Umělá inteligence na pracovišti: Praktický průvodce pro znalostní pracovníky

Tento článek rozebírá, jak mohou znalostní pracovníci používat umělou inteligenci pro opakující se úkoly, které každý týden zabírají čas, a to nejen pro jednorázové otázky a psaní. Obsahuje připravené prompty, návod na bezpečné používání umělé inteligence a kroky pro rychlé a jednoduché začlenění umělé inteligence do vašich pracovních postupů.

Většina znalostní práce s sebou nese operační režii, která není uvedena v popisu práce: schůzky, administrativa, udržování přehledu, správa vztahů.

Tyto úkoly jsou často nejlepším místem, kde začít používat umělou inteligenci, protože výstup lze snadno zkontrolovat a riziko neúspěchu je nízké.

Níže je uvedeno 10 takových úkolů a návod, jak zadat umělé inteligenci pokyn, aby s každým z nich pomohla.

Poznámka: Některé nástroje umělé inteligence vyžadují připojení nebo přímé vložení zdrojového materiálu. Jiné si jej dokáží stáhnout samy z propojené doručené pošty, disku nebo otevřených panelů prohlížeče. Níže uvedené prompty fungují v obou případech.

Nové články a aktualizované poznámky se hromadí ke stejnému tématu a udržet krok s tím, co se děje, může být opravdová výzva.

Nástroje umělé inteligence vám mohou pomoci:

Sloučit roztříštěné zdroje do jedné odpovědi
Zachytit rozpory nebo odchylky ve verzích napříč dokumenty
Shrnout, co se od poslední aktualizace změnilo
Označit místa, kde se zdroje neshodují

Vyzkoušejte tento dotaz

Dotaz na shrnutí informací

Použijte, když:Máte více zdrojů a potřebujete zjistit shodu, rozpory a co se změnilo.

Role: Research analyst.
Task: Synthesize the five articles below and our internal notes on {topic}. Identify where they agree, list conflicting numbers/claims, and note what’s changed since {last_date_or_version}.
Inputs:
- Articles: {paste titles + URLs or attach files}
- Internal notes: {paste bullets or attach doc}
- Last date/version to compare against: {YYYY-MM-DD or version}
Constraints:
- Time-bound evidence: prefer sources from {start_date} to {end_date}; flag anything older.
- Evidence rules: for each major claim, cite at least 2 independent sources when possible; label news/blogs as secondary.
Output:
1) 3–5 bullet summary of consensus.
2) Table: Claim | Conflicting values/wording | Sources (with dates) | Confidence (high/med/low).
3) “What’s changed since {last_date_or_version}” as 3–7 bullets.
4) “What I’m missing / what to verify next” with 3–5 specific checks.
Verification:
- Flag any sentence that could be read more than one way.
- Ask up to 3 clarifying questions if any input is underspecified.

Aktualizace stavu, rekapitulace, kontrola: většina pracovní komunikace se opakuje v několika stejných tvarech, což umělé inteligenci usnadňuje napsat slušný první návrh.

Nástroje umělé inteligence vám mohou pomoci:

Navrhnout e-maily, aktualizace nebo dokumenty z odrážek
Upravit tón nebo délku pro jiné publikum
Přepsat stejnou aktualizaci pro jiné čtenáře
Odhalit nejasnou formulaci před odesláním

Umělá inteligence může pomoci přeměnit konverzaci v hmatatelný záznam dalších kroků a rozhodnutí.

Nástroje umělé inteligence vám mohou pomoci:

Vyjmout úkoly a vlastníky z poznámek nebo přepisu
Navrhnout rekapitulaci hned po skončení hovoru
Zachytit závazky, které nikomu nebyly skutečně přiřazeny
Připravit program schůzky z otevřených bodů z předchozí schůzky

Vyzkoušejte tento dotaz

Dotaz na rekapitulaci schůzky

Použijte, když:Máte přepis/poznámky a potřebujete protokol o rozhodnutích/závazcích plus připravenou rekapitulaci k odeslání.

Role: Project coordinator.

Task: From the call transcript/notes below, list every commitment made, who owns it, and any date mentioned. Flag anything that sounded like a decision but was never clearly assigned. Then draft a five-sentence recap email I can send as-is or edit.

Inputs:

- Transcript/notes: {paste text or attach file}

- Meeting context: {meeting name, date, attendees if known}

Constraints:

- Be literal: only record commitments/decisions that are explicit or strongly implied; mark implied items as [Implied].

- If owner/date is missing, write “Owner: TBD” or “Date: TBD”.

