DIMAQ AI
0 / 15rozdziałów

Podstawy AI

AI, ML i GenAI: trzy osie opisu

AI to kategoria systemów, ML opisuje uczenie zależności z danych, a GenAI - generowanie treści. To nie trzy konkurencyjne narzędzia. Współczesna GenAI korzysta zwykle z deep learningu, który jest podzbiorem ML.

Cel modelu i sposób uczenia to różne klasyfikacje: regresja przewiduje wartość, klasyfikacja kategorię, klasteryzacja strukturę grup; uczenie ze wzmocnieniem optymalizuje działania przez sygnał nagrody.

Dobierając rozwiązanie do CRM, oddziel prognozę prawdopodobieństwa zakupu od generowania wiadomości. Pierwsza wymaga etykiet i oceny predykcji, druga - kontroli treści i faktów.

Google: Machine Learning Crash Course / Google: Large Language Models /

Historia: postacie, przełomy, ograniczenia

Turing (1950) zaproponował grę w naśladowanie jako test zachowania w rozmowie. Warsztaty Dartmouth (1956) utrwaliły AI jako dziedzinę. Hinton współtworzył rozwój uczenia reprezentacji i deep learningu; Goodfellow i współautorzy opisali GAN w 2014 r.

Test Turinga nie jest dowodem świadomości ani prawdziwości odpowiedzi. AI winters oznaczają okresy osłabienia finansowania i zainteresowania, nie zanik badań.

W ocenie dostawcy nie utożsamiaj przekonującej rozmowy z poprawnym rozumowaniem lub jakością predykcji. Historyczne kryterium imitacji nie zastępuje testu zadania marketingowego.

Turing (1950): Computing Machinery and Intelligence / Dartmouth: historia AI / LeCun, Bengio, Hinton (2015): Deep Learning / Goodfellow i in. (2014): Generative Adversarial Nets /

API: od odpowiedzi modelu do działania

API definiuje sposób wywołania operacji, dane wejściowe i odpowiedź. W systemie AI model jest jednym z elementów obok danych, uprawnień, logiki procesu, interfejsu i monitoringu. Inference to wykorzystanie wytrenowanego modelu do uzyskania wyniku.

Wywołanie narzędzia przez model nie jest samo w sobie wykonaniem operacji. Aplikacja musi sprawdzić uprawnienia i argumenty, wykonać operację oraz obsłużyć błąd.

Asystent proponuje zmianę budżetu. Odczyt raportu, kalkulacja i zapis nowej kwoty powinny być osobnymi operacjami. Zapis może wymagać akceptacji osoby odpowiedzialnej za konto.

Google: Production ML systems / Anthropic: Building effective agents / OWASP: Excessive Agency /

Dane: etykieta, podział zbiorów, odpowiedzialność

Model nadzorowany uczy się relacji między cechami a etykietą. W lead scoringu etykietą może być np. kwalifikacja przez sprzedaż w określonym terminie. Dane testowe powinny reprezentować warunki przyszłego użycia, bez informacji z przyszłości.

Data leakage to wykorzystanie informacji niedostępnej w chwili realnej predykcji lub przenikanie danych między treningiem a testem. Dobry wynik na takim teście może być pozorny.

Status umowy podpisanej po 30 dniach nie może być cechą oceny nowego leada. W przykładowym podziale ról biznes określa etykietę, data steward kontroluje definicje, a IT i IOD pilnują dostępu i ochrony danych.

Google: Machine Learning Crash Course / Google: Production ML systems / NIST: AI Risk Management Framework /

Generatywna AI

LLM, NLP, GPT i token

NLP obejmuje przetwarzanie języka, LLM to duży model językowy, a GPT oznacza generatywny, wstępnie trenowany Transformer. Model autoregresyjny generuje kolejne tokeny warunkowo na kontekście; nie każdy model językowy jest autoregresyjny.

Token może być słowem, fragmentem słowa lub inną jednostką. Limit kontekstu dotyczy tokenów, a nie liczby dokumentów. Płynna wypowiedź nie gwarantuje zgodności ze źródłami.

W analizie długiego raportu uwzględnij instrukcje, dokumenty i odpowiedź w dostępnym kontekście. Skracanie wejścia powinno zachować definicje wskaźników i okresy porównania.

Google: Large Language Models /

Pretraining, dostrajanie i użycie modelu

Wstępny trening uczy parametrów na dużych zbiorach; w zadaniach samonadzorowanych sygnał uczący powstaje z danych, np. przewidywanego tokena. Dostrajanie adaptuje model, a inference korzysta z już wyuczonych parametrów.

Nowa rozmowa ani plik w kontekście nie oznaczają automatycznego treningu wag. Warunki wykorzystania danych przez dostawcę to odrębna kwestia od mechanizmu pojedynczej odpowiedzi.

Rozpowszechnienie LLM umożliwiło zlecanie zadań językiem naturalnym, bez osobnego interfejsu dla każdej operacji. Nie usuwa to potrzeby integracji i walidacji.

Google: Large Language Models / Google: Fine-tuning, distillation and prompt engineering /

Sieci neuronowe: MLP, CNN, RNN, Transformer

MLP przekształca cechy w kolejnych warstwach; CNN wykorzystuje filtry uczące się lokalnych wzorców; RNN przetwarza sekwencję ze stanem; Transformer opiera relacje w sekwencji na attention. To rodziny architektur, nie gotowe produkty.

CNN nie jest synonimem generatora obrazu, a RNN nie jest jedyną architekturą sekwencyjną. Sieć może pełnić rolę klasyfikacyjną, reprezentacyjną lub generatywną.

Rozpoznanie logo w kadrze, prognoza sekwencji i synteza tekstu mają inne wymagania. Rozpoznaj w pytaniu mechanizm, nie kieruj się wyłącznie typem danych.

LeCun, Bengio, Hinton (2015): Deep Learning / Vaswani i in. (2017): Attention Is All You Need /

Transformer: attention i równoległe uczenie

Self-attention wyznacza zależności między reprezentacjami tokenów w kontekście. Transformer zastąpił konieczność rekurencyjnego przetwarzania sekwencji architekturą sprzyjającą równoległemu treningowi. Informację o kolejności trzeba reprezentować osobno.

Encoder służy m.in. reprezentacji wejścia, decoder - generacji, a encoder-decoder łączy te role. Równoległy trening nie oznacza, że autoregresyjna generacja całej odpowiedzi odbywa się jednocześnie.

Klasyfikacja opinii i generowanie uzasadnienia to różne zadania. Wybór architektury oraz modelu powinien uwzględniać jakość, opóźnienie i koszt na danym zbiorze opinii.

Vaswani i in. (2017): Attention Is All You Need / Google: Large Language Models /

Embedding i podobieństwo semantyczne

Embedding to reprezentacja obiektu jako wektora liczb. Model i metryka podobieństwa pozwalają porównywać reprezentacje tekstów lub obrazów; wyszukiwanie może odnaleźć treści powiązane znaczeniowo mimo innego słownictwa.

Wysokie podobieństwo nie dowodzi prawdziwości dokumentu ani zgodności z pytaniem. System musi uwzględnić wersję dokumentu, uprawnienia i trafność odnalezionego fragmentu.

W bazie badań marki zapytanie o bariery ponownego zakupu może odnaleźć materiały o retencji. Ocena obejmuje trafność wyników, nie tylko poprawność późniejszego streszczenia.

Google: Embeddings / Lewis i in. (2020): Retrieval-Augmented Generation /

RAG i fine-tuning: wiedza a parametry

RAG wyszukuje materiały i dołącza je do kontekstu generacji. Fine-tuning aktualizuje parametry modelu w dodatkowym treningu. Można stosować oba podejścia, ale rozwiązują inne problemy i wymagają osobnej oceny.

RAG nie gwarantuje braku halucynacji: błędny dokument lub interpretacja nadal daje błędną odpowiedź. Fine-tuning może zmieniać wiedzę modelu, lecz nie zapewnia kontrolowanej aktualizacji każdego faktu.

Dla zmiennej oferty promocyjnej utrzymuj wersjonowane źródło i wyszukiwanie. Powtarzalny format klasyfikacji zgłoszeń najpierw przetestuj promptem i przykładami, potem rozważ dostrajanie.

