Jak jsem v ClickUp vytvořil rozhodovacího agenta s umělou inteligencí, který podporuje chytřejší rozhodnutí v rámci kampaní

V ClickUp jsem využil spoustu tradičních pracovních postupů a automatizací. Skvěle se hodí k přesouvání úkolů z bodu A do bodu B, aktualizaci stavů nebo přiřazování odpovědných osob. Ale v určitém okamžiku jsem si uvědomil něco důležitého: žádná z těchto automatizací ve skutečnosti o mých kampaních nepřemýšlela.

Potřeboval jsem systém, který by dokázal spojit provedení s inteligencí. A odpověď jsem našel v rozhodovacím agentovi s umělou inteligencí, kterému říkám Asset Library Manager.

V tomto příspěvku vám ukážu, jak jsem tento rozhodovací agent s umělou inteligencí vytvořil v ClickUp (pomocí ClickUp Super Agents ) a proč to bylo pro mé podnikání nezbytné.

O mně: Ověřený konzultant ClickUp a manažer obchodních procesů

Jako certifikovaný konzultant ClickUp a manažer obchodních procesů s více než 5 lety zkušeností pomáhám agenturám a startupům růst díky strukturovaným systémům a efektivnímu provádění. Vytvořil jsem a spravoval provozní rámce pro více než 40 společností, vedl jsem řízení změn pro více než 115 týmů a umožnil jsem až 16,4násobný provozní růst při současném zlepšení rychlosti a konzistence dodávek v prostředích s více klienty.

Proč mi pro mé kampaně nestačily jednoduché automatizace

Moje materiály byly roztříštěné po různých místech, úkoly kampaní byly rozptýleny v různých seznamech a stále jsem to byl já, kdo rozhodoval, kam by se který materiál měl dostat dál. Každá nová kampaň, region nebo kanál znamenaly více manuálních rozhodnutí – a větší riziko duplicit, promarněných příležitostí nebo mezer ve viditelnosti.

V tu chvíli jsem položil jinou otázku:

Co kdybych přestal vytvářet pracovní postupy a začal v ClickUp budovat inteligentní systém – takový, který by za mě dokázal činit rozhodnutí?

🦾 Jste nováčkem v programu ClickUp Super Agents?

Superagenti ClickUp jsou agenti využívající umělou inteligenci, kteří pracují ve vašem pracovním prostoru, analyzují vaše úkoly, data a aktivitu – a na základě tohoto kontextu podnikají příslušné kroky. Můžete jim přidělit konkrétní roli (například stanovení priorit práce, aktualizaci stavu projektu nebo směrování materiálů) a oni pracují s informacemi z pracovního prostoru v reálném čase.

V čem se liší?

Na rozdíl od základních automatizací se Super agenti neřídí pouze pravidly. Oni:

• Pochopte souvislosti mezi úkoly, dokumenty a komentáři
• Rozhodujte se (nejen spouštějte akce)
• Přizpůsobte se podle toho, jak se vyvíjí váš pracovní postup

Nepřemýšlejte o nich jako o automatizacích typu „pokud-to-pak-to“, ale spíše jako o AI spolupracovnících integrovaných do vašeho systému.

Změna myšlení: Od pracovních postupů k inteligentním systémům

Než v ClickUp vytvořím agenta s umělou inteligencí, nejprve se na to podívám s odstupem a definuji systém.

Nejde o automatizaci. Jde o systém.

Pro mě se to dá shrnout do tří otázek:

Chtěl jsem, aby můj rozhodovací agent s umělou inteligencí převzal mentální zátěž spojenou s rozhodováním o kampaních.

Takto to vypadalo v mém nástroji Asset Library Manager.

1. Účel: Jaký problém se tento rozhodovací agent s umělou inteligencí snaží vyřešit?

Chtěl jsem mít jedno místo, kde by se nacházely všechny materiály pro kampaně – videa, obrázky, texty:

Jinými slovy, chtěl jsem, aby můj agent měl na starosti rozhodování o distribuci materiálů přímo v ClickUp, aby nic neuniklo pozornosti.

2. Schopnosti systému: Podporuje moje konfigurace rozhodování založené na umělé inteligenci?

Rozhodovací agent s umělou inteligencí je jen tak silný, jak silný je systém, ve kterém funguje. Proto má smysl ho vytvořit na místě, kde jsou soustředěny vaše úkoly, dokumenty, vztahy a data o kampaních. Když má agent v jednom propojeném digitálním pracovním prostoru k dispozici ucelený přehled (materiály, umístění, stavy, historii), jsou jeho rozhodnutí založena na realitě, nikoli na dohadech.

Pro mě je tímto místem Converged AI Workspace v ClickUp.

S ClickUpem nemusíte skládat mozaiku samostatných nástrojů s umělou inteligencí, z nichž každý vidí jen část vašich operací, ale získáte jednu inteligentní vrstvu, která pokrývá vše, co váš tým skutečně dělá. Výsledkem jsou chytřejší doporučení, nulové přepínání mezi kontexty a rozhodnutí , jejichž kvalita se časem zvyšuje, protože paměť agenta a váš pracovní prostor rostou společně.

Nastavil jsem si ClickUp tak, aby správce knihovny materiálů mohl:

Kdyby mé seznamy, vlastní pole a vztahy nebyly pevně nastavené, agent by se buď zasekl, nebo by způsobil chaos. Proto jsem návrh systému považoval za součást samotného agenta.

3. Role agenta: Operátor, ne jen kurýr

Nakonec jsem definoval roli agenta.

Většina systémů je navržena takto: Pokud nastane situace X → proveď Y

Tomu říkáme jednoduchá automatizace.

Chtěl jsem ale něco jiného. Rozhodovacího agenta s umělou inteligencí, který by dokázal vyhodnotit kontext a na jeho základě činit rozhodnutí stejně jako člověk.

Můj správce knihovny materiálů má na starosti:

Jakmile byly tyto tři prvky jasné, všechno ostatní se zjednodušilo. Už jsem nevytvářel jen chytrou automatizaci. Vytvářel jsem to, čemu říkám Beyond Super Agent – agenta, který chápe účel, funguje v rámci výkonného systému a má jasně definovanou roli.

Jak jsem strukturoval pokyny, aby byl rozhodovací agent s umělou inteligencí spolehlivý: mých 5 pilířů pokynů

Jakmile byl systém připraven, přešel jsem k části, ke které se většina lidí vrhá jako první: k výzvám.

Místo toho, abych napsal jeden dlouhý návod, rozdělil jsem ho na pět přehledných částí. Díky tomu bylo rozhodovacího agenta s umělou inteligencí snazší ovládat, testovat a vylepšovat.

Toto jsou základní pilíře AI, které rozhodují o kvalitě rozhodnutí, která můj agent činí:

1. Definice role: Kým tento agent je?

Agentovi neříkám jen, co má dělat – říkám mu, kým má být.

📌 V případě správce knihovny materiálů jsem ho požádal, aby fungoval jako:

„Zkušený majitel agentury a provozní architekt spravující více klientů.“

Tato jediná věta mění vše. Nyní, když agent reaguje, činí tak z pohledu někoho, kdo:

2. Kontext a rozsah: V jakém prostředí funguje?

Dále co nejjasněji definuji kontext a rozsah:

Tím agentovi sdělíte, kde jsou stěny místnosti, aby nezabloudil do nesprávné části mého pracovního prostoru.

3. Rozhodovací logika: Kdy a jak by měl agent rozhodovat?

Poté podrobně vysvětlím logiku rozhodování. Místo toho, abych agentovi říkal, co má dělat, jsem definoval, jak by měl uvažovat.

Upřesňuji:

Agent se tak neomezuje pouze na generování nápadů. Ví, kdy je třeba jednat a jak vypadají správná rozhodnutí.

4. Vstupy: Kterým datům důvěřuje?

Každé rozhodnutí je jen tak dobré, jak kvalitní jsou data, na nichž je založeno. Proto propojuji svého agenta s datovými vrstvami, které potřebuje:

V zadání to jasně uvádím: toto jsou vstupní údaje, které byste měli použít při rozhodování o dalším postupu.

5. Výstupy: Jaké akce a formáty očekávám?

Na závěr definuji výstupy:

Jakmile jsou tyto pět prvků na místě – role, kontext, rozhodovací logika, vstupy a výstupy – řešení se obvykle velmi dobře shoduje se skutečným problémem, který se snažím vyřešit.

🎥 Pokud si chcete vyzkoušet vytvoření vlastního Super agenta, podívejte se na tento krátký návod:

Jak vlastně funguje můj rozhodovací agent s umělou inteligencí, známý také jako Správce knihovny materiálů, v ClickUp

Jakmile jsem měl hotový základ, napojil jsem agenta na svůj pracovní prostor v ClickUp tak, aby mohl fungovat dvěma hlavními způsoby.

Možnost 1: Ruční spuštění z knihovny materiálů

První režim je jednoduchý a přímý.

Už to samo o sobě eliminuje spoustu ruční práce spojené s přesměrováním. Skutečný potenciál však spočívá v druhém režimu.

Možnost 2: Rozhodování na základě časového plánu

Ve druhém režimu se systém skutečně stává „Beyond Super Agent“.

V tomto případě agent využívá celý obsah knihovny materiálů k tomu, aby sám přijímal rozhodnutí:

📌 Na základě toho může činit rozhodnutí, jako například:

„U tohoto strategického materiálu, který již byl použit v Islámábádu a jedná se o video zaměřené na zotavení, pošleme příště obrázek zaměřený na zotavení nebo mobilitu.“

Místo toho, abych neustále kontroloval, kde se který materiál objevil a co by mělo následovat, agent vyhodnotí data a rozhodne sám.

Proč používám ClickUp Chat ke spolupráci se svým agentem s umělou inteligencí

V ClickUp mohou agenti fungovat v celém vašem pracovním prostoru. Můžete je spouštět pomocí automatizací v seznamech, složkách a prostorech (reagujících na změny stavu, nové úkoly, aktualizace polí), přiřazovat je přímo k úkolům, @zmínit je v komentářích k úkolům a dokumentech nebo s nimi komunikovat v ClickUp chatu prostřednictvím soukromých zpráv a @zmínek.

Ale právě v chatu trávím se svým agentem nejvíce času, a to má svůj důvod.

V chatu Správce knihovny materiálů mám dva cíle:

Chat mi poskytuje konverzační rozhraní v reálném čase, téměř jako bych měl kolegu v pohotovosti. Mohu jej použít k:

Je to rozdíl mezi podáním žádosti a vzájemnou konverzací.

U agenta, jako je například Asset Library Manager, kde se rozhodnutí navzájem doplňují a kontext hraje důležitou roli, je právě tento druh iterativního dialogu tím, co zajišťuje hladké fungování celého systému.

Když agent dostane záchvat vzteku

Postupem času jsem si všiml jedné legrační věci: pokud můj příkaz nebyl jasný, agent se trochu „rozčiloval“. Ne proto, že by nefungoval – ale proto, že můj příkaz mu neumožňoval dosáhnout úspěchu.

V takových případech se vždy vracím k pěti základním pilířům:

Jakmile jsou tyto nástroje zavedeny, stává se komunikace neuvěřitelně produktivní.

Zátěžové testování systému pomocí jedné jednoduché zprávy

Jedním z mých nejoblíbenějších momentů při práci s tímto agentem bylo provedení kompletního zátěžového testu pomocí jediného příkazu v chatu.

