Jak stworzyłem agenta decyzyjnego opartego na AI w ClickUp, aby podejmować trafniejsze decyzje dotyczące kampanii

Korzystałem z wielu tradycyjnych cykli pracy i automatyzacji w ClickUp. Świetnie sprawdzają się one przy przenoszeniu zadań z punktu A do punktu B, aktualizowaniu statusów czy przypisywaniu właścicieli. Jednak w pewnym momencie zdałem sobie sprawę z jednej ważnej rzeczy: żadna z tych automatyzacji tak naprawdę nie myślała o moich kampaniach.

Potrzebowałem systemu, który łączyłby realizację zadań z inteligencją. Odpowiedź znalazłem w agencie decyzyjnym opartym na AI, który nazwałem Asset Library Manager.

W tym poście opowiem, jak stworzyłem tego agenta decyzyjnego opartego na AI w ClickUp (wykorzystując ClickUp Super Agents ) oraz dlaczego było to niezbędne dla mojej firmy.

O mnie: certyfikowany ClickUp Consultant i menedżer ds. procesów biznesowych

Jako certyfikowany ClickUp Consultant i menedżer procesów biznesowych z ponad 5-letnim doświadczeniem pomagam agencjom i start-upom w skalowaniu działalności poprzez wdrażanie ustrukturyzowanych systemów i procesów. Stworzyłem i zarządzałem strukturami operacyjnymi dla ponad 40 firm, kierowałem procesami zarządzania zmianą w ponad 115 zespołach oraz umożliwiłem nawet 16,4-krotny wzrost wydajności operacyjnej, poprawiając jednocześnie szybkość i spójność realizacji zadań w środowiskach obsługujących wielu klientów.

Dlaczego proste automatyzacje nie wystarczały w moich kampaniach

Moje zasoby były rozrzucone po różnych lokalizacjach, zadania związane z kampaniami znajdowały się na różnych listach, a to wciąż ja decydowałem, gdzie każdy z zasobów powinien trafić dalej. Każda nowa kampania, region czy kanał oznaczały więcej decyzji podejmowanych ręcznie — a tym samym większe ryzyko powielania działań, utraty szans lub luk w widoczności.

Wtedy zadałem inne pytanie:

A co by było, gdybym przestał tworzyć cykle pracy i zaczął budować w ClickUp inteligentny system — taki, który mógłby podejmować decyzje w moim imieniu?

🦾 Nie znasz jeszcze funkcji Super Agents w ClickUp?

Superagenci ClickUp to oparte na sztucznej inteligencji narzędzia działające w Twoim obszarze roboczym, które analizują zadania, dane i aktywność — a następnie podejmują działania w oparciu o ten kontekst. Możesz przydzielić im konkretną rolę (np. ustalanie priorytetów zadań, aktualizowanie statusu projektów lub kierowanie zasobami), a oni działają w oparciu o informacje z obszaru roboczego w czasie rzeczywistym.

Czym się wyróżniają?

W przeciwieństwie do podstawowych automatyzacji, Super Agenci nie ograniczają się jedynie do przestrzegania zasad. Oni:

• Zrozum kontekst w ramach zadań, dokumentów i komentarzy
• Podejmuj decyzje (a nie tylko jako wyzwalacz uruchamiaj działania)
• Dostosowuj rozwiązanie w miarę ewolucji swojego cyklu pracy

Pomyśl o nich nie tyle jako o automatyzacjach typu „jeśli to, to tamto”, ile raczej o członkach zespołu opartych na AI, wbudowanych w Twój system.

Zmiana sposobu myślenia: od cykli pracy do inteligentnych systemów

Zanim zacznę tworzyć agenta opartego na AI w ClickUp, zatrzymuję się na chwilę i definiuję system.

Nie chodzi o automatyzację. Chodzi o system.

Dla mnie sprowadza się to do trzech pytań:

Chciałem, aby mój agent decyzyjny oparty na AI przejął obciążenie umysłowe związane z podejmowaniem decyzji dotyczących kampanii.

Oto jak to wyglądało w przypadku mojego menedżera biblioteki zasobów.

1. Cel: Jaki problem ma rozwiązać ten agent decyzyjny oparty na AI?

Chciałem mieć jedno miejsce, w którym znajdowałyby się wszystkie materiały kampanii — wideo, zdjęcia, teksty:

Innymi słowy, chciałem, aby mój agent samodzielnie podejmował decyzje dotyczące dystrybucji zasobów w ClickUp, tak aby nic nie umknęło uwadze.

2. Możliwości systemu: Czy moje ustawienia zapewniają wsparcie dla podejmowania decyzji opartych na AI?

Skuteczność agenta decyzyjnego opartego na AI zależy od systemu, w którym funkcjonuje. Dlatego warto zbudować go w miejscu, gdzie zgromadzone są wszystkie zadania, dokumenty, relacje i dane kampanii. Gdy agent ma pełny obraz sytuacji (materiały, lokalizacje, statusy, historia) w jednej połączonej cyfrowej przestrzeni roboczej, jego decyzje są oparte na rzeczywistości, a nie na domysłach.

Dla mnie takim miejscem jest obszar roboczy Converged AI w ClickUp.

Dzięki ClickUp, zamiast łączyć w mozaikę oddzielne narzędzia AI, z których każde widzi jedynie fragment Twojej działalności, zyskujesz jedną inteligentną warstwę, która obejmuje wszystkie rzeczywiste działania Twojego zespołu. Wynikiem jest lepsza rekomendacja, brak konieczności przełączania się między kontekstami oraz decyzje , których jakość z czasem rośnie, ponieważ pamięć agenta i Twój obszar roboczy rozwijają się razem.

Skonfigurowałem ustawienia ClickUp tak, aby menedżer biblioteki zasobów mógł:

Gdyby moje listy, pola niestandardowe i związki nie były solidne, agent albo utknąłby w martwym punkcie, albo spowodowałby chaos. Dlatego projekt systemu potraktowałem jako część samego agenta.

3. Rola agenta: operator, a nie tylko kurier

W końcu zdefiniowałem rolę agenta.

Większość systemów działa w następujący sposób: jeśli wystąpi sytuacja X → wykonaj czynność Y

To właśnie nazywamy prostą automatyzacją.

Chciałem czegoś innego. Agenta decyzyjnego opartego na AI, który potrafiłby oceniać kontekst i wykorzystywać go do podejmowania decyzji tak samo, jak zrobiłby to człowiek.

Mój menedżer biblioteki zasobów odpowiada za:

Gdy te trzy elementy stały się jasne, wszystko inne stało się łatwiejsze. Nie tworzyłem już tylko sprytnej automatyzacji. Tworzyłem coś, co nazywam Beyond Super Agent — agenta, który rozumie cel, działa w ramach wydajnego systemu i ma jasno określoną rolę.

Jak zorganizowałem podpowiedzi, aby agent decyzyjny oparty na AI był niezawodny: moje 5 filarów podpowiedzi

Gdy system był już gotowy, przeszedłem do części, do której większość osób przechodzi jako pierwszej: podpowiedzi.

Zamiast jednak pisać jedną długą instrukcję, podzieliłem ją na pięć przejrzystych elementów. Dzięki temu agent decyzyjny oparty na AI stał się łatwiejszy w obsłudze, testowaniu i udoskonalaniu.

Oto filary podpowiedzi opartych na AI, które decydują o jakości decyzji podejmowanych przez mojego agenta:

1. Definicja roli: Kim jest ten agent?

Nie tylko mówię agentowi, co ma zrobić — mówię mu, kim ma być.

📌 W przypadku menedżera biblioteki zasobów poprosiłem, aby pełnił rolę:

„Doświadczony właściciel agencji i architekt operacyjny zarządzający wieloma klientami.”

To jedno zdanie zmienia Wszystko. Teraz, gdy agent udziela odpowiedzi, robi to z perspektywy osoby, która:

2. Kontekst i zakres: W jakim obszarze działa ten agent?

Następnie definiuję kontekst i zakres tak jasno, jak to tylko możliwe:

Dzięki temu agent wie, gdzie znajdują się ściany pomieszczenia, więc nie wchodzi w niewłaściwą część mojego obszaru roboczego.

3. Logika decyzyjna: kiedy i w jaki sposób powinien podejmować decyzje?

Następnie szczegółowo opisuję logikę decyzyjną. Zamiast mówić agentowi, co ma robić, zdefiniowałem, w jaki sposób powinien myśleć.

Wyjaśniam:

W ten sposób agent nie ogranicza się tylko do generowania pomysłów. Wie, kiedy podjąć działanie i jak wyglądają dobre decyzje.

4. Dane wejściowe: Na jakich danych opiera się agent?

Każda decyzja jest tak dobra, jak dane, na których się opiera. Dlatego tworzę połączenie mojego agenta z warstwami danych, których potrzebuje:

Wyraźnie zaznaczam w podpowiedzi: oto dane wejściowe, które należy wykorzystać przy podejmowaniu decyzji o dalszych działaniach.

5. Wyniki: Jakich działań i formatów oczekuję?

Na koniec definiuję wyniki:

Gdy te pięć elementów zostanie uwzględnionych — rola, kontekst, logika decyzyjna, dane wejściowe i wyniki — rozwiązanie zazwyczaj ściśle odpowiada rzeczywistemu problemowi, który próbuję rozwiązać.

🎥 Oto krótki film instruktażowy, jeśli chcesz spróbować stworzyć własnego Super Agenta:

Jak faktycznie działa mój agent decyzyjny oparty na AI, znany również jako menedżer biblioteki zasobów, w ClickUp

Po przygotowaniu podstaw podłączyłem agenta do mojego obszaru roboczego ClickUp, tak aby mógł działać na dwa główne sposoby.

Opcja 1: Ręczny wyzwalacz z biblioteki zasobów

Pierwszy tryb jest prosty i bezpośredni.

Już samo to eliminuje ogromną ilość ręcznej pracy związanej z kierowaniem zasobów. Jednak prawdziwa moc tkwi w drugim trybie.

Opcja 2: Podejmowanie decyzji na podstawie harmonogramu

W drugim trybie system naprawdę staje się „Beyond Super Agent”.

W tym przypadku agent wykorzystuje pełną zawartość biblioteki materiałów do samodzielnego podejmowania decyzji:

📌 Na tej podstawie może podejmować takie decyzje, jak:

„W przypadku tego strategicznego zasobu, który był już w Islamabadzie i jest wideo informującym o przywróceniu działalności, wyślijmy teraz zdjęcie przedstawiające przywrócenie działalności lub zdjęcie pokazujące mobilność.”

Zamiast ciągłego sprawdzania przeze mnie, gdzie dany element kampanii został już wykorzystany i co powinno nastąpić dalej, agent analizuje dane i sam podejmuje decyzję.

Dlaczego korzystam z czatu ClickUp do współpracy z moim agentem opartym na AI

W ClickUp agenci mogą działać w całym Twoim obszarze roboczym. Możesz uruchamiać ich za pomocą automatyzacji na listach, w folderach i przestrzeniach (reagujących na zmiany statusu, nowe zadania, aktualizacje pól), przypisywać ich bezpośrednio do zadań, @wspominać ich w komentarzach do zadań i dokumentach lub wchodzić z nimi w interakcję w czacie ClickUp za pomocą prywatnych wiadomości i @wzmianek.

Jednak to właśnie na czacie spędzam najwięcej czasu z moim agentem i jest ku temu powód.

W moim czacie „Asset Library Manager” mam dwa cele:

Czat zapewnia mi interfejs konwersacyjny działający w czasie rzeczywistym, niemal jakby kolega był zawsze pod ręką. Mogę go wykorzystać do:

To różnica między złożeniem wniosku a prowadzeniem dialogu.

W przypadku agenta takiego jak Asset Library Manager, gdzie decyzje opierają się na sobie nawzajem, a kontekst ma kluczowe znaczenie, właśnie ten rodzaj iteracyjnego dialogu sprawia, że cały system działa jak w zegarku.

Kiedy agent wpada w furię

Z czasem zauważyłem coś zabawnego: jeśli moja komenda nie była jasna, agent wpadał w coś w rodzaju „histerii”. Nie dlatego, że coś było zepsute — ale dlatego, że moja podpowiedź nie stwarzała mu warunków do powodzenia.

Właśnie wtedy zawsze powracam do pięciu filarów podpowiedzi:

Gdy te elementy zostaną wdrożone, wydajność rozmowy staje się niezwykle wysoka.

Testowanie odporności systemu za pomocą jednej prostej wiadomości

Jednym z moich ulubionych momentów związanych z tym agentem było przeprowadzenie pełnego testu obciążeniowego za pomocą jednej komendy w czacie.

📌 Powiedziałem agentowi:

„Chcę przeprowadzić test obciążeniowy. Uruchom go automatycznie, wybierając losowe lokalizacje i tworząc zadania kampanii zgodnie z przepływem procesu. Upewnij się, że nie pomijasz żadnej części przepływu i że zadania nie powtarzają się. Zapytaj mnie o wszystko, co chcesz, zanim uruchomisz test.”

🌟 Oto, co się wydarzyło:

W trakcie jednej rozmowy wykonano 15–30 czynności, dzięki czemu wyraźnie zrozumiałem, w których miejscach mój system może zawieść w miarę jego rozbudowy.

Jaki był wynik? Zdałem sobie sprawę, że moje ustawienia sprawdzały się dobrze do około 50 lokalizacji, ale gdybym próbował zwiększyć liczbę do ponad 100, system mógłby mieć z tym problemy. Ta informacja nie pochodziła z pulpitu nawigacyjnego, ale z rozmowy z moim agentem.

Wykorzystanie agenta jako partnera w zakresie raportowania

👉🏼 Korzystam też z czatu, aby zadawać proste, ale trafne pytania, takie jak:

👉🏼 Agent odpowiada, podając listę materiałów, miejsca, do których zostały one skierowane, oraz linki prowadzące z powrotem do ClickUp. Następnie idę o krok dalej:

„Przedstaw mi podsumowanie z ostatnich 24 godzin i zaproponuj 10 najlepszych lokalizacji dla dystrybucji tych materiałów — wraz z jasnym uzasadnieniem każdej rekomendacji.”

Obecnie agent korzysta z:

…aby polecić mi dokładnie, co powinienem zrobić dalej — i dlaczego.

👉🏼 Jeśli chcę zgłębić ten temat, mogę zadać pytania uzupełniające, takie jak:

Agent wykorzystuje te same dane i logikę, aby udzielić mi konkretnej odpowiedzi.

Od jednego inteligentnego agenta decyzyjnego opartego na AI do skalowalnego silnika decyzyjnego

W tym momencie mój menedżer biblioteki zasobów stał się solidną warstwą decyzyjną opartą na sztucznej inteligencji, działającą w ramach mojego obszaru roboczego ClickUp.

Wcześniej ciągle:

Teraz tym procesem zajmuje się agent decyzyjny oparty na AI.

W razie potrzeby nadal to ja podejmuję ostateczną decyzję. Nie zaczynam jednak już od zera. A taka zmiana staje się coraz powszechniejsza.

Według raportu firmy McKinsey & Company największy wymierny wpływ AI firmy odnotowują w takich obszarach jak marketing, sprzedaż i strategia — gdzie proces podejmowania decyzji odgrywa kluczową rolę.

Kolejny krok: Jak stworzyć własnego agenta decyzyjnego opartego na AI w ClickUp

Jeśli zarządzasz materiałami w wielu lokalizacjach, kanałach lub dla wielu klientów, nie musisz już na zawsze polegać na arkuszach kalkulacyjnych i ręcznym przydzielaniu zadań.

Zacznij od zadania sobie pytania:

Następnie zaprojektuj swojego pierwszego agenta w oparciu o te odpowiedzi.

Na koniec poświęć trochę czasu na rozmowę na czacie — zadawaj pytania, przeprowadzaj testy obciążeniowe i pozwól agentowi wskazać, w jakich obszarach Twój system wymaga ulepszeń.

W ten sposób wyjdziesz poza zwykłą automatyzację i zaczniesz budować w ClickUp inteligentny system, który naprawdę działa na Twoją korzyść.

Od eksperymentów z AI do rzeczywistego podejmowania decyzji opartego na sztucznej inteligencji

Jeśli chcesz zautomatyzować proces podejmowania decyzji za pomocą AI, oto moja najważniejsza rada:

Przestań się zastanawiać:

❌ „W jaki sposób AI może mi pomóc zrobić to szybciej?”

I zacznij się zastanawiać:

✅ „W jakich obszarach AI powinna podejmować decyzje za mnie?”

Większość zespołów nadal znajduje się w pierwszej fazie. Eksperymentują. Testują narzędzia. Wdrażają automatyzację drobnych zadań.

Jednak prawdziwą przewagę uzyskasz dopiero wtedy, gdy wprowadzisz agenta decyzyjnego opartego na AI do systemu, który jest już do tego przystosowany.

Właśnie wtedy:

Oto dlaczego to rozwiązanie sprawdza się w ClickUp.

Ponieważ wszystko — zadania, dane i kontekst — znajduje się w jednym miejscu, Twój agent decyzyjny oparty na AI może faktycznie zobaczyć, co się dzieje. A co ważniejsze, może podjąć odpowiednie działania.