Lewis i in. (2020): Retrieval-Augmented Generation / Google: Fine-tuning, distillation and prompt engineering /

Benchmark, halucynacja i ocena odpowiedzi

Benchmark to ustalony zestaw zadań i reguł oceny. Własny test powinien obejmować język, domenę i przypadki brzegowe procesu. Halucynacją nazywa się m.in. wygenerowanie nieprawdziwej lub nieugruntowanej informacji.

Zgodność odpowiedzi ze źródłem nie jest tym samym co prawdziwość źródła. BLEU i ROUGE mierzą podobieństwo do tekstu referencyjnego, a nie pełną poprawność faktów. Samo polecenie dodania cytowań nie weryfikuje ich.

Dla raportów kampanijnych oceniaj liczby, definicje KPI, poprawność odniesień do okresu oraz zasadność rekomendacji. Koszt i czas odpowiedzi porównuj przy tej samej jakości zadania.

NIST: Generative AI Profile / Google: Accuracy, precision, recall and F1 / Papineni i in.: BLEU (2002) / Lin: ROUGE (2004) /

Precision, recall, F1: co liczymy?

Precision = TP/(TP+FP): jaki odsetek wskazań jest poprawny. Recall = TP/(TP+FN): jaki odsetek rzeczywistych przypadków wykryto. F1 jest średnią harmoniczną precision i recall; accuracy mierzy wszystkie poprawne klasyfikacje.

Przy rzadkich zdarzeniach wysoka accuracy może maskować niewykrywanie klasy istotnej biznesowo. Dobór progu zależy od kosztu przeoczenia i fałszywego alarmu.

Scenariusz liczbowy: wśród 80 rzeczywistych reklamacji wykryto 40. System zgłosił łącznie 50 alarmów. Precision = 40/50 = 80%; recall = 40/80 = 50%. Wysoka trafność alarmów współistnieje tu z przeoczeniem połowy reklamacji.

Google: Accuracy, precision, recall and F1 /

GAN, dyfuzja i spójność wideo

GAN uczy generator i dyskryminator poprzez przeciwstawne cele. W klasycznej dyfuzji trening polega na uczeniu odwracania zaszumiania, a generacja na stopniowym odszumianiu. Modele mogą działać w przestrzeni pikseli lub reprezentacji latentnej.

Dyfuzja nie jest synonimem każdej generacji obrazu. Wideo wymaga dodatkowo spójności obiektów i ruchu w czasie; estetyczna pojedyncza klatka nie wystarcza do oceny całego filmu.

W filmie produktowym kontroluj nie tylko stylistykę, ale także ciągłość logo, geometrię produktu i zgodność jego działania ze specyfikacją.

Goodfellow i in. (2014): Generative Adversarial Nets / Ho i in. (2020): Denoising Diffusion Probabilistic Models / Runway: dokumentacja narzędzi wideo /

Audio: reprezentacja, rozpoznanie i synteza

Mowa może być reprezentowana przez przebieg sygnału, spektrogram lub tokeny audio. ASR mapuje sygnał na tekst; TTS mapuje tekst i warunki głosu na dźwięk. Modele uczą się relacji z danych audio i tekstowych.

Transkrypcja, synteza mowy i klonowanie głosu nie są tym samym zadaniem. Jakość obejmuje poprawność słów, wymowę, zrozumiałość i uprawnienie do użycia głosu.

Przy transkrypcji call center sprawdź nazwy produktów, liczby i negacje. Błędnie rozpoznane zaprzeczenie może odwrócić sens analizy sentymentu.

Radford i in.: Robust Speech Recognition (Whisper) / ElevenLabs: Text to Speech /

Modele otwarte i zamknięte: warstwy kontroli

Open-weight oznacza dostęp do wag; nie gwarantuje dostępu do całego kodu, danych ani praw wymaganych przez definicję open source. Model zamknięty może być dostępny przez API. Licencję i warunki użycia trzeba ocenić oddzielnie.

Samodzielny hosting zmienia kontrolę nad infrastrukturą, nie usuwa ryzyk modelu. Dokładne obliczenia, wiążące decyzje i aktualne fakty wymagają narzędzi lub sprawdzania, nie wyłącznie swobodnej generacji.

W analizie poufnego briefu porównuj retencję, dostęp dostawcy, lokalizację przetwarzania, jakość oraz koszt utrzymania - nie tylko cenę tokena.

OSI: Open Source AI Definition 1.0 / NIST: Generative AI Profile /

Prompt engineering

Prompt jako specyfikacja zadania

Prompt zawiera instrukcję i kontekst wpływające na odpowiedź. Skuteczna specyfikacja określa cel, dane wejściowe, ograniczenia, format i kryterium poprawności. Rola przypisana modelowi nie zastępuje danych ani weryfikacji.

Nie każde zadanie potrzebuje długiego promptu. Istotna jest zgodność instrukcji, jednoznaczność i kompletność kontekstu, nie sama liczba szczegółów.

Zamiast prośby o insight określ: porównaj kanały według marży po koszcie mediów; rozdziel obserwację, hipotezę i rekomendację; wskaż brakujące dane; nie wnioskuj o przyczynowości z korelacji.

IAB Europe: AI Prompting Guide / Google: Fine-tuning, distillation and prompt engineering /

Iteracja promptu jako test

Porównuj wersje na tym samym zestawie przypadków i według tej samej rubryki oceny. Zachowaj model, dane wejściowe i ustawienia lub dokumentuj ich zmiany. Reprezentatywny test obejmuje także brak danych i sprzeczne instrukcje.

Poprawa jednego przykładu nie dowodzi poprawy całego procesu. Zbyt częste dostrajanie promptu do tego samego testu grozi dopasowaniem do testu zamiast generalizacji.

Dla analizy reklamacji porównaj błędy krytyczne, precyzję kategorii i koszt. Zarezerwuj nieużywany wcześniej zestaw do kontroli końcowej.

Google: Fine-tuning, distillation and prompt engineering / Google: Accuracy, precision, recall and F1 /

Zero-shot, few-shot, meta-prompt, chaining

Zero-shot nie zawiera przykładów zadania; few-shot podaje wzorcowe wejścia i odpowiedzi w kontekście. Meta-prompt pomaga opracować instrukcję. Chaining łączy etapy, w których wyjście jednego zasila następny.

Few-shot w promptcie nie aktualizuje wag modelu. Chaining to organizacja procesu, nie obietnica lepszego wyniku; błąd pierwszego kroku może zostać powielony.

Proces: wyodrębnienie claimów z kreacji, porównanie z dozwolonymi claimami, przygotowanie poprawek. Walidacja ekstrakcji jest warunkiem wiarygodności kolejnego etapu.

Google: Fine-tuning, distillation and prompt engineering / Anthropic: Building effective agents / IAB Europe: AI Prompting Guide /

Kontekst, format i kontrola wyniku

Oddziel instrukcje od danych, wskaż priorytety i oczekiwany schemat odpowiedzi. Dla zadań faktograficznych określ dozwolone źródła i zachowanie przy braku podstaw do odpowiedzi. Waliduj format i znaczenie niezależnie.

Poprawny JSON nie oznacza poprawnych faktów. Cytowanie i deklarowanie niepewności pomaga kontroli, ale nie gwarantuje prawdy. Treść dokumentu zewnętrznego nie powinna uzyskiwać statusu instrukcji systemowej.

Raport może mieć pola: obserwacja, źródło, ograniczenie, proponowany test. Reguła poza modelem sprawdza okres danych i poprawność obliczeń.

IAB Europe: AI Prompting Guide / OWASP: Prompt Injection /

Agenci i automatyzacja

Workflow i agent: kto wybiera kolejne kroki?

W rozróżnieniu architektonicznym Anthropic workflow prowadzi model przez zaprogramowane kroki; agent dynamicznie dobiera kolejne działania i narzędzia na podstawie wyników. Termin agent nie ma jednej powszechnie przyjętej granicy.

Autonomia nie jest celem sama w sobie. Stała procedura bywa lepsza, gdy potrzebne są przewidywalność, kontrola kosztu i audyt każdego etapu.

Cykliczny raport z trzech znanych systemów może być workflow. Dochodzenie przyczyn anomalii może uzasadniać adaptacyjny dobór zapytań, z limitem operacji.