📌 Řekl jsem agentovi:

„Chci provést zátěžový test. Spusťte proces automaticky výběrem náhodných lokalit a vytvořte úkoly kampaně podle daného postupu. Ujistěte se, že vám neunikla žádná část postupu a že se úkoly neopakují. Pokud potřebujete cokoli vědět před spuštěním testu, klidně se mě zeptejte.“

🌟 Co se stalo:

V rámci jedné konverzace bylo zapotřebí 15–30 akcí a já jsem získal jasnou představu o tom, kde by můj systém mohl selhat při dalším rozšiřování.

Výsledek? Zjistil jsem, že moje nastavení fungovalo spolehlivě až do 50 lokalit, ale pokud bych se pokusil přejít na 100 a více, systém by mohl mít potíže. Tento poznatek nepocházel z dashboardu, ale z rozhovoru s mým agentem.

Využití agenta jako partnera pro reporting

👉🏼 Chat také využívám k kladení jednoduchých, ale účinných otázek, jako například:

👉🏼 Agent odpoví seznamem materiálů, kam byly nasměrovány, a odkazy zpět do ClickUpu. Pak to ještě vylepším:

„Zpracuj mi 24hodinový přehled a doporuč mi 10 nejvhodnějších míst, kam by se tyto materiály měly distribuovat jako další – s jasným odůvodněním každého doporučení.“

Agent nyní využívá:

…aby mi doporučil, kam přesně bych měl jít dál – a proč.

👉🏼 Pokud se chci do tématu ponořit hlouběji, mohu položit doplňující otázky, jako například:

Agent využívá stejná data a logiku, aby mi poskytl konkrétní odpověď.

Od jednoho chytrého rozhodovacího agenta s umělou inteligencí k škálovatelnému rozhodovacímu systému

V této chvíli se můj Asset Library Manager stal spolehlivou vrstvou pro rozhodování s využitím umělé inteligence v rámci mého pracovního prostoru v ClickUp.

Předtím jsem neustále:

Nyní tento proces zajišťuje rozhodovací agent s umělou inteligencí.

V případě potřeby stále rozhoduji já. Ale už nezačínám úplně od nuly. A tento posun se stává stále běžnějším.

Podle zprávy společnosti McKinsey & Company zaznamenávají firmy největší měřitelný dopad umělé inteligence v oblastech, jako je marketing, prodej a strategie – tedy tam, kde hraje klíčovou roli rozhodování.

Další krok: Jak vytvořit vlastního rozhodovacího agenta s umělou inteligencí v ClickUp

Pokud spravujete materiály napříč několika lokalitami, kanály nebo klienty, nemusíte se navždy potýkat s tabulkami a ručním směrováním.

Začněte tím, že si položíte otázku:

Poté na základě těchto odpovědí navrhněte svého prvního agenta.

Na závěr si udělejte čas na chat – klást otázky, provádět zátěžové testy a nechte agenta, aby vám ukázal, v jakých oblastech je třeba váš systém vylepšit.

Takto překročíte hranice pouhé automatizace a začnete v ClickUp budovat inteligentní systém, který za vás skutečně pracuje.

Od experimentování s umělou inteligencí k reálnému rozhodování pomocí umělé inteligence

Pokud chcete automatizovat rozhodování pomocí umělé inteligence, mám pro vás tuto nejdůležitější radu:

Přestaňte přemýšlet:

❌ „Jak mi může umělá inteligence pomoci to udělat rychleji?“

A začněte přemýšlet:

✅ „V jakých oblastech by za mě měla AI rozhodovat?“

Většina týmů se stále nachází v první fázi. Experimentují. Testují nástroje. Automatizují drobné úkoly.

Skutečný přínos však nastane, až když AI rozhodovacího agenta zavedete do systému, který je pro něj již připraven.

To je případ, kdy:

Právě proto to v ClickUp funguje.

Protože vše – úkoly, data i kontext – se nachází na jednom místě, váš rozhodovací agent s umělou inteligencí má skutečný přehled o tom, co se děje. A co je ještě důležitější, dokáže na základě toho jednat.