Práce s AI a research
Nástroje
Claude Code s Opus 5 jako hlavní pracovní prostředí, protože pracuje přímo se soubory; výstup je rovnou složka, kterou přebíráte, ne konverzace, ze které se něco vykopíruje. Vedle toho Cursor s GPT-5.6 na druhou, nezávislou verzi téhož zadání. Veřejné stránky Aibility jsem načítal přímo ze zdroje.
Co jsem udělal jinak než „napsal to s AI"
Postavil jsem zadání dvakrát paralelně, dvěma modely od různých výrobců, které o sobě navzájem nevěděly a psaly do oddělených složek. Ne kvůli variantám textu, ale aby se ukázalo, kde se oba nezávisle shodnou (tam je rozhodnutí robustní) a kde se rozejdou (tam je rozhodnutí moje a musím ho obhájit). Odevzdání je sloučení obou větví, ne výstup jednoho běhu. Aby to sloučení nebylo jen dojem, hodnotily obě verze po blocích dva nezávislé modely naslepo, s randomizovaným pořadím a s kontrolou position biasu.
Druhá věc: rozhodnutí a čísla nejsou v promptu, ale v souboru. 06-engine/kampan.yaml je zdroj pravdy pro celou kampaň. Když se změní proposition, mění se na jednom místě, ne v deseti textech. To je zároveň důvod, proč se balík dá předat; nový člověk nepotřebuje moje prompty, potřebuje ten soubor.
Kde AI pomohla
- Průchod balíčkem a vytažení všech čísel i s jejich zdrojem a omezením do jedné tabulky, ze které vznikl
ZDROJE.md. - Tři komunikační úhly na stejném zadání, každý s vlastní situací a mechanismem. Bez toho bych psal první nápad.
- Audit živého webu proti balíčku; tři z pěti rozporů bych při ručním čtení minul.
- První drafty stránky a e-mailu, kde jsem měnil hlavně rytmus a konkrétnost.
- Mechanická kontrola claimů.
06-engine/validate-copy.pyporovná každé číslo v draftu proti allowlistu; při finální kontrole našel dva firemní údaje, které v allowlistu chyběly, takže by v kampani stály bez doložení.
Co jsem sám změnil nebo ověřil
- Headline jsem nechal přepsat, protože se sám nikdy nevybral. Věta „Používáš AI denně. Stavíš z toho systém?" prošla třemi verzemi zadání a všude se jen kopírovala z té první. Nechal jsem si proto vygenerovat devatenáct alternativ na různých mechanismech, prošel je a vybral. Výsledná věta je jiná než ta zděděná; nezajímalo mě, že už byla „schválená", ale jestli obstojí vedle alternativ.
- Každé číslo jsem dohledal zpátky do balíčku. Model dvakrát navrhl spojit 86 % / 8 % s datasetem o návycích (73 % / 1 %). Balíček to výslovně zakazuje, jsou to jiné zdroje a definice. Zákaz jsem zapsal do enginu jako tvrdé pravidlo, ne jako poznámku.
- Opravil jsem dvě číselné chyby, které vznikly v AI draftech. Formulace „opakovatelné postupy z toho staví 8 %" čte osm procent jako podíl z těch osmdesáti šesti, přestože jde o dva samostatné podíly. A v jednom postu stálo „patříte do té osminy", jenže osmina je 12,5 %, ne 8 %.
- Zahodil jsem přirovnání úrovní k matici dvou os. Vypadalo chytře, ale Explorer, Operator, Builder a Transformer jsou posloupnost, ne čtyři rovnocenné kvadranty.
- Testimonialy jsem ze stránky vyhodil, i když na živém webu jsou. Bez doloženého souhlasu je nepoužiju.
- Prahy v distribuci jsem přepočítal ručně a označil, které jsou pracovní předpoklad. Model navrhoval konverzní čísla z veřejných benchmarků; skoro všechna taková čísla v téhle kategorii vydávají firmy, které z nich mají příjem.
- Segment jsem nechal, ale přiznal jeho vzorek. Osamělý stavitel je 28 % ze 72 dokončených Deep rozhovorů, tedy zhruba dvacet lidí, kteří už zaplatili. Popisuje konvertované, ne publikum, které chceme přivést.
Jaký research jsem udělal
Brief říká, že další research je volitelný. Udělal jsem ho a stojí za tím konkrétní práce, ne pár vyhledávání.
Báze komunikačních frameworků. Prošel jsem 68 marketingových frameworků a u každého hledal doložený případ pro sedm typů produktu. Ze 476 kombinací má publikovaný důkaz 116, tedy čtvrtina; zbytek se běžně používá, aniž by to někdo doložil. Bázi jsem si k tomu postavil jako veřejný nástroj, takže je ověřitelná, ne jen tvrzená: mktg-frameworks.jakubryba.com. Zaklikáte typ produktu a úroveň povědomí publika a vypadne doporučený stack i s úrovní důkazu u každé položky. Vzorec je obrácený, než by člověk čekal: nejrozšířenější frameworky mají nejslabší důkazy (PAS nemá autora ani jediný test, čísla o konverzi kvízů vydávají firmy prodávající software na kvízy), zatímco nejméně citované mají nejtvrdší. Praktický důsledek pro tuhle kampaň: argumentuju mechanismem, ne případovkou.
Z báze vyšel stack, který za stránkou stojí, aniž by se v ní jmenoval: pozicování proti nečinnosti, ne proti jinému kurzu; publikum na úrovni, kde jsou sliby vyčerpané a mechanismus ještě ne; narativ přes challenger reframe, který má doložené číslo; copy přes before-after-bridge místo agitování bolesti, protože u sebehodnocení bolest zvyšuje propad.
Launche diagnostických produktů. Gallup, HubSpot Website Grader a Gartner Magic Quadrant. Sjednocující nález: žádný z nich neškáloval tím, že by vysvětloval metodiku, všechny přes artefakt, který člověk dostal do ruky a mohl ukázat ostatním. Otázka, kterou to pro Aibility otevírá a kterou si nechávám na debrief: kdo je váš ekvivalent Gallupových certifikovaných koučů, tedy třetí strana s vlastním ekonomickým zájmem na šíření?
Audit živého webu proti dodanému balíčku. Nálezy jsou zapracované v ZDROJE.md; nejdůležitější je, že web pořád nabízí workshopy a programy, které od 3. srpna neplatí.
Co při tom vzniklo za nástroje
Nic z toho nebylo cílem zadání. Vzniklo to proto, že se ta práce jinak nedala odvést ve čtyřech hodinách a s doložitelnými čísly. Všechno je součástí balíku a dá se použít znovu.
| Co | K čemu | Kde |
|---|---|---|
| Engine kampaně | Skill pro agenta se souborovým přístupem: vyrobí další výstup z jednoho zdroje pravdy a odmítne ho vydat, když poruší pravidla | kampan.yaml + SKILL.md |
| Kontrolor claimů | Skript, který porovná každé číslo v draftu proti allowlistu. Při finální kontrole našel dva firemní údaje, které by jinak stály bez doložení | validate-copy.py |
| Generátor téhle microsite | Stránky se needitují ručně; mění se markdown a přegeneruje se web. Proto je text na webu a v ZIPu vždycky totožný | build-microsite.py |
| Báze marketingových frameworků | 68 frameworků × 7 typů produktu s úrovní důkazu; veřejný nástroj, který z toho vybere stack | mktg-frameworks.jakubryba.com |
| Protokol slepého hodnocení | Postup, jak nechat dva modely posoudit dvě verze textu bez zaujatosti: rozřezat na bloky, anonymizovat, randomizovat pořadí, zkontrolovat position bias | popsáno v Jak odevzdání vzniklo |
Nejvíc si cením toho kontrolora claimů, protože jako jediný z nich něco skutečně zachytil. Zbytek šetří čas; tenhle brání chybě.
Která rozhodnutí zůstala na mně
- Segment a vědomé odložení dvou dalších úhlů.
- Že hlavní metrikou je dokončený Deep, ne spuštěný Spark a ne návštěva stránky.
- Že Team dostane jednu kartu v rozcestí, ne vlastní sekci, i když by kampaň vypadala obchodněji.
- Že kampaňová stránka vzniká vedle homepage a homepage se teď nepřepisuje.
- Že národní srovnání AI vyspělosti je návrh po 14 dnech, ne součást launche.
- Že v odevzdání zůstane věta o tom, co nemám čím doložit.
Editovatelné zdroje
Všechno je text nebo HTML, žádný nástroj, do kterého by bylo potřeba se přihlásit. Stránka je jeden soubor, který se otevře dvojklikem. Kampaň má zdroj pravdy v 06-engine/kampan.yaml. Kontrola claimů je skript, který si můžete pustit na jakýkoliv nový draft.