Od oporu do orkiestracji — 11 poziomów wykorzystania AI w organizacji. Sprawdź, na którym etapie jesteś Ty i Twój zespół.
🗺️ Mapa poziomów
| Faza | Poziom | Nazwa | Jednym zdaniem |
|---|---|---|---|
| 🟢 Start | 0 | 🚫 Opór | Brak kontaktu z AI |
| 🟢 Start | 1 | 💬 Podstawowy czat | Pytanie → odpowiedź |
| 🔵 Świadome użycie | 2 | 🎯 Świadome promptowanie | Jakość inputu = jakość outputu |
| 🔵 Świadome użycie | 3 | 🧩 Frameworki | CRISP, CoT, few-shot |
| 🔵 Świadome użycie | 4 | ⚙️ Instrukcje niestandardowe | Custom instructions, system prompts |
| 🟡 Kontekst i wiedza | 5 | 📁 Pliki kontekstowe | README, AGENTS.md, claude.md |
| 🟡 Kontekst i wiedza | 6 | 📋 Zaawansowane instrukcje | Reguły zachowań i granic |
| 🟡 Kontekst i wiedza | 7 | 🧠 Skille i bazy wiedzy | Wiedza domenowa + umiejętności |
| 🟡 Kontekst i wiedza | 8 | 🔌 Narzędzia i MCP | Integracja z systemami |
| 🟣 Autonomia | 9 | 🤖 Agentowy workflow | Cel → autonomiczna realizacja |
| 🟣 Autonomia | 10 | 👥 Orkiestracja | Zespół agentów + koordynator |
🟢 Faza 0–1: Start
🚫 Poziom 0 — Opór / brak adopcji
Brak kontaktu z narzędziami AI
Użytkownik nie korzysta z AI — z powodu braku wiedzy, obaw lub świadomej decyzji. Często towarzyszy temu lęk przed utratą pracy lub nieufność wobec technologii. To naturalny punkt startowy — kluczowe jest edukacja i budowanie zaufania, nie wymuszanie.
💬 Poziom 1 — Podstawowy czat
Pytanie → odpowiedź
Pierwsza interakcja z AI w formie prostego Q&A. Użytkownik traktuje model jak wyszukiwarkę — wpisuje pytanie, dostaje odpowiedź. Wartość jest już realna, ale potencjał wykorzystany minimalnie.
💡 Nawet eksperci wracają tutaj — i to jest OK. Prosty czat to nie wstyd, to narzędzie.
Co wyróżnia tę fazę:
- Pierwszy kontakt z technologią — od zera do „o, to działa”
- Kluczowa bariera to emocje, nie umiejętności
- Sukces = przełamanie oporu i pierwsze pozytywne doświadczenie
🔵 Faza 2–4: Świadome użycie
🎯 Poziom 2 — Świadome promptowanie
Jakość inputu wpływa na jakość outputu
Użytkownik zauważa, że sposób sformułowania zapytania ma znaczenie. Pojawia się nadawanie roli (“jesteś QA, napisz testy”), kontekstu i oczekiwań. To przełomowy moment — świadomość, że AI to narzędzie, które trzeba dobrze instruować.
🧩 Poziom 3 — Frameworki i prompt engineering
Systematyczne podejście do promptowania
Zastosowanie sprawdzonych frameworków (np. CRISP, chain-of-thought, few-shot learning). Ustrukturyzowane szablony promptów, powtarzalne procesy.
💡 Tu zatrzymuje się większość organizacji wdrażających AI. Frameworki dają świetne wyniki — ale to dopiero początek drogi.
⚙️ Poziom 4 — Instrukcje niestandardowe
Personalizacja i oszczędność tokenów
Custom instructions, system prompts, ustawienia per-projekt. Użytkownik nie powtarza za każdym razem tych samych instrukcji — model “wie” kim jest, jak ma pisać, czego unikać. Początek świadomego zarządzania kontekstem i optymalizacji kosztów.
Co wyróżnia tę fazę:
- Przejście od „klikam i patrzę” do świadomego sterowania modelem
- Kluczowa bariera to wiedza — trzeba poznać techniki promptowania
- Sukces = powtarzalne, wysokiej jakości wyniki z AI
🟡 Faza 5–8: Kontekst i wiedza
📁 Poziom 5 — Pliki kontekstowe
README, AGENTS.md, claude.md — kontekst per-projekt
Agenci AI otrzymują pliki opisujące projekt: co budujemy, jaka jest struktura, jakie konwencje obowiązują. Uruchamiasz agenta w danym katalogu i on już wie, co robić. Oddzielenie wiedzy od promptu — kontekst żyje przy projekcie, nie w głowie użytkownika.
📋 Poziom 6 — Zaawansowane instrukcje agentów
Definicja zachowań, reguł i granic działania
Nie tylko “co robić”, ale “jak się zachowywać”. Agent ma zdefiniowane zasady: kiedy pytać, kiedy działać autonomicznie, jak raportować, czego nie robić. To różnica między prostym README a pełną specyfikacją roli — jak onboarding nowego członka zespołu.
🧠 Poziom 7 — Skille i bazy wiedzy
Wyspecjalizowane umiejętności i wiedza domenowa
Agent ma dostęp do dedykowanych umiejętności (np. generowanie raportów w określonym formacie) i baz wiedzy (dokumentacja, standardy firmy, dane historyczne). Nie wymyślamy koła na nowo przy każdej sesji — wiedza jest zorganizowana i dostępna.
🔌 Poziom 8 — Narzędzia, MCP i konektory
Integracja z zewnętrznymi systemami
Agent nie tylko “pisze” — korzysta z narzędzi: przeszukuje Slacka, tworzy zadania w Jira, czyta maile, odpytuje API. MCP (Model Context Protocol) i konektory pozwalają na interakcję ze światem zewnętrznym. To skok od “asystenta w czacie” do “członka zespołu z dostępem do systemów”.
Co wyróżnia tę fazę:
- Przejście od jednorazowych promptów do trwałej wiedzy przy projekcie
- Kluczowa bariera to architektura — jak zorganizować kontekst, skille i narzędzia
- Sukces = agent, który rozumie projekt bez powtarzania instrukcji
🟣 Faza 9–10: Autonomia
🤖 Poziom 9 — Agentowy workflow
Cel → autonomiczne planowanie i realizacja
Agent otrzymuje cel wysokopoziomowy i sam planuje kroki do jego realizacji. “Przygotuj release notes na podstawie ostatnich commitów” — i agent sam sprawdza repo, analizuje zmiany, pisze notatki.
💡 Paradoks: użytkownik wraca do “prostego pytania” z poziomu 1 — ale cała machina pod spodem jest zupełnie inna.
👥 Poziom 10 — Orkiestracja wieloagentowa
Zespół agentów z koordynatorem
Wielu agentów, każdy ze swoją specjalizacją: jeden analizuje, drugi koduje, trzeci robi review, czwarty pisze testy. Orkiestrator koordynuje ich pracę, zarządza kolejnością i rozwiązuje konflikty. To model pracy zespołowej — ale z agentami AI jako członkami zespołu.
Co wyróżnia tę fazę:
- Przejście od „ja używam AI” do „AI pracuje jako zespół”
- Kluczowa bariera to zaufanie — oddanie kontroli wymaga dojrzałości
- Sukces = autonomiczny system agentów realizujący złożone cele
Opracowanie: Grzegorz Holak | AI Ambassador, SCIB