Anthropic: Building effective agents /

Narzędzia agenta i zakres uprawnień

Narzędzia pozwalają odczytywać dane, liczyć, wyszukiwać i zapisywać zmiany. Ryzyko rośnie wraz z zakresem skutków działania. Uprawnienia, limity i zatwierdzanie powinny być egzekwowane poza promptem.

Prompt injection to próba skierowania modelu do niezamierzonego zachowania przez instrukcje, także ukryte w zewnętrznych danych. Sama prośba o ignorowanie takich instrukcji nie tworzy granicy bezpieczeństwa.

Agent czytający stronę konkurenta nie powinien na podstawie jej tekstu uzyskać prawa wysłania bazy klientów. Dostęp do poczty i CRM musi być jawnie ograniczony.

OWASP: Prompt Injection / OWASP: Excessive Agency /

Asystent, copilot i nadzór człowieka

Asystent zwykle wspiera zadanie inicjowane przez użytkownika, a system agentowy może kontynuować wieloetapowe działanie. Nazwa produktu nie przesądza o autonomii: oceniaj realny zakres decyzji, dostęp i warunki zatrzymania.

Nadzór nie jest skuteczny, gdy człowiek tylko mechanicznie zatwierdza wynik. Potrzebuje informacji, czasu, kompetencji oraz możliwości wstrzymania operacji.

Przed publikacją zmiany budżetu pokaż różnicę, uzasadnienie, limit ryzyka i możliwość odrzucenia. Sam przycisk akceptacji bez kontekstu nie wystarcza.

Anthropic: Building effective agents / NIST: AI Risk Management Framework /

AI w marketingu i organizacji

Wartość AI: efektywność a skuteczność

Automatyzacja może skracać pracę, predykcja poprawiać dobór działań, a generacja zwiększać liczbę wariantów. Wartość należy mierzyć względem punktu odniesienia oraz kosztu kontroli, integracji i utrzymania.

Efektywność produkcji nie jest skutecznością komunikacji. Więcej treści lub niższy koszt przygotowania nie dowodzą wzrostu sprzedaży, inkrementalnego zasięgu ani siły marki.

W pilotażu kreacji porównuj czas produkcji zaakceptowanego wariantu i odsetek błędów; wpływ na kampanię oceniaj osobnym testem z jasno określonym KPI.

IAB: AI in Advertising Use Case Map / NIST: AI Risk Management Framework / Google Ads: Conversion Lift i przyrost konwersji /

Sentyment, personalizacja i decyzja

Analiza sentymentu przypisuje wypowiedziom wydźwięk; analiza aspektowa wiąże go z konkretnym elementem oferty. Personalizacja dobiera treść lub ofertę, a model predykcyjny szacuje prawdopodobieństwo zachowania.

Wysokie prawdopodobieństwo zakupu nie oznacza wysokiej podatności na reklamę. Model skłonności przewiduje zdarzenie; ocena przyrostu po interwencji wymaga innego celu i odpowiednich danych.

Klient może kupić bez rabatu. Przyznawanie rabatu wyłącznie osobom o najwyższej skłonności do zakupu może obniżyć marżę bez dodatkowej sprzedaży.

Google: Machine Learning Crash Course / Google: Accuracy, precision, recall and F1 / NIST: AI Risk Management Framework / Google Ads: Conversion Lift i przyrost konwersji /

Dobór narzędzi i warunki wdrożenia

Oceniaj narzędzie na rzeczywistym zadaniu: jakość po polsku, dostęp do źródeł, integracje, koszty, opóźnienia i politykę danych. ChatGPT i Claude są przykładami asystentów ogólnego zastosowania; GPT skonfigurowany instrukcjami nie jest automatycznie nowym modelem.

Nazwa dostawcy nie opisuje całego systemu. Podłączenie dokumentów, narzędzi lub instrukcji może zmienić zachowanie bez trenowania wag. Dostępność funkcji zależy od konkretnej usługi i planu.

Porównaj dwa narzędzia na tych samych briefach i rubryce oceny. Nie przenoś wyników anglojęzycznego rankingu bezpośrednio na polskie claimy reklamowe.

OpenAI: Creating a GPT / Anthropic: Building effective agents / Google: Fine-tuning, distillation and prompt engineering /

Narzędzia kreatywne: rozpoznaj zastosowanie

Midjourney służy generowaniu obrazów z instrukcji; Stable Diffusion to rodzina modeli generowania obrazu. Runway oferuje generację i edycję wideo, HeyGen - m.in. awatary i lokalizację, ElevenLabs - syntezę mowy.

Granice funkcji nie są rozłączne i zmieniają się. W sylabusie zapis RunawayML jest interpretowany tutaj jako Runway; to korekta nazwy, nie dodatkowy temat egzaminu.

Dobór do briefu zależy od wejścia, kontroli produktu, ciągłości postaci i praw do głosu. Narzędzie do awatara nie zastępuje automatycznie generacji każdej sceny filmowej.

Midjourney: Prompt Basics / Runway: dokumentacja narzędzi wideo / HeyGen: awatary i lokalizacja wideo / ElevenLabs: Text to Speech / Ho i in. (2020): Denoising Diffusion Probabilistic Models / Stability AI: platforma modeli obrazu /

Centaur, Cyborg i granice wydajności

W badaniu HBS/BCG Centaur opisuje podział pracy między człowieka i AI, a Cyborg - częste przeplatanie ich wkładu w zadaniu. To wzorce współpracy, nie stopnie zaawansowania technologii.

Korzyść zależy od zadania. Badanie pokazało nierówną granicę możliwości AI: wsparcie może pomagać w jednych zadaniach i pogarszać poprawność w innych. Wyników nie należy uogólniać na każdą rolę.

Zespół strategii może delegować syntezę materiałów, zachowując dobór kryteriów; albo iteracyjnie współtworzyć strukturę analizy i weryfikować kolejne fragmenty.

HBS: Navigating the Jagged Technological Frontier /

Od pilotażu do procesu organizacyjnego

Pilotaż wymaga problemu, właściciela procesu, danych, punktu odniesienia oraz kryteriów akceptacji. Skalowanie dodaje szkolenia, monitoring, procedurę awarii, odpowiedzialność za zmiany i cykliczną ocenę ryzyka.

AI literacy to rozumienie możliwości, ograniczeń i ryzyk, a nie tylko umiejętność pisania promptów. Strategia powinna obejmować kompetencje danych, krytyczną ocenę i zarządzanie procesem.

Przed automatyzacją raportów sprawdź liczbę korekt, czas walidacji i odsetek poprawnych wniosków. Pilotaż kończy się decyzją według kryteriów, nie tylko prezentacją demonstracyjną.

NIST: AI Risk Management Framework / Unia Europejska: AI Act, rozporządzenie 2024/1689 /

Display i programmatic

Programmatic: gdzie działają modele

W zakupie programmatic modele mogą prognozować kliknięcie, konwersję i jej wartość, wyceniać okazję reklamowe, sterować tempem wydatkowania i dobierać kreację. Wykrywanie anomalii może wspierać ocenę jakości ruchu.

Programmatic nie jest synonimem AI ani GenAI. Zakup może wykorzystywać reguły, modele statystyczne i uczenie maszynowe, a generacja kreacji stanowi oddzielną funkcję.

W ocenie DSP sprawdź, który model optymalizuje jaką decyzję, z jakiego sygnału się uczy i jakie ograniczenia pozostają w kontroli kupującego.

IAB: AI in Advertising Use Case Map / Google Ads: Smart Bidding / Google DV360: strategie zakupu i optymalizacji /

Bidding, pacing i funkcja celu

Bidding określa stawkę dla okazji reklamowej, a pacing reguluje tempo wydatkowania w czasie. Dobór celu konwersji oraz jej wartości kształtuje to, czego system się uczy i jakie okazje uznaje za korzystne.

Niższy CPA nie musi oznaczać lepszej ekonomiki. Jeśli sygnałem jest tani formularz zamiast kwalifikowanego leada, optymalizacja może przesuwać budżet w stronę pozornej skuteczności.

Zespół porównuje koszt kwalifikowanego leada i udział wygranych umów, uwzględniając opóźnienie CRM. Nie ocenia modelu wyłącznie po liczbie formularzy.