Output:

1) Commitments table: Commitment | Owner | Date | Status (Confirmed/Implied) | Source line (quote short snippet).

2) “Unassigned decisions” list: Decision | Why it’s unclear | Suggested owner + next step.

3) Draft email (5 sentences): subject line + body, neutral tone, no fluff.

Verification:

- Flag any sentence in the draft email that could be read more than one way.

- Ask up to 3 clarifying questions if critical details (owner/date) are missing for high-impact items.

Umělá inteligence může usnadnit uspořádání složitého týdenního harmonogramu, žonglování s více závazky a přesnější odhad času.

Nástroje umělé inteligence vám mohou pomoci:

Proměnit konkurující si termíny v pořadí operací
Upozornit na kolize v harmonogramu dříve, než se stanou problémem
Oddělit to, co je skutečně naléhavé, od toho, co tak pouze působí
Prověřit, zda je plán realistický

Vyzkoušejte tento dotaz

Dotaz na týdenní plánování

Použijte, když:Potřebujete řazení, detekci konfliktů a realitní kontrolu pro pětidenní týden.

Role: Operations planner.

Task: Rank my weekly work by urgency and impact, flag likely conflicts, and tell me if this is realistic for a five-day week. If not, say what to cut or push.

Inputs:

- Work items: {list each item with deadline, rough time estimate, and any dependencies}

- Constraints: {working hours/day, meetings, hard deadlines, time zones}

- Success criteria: {what “done” looks like this week}

Constraints:

- Use a simple scoring rubric: Urgency (1–5), Impact (1–5), Effort (hours). Show the score for each item.

- Assume a 5-day week with {X} productive hours/day after meetings.

Output:

1) Ranked list: Item | Urgency | Impact | Effort (h) | Score | Deadline | Dependencies.

2) “Likely conflicts” list: conflict | items involved | why it conflicts (time/dependency).

3) Reality check: “Realistic? Yes/No.” If No: “Cut/push” recommendations with rationale (which items, how many hours freed).

4) A proposed day-by-day plan (Mon–Fri) with time blocks.

Verification:

- Flag any assumptions you made (e.g., meeting load, focus time).

- Ask up to 3 clarifying questions if deadlines/dependencies are unclear.

Umělá inteligence nenahrazuje lidský úsudek, ale je dobrá v shromažďování, třídění a porovnávání složitých informací, aby usnadnila rozhodovací proces.

Nástroje umělé inteligence vám mohou pomoci:

Shromáždit relevantní informace pro rozhodnutí
Odhalit, kde se uvažování shoduje nebo neshoduje
Otestovat předpoklad, než na něm začnete stavět
Uspořádat faktory ve hře

Vyzkoušejte tento dotaz

Dotaz na analýzu rozhodnutí

Použijte, když:Vytváření složité volby mezi dvěma možnými strategickými možnostmi.

Role: Strategy analyst.

Task: I’m deciding between {Option A} and {Option B} for {decision/context}. Give the strongest case for each on its own terms, then tell me where those cases actually disagree: a difference in facts, assumptions, or priorities. Do not average them into a compromise.

Inputs:

- Decision context: {goal, constraints, stakeholders, timeline}

- Option A description: {key features, costs, risks, evidence}

- Option B description: {key features, costs, risks, evidence}

Constraints:

- Treat each option sympathetically; no straw-manning.

- Separate facts (verifiable), assumptions (beliefs), and priorities (values/trade-offs).

Output:

1) “Case for A” (5–7 bullets): benefits, risks, key assumptions, evidence cited.

2) “Case for B” (5–7 bullets): benefits, risks, key assumptions, evidence cited.

3) “True disagreements” table: Disagreement | Type (Fact/Assumption/Priority) | Why it matters for the decision | How to resolve/test.

4) “Decision criteria” checklist: the 3–5 criteria that should drive the choice given my context.

Verification:

- Flag any claim that lacks evidence or depends on a critical assumption.

- Ask up to 3 clarifying questions if the decision context is underspecified.

Dnešní sofistikovanější nástroje umělé inteligence mohou jít nad rámec pouhého odpovídání na otázky a vytvářet prezentace, zprávy, dokumenty nebo tabulky.

Nástroje umělé inteligence vám mohou pomoci:

Proměnit výzkum nebo poznámky v první návrh prezentace, tabulky nebo zprávy
Přejít přímo od surového materiálu k formátovanému dokumentu
Strukturovat výstup dříve, než strávíte čas jeho vypilováváním
Shromažďovat zdroje během tvorby

Vyzkoušejte tento dotaz

Dotaz na strukturu prezentace

Použijte, když:Potřebujete strukturu prezentace s tvrzeními podloženými zdroji.

