to też w drugą stronę. Kampania przypominająca o ofercie osobom, które już były na stronie, miała zostać wyłączona, bo „nie dawała zgłoszeń”. Po przeliczeniu wyszło, że to błąd w sposobie liczenia, a kampania dawała najtańsze zgłoszenia na całym koncie: 182 zł za jedno.
> Wyłączyć zły produkt to połowa roboty. Druga połowa to nie wyłączyć dobrego.
Artykuły SEO. Pułapka: AI zmyśla liczby
To najdroższa lekcja. Automat do linkowania artykułów na tym blogu wstawił 102 linki do stron, które nie istnieją, w 39 wpisach. 60 z nich prowadziło w próżnię. W tym samym czasie średnia pozycja bloga w Google spadła z 28 na 57.
Generator treści potrafił też wymyślić cytat z „badań Harvardu” albo wywiad z nieistniejącą ekspertką. Brzmiało wiarygodnie, a było fikcją. Od tamtej pory każdy nowy tekst przechodzi kontrolę źródeł, a zmyślone źródło zatrzymuje publikację. Każda liczba ma mieć źródło, które da się otworzyć.
> AI pisze szybko i przekonująco. Właśnie dlatego trzeba sprawdzać je u źródła.
Artykuły pod cytowania w AI: system zamiast generatora
Po wpadce ze zmyśleniami zbudowałem własny system do artykułów. Sześć etapów: badanie tego, co Google i ludzie naprawdę pytają, baza faktów, plan tekstu, pisanie, kontrola i publikacja. Zanim powstanie pierwsze zdanie, system sprawdza, o jakie pytania poboczne dopytuje sama wyszukiwarka Google, i każde z nich musi dostać w tekście własną odpowiedź. W pomiarze na 15 prawdziwych pytaniach pokrył 14.
Zasady pisania wziąłem z 30 przeczytanych analiz patentów Google o wyszukiwaniu i odpowiedziach AI. Najważniejsze: AI cytuje fragment, nie całą stronę, więc każda sekcja ma odpowiadać sama za siebie. Spójność faktów liczy się bardziej niż autorytet, bo jedno sprzeczne zdanie potrafi przeważyć resztę. Dlatego każda liczba ma datę i źródło, a zmyślona osoba, firma albo badanie blokuje publikację.
> AI cytuje teksty, którym może zaufać. Zaufanie buduje się faktami, nie długością tekstu.
Baza wiedzy o firmie i chatboty
Firmy, dla których piszę, mają własną bazę wiedzy: fakty zebrane z jej strony, cennika i dokumentów. Dla jednej z nich to 2 215 faktów z 246 podstron. AI pisze wtedy o konkretnej firmie, a nie o branży w ogóle. W teście na tej bazie zmyślenia w tekście spadły z dwóch do zera, a 38 z 41 faktów miało dowód w źródle.
Na tej samej zasadzie działa chatbot: doradca w sklepie internetowym, który poleca wyłącznie produkty z oferty sklepu i sprawdza status zamówienia. Po poprawkach odpowiedział dobrze na 32 z 33 pytań testowych. Zanim trafi do klientów, musi przejść jeszcze zabezpieczenia.
> Chatbot jest tak dobry, jak baza wiedzy, na której stoi.
Maile, które sprzedają
Automaty mailowe w sklepie internetowym: kod powitalny, oferta dla stałych klientów, wiadomość po zakupie. Każdą wysyłkę rozliczam sprzedażą ponad normalny dzień, a nie odsetkiem otwarć.
Mail do stałych klientów po 6 godzinach: +584 zł ponad normalną sprzedaż, a 60% przychodu pochodziło z produktów z oferty. Najlepsza wysyłka z serii dała +6 048 zł w 72 godziny. Jedna wyszła na minus 1 771 zł. Ją też liczę, bo bez wpadek średnia wychodzi za ładnie. Przy okazji okazało się, że w całym cyklu maili powitalnych przypisywanie przychodu było wyłączone. Bez tego nikt nie wiedział, czy te maile w ogóle zarabiają.
> Otwarcia to nie sprzedaż. Liczy się to, ile więcej zarobił sklep.
Analiza: dlaczego sprzedaż spadła
Sklep zaczął sprzedawać o 25% mniej dziennie. Pierwsza myśl: za drogo, trzeba obniżyć ceny. Zamiast zgadywać, puściłem pięciu agentów AI równolegle: każdy sprawdzał inną hipotezę na danych ze sklepu, z reklam i z ruchu na stronie.
Wynik był inny niż pierwsza myśl. 82% spadku to brak nowych klientów, a ruch od twórców z TikToka spadł ze 145 do 12 wizyt dziennie, bo wygasła współpraca. Ceny tłumaczą najwyżej 15–25% różnicy. Test obniżki o 10% dał +35% sprzedanych sztuk, a mimo to sklep tracił 45 zł dziennie na zysku.
> Rabat to najłatwiejsza odpowiedź. Rzadko jest tą właściwą.
Pułapka: automat „działa”, a nic nie robi
Automat do porzuconych koszyków w moim własnym sklepie z ebookami co godzinę meldował sukces. Przez pięć miesięcy nie wysłał ani jednego maila. Jedna zmiana w kodzie odcięła zapis adresów, a raport dalej świecił na zielono.
Podobnie nocny automat do filmów: status „zakończono poprawnie”, a w 14 z 16 przebiegów filmu nie było. Dziś każdy automat ma udowodnić skutek, czyli że mail wyszedł albo plik powstał. Jeśli zawiedzie trzy razy z rzędu, dostaję alarm.
> Zielony status to nie dowód. Dowodem jest skutek.
Czego AI NIE robi bez mojej zgody
Budżety reklam i dane finansowe: AI proponuje, pokazuje podgląd, a zmienia dopiero po moim „tak”. Mail do klienta powstaje wyłącznie jako szkic. Wysyłkę do listy potwierdzam osobno, za każdym razem.
Ta bramka zarabia na siebie. Dwie godziny przed wysyłką złapałem szkic, który nie wykluczał stałych klientów: 1 223 osoby dostałyby ten sam mail drugi raz w ciągu doby. Sprawdzenie zajęło minutę, a zepsuta relacja z najlepszymi klientami kosztowałaby dużo więcej.
> AI robi robotę. Decyzje o pieniądzach klienta podejmuje człowiek.
Tu jestem dziś
Jedna osoba, kilkanaście projektów klientów i własne produkty. Pod spodem 263 gotowe procedury, 28 wyspecjalizowanych agentów, 649 notatek pamięci o klientach i decyzjach oraz kilkadziesiąt automatów, które rano i w nocy robią swoje.
Nie patrzę już na to jak na „narzędzie AI”. To zespół, któremu daję cel, a on dzieli go na kroki, sięga po dane i melduje wynik. Ja zostaję w dwóch miejscach: na początku, kiedy ustalam, co jest celem, i na końcu, kiedy decyduję, co idzie do klienta.
> Najtrudniejsze nie było nauczyć AI pracy. Najtrudniejsze było zbudować system, w którym można mu zaufać.