Google Ads: Smart Bidding / Google: Production ML systems / Google DV360: budżety i tempo wydatkowania / Google DV360: strategie zakupu i optymalizacji /

Optimized targeting a segment podobnych odbiorców

Zoptymalizowane kierowanie Google może korzystać z wybranych segmentów jako sygnałów i wyjść poza nie, szukając konwersji. Model podobieństwa odbiorców opiera się natomiast na podobieństwie do grupy bazowej.

To różne mechanizmy. Sygnał odbiorców nie zawsze jest sztywnym ograniczeniem dostarczania reklamy. Zakres kontroli i wykluczeń należy sprawdzić dla typu kampanii.

W planie mediowym oddziel deklarowany segment od faktycznego zasięgu automatycznej optymalizacji. Sprawdzaj wyniki, wykluczenia i zgodność z dozwolonym sposobem wykorzystania danych.

Google Ads: Optimized targeting /

DSP: model zakupu a jakość danych

DSP jest platformą po stronie popytu, która wspiera zakup i zarządzanie emisją. Modele mogą wykorzystywać kontekst, sygnały odbiorców, kreacje i dane konwersyjne. Zakres funkcji zależy od dostawcy i konfiguracji.

Algorytm nie naprawia automatycznie nieprawidłowej atrybucji ani niskiej jakości inventory. Ocena powinna obejmować transparentność dostaw, pomiar widoczności i ruchu nieważnego, nie tylko wynik modelu.

DV360 i The Trade Desk to przykłady DSP, a nie nazwy algorytmów. Porównuj możliwości automatyzacji z jakością pomiaru i dostępną kontrolą kampanii.

IAB: AI in Advertising Use Case Map / Google DV360: strategie zakupu i optymalizacji /

Generacja kreacji a optymalizacja emisji

Generator tworzy lub modyfikuje zasoby; model dostarczania wybiera wariant i odbiorcę według celu kampanii. Dynamic creative optimization może składać istniejące elementy bez generowania nowych pikseli czy tekstu.

Prompt określa kierunek, ale nie gwarantuje oryginalności ani zgodności produktu. Automatyczna selekcja wariantu nie jest tym samym co kontrolowany test jego wpływu.

Przy skalowaniu packshotów trzymaj prawdziwy produkt jako referencję, waliduj elementy marki i testuj warianty z porównywalną ekspozycją.

IAB: AI in Advertising Use Case Map / Ho i in. (2020): Denoising Diffusion Probabilistic Models / Midjourney: Prompt Basics /

SEM i SEO

Smart Bidding: predykcja na poziomie aukcji

Smart Bidding wykorzystuje sygnały aukcyjne do optymalizacji konwersji lub ich wartości. Obejmuje m.in. strategie maksymalizacji konwersji i wartości z opcjonalnymi celami CPA lub ROAS, zależnie od konfiguracji.

Automatyczne ustalanie stawek jest pojęciem szerszym niż Smart Bidding. Nie każda automatyczna strategia optymalizuje konwersje. Poprawne tagowanie nie wystarcza, gdy sama konwersja nie odzwierciedla celu.

Dla e-commerce uwzględnij wartość zakupu, zwroty i różnice marży. Dla lead generation jakość informacji zwrotnej z CRM wpływa na sens optymalizacji.

Google Ads: Smart Bidding /

PMax, DSA, App campaigns i broad match

Performance Max realizuje cele na wielu zasobach reklamowych; DSA dopasowuje zapytania do treści witryny i dynamicznie tworzy elementy reklamy; App campaigns służą promocji aplikacji. Broad match to typ dopasowania słowa, nie typ kampanii.

Sylabus używa nazw Universal App Campaigns i SGE. Zachowaj ich znaczenie, ale odróżniaj historyczne nazwy od aktualnego interfejsu. Szczegóły produktowe nie zastępują mechanizmu.

Kampania DSA wymaga odpowiedniej struktury i treści witryny, a PMax jakości zasobów i pomiaru celu. Nie traktuj ich jako wymiennych sposobów wpisania słów kluczowych.

Google Ads: Performance Max / Google Ads: Dynamic Search Ads / Google Ads: dopasowanie słów kluczowych /

SGE, AI Overviews i AI Mode

SGE było nazwą eksperymentu z odpowiedziami generatywnymi w wyszukiwarce Google. AI Overviews i AI Mode zmieniają sposób prezentacji odpowiedzi i odkrywania źródeł. Google wskazuje, że nadal obowiązują podstawy SEO.

Query fan-out oznacza wykonywanie powiązanych zapytań pomocniczych. Nie wynika z niego gwarancja cytowania konkretnej strony ani potrzeba osobnego znacznika schema wyłącznie dla AI.

W raportowaniu oddziel obecność marki w odpowiedzi od kliknięć, sesji i efektu biznesowego. Nie utożsamiaj cytowania z przypisaną konwersją.

Google Search Central: AI features and your website /

Atrybucja, przyrost i KPI

Atrybucja oparta na danych przypisuje udziały w konwersji punktom styku według modelu. Inkrementalność pyta, co wydarzyłoby się bez działania. Raport atrybucyjny nie zastępuje bezpośrednio oszacowania kontrfaktycznego efektu kampanii.

ROAS to przychód przypisany reklamie podzielony przez wydatek reklamowy; nie jest marżą ani zyskiem. CPA, CVR i wartość konwersji odpowiadają na różne pytania.

Zmiana modelu atrybucji może przesunąć konwersje między kanałami bez zmiany sprzedaży ogółem. Test z grupą kontrolną pomaga zbadać przyrost.

Google Ads: Data-driven attribution / Google Ads: Smart Bidding / Google Ads: Conversion Lift i przyrost konwersji /

Quality Score, Ad Strength i wynik biznesowy

Quality Score (1-10) to diagnostyka na poziomie słowa: oczekiwany CTR, trafność reklamy i jakość strony docelowej. Ad Strength w RSA to ocena zasobów i wskazówki dotyczące ich poprawy.

Raportowany Quality Score nie jest bezpośrednim wejściem aukcji. Ocena Ad Strength nie jest ROAS ani gwarancją emisji. Sygnały jakości wykorzystywane w aukcji i raport diagnostyczny to różne rzeczy.

Reklama z wysoką oceną zasobów może przynosić nieopłacalne konwersje. Diagnostykę łącz z zapytaniami, wartością konwersji i kosztem.

Google Ads: Quality Score / Google Ads: Ad Strength w reklamach RSA /

Zasoby reklamowe, struktury słów i feed

AI wspiera grupowanie intencji, tworzenie wersji tekstu i sprawdzanie danych produktowych. Feed dostarcza ustrukturyzowanych faktów: identyfikatora, ceny, dostępności i atrybutów. Nie powinien być uzupełniany wymyślonymi cechami.

Generacja i walidacja muszą być rozdzielone. Rozbudowanie zasobów nie rekompensuje błędnej ceny ani niespójności strony docelowej. Automatyczne rozszerzanie kreacji wymaga kontroli claimów.

Przy 20 tys. SKU narzędzie może wytypować brakujące atrybuty, lecz wartości pobiera z PIM lub zatwierdzonej dokumentacji. Próbka po zmianie sprawdza fakty, nie tylko poprawność języka.

Google Ads: Performance Max / Google Search Central: generative AI content / Google: Production ML systems /

SEO: użyteczność treści i kontrola jakości

Google nie zakazuje treści wyłącznie z powodu użycia AI. Istotne są wartość dla odbiorcy i zgodność z zasadami wyszukiwania. Masowe tworzenie stron bez wartości, w celu manipulowania rankingiem, może naruszać zasady spamu.

Pokrycie słów kluczowych nie jest równoważne ekspertyzie. Treść powinna mieć weryfikowalne dane, jasno określoną intencję i własny wkład, nie tylko parafrazę konkurencji.

Proces redakcyjny: wybór pytania odbiorcy, sprawdzenie źródeł, opracowanie odpowiedzi, kontrola faktów i publikacja. AI może pomóc na każdym etapie, ale nie przejmuje odpowiedzialności za treść.

Google Search Central: generative AI content / Google Search Essentials /

Audyt techniczny, linkowanie i testy SEO

AI może analizować eksport crawla, logi, mapy witryny i linkowanie, grupować błędy oraz proponować priorytety. Dane o indeksowaniu, canonical, przekierowaniach i renderowaniu trzeba weryfikować narzędziami technicznymi.

Model nie zna aktualnego stanu witryny bez danych lub narzędzi. Analiza linków konkurencji nie uprawnia do kopiowania ich strategii ani kupowania manipulacyjnych linków.

W teście SEO porównuj podobne grupy stron, uwzględniając sezonowość i zmiany serwisu. Sam wzrost ruchu po publikacji nie dowodzi efektu rekomendacji AI.

Google Search Essentials / Google Search Central: generative AI content /

Wideo

Wideo: wejścia, generacja, ograniczenia

Text-to-video tworzy sekwencję z opisu, image-to-video wykorzystuje obraz jako warunek wejściowy. Narzędzia mogą też wspierać edycję, awatary i lokalizację. Funkcja produktu nie oznacza jednej uniwersalnej architektury modelu.

Kontrola ruchu, tożsamości obiektu i montażu jest innym problemem niż sama jakość pojedynczej klatki. Wynik wymaga kontroli temporalnej, produktowej i prawnej.

W reklamie urządzenia technicznego sprawdź, czy film nie sugeruje nieistniejącej funkcji. Realistyczny obraz nie stanowi dowodu właściwości produktu.

Runway: dokumentacja narzędzi wideo / HeyGen: awatary i lokalizacja wideo / Ho i in. (2020): Denoising Diffusion Probabilistic Models /

Cel kampanii wideo a optymalizacja

Model może optymalizować obejrzenie, kliknięcie, konwersję lub jej wartość. Cel wpływa na wybór odbiorcy, emisji i stawki. Personalizacja może dotyczyć produktu, CTA lub wersji językowej.

Wysoki wskaźnik obejrzeń nie dowodzi wzrostu znajomości marki ani sprzedaży. Wynik należy odnieść do celu: zasięgu i badania brand lift albo efektu sprzedażowego.

W kampanii premiery produktu nie zastępuj pomiaru zapamiętania komunikatu samym VTR. Przy celu sprzedażowym oceniaj wartość konwersji i koszt z uwzględnieniem ograniczeń pomiaru.

IAB: AI in Advertising Use Case Map / Google Ads: Smart Bidding / Google Ads: Conversion Lift i przyrost konwersji /

Analiza kreacji: cechy a związek przyczynowy

Modele multimodalne mogą opisywać sceny, obiekty, mowę i moment pojawienia się marki. Połączenie tych etykiet z danymi kampanii pomaga stawiać hipotezy o skuteczności elementów.

Korelacja cechy z wynikiem może wynikać z budżetu, odbiorców, sezonu lub placementu. Automatyczne tagowanie też wymaga walidacji: błędna etykieta osłabia analizę.

Wcześniejsze pokazanie produktu koreluje z wyższym CVR. Kolejny krok to test wariantów przy porównywalnym dostarczaniu, nie uznanie korelacji za regułę uniwersalną.

IAB: AI in Advertising Use Case Map / Google: Machine Learning Crash Course / Kohavi i in.: Controlled Experiments on the Web /

Preprodukcja i postprodukcja

AI może wspierać scenariusz, storyboard, wersje ujęć, montaż, usuwanie obiektów, dubbing i dopasowanie ruchu ust. Każdy etap ma odrębne kryteria odbioru i prawa do materiałów wejściowych.

Zgoda na nagranie nie musi obejmować klonowania głosu lub użycia w innym kontekście. Warunki licencji narzędzia nie zastępują praw do wizerunku, muzyki i utworów.

W lokalizacji kampanii sprawdź znaczenie claimu, wymowę nazwy produktu i synchronizację. Tłumaczenie literalne nie gwarantuje zgodności prawnej na nowym rynku.

Runway: dokumentacja narzędzi wideo / HeyGen: awatary i lokalizacja wideo / ElevenLabs: Text to Speech / Ustawa o prawie autorskim i prawach pokrewnych / Kodeks cywilny, art. 23 i 24 /

Predykcja kreacji a eksperyment

Model predykcyjny ocenia wariant na podstawie historycznych zależności. Kontrolowany eksperyment porównuje warianty według uprzednio ustalonego celu i sposobu podziału odbiorców.

AI może priorytetyzować hipotezy, lecz przewidywany wynik nie zastępuje obserwacji. Zmiana oferty, rynku lub sposobu emisji może ograniczyć przydatność danych historycznych.

Testuj jedną istotną hipotezę, np. kolejność argumentów. Z góry określ główny KPI, minimalny efekt biznesowy i warunki zakończenia, zamiast zatrzymywać test po pierwszym korzystnym wyniku.

Google: Machine Learning Crash Course / NIST: AI Risk Management Framework / Kohavi, Deng, Vermeer: A/B Testing Intuition Busters /

E-commerce

Popyt, cena i zapas: odrębne modele

Prognoza popytu szacuje zapotrzebowanie w określonym horyzoncie. Obserwowana sprzedaż zależy także od dostępności produktu. Dynamic pricing zmienia cenę według sygnałów popytu, podaży i reguł biznesowych. Planowanie zapasu łączy prognozę z czasem dostawy i kosztem braku produktu.

Obserwowana sprzedaż podczas braku zapasu nie jest pełną miarą popytu. Cena spersonalizowana dla osoby nie jest tym samym co wspólna cena dynamiczna.

Gdy SKU było niedostępne, niski wolumen nie musi oznaczać słabego zainteresowania. Przed automatycznym zamówieniem uwzględnij dostępność, promocje i czas uzupełnienia.

Google: Machine Learning Crash Course / UOKiK: obowiązki informacyjne wobec konsumenta / Hyndman i Athanasopoulos: Forecasting, zakres prognozy /

Opis produktu: generacja z kontrolowanych faktów

Automatyzacja opisów powinna wykorzystywać dane PIM lub inne zatwierdzone źródło. Model przekształca fakty w tekst, a walidacja sprawdza atrybuty, ograniczenia claimów i zgodność z wersją produktu.

Brak informacji nie uprawnia do jej dopowiedzenia. Wygenerowana cecha może stać się wprowadzającą w błąd obietnicą, nawet gdy tekst jest poprawny językowo.

Automatyczny proces blokuje publikację informacji o certyfikacji, której nie ma w danych. Brak kieruje do weryfikacji, a nie do kreatywnego uzupełnienia.

Google Search Central: generative AI content / NIST: Generative AI Profile / UOKiK: obowiązki informacyjne wobec konsumenta /

Rekomendacje, cross-sell i upsell

Content-based filtering korzysta z cech produktów i preferencji użytkownika. Collaborative filtering wykorzystuje wzorce interakcji wielu użytkowników i produktów. Systemy hybrydowe łączą sygnały; ranking może uwzględniać ograniczenia biznesowe.

Cross-sell proponuje ofertę uzupełniającą, upsell - wyższy wariant. Sam wzrost AOV nie dowodzi wzrostu zysku ani inkrementalnej sprzedaży.

Po zakupie systemu analitycznego oferta dodatkowego modułu to cross-sell, a przejście na szerszy plan tego systemu to upsell. Oceń także marżę i utrzymanie klienta.

Google: Collaborative filtering / Google: Content-based filtering / Google: systemy rekomendacyjne /

Opinie i zachowania klientów

Analiza opinii łączy klasyfikację tematów, sentymentu i aspektów z danymi zachowań. Pozwala rozpoznać problemy produktu, dostawy lub obsługi, jeśli kategorie i próba są odpowiednio zdefiniowane.

Osoby piszące recenzje nie muszą reprezentować wszystkich klientów. Wzrost negatywnego sentymentu może odzwierciedlać zmianę próby lub kanału, nie tylko pogorszenie usługi.

Raport o opóźnieniach dostaw zestaw z rzeczywistym czasem dostawy, zwrotami i ponownymi kontaktami. Zachowaj odrębnie dowód, interpretację i rekomendację.

Google: Machine Learning Crash Course / Google: Accuracy, precision, recall and F1 / NIST: AI Risk Management Framework /

Cold start, drift i pętle rekomendacji

Cold start to niedobór historii nowego klienta lub produktu. Data drift oznacza zmianę rozkładu danych wejściowych; concept drift - zmianę relacji między wejściem a celem. Oba mogą osłabić model.

Rekomendowanie głównie produktów popularnych może wzmacniać ich ekspozycję i dalszą popularność. Model uczy się wtedy także skutków własnych decyzji.

Dla nowego produktu wykorzystaj jego cechy i kontrolowaną ekspozycję. Monitoruj nie tylko CTR, ale różnorodność oferty, marżę i błędy w nowych segmentach.

Google: systemy rekomendacyjne / Google: Content-based filtering / Google: Production ML systems /

Obsługa klienta: automatyzacja a rozwiązanie sprawy

AI może klasyfikować zgłoszenia, pobierać status zamówienia, proponować odpowiedzi i kierować sprawy do zespołu. Zmiana zamówienia wymaga uwierzytelnienia oraz uprawnień niezależnych od języka rozmowy.

Containment rate mierzy zatrzymanie spraw w automatycznym kanale według przyjętej definicji; nie oznacza automatycznie ich poprawnego rozwiązania. Ważne są ponowne kontakty, CSAT i jakość odpowiedzi.

Bot kończy wiele rozmów, ale klienci wracają z tą samą sprawą. Wynik operacyjny oceniaj łącznie z kontaktem powtórnym i próbką audytu rozmów.

Anthropic: Building effective agents / OWASP: Excessive Agency /

Analityka i UX

UX: hipoteza, eksperyment, interpretacja

AI może wykrywać wzorce w ścieżkach i proponować hipotezy. Test A/B wymaga poprawnego przydziału, spójnego pomiaru oraz z góry określonego kryterium. Główną metrykę warto uzupełnić metrykami ochronnymi.

Większa liczba kliknięć w element nie zawsze oznacza lepszy UX. Może sygnalizować dezorientację. Personalizacja i eksperyment to odrębne funkcje systemu.

W teście uproszczonego checkoutu głównym KPI może być ukończenie zakupu, a ochronnym liczba błędów lub reklamacji. Hipotezę AI sprawdzasz na zdarzeniach, nie opinii modelu.

Google: Machine Learning Crash Course / NIST: AI Risk Management Framework / Kohavi i in.: Controlled Experiments on the Web / Kohavi, Deng, Vermeer: A/B Testing Intuition Busters /

GA4: co dokładnie przewidują metryki

W GA4 churn probability dotyczy użytkownika aktywnego w ostatnich 7 dniach i prawdopodobieństwa braku aktywności w kolejnych 7. Purchase probability dotyczy aktywnych w ostatnich 28 dniach i zakupu w kolejnych 7.

Churn GA4 nie oznacza automatycznie rezygnacji z płatnej subskrypcji. Metryki wymagają kwalifikujących danych i jakości modelu; nie są dostępne dla każdej usługi ani aktualizowane dla każdego zdarzenia w czasie rzeczywistym.

Audyt definicji poprzedza aktywację segmentu. Nie nazywaj segmentu GA4 klientami zagrożonymi wypowiedzeniem umowy bez niezależnego powiązania tej miary z CRM.

Google Analytics: Predictive metrics /

Behavioral targeting i decyzja w czasie rzeczywistym

Targetowanie behawioralne wykorzystuje sygnały zachowań do dopasowania kontaktu. Predykcja szacuje zdarzenie, a logika decyzyjna wybiera działanie spośród dozwolonych opcji. Szybkość zależy od całego przepływu danych.

Zdarzenie dostępne natychmiast nie oznacza natychmiastowego przeliczenia każdego modelu. Wybór kanału musi uwzględniać zgody, sprzeciw, częstotliwość i aktualny stan klienta.

Po porzuceniu koszyka system sprawdza, czy zakup już nastąpił w innym kanale. Bez aktualizacji statusu może wysłać nieadekwatny rabat.

Google: Production ML systems / EROD: prawa osób, których dane dotyczą /

Anomalie i rekomendacje analityczne

Model wykrywa odchylenie od wzorca, niekoniecznie jego przyczynę. Interpretacja wymaga kontroli implementacji pomiaru, zakresu danych, sezonowości i zmian produktu. Automatyczna rekomendacja jest hipotezą do sprawdzenia.

Brak danych nie jest zerowym wynikiem. Zmiana definicji zdarzenia może wywołać alarm mimo niezmienionego zachowania klientów.

Po wdrożeniu checkoutu spada liczba purchase. Najpierw sprawdź transakcje w systemie sprzedażowym i wysyłkę zdarzeń, zanim obniżysz budżet kampanii.

Google: Production ML systems / Google Analytics: Predictive metrics / Kohavi i in.: Controlled Experiments on the Web /

Social media

Ranking organiczny na platformach społecznościowych

Platforma korzysta z wielu systemów rekomendacji dla różnych powierzchni. Modele przewidują reakcje na treść, wykorzystując sygnały aktywności i kontekst. Meta opisuje oddzielne systemy m.in. dla Feed, Stories i Reels.

Nie ma jednego stałego przelicznika polubień na zasięg. Optymalizacja pojedynczego sygnału nie gwarantuje dystrybucji; znaczenie mają także zasady kwalifikacji i jakości treści.

Analizuj utrzymanie uwagi i reakcje w kontekście formatu oraz odbiorców. Nie przenoś prostego wzorca z Reels na każdą powierzchnię.

Meta: How AI ranks content on Facebook and Instagram /

Social paid i organic: dwa procesy dystrybucji

Ranking treści organicznych porządkuje kandydatów dla odbiorcy; system reklamowy dodatkowo uwzględnia cel kampanii, aukcję, budżet i ograniczenia dostarczania. Oba mogą korzystać z predykcji, ale nie mają identycznego zadania.

Wysoki wynik organiczny nie gwarantuje wysokiego ROAS w kampanii płatnej. Automatyzacja grupy, stawek i zasobów to oddzielne funkcje; harmonogram publikacji nie zastępuje kontroli celu mediowego.

Popularny post testuj jako reklamę względem celu kampanii i odpowiedniej grupy. Sprawdzaj jakość konwersji, nie przenoś samego wskaźnika reakcji.

Meta: How AI ranks content on Facebook and Instagram / IAB: AI in Advertising Use Case Map / Meta Engineering: modele rekomendacji reklam (GEM) /

Voice of Customer: język i reprezentatywność

VoC obejmuje systematyczne rozpoznawanie potrzeb, obaw i języka klientów. NLP wspiera grupowanie tematów i analizę sentymentu. Kluczowe jest zachowanie kontekstu wypowiedzi oraz rozróżnienie klientów od innych autorów.

Częstość wzmianki nie jest automatycznie ważnością potrzeby ani jej zasięgiem w populacji. Ironia, negacja, slang i wiele aspektów w jednej opinii utrudniają klasyfikację.

W analizie komentarzy o usłudze oddziel temat ceny od problemu rozliczenia. Jedna negatywna etykieta dla całej wypowiedzi może ukryć różne przyczyny.

Google: Machine Learning Crash Course / Google: Accuracy, precision, recall and F1 /

Repurposing bez utraty znaczenia

Repurposing adaptuje materiał do innego formatu, kanału lub odbiorcy. Model może wyodrębnić wątki, skrócić tekst i zaproponować strukturę, lecz transformacja powinna zachować dowody i ograniczenia.

Skrót może usunąć warunek, który decyduje o prawdziwości zdania. Wersja krótsza nie może zmieniać korelacji w obietnicę przyczynową.

Z raportu o wyniku w określonej próbie przygotuj post, który zachowuje wielkość próby i warunki badania, zamiast uniwersalnego claimu o wzroście sprzedaży.

NIST: Generative AI Profile / Google Search Central: generative AI content /

Moderacja: koszt fałszywych alarmów

Klasyfikator może kierować komentarze do obsługi, moderacji lub eskalacji. Próg decyzji wpływa na liczbę fałszywych alarmów i przeoczonych naruszeń. Koszty tych błędów są różne.

Podniesienie recall zwykle wiąże się z innym bilansem false positives. Bez znajomości błędów nie można oceniać moderacji samym accuracy.

Automatyczne ukrywanie krytycznych, ale prawidłowych komentarzy grozi utratą zaufania. Dla treści spornych przewidź przegląd człowieka i ścieżkę odwołania.

Google: Accuracy, precision, recall and F1 / NIST: AI Risk Management Framework /

Mobile i cross-channel

Chatbot w kanale mobilnym

Chatbot łączy rozpoznanie intencji, wiedzę i ewentualne operacje w systemach. Ocena potencjału powinna uwzględniać powtarzalność spraw, dostępność danych, koszt błędu i możliwość eskalacji.

Personalizacja nie uprawnia do ujawnienia danych. Historia rozmowy ani poprawne imię klienta nie są wystarczającym uwierzytelnieniem.

Bot w aplikacji może odczytać status zamówienia po bezpiecznej identyfikacji, lecz zmiana adresu lub zwrot powinny przejść przez uprawnioną operację systemową.

Anthropic: Building effective agents / OWASP: Excessive Agency / EROD: prawa osób, których dane dotyczą /

Interfejs głosowy: ASR, NLP, TTS

ASR zamienia mowę na tekst; NLP lub LLM interpretuje intencję; narzędzie może pobrać dane; TTS syntetyzuje mowę. Nie każde wyszukiwanie głosowe wymaga generatywnego LLM.

Błąd transkrypcji może zmienić intencję, kwotę lub nazwę. Naturalny głos wyjściowy nie poprawia błędnego rozpoznania wejścia.

Przy pytaniu o saldo lub zmianę zamówienia potwierdź rozpoznane dane krytyczne, uwzględniając hałas, akcent i podobne nazwy produktów.

Radford i in.: Robust Speech Recognition (Whisper) / ElevenLabs: Text to Speech /

Cross-channel: wspólna logika kontaktu

Logika next best action wybiera dozwoloną ofertę, kanał i czas, a czasem brak kontaktu. Potrzebuje spójnej tożsamości klienta, sygnałów zachowań oraz limitów kontaktu.

Multichannel to obecność w wielu kanałach; spójna koordynacja wymaga wymiany danych. Optymalizacja każdego kanału osobno może powodować nadmierny łączny kontakt.

Po zakupie zatrzymaj sekwencję przypomnień o koszyku w e-mailu i SMS. Personalizację uruchamiaj dopiero po sprawdzeniu zgód oraz sprzeciwu.

Mailchimp: narzędzia i funkcje / Prawo komunikacji elektronicznej, w szczególności art. 398 / EROD: prawa osób, których dane dotyczą /

Content marketing

Styl marki a odtwarzanie autora

Model może odwzorowywać cechy stylu opisane regułami i przykładami. Dla marki przydatne są zasady tonu, słownictwo, ograniczenia claimów oraz wzorce redakcyjne. Treść nadal wymaga weryfikacji.

Styl jako ogólna cecha nie jest tym samym co konkretny chroniony utwór. Wykorzystanie rozpoznawalnych fragmentów, wizerunku lub nazwiska wymaga odrębnej oceny prawnej.

Zamiast kopiować tekst autora, opisz cechy: krótkie zdania, jawne założenia, argument oparty na danych, bez superlatywów. Materiały referencyjne muszą być legalnie wykorzystywane.

IAB Europe: AI Prompting Guide / Ustawa o prawie autorskim i prawach pokrewnych / Kodeks cywilny, art. 23 i 24 /

Treść ekspercka: od źródła do tezy

AI może wspierać research, strukturę argumentu, szkic i aktualizację. O jakości decydują źródła, rozumowanie oraz redakcja. Wygenerowany przypis trzeba sprawdzić: dokument musi istnieć i wspierać wskazaną tezę.

Zgodność językowa nie jest zgodnością faktograficzną. Liczba źródeł nie zastępuje ich trafności. Treść z aktualizowanymi danymi wymaga ponownej oceny wniosków.

Po podmianie wyniku badania sprawdź, czy wniosek w leadzie nadal wynika z danych oraz czy porównywane okresy i populacje pozostały te same.

NIST: Generative AI Profile / Google Search Central: generative AI content /

Narzędzia do treści: klasy zastosowań

Nazwy w sylabusie wskazują klasy narzędzi: ChatGPT, Custom GPTs i Claude - praca z językiem i dokumentami; Perplexity - wyszukiwanie wspierane generacją; Jasper, Copy.ai, Writesonic i Rytr - procesy tworzenia treści; Grammarly - redakcja językowa; Surfer SEO i Clearscope - wsparcie optymalizacji treści. Zakres funkcji zmienia się i częściowo nakłada.

To mapa nazw wymienionych w sylabusie 02.2025, nie ranking ani deklaracja aktualnego zakresu każdego planu. Wynik narzędzia SEO opisuje jego kryteria; nie gwarantuje pozycji ani prawdziwości tekstu. Przy wyborze sprawdź aktualną dokumentację produktu i zadanie na danych firmy.

Do zadania z weryfikowalnymi faktami oceniaj trafność cytowań; do utrzymania tonu - spójność z wytycznymi; do SEO - wartość dla intencji, nie tylko wynik narzędzia.

OpenAI: Creating a GPT / Google Search Central: generative AI content / IAB Europe: AI Prompting Guide / Surfer: znaczenie Content Score / Clearscope: optymalizacja treści /

Personalizacja treści i asystent wiedzy

Personalizacja może dobierać temat, kolejność modułów i poziom szczegółowości. Chatbot może nawigować po treściach i odpowiadać z bazy wiedzy. Użyteczność zależy od danych, dostępu i kontroli odpowiedzi.

Nie każdy segment uzasadnia osobny tekst. Personalizacja bez poprawnego rozpoznania potrzeby może pogorszyć doświadczenie i utrwalić stereotyp.

W serwisie B2B odbiorca techniczny otrzymuje specyfikację, a finansowy analizę kosztów, lecz oba warianty muszą pozostać zgodne co do cech produktu i warunków oferty.

Google: systemy rekomendacyjne / Lewis i in. (2020): Retrieval-Augmented Generation / EROD: prawa osób, których dane dotyczą /

E-mail i lead generation

E-mail: model, reguła i generacja

Automatyzacja regułowa reaguje na zdefiniowane warunki; model przewiduje skłonność lub wartość; GenAI tworzy wariant tekstu. Sekwencja marketingowa może łączyć te trzy warstwy.

Nie każda personalizacja wymaga ML. Imię w temacie i trigger po pobraniu raportu mogą działać bez modelu. Zastosowanie AI powinno mieć mierzalną przewagę nad regułą.

Segment kwalifikowanych leadów otrzymuje dopasowany argument i dozwolony kontakt. Oceń konwersję na spotkanie lub sprzedaż, a nie tylko atrakcyjność treści.

Mailchimp: narzędzia i funkcje / Google: Machine Learning Crash Course /

Send-time optimization a wynik sprzedażowy

STO wykorzystuje historię zaangażowania do wyboru czasu wysyłki. Dokumentacja Mailchimp opisuje dobór pory zwiększającej prawdopodobieństwo otwarcia. Działanie zależy od dostępności danych oraz funkcji platformy.

Optymalizacja otwarć nie jest optymalizacją marży. Pomiar otwarć może być zniekształcony przez mechanizmy ochrony prywatności. Oceniaj także kliknięcia, konwersje, wypisy i dostarczalność.

Porównaj STO z dotychczasowym harmonogramem w kontrolowanej próbie. Z góry określ, czy celem jest zaangażowanie, przychód czy wartość klienta.

Mailchimp: Send Time Optimization / Apple: Mail Privacy Protection /

Segmentacja predykcyjna i ograniczenia

Klasteryzacja odkrywa grupy, klasyfikacja przewiduje kategorię lub zdarzenie, regresja wartość, a ranking porządkuje oferty. Modele wykorzystuje się m.in. do segmentacji, lead scoringu i wyboru oferty.

Nowi odbiorcy mogą mieć za mało historii; sezonowość i zmiana oferty osłabiają model. Etykieta kliknięcia uczy innego celu niż etykieta sprzedaży.

Model przewidujący kliknięcie nie musi preferować odbiorców o najwyższej marży. Monitoruj cel, błędy w segmentach i zmiany danych.

Google: Machine Learning Crash Course / Mailchimp: narzędzia i funkcje / Google: Production ML systems /

Etyka, prawo i bezpieczeństwo

Etyka: dane, narzędzie, zastosowanie

Ocena etyczna obejmuje wybór danych, sposób działania narzędzia i skutki zastosowania. Ważne są przejrzystość, rzetelność, prywatność i możliwość kontroli. NIST porządkuje zarządzanie ryzykiem w funkcjach Govern, Map, Measure, Manage.

Zgodność prawna nie wyczerpuje oceny etycznej. Równy wynik średni może ukrywać nierówne błędy między grupami. Wynik modelu nie przenosi odpowiedzialności z organizacji na technologię.

Przed personalizacją oferty sprawdź, czy cechy nie są zastępnikami wrażliwych atrybutów i czy klient może zakwestionować istotną decyzję.

NIST: AI Risk Management Framework / EROD: prawa osób, których dane dotyczą /

AI Act: przeznaczenie, ryzyko i role

Obowiązki zależą od rodzaju systemu, jego przeznaczenia i roli podmiotu. Dostawca opracowuje lub zleca opracowanie systemu i wprowadza go na rynek albo oddaje do użytku pod swoją nazwą. Podmiot stosujący używa systemu pod swoją kontrolą. Praktyki zakazane, systemy wysokiego ryzyka i obowiązki transparentności podlegają różnym wymaganiom.

Kampania reklamowa nie staje się automatycznie systemem wysokiego ryzyka tylko dlatego, że korzysta z AI. Zmiana przeznaczenia lub istotna modyfikacja może jednak zmieniać obowiązki. Harmonogram ma przepisy przejściowe.

Dla chatbota opisz rolę organizacji i rodzaj interakcji, a dla generowania materiałów także obowiązki dotyczące treści. Aktualne daty sprawdzaj w harmonogramie KE, nie w skrócie jednego terminu dla całego aktu.

Unia Europejska: AI Act, rozporządzenie 2024/1689 / Komisja Europejska: harmonogram stosowania AI Act /

RODO: dane osobowe nie znikają w modelu

Przetwarzanie danych osobowych wymaga podstawy prawnej, określonego celu, minimalizacji i zabezpieczeń. Należy ustalić role administratora i podmiotu przetwarzającego, transfery, retencję oraz potrzebę DPIA.

Według EROD anonimowość modelu wymaga oceny konkretnego przypadku. Publiczna dostępność danych nie jest automatycznym zezwoleniem na dowolne wykorzystanie; zgoda nie jest jedyną możliwą podstawą prawną.

Przed analizą CRM w usłudze AI zweryfikuj umowę, uprawnienia i czy dane są potrzebne w identyfikowalnej postaci. Usunięcie imienia nie zawsze oznacza anonimizację.

Unia Europejska: RODO, rozporządzenie 2016/679 / EROD: modele AI i zasady RODO, opinia 28/2024 /

Profilowanie, art. 22 i zgoda na kontakt

Profilowanie to zautomatyzowane przetwarzanie danych osobowych służące ocenie aspektów dotyczących osoby. Szczególny reżim art. 22 RODO dotyczy decyzji opartych wyłącznie na automatyzacji, wywołujących skutki prawne lub podobnie istotnie wpływających na osobę; obejmuje wyjątki i zabezpieczenia.

Nie każda segmentacja jest decyzją objętą art. 22. Podstawa przetwarzania w RODO nie zastępuje wymogów kontaktu marketingowego z PKE, w tym uprzedniej zgody w zakresie art. 398.

Legalnie posiadany adres klienta nie daje automatycznie prawa do dowolnej kampanii e-mail lub SMS. Osobno sprawdź cel przetwarzania, uprawnienie do kontaktu i sprzeciw.

EROD: prawa osób, których dane dotyczą / Unia Europejska: RODO, rozporządzenie 2016/679 / Prawo komunikacji elektronicznej, w szczególności art. 398 /

Prawa do wejścia, wyniku i wykorzystania

Prawa do materiału wejściowego, status wyniku i dopuszczalność publikacji to odrębne kwestie. Ocena ochrony prawnoautorskiej dotyczy twórczego, indywidualnego wkładu człowieka. Ani prompt, ani wynik nie stają się chronionym utworem tylko dlatego, że wykorzystano narzędzie AI.

Licencja narzędzia nie gwarantuje braku podobieństwa do cudzej twórczości. Niezależnie trzeba ocenić znak towarowy, wizerunek, dobra osobiste i możliwość wprowadzenia odbiorcy w błąd.

Przy syntetycznej kreacji dokumentuj pochodzenie referencji i wkład twórczy zespołu. Zapis o komercyjnym użyciu narzędzia nie zwalnia z oceny konkretnej publikacji.

Ustawa o prawie autorskim i prawach pokrewnych / Kodeks cywilny, art. 23 i 24 / Unia Europejska: AI Act, rozporządzenie 2024/1689 /

Dobra osobiste i konsekwencje naruszeń

Prawo chroni m.in. wizerunek, dobre imię i twórczość. Ocena syntetycznej treści wymaga rozróżnienia praw autorskich, dóbr osobistych, znaków i zasad reklamy. Sztuczne pochodzenie nie wyłącza odpowiedzialności.

Konsekwencje zależą od podstawy naruszenia: zaniechanie, usunięcie skutków, roszczenia pieniężne lub sankcje administracyjne. Nie istnieje jedna kara za każde nieprawidłowe użycie AI.

Wygenerowana rekomendacja przypisana realnej osobie może wymagać oceny jej dóbr osobistych nawet bez skopiowania zdjęcia. Oznaczenie AI nie legalizuje fałszywej rekomendacji.

Kodeks cywilny, art. 23 i 24 / Ustawa o prawie autorskim i prawach pokrewnych / Unia Europejska: AI Act, rozporządzenie 2024/1689 / Unia Europejska: RODO, rozporządzenie 2016/679 / Prawo własności przemysłowej: ustawa i teksty jednolite /

Konsument, cena i odpowiedzialność za claim

Przepisy konsumenckie stosują się także do komunikacji przygotowanej przez AI. UOKiK wskazuje obowiązek informowania o indywidualnym dostosowaniu ceny na podstawie zautomatyzowanego podejmowania decyzji w odpowiednim kontekście sprzedaży.

Personalizacja ceny nie jest tym samym co zmiana wspólnej ceny ze względu na popyt. AI nie usprawiedliwia wprowadzającego w błąd claimu ani naruszania prawa konkurencji.

Oferta kierowana do konkretnej osoby nie powinna ukrywać wymaganego prawem wyjaśnienia sposobu ustalenia ceny. Automatyczne narzędzie pozostaje elementem procesu przedsiębiorcy.

UOKiK: obowiązki informacyjne wobec konsumenta /

Art. 50: informacja o AI i treści syntetycznej

AI Act rozdziela m.in. informowanie o interakcji z AI przez dostawcę, techniczne oznaczanie treści generowanych oraz ujawnianie przez stosującego, że deepfake jest sztucznie wygenerowany lub zmanipulowany.

Zakres i wyjątki są różne. Interakcja oczywista z kontekstu może nie wymagać dodatkowej informacji. Dla tekstu publikowanego w interesie publicznym znaczenie ma m.in. kontrola redakcyjna i odpowiedzialność za publikację.

Przy realistycznej syntetycznej wypowiedzi osoby nie wystarcza założenie, że odbiorca sam rozpozna AI. Oceń deepfake, obowiązek ujawnienia oraz prawa do osoby; oznaczenie nie usuwa innych naruszeń.

Komisja Europejska: AI Act, art. 50 / Komisja Europejska: harmonogram stosowania AI Act /

Bezpieczeństwo i odpowiedzialność projektu

Ocena obejmuje dane, uprawnienia, dostawcę, integracje, logi, podatność na prompt injection i procedurę incydentu. Regulamin narzędzia i zasady serwisu publikacji są odrębne od przepisów prawa.

Zasada minimalnych uprawnień ogranicza skutki błędu. Ocena prawna, etyczna i wizerunkowa powinna trwać po wdrożeniu, szczególnie przy zmianie modelu, danych lub celu.

Projekt publikujący treści musi mieć właściciela korekt i wycofania materiału. Log decyzji i wersji źródeł pozwala ustalić przyczynę oraz ograniczyć skutki incydentu.

OWASP: Prompt Injection / OWASP: Excessive Agency / NIST: AI Risk Management Framework /