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 w przenoszeniu zadań z punktu A do punktu B, aktualizowaniu statusów lub przypisywaniu właścicieli. Jednak w pewnym momencie zdałem sobie sprawę z czegoś ważnego: 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 Ci, jak stworzyłem tego agenta decyzyjnego opartego na AI w ClickUp (wykorzystując ClickUp Super Agents ) i 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 procesem zarządzania zmianą w ponad 115 zespołach oraz umożliwiłem nawet 16,4-krotny wzrost operacyjny, jednocześnie poprawiając 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 kampanii znajdowały się na różnych listach, a to wciąż ja decydowałem, gdzie każdy zasób powinien trafić dalej. Każda nowa kampania, region lub kanał oznaczały więcej decyzji podejmowanych ręcznie — i 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?

🦾 Jesteś nowy w ClickUp Super Agents?

Superagenci ClickUp to agenci oparci na AI, którzy działają w Twoim obszarze roboczym, analizując 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 tylko do przestrzegania zasad. Oni:

• Zrozum kontekst w zadaniach, dokumentach i komentarzach
• Podejmuj decyzje (a nie tylko jako wyzwalacz uruchamiaj działania)
• Dostosuj się do zmian w swoim cyklu pracy

Pomyśl o nich nie tyle jak o automatyzacjach typu „jeśli-to-wtedy”, ile raczej o członkach zespołu AI wbudowanych w Twój system.

Zmiana sposobu myślenia: od cykli pracy do inteligentnych systemów

Zanim zbuduję agenta AI w ClickUp, cofam się o krok 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 próbuje rozwiązać ten agent decyzyjny oparty na AI?

Chciałem mieć jedno miejsce, w którym znajdowałyby się wszystkie zasoby 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?

Agent decyzyjny oparty na sztucznej inteligencji jest tak silny, jak system, w którym działa. Dlatego warto zbudować go w miejscu, gdzie znajdują się wszystkie Twoje zadania, dokumenty, relacje i dane kampanii. Gdy agent ma pełny obraz sytuacji (zasoby, 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 niezależne narzędzia AI, z których każde widzi tylko fragment Twojej działalności, zyskujesz jedną inteligentną warstwę, która obejmuje Wszystko, czym faktycznie zajmuje się Twój zespół. Wynikiem są mądrzejsze rekomendacje, brak konieczności zmiany kontekstu oraz decyzje , których jakość z czasem rośnie, ponieważ pamięć agenta i Twoja przestrzeń robocza 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 potraktowałem projekt systemu jako część samego agenta.

3. Rola agenta: operator, a nie tylko kurier

Na koniec zdefiniowałem rolę agenta.

Większość systemów działa w ten 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:

Kiedy 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 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 on funkcję:

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

Ta jedna linijka zmienia Wszystko. Teraz, gdy agent odpowiada, robi to z perspektywy osoby, która:

2. Kontekst i zakres: w jakim obszarze działa?

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 powinna podejmować decyzje?

Następnie opisuję logikę decyzyjną. Zamiast mówić agentowi, co ma robić, zdefiniowałem, jak 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 ustalone — 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 mój agent decyzyjny oparty na AI, znany również jako menedżer biblioteki zasobów, faktycznie działa 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 treści. 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 zasobów, aby samodzielnie podejmować decyzje:

📌 Na tej podstawie może podejmować takie decyzje, jak:

„W przypadku tego strategicznego zasobu, który był już w Islamabadzie i jest wideo informującym o przywróceniu dostępu, wyślijmy teraz zdjęcie przedstawiające przywrócenie dostępu lub zdjęcie związane z mobilnością.”

Zamiast ciągłego sprawdzania przeze mnie, gdzie zasób został wykorzystany i co powinno nastąpić dalej, agent analizuje dane i podejmuje decyzję.

Dlaczego używam czatu ClickUp do współpracy z moim agentem AI

W ClickUp agenci mogą działać w całym Twoim obszarze roboczym. Możesz ich wyzwalać 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 poprzez wiadomości prywatne i @wzmianki.

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

W moim czacie Menedżera biblioteki zasobów mam dwa cele:

Czat zapewnia mi interfejs konwersacyjny działający w czasie rzeczywistym, prawie jakby kolega był w gotowości. Mogę go używać 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 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 wykazywał pewnego rodzaju „napad złości”. Nie dlatego, że był uszkodzony, ale dlatego, że moja podpowiedź nie stwarzała mu warunków do powodzenia.

Właśnie wtedy zawsze powracam do pięciu filarów podpowiedzi:

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

Testowanie systemu pod kątem obciążenia za pomocą jednej prostej wiadomości

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

📌 Powiedziałem agentowi:

„Chcę przeprowadzić test obciążeniowy. Uruchom go automatycznie, wybierając losowe lokalizacje i tworząc zadania kampanii zgodnie z przepływem. Upewnij się, że nie pomijasz żadnej części przepływu i że nie ma powtórzeń w zadaniach. Zapytaj mnie o wszystko, czego potrzebujesz, zanim uruchomisz test.”

🌟 Oto, co się wydarzyło:

W trakcie jednej rozmowy wykonano 15–30 czynności i uzyskałem jasny obraz tego, gdzie mój system może zawieść w miarę rozwoju.

Wynik? Zdałem sobie sprawę, że moje ustawienia działały bez zarzutu do około 50 lokalizacji, ale gdybym próbował zwiększyć liczbę do ponad 100, system mógłby mieć trudności. Ta informacja nie pochodziła z pulpitu nawigacyjnego; dowiedziałem się o tym podczas rozmowy z moim agentem.

Wykorzystanie agenta jako partnera do raportowania

👉🏼 Korzystam również z czatu, aby zadawać proste, ale istotne pytania, takie jak:

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

„Przedstaw mi podsumowanie z ostatnich 24 godzin i zaproponuj 10 najlepszych lokalizacji, w których te materiały powinny zostać poddane dystrybucji w następnej kolejności — wraz z jasnym uzasadnieniem każdej rekomendacji.”

Obecnie agent korzysta z:

…aby polecić mi dokładnie, gdzie powinienem się udać dalej — i dlaczego.

👉🏼 Jeśli chcę zgłębić temat, mogę zadać dodatkowe pytania, 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 AI, 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. Ale nie zaczynam już od zera. A taka zmiana staje się coraz powszechniejsza.

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

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

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

Zacznij od zadania pytania:

Następnie zaprojektuj swojego pierwszego agenta w oparciu o te odpowiedzi.

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

W ten sposób wyjdziesz poza 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 myśleć:

✅ „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 uzyskuje się dopiero wtedy, gdy wprowadzisz agenta decyzyjnego opartego na AI do systemu, który jest już do tego przystosowany.

Wtedy właśnie:

Właśnie dlatego to działa 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.