Role: Presentation strategist.

Task: Using the research below, build a five-slide outline for a stakeholder presentation: title slide, three content slides (clear headline + three supporting points each), and a recommendations slide. Note which source backs each claim.

Inputs:

- Research: {paste excerpts/links or attach files}

- Audience: {executives / technical / mixed}

- Goal: {what decision or action you want from stakeholders}

Constraints:

- Each supporting point must cite a source (title + date or URL).

- Keep headlines action-oriented (verb-first).

Output:

- Slide 1 (Title): Title | Subtitle | Presenter | Date.

- Slide 2 (Content): Headline | Point 1 (source) | Point 2 (source) | Point 3 (source).

- Slide 3 (Content): Headline | Point 1 (source) | Point 2 (source) | Point 3 (source).

- Slide 4 (Content): Headline | Point 1 (source) | Point 2 (source) | Point 3 (source).

- Slide 5 (Recommendations): Recommendation 1 (source) | Recommendation 2 (source) | Recommendation 3 (source) | Next step/ask.

Verification:

- Flag any claim that lacks a source or relies on outdated evidence (> {max_age}).

- Ask up to 3 clarifying questions if the goal/audience is unclear.

Umělá inteligence může omezit zdlouhavé manuální úkoly, jako je zadávání nebo kategorizace dat, štítkování souborů nebo automatické kopírování informací z jednoho nástroje do druhého.

Nástroje umělé inteligence vám mohou pomoci:

Kategorizovat výdaje a označit duplicity nebo chybějící položky
Navrhnout rutinní e-maily
Proměnit hrubou poznámku v odesílatelný tvar
Vyplnit opakující se formuláře z informací, které již máte

Vyzkoušejte tento dotaz

Dotaz na kategorizaci

Použijte, když:Čištění a shrnutí výdajů pro reportování.

Role: Finance operations assistant.

Task: Categorize each line of my expense export by {your categories}, flag duplicates or missing categories, and give me a summary total by category I can paste into my report.

Inputs:

- Expense export: {paste CSV-like rows or attach file}

- Categories: {e.g., Travel, Software, Meals, Office, Other}

- Reporting period: {month/year}

Constraints:

- If a line is ambiguous, assign the most likely category and mark it [Assumed: {reason}].

- Flag potential duplicates (same vendor/amount/date within ±1 day).

Output:

1) Categorized list: Date | Vendor | Amount | Category | Notes (e.g., [Assumed], [Duplicate?]).

2) Summary table: Category | Total amount | Count of lines.

3) “Issues to fix” list: missing categories, duplicates, outliers.

Verification:

- Ask up to 3 clarifying questions if the category list is incomplete or if currency/tax treatment is unclear.

Umělá inteligence je užitečná pro zachycení nekonzistencí v rámci jednoho dokumentu a sladění tvrzení napříct více zdroji, například při odhalování odchylek konceptu od stylu psaní.

Nástroje umělé inteligence vám mohou pomoci:

Zachytit nekonzistentní čísla nebo tvrzení napříč dokumentem
Označit nejasné formulace před odesláním
Zkontrolovat koncept oproti kontrolnímu seznamu nebo průvodci stylem
Odhalit mezery mezi dřívější a pozdější částí

Vyzkoušejte tento dotaz

Dotaz na kontrolu kvality konceptu

Použijte, když:Potřebujete cílenou kontrolu kvality bez nutnosti celkového přepisu.

Role: Senior editor.

Task: Check my draft against the style guide/checklist below. Flag numbers or claims that contradict each other elsewhere in the document, any sentence you had to re-read to understand, and anything the checklist requires that’s missing. List issues by location. Do not rewrite the whole thing.

Inputs:

- Draft: {paste text or attach file}

- Style guide/checklist: {paste bullets or attach doc}

Constraints:

- Reference locations by section/paragraph/line where possible.

- For contradictions, quote both conflicting passages.

Output:

1) “Contradictions” table: Location A | Quote A | Location B | Quote B | Why it conflicts | Suggested fix.

2) “Hard-to-read sentences” list: Location | Quote | Why it’s unclear | Suggested rewrite.

3) “Missing checklist items” list: Checklist item | Where it’s missing | Suggested addition.

Verification:

- Ask up to 3 clarifying questions if the checklist is ambiguous or the document structure is unclear.

Zorientovat se v neznámém tématu dříve znamenalo pomalé čtení nebo laskavost od zaneprázdněného kolegy.

Nástroje umělé inteligence vám mohou pomoci:

Rychle získat pracovní přehled o neznámém nástroji, procesu nebo tématu
Předpřipravit otázky, na které byste měli být připraveni odpovědět
Vysvětlit koncept na úrovni, kterou potřebujete
Doplnit pozadí před rozhovorem s někým zkušenějším než vy

Vyzkoušejte tento dotaz

Dotaz na informační briefing

Použijte, když:Potřebujete rychlý briefing v srozumitelném jazyce před schůzkou.

Role: Subject-matter explainer.

Task: I have a meeting tomorrow about {topic} and I’m not deeply familiar with it. Explain the essentials in plain language: what it is, why it matters now, and the terms people will assume I know. Give me three questions I should be ready to answer or ask.

Inputs:

- Topic: {specific topic}

- Audience/industry: {e.g., fintech, healthcare, SaaS}

- Time sensitivity: {what’s new in the last 6–12 months}

Constraints:

- Plain language, no jargon without definitions.

- Time-bound: prefer developments from {start_date} to {end_date}; flag anything older.

Output:

1) “What it is” (3–5 bullets).

2) “Why it matters now” (3–5 bullets with recent developments).

3) “Terms you’ll be assumed to know” (term | one-line definition).

4) “Three questions to be ready for” (question | why it matters | talking points).

Verification:

- Flag any claim that lacks evidence or depends on a contested assumption.

- Ask up to 3 clarifying questions if the topic is too broad or the industry context is missing.

Kontext roztříštěný v starých e-mailech a poznámkách může být obtížné na poslední chvíli, těsně před hovorem, rekonstruovat.

Nástroje umělé inteligence vám mohou pomoci:

Shromáždit kontext před konverzací: co se diskutovalo, slíbilo nebo zůstalo otevřené
Připravit briefing před hovorem s klientem nebo zúčastněnou stranou
Sledovat otevřené položky v průběhu trvajícího vztahu
Navrhnout kontrolní zprávu, která odkazuje na skutečný předchozí kontext

Vyzkoušejte tento dotaz

Dotaz na přípravu vztahu před hovorem

Použijte, když:Příprava na hovor s osobou nebo účtem pomocí minulých interakcí.

Role: Account strategist.

Task: Before my call with {person_or_account} today, pull together what we discussed last time, anything promised on either side, and anything unresolved from our past emails/notes. Flag anything you’re not fully confident about so I can double-check.

Inputs:

- Person/account: {name, company, role}

- Past interactions: {paste last meeting notes + key emails or attach files}

- Today’s goal: {what you want from the call}

Constraints:

- Be literal: only record promises/unresolved items that are explicit or strongly implied; mark implied items as [Implied].

- If confidence is low, mark [Low confidence: {reason}].

Output:

1) “Last time” summary (3–5 bullets).

2) “Promises” table: Who | Promise | Date | Status (Done/Open) | Source snippet.

3) “Unresolved items” list: Item | Why it’s unresolved | Suggested next step.

4) “Call plan” (3 bullets): opening, key ask, fallback.

5) “Confidence flags” list: item | why confidence is low | how to verify.

Verification:

- Ask up to 3 clarifying questions if the history is incomplete or ambiguous.

Každý výše uvedený prompt předpokládá, že nástroj má přístup ke skutečným, někdy citlivým firemním informacím, takže několik počátečních návyků zabrání tomu, aby se tento přístup stal později problémem.

Než začnete, zkontrolujte seznam schválených nástrojů. Většina společností jej někde zveřejňuje: na IT wiki, bezpečnostním portálu nebo v on-boarding dokumentu. Pokud jej nemůžete najít, zeptejte se přímo, místo abyste předpokládali, že neexistuje.
Přihlaste se přes firemní SSO, nikoli přes osobní účet. Osobní přihlášení nepřebírá firemní kontroly dat, auditní záznam ani proces offboardingu, takže práce zůstává mimo dohled IT, i když je samotná práce firemní záležitostí.
Poznejte datové úrovně vaší společnosti, nejen „citlivé versus necitlivé“. Většina společností dělí data do více než dvou kategorií, například veřejná, interní, důvěrná a omezená, a to, co je v pořádku vložit do jednoho nástroje, nemusí být v pořádku pro jiný. Pokud úrovně nejsou zdokumentovány na zřejmém místě, obraťte se na IT nebo bezpečnostní oddělení.
Před vložením, kdykoliv můžete, odstraňte identifikátory. Skutečná jména, čísla účtů a podrobnosti o klientech nahraďte zástupnými symboly jako {client_name} před vložením do nástroje, který nebyl oficiálně schválen.
Vypněte přepínače trénování modelu. Většina nástrojů umělé inteligence má nastavení, často označené jako „zlepšit model“ nebo „použít moje data k trénování“, které ve výchozím nastavení zahrnuje vaše vstupy do trénovacích dat. Zkontrolujte panel soukromí nebo nastavení a vypněte jej, pokud nebyl nástroj výslovně schválen bez tohoto omezení.
Před připojením zkontrolujte, ke čemu má nástroj přístup. Pokud rezervuje věci, odesílá věci nebo přistupuje do vaší doručené pošty, zkontrolujte, jaká oprávnění požaduje, a zrušte přístup pro vše, co aktivně nepoužíváte.
Zeptejte se, pokud nevíte, zda je něco schváleno. Rychlá zpráva IT nebo bezpečnostnímu oddělení je obvykle lepší než zjištění dodatečně, že nástroj nebyl schválen.

Kontrolní seznam toho, co dělat a nedělat při bezpečném používání umělé inteligence na pracovišti, s důrazem na firemní SSO, schválené nástroje, redakci dat, zakázané trénování a omezená oprávnění.

Většina znalostních pracovníků již používá umělou inteligenci příležitostně: jednorázová otázka, rychlý návrh e-mailu, zkopírovat výsledek, hotovo. Pojetí úkolu jako dvoutýdenního pilotního projektu, nikoli jednorázové otázky, je to, co mění takové příležitostné použití v smysluplnou úsporu času.

Zde je návod, jak začít:

Pět pracovních dnů zaznamenávejte každý opakující se úkol, jak dlouho trvá a jak je zdlouhavý. K dispozici je několik nástrojů pro sledování času, ale postačí i průběžná poznámka: „Pondělí, 20 min, roztříděné účtenky, mírně otravné.“ Do pátku se obvykle sám ukáže vzorec.

Prohlédněte si poznámky a vyberte, který časově náročný a zdlouhavý úkol automatizovat jako první.

Je třeba zvážit několik faktorů:

Dochází k úkolu několikrát týdně?
Je proces pokaždé relativně konzistentní?
Je rychlé zkontrolovat výstup?
Závisí na úsudcích, které se liší podle situace?
Bylo by snadné chybu zachytit a opravit?
Jsou zdrojová data úplná a spolehlivá?

Týdenní aktualizace stavu nebo opakující se výdajová zpráva se hodí. Čtvrtletní prezentace pro správní radu ne. Sázky a čas na kontrolu jsou pro první pilotní projekt příliš vysoké.

Napište větu popisující správný nebo použitelný výstup, určenou ještě předtím, než uvidíte, co umělá inteligence vytvoří.

Vytáhněte tři reálné příklady ručně vytvořeného výstupu (tři aktualizace stavu, tři výdajové zprávy) a zapište si, co mají společného: délku, strukturu, úroveň detailů.

Poté se zeptejte, co by to udělalo nepoužitelným. Někdy je snazší definovat dobrou práci pojmenováním selhání. Do definice dobrého výstupu zahrňte opak každého selhání.

Například u aktualizace stavu to může být: „Pokrývá to, co bylo odesláno a co je zablokováno, ve dvou odstavcích, s minimální potřebou přepisování.“

U výdajové zprávy to může být: „Každý řádek má kategorii a duplicity jsou označeny.“

Začněte prostým popisem úkolu a definicí „dobrého“ z kroku 3, poté jej spusťte na dvou nebo třech reálných případech.

Po každém spuštění porovnejte výstup s touto definicí a poznamenejte si, co nesedí: chybějící sekce, příliš dlouhé, špatný tón. Přidejte do promptu řádek řešící tuto konkrétní mezeru a spusťte jej znovu.

Zastavte se, jakmile výstup vyžaduje pouze drobné úpravy, nikoli přepisování. Uložte konečnou verzi někam, kde ji snadno znovu najdete: například do připnutého dokumentu, aplikace pro poznámky nebo sdílené knihovny promptů.

Vyberte jednu opakovatelnou věc k manuálnímu ověření. U výdajové zprávy to může znamenat porovnání součtů kategorií se surovým exportem před jejím odesláním. Tuto kontrolu proveďte u každého výstupu po dobu dvou týdnů, i když se začne zdát spolehlivým.

Pro každý případ sledujte, jak dlouho úkol trval od začátku do konce, včetně kontrolního kroku, a jak se porovnává s časem zaznamenaným v kroku 1. Na konci dvou týdnů to sečtěte, abyste se rozhodli, zda se vyplatí ponechat automatizaci v současném stavu. Pokud ne, upravte ji a zkuste to znovu, nebo ji zrušte a vyberte jiný úkol.

Vyberte úkol, který zabírá nejvíce času a objevuje se nejkonzistentněji, prožeňte jej pilotními kroky a poznamenejte si, kolik času nebo úsilí umělá inteligence ušetří.

Perplexity Computer poskytuje znalostnímu pracovníkovi větší kapacitu bez přidání hodin do dne. Připojuje se k nástrojům, které se již denně používají, včetně Gmailu, Outlooku, Google Drive, Notion a Slacku, a dokáže vytáhnout relevantní materiál, navrhnout výstup a upozornit na cokoliv, co před odesláním potřebuje druhý pohled.

Vyzkoušejte Perplexity Computer pro svou každodenní práci.

Co je to umělá inteligence na pracovišti?

Je to využívání nástrojů umělé inteligence, jako jsou propojení asistenti a chatboti, k pomocným činnostem při opakujících se částech práce: udržování přehledu, komunikace, plánování, revize a administrativní práce, kromě jednorázových otázek, které většina lidí již klade.

Jaké jsou příklady umělé inteligence na pracovišti?

Vytažení akčních položek z přepisu schůzky, přeměna surových poznámek na aktualizaci stavu, kategorizace výdajové zprávy, vytvoření struktury prezentace podložené zdroji a příprava na hovor pomocí minulého kontextu jsou pět běžných příkladů.

Jaké jsou výhody umělé inteligence na pracovišti?

Nejjasnější výhodou je získání času zpět u úkolů, které se řídí předvídatelným vzorcem: shrnutí, navrhování, kategorizace a revize práce, která zabírá skutečný čas při ručním provádění, ale nevyžaduje hluboký úsudek.

Jaké jsou klady a zápory umělé inteligence na pracovišti?

Výhodou jsou rychlejší první návrhy a méně času stráveného na opakujících se úkolech. Nevýhoda se projevuje, když je vynechán kontrolní krok: neověřené shrnutí považované za fakt, návrh odeslaný bez revize nebo citlivá data vložená do nástroje, který pro ně nikdy nebyl schválen.

Jak používáte umělou inteligenci na pracovišti?

Začněte jedním opakujícím se úkolem, sledujte, jak se aktuálně provádí po dobu jednoho týdne, definujte, jak vypadá dobrý výstup, otestujte prompt na několika reálných případech a nastavte jednu pevnou kontrolu, která se spustí u každého výstupu během dvoutýdenního pilotního projektu.

Jaká jsou rizika umělé inteligence na pracovišti?

Hlavními riziky je považování výstupu umělé inteligence za ověřený, když tomu tak není, odesílání citlivých údajů přes neschválený nástroj a ponechání shrnutí od umělé inteligence jako náhrady za rozhodnutí, schválení nebo vztahový úsudek, který stále vyžaduje člověka.

Nahradí umělá inteligence pracovní místa?

Pro většinu znalostní práce umělá inteligence nahrazuje spíše konkrétní opakující se úkoly v rámci role než roli samotnou. Úkoly v této příručce, jako je komunikace, administrativa a první návrhy, jsou ty, které se pravděpodobně změní nejvíce, zatímco úsudek, odpovědnost a budování vztahů zůstávají na člověku, který práci vykonává.

Jak používat umělou inteligenci na pracovišti

1) Udržování přehledu

2) Komunikace

3) Schůzky

4) Plánování a určování priorit

5) Analýza a rozhodování

6) Tvorba výstupů

7) Administrativní režie

8) Kontrola a zajištění kvality

9) Vzdělávání

10) Správa vztahů

Jak začít s umělou inteligencí, aniž byste dráždili svůj IT tým

Jak efektivněji používat umělou inteligenci na pracovišti

1) Sledujte celý týden před jakýmikoli změnami

2) Vyberte jeden úkol

3) Definujte, jak vypadá „dobrý“ výsledek, před jeho testováním

4) Vytvořte a otestujte prompt

5) Rozhodněte se pro jednu kontrolu kvality

6) Po dvou týdnech porovnejte s výchozím stavem.

Uvedení do praxe

Často kladené otázky