Systemy z AI, które mają działać same, zwykle składają się z tych samych kawałków. Źródła, ocena według Twoich kryteriów, pisanie, drugi agent, który sprawdza, i człowiek na końcu. Pokażę to na systemie, który znam najlepiej, bo zbudowałem go z pomocą AI i sprzedałem razem z firmą. Na końcu przekładam ten sam schemat na sklep internetowy.
Na koniec wyglądało to tak. Około dwudziestu newsletterów w operacji. Dwie osoby. Cztery godziny pracy w tygodniu. W lutym 2026 sprzedaliśmy LetterOperators razem z całym systemem.
Dwanaście minut mojej pracy na jeden newsletter. Od pięciu do dziesięciu dolarów kosztu.
Trzy lata wcześniej ten sam newsletter kosztował mnie sto dolarów i trzy dni czekania.
Zaczęło się zupełnie inaczej.
Na początku pisali dla nas copywriterzy. Szukaliśmy ich po znajomych i na Upworku. Za jeden newsletter płaciliśmy 100 dolarów. Prawie zawsze trzeba było poprawiać. A jak już ktoś pisał dobrze, to okazywał się nierzetelny i spóźniał się z tematami. Wtedy i tak pisaliśmy sami.
Klienci nie byli przypadkowi. Robiliśmy między innymi dla Failory, jednego z największych newsletterów startupowych. Sprzedawaliśmy usługi za $5K, content i obsługa partnershipów (złote czasy reklam w newsletterach, gdzie można było wyciągnąć po $10K+ za partnerstwo miesięcznie).
Moja robota wyglądała wtedy tak. Brief, wysyłka do copywritera, nerwowe czekanie, tekst do klienta, feedback klienta, poprawki u nas albo z powrotem do copywritera. I tak w kółko. Kilkadziesiąt godzin tygodniowo szło na samo pilnowanie ludzi.
W listopadzie 2022 wyszedł ChatGPT. Na przełomie grudnia i stycznia zaczęliśmy testować proste pisanie tekstów. Na początku był po prostu GPT, czasem Claude, i to się u nas zmieniało. Od razu było widać jedno. Nie chodziło o to, że AI pisze lepiej od człowieka. Chodziło o to, że my z AI robimy tekst w godzinę, a na człowieka czekamy trzy dni i potem i tak poprawiamy.
Dzisiaj patrzę na to jeszcze prościej. 100 dolarów za jeden tekst. A za 200 dolarów miesięcznie masz dziś w kieszeni copywritera, który napisze ich tyle, ile zechcesz (możemy się spierać o jakość ale nie o to chodzi).
W listopadzie 2023 OpenAI wypuściło custom GPT i wtedy zrobiliśmy po jednym dla każdego klienta. W tym samym czasie totalnie obniżyliśmy ceny i przestaliśmy sprzedawać partnerstwa, a rynek zaczął przechodzić w Service as a Software (to dalej działa!). Z agencji newsletterowej zrobiła się agencja AI.
W 2024 doszło n8n i pierwsze skille w Claude. Workflow był ogromny, więc rozbijałem go na części kilka razy (oczywiście tworzyłem go z AI).
W październiku 2025 stwierdziłem, że opieranie całej firmy na cudzym narzędziu nie ma sensu, skoro z AI stworzę własne. Zbudowałem platformę od zera. Frontend, backend, baza.
Jak to działało?
- Dla każdego klienta szuka artykułów w jego źródłach. Źródła można dodawać i usuwać.
- AI (Claude Haiku) ocenia każdy artykuł według kryteriów klienta.
- Z najlepszych pisze newsletter.
- Inny agent ocenia tekst i pisze, co poprawić, i wysyła do głównego agenta.
- Poprawia i ocenia znowu. Do sześciu razy, chyba że wcześniej tekst dostanie odpowiednią ocenę.
- Całość wpadała w docs i html, do kopiowania do CRM.
Nie scrapowaliśmy tylko stron. Scrapowaliśmy też cudze newslettery, zbieraliśmy transkrypty z YouTube i dane z LinkedIna. Klient dawał jedno źródło, a resztę dobierał nasz system.
Krótko o narzędziach, bo o to pytasz najczęściej. Do scrapingu Firecrawl, dziś równie dobrze sprawdza się Bright Data (korzystam z niego bardzo dużo). Testowaliśmy też NewsAPI, które działa jak wyszukiwarka newsów, ale ogranicza się do artykułów i przy niszowych tematach się nie sprawdza. Przy kliencie od cyberbezpieczeństwa budynków po prostu nie miało czego znaleźć.
I tu ważna rzecz. Całość działała praktycznie automatycznie, ale i tak nie chcieliśmy puścić AI samopas. Na końcu był human check. Platforma dawała nam opcje regeneracji tekstu i zostawiania komentarzy, więc człowiek nie tylko akceptował, ale mógł zawrócić robotę jednym kliknięciem.
W praktyce wyglądało to tak. Czytasz tekst, sprawdzasz linki, czasem coś poprawiasz albo odsyłasz z komentarzem, przeklejasz do Beehiiv i ustawiasz wysyłkę. Przy dwudziestu newsletterach dawało to jakieś dwanaście minut na sztukę.
Ile nas to kosztowało? Frontend stał na Vercelu za darmo. Baza na Supabase za darmo. Płaciliśmy tylko za API i za scraping. Jedna wygenerowana wysyłka, razem ze wszystkimi pętlami poprawek, wychodziła od pięciu do dziesięciu dolarów. Firecrawl zaczynał od osiemdziesięciu trzech dolarów miesięcznie i potem przy skali całość szła wyżej (W bazie mieliśmy ok 300 źródeł).
Podaję te liczby, bo prawie nikt ich nie podaje. Jeśli masz dziś na biurku ofertę na wdrożenie AI, to jest rząd wielkości, do którego możesz ją przyłożyć.
Co się psuło?
Model źle oceniał teksty. Dopisywał liczby, których nie było w źródle. Dzielone skille w chmurze Claude działały słabo (mieli bugi i nie łączyli się z narzędziami w swojej aplikacji), więc wywoływaliśmy agentów przez API (Claude managed agents), co podniosło koszt o jakieś dwa do trzech dolarów na każdej generacji. Sonnet (4.5 do 4.8) halucynował. Opus, który teoretycznie jest do zadań technicznych, pisał nam lepsze teksty.
Osobna wojna to były zacinające się agenty. Pętla stawała w miejscu i trzeba było ją ruszać, a każde zacięcie kosztowało, bo płaciliśmy za tokeny, które nic nie dowoziły. Jedna generacja i tak trwała kilkanaście minut.
Czy obecnie zbudowałbym ten system tak samo? Nie. Skonsolidowałbym wszystko w AWS/GCP (z kopią zapasową). I dodałbym jedną rzecz, której najbardziej brakowało. Pętlę nauki. System dostawał nasze poprawki i komentarze, ale nie uczył się z nich. Każdą generację zaczynał tak samo mądry jak tydzień wcześniej. Dziś zbudowałbym to tak, żeby każda poprawka człowieka robiła system odrobinę lepszym.
Dokładnie takie systemy buduję teraz dla firm, które nie sprzedają newsletterów.
Twój system będzie się psuł w te same sposoby. Nie dlatego, że coś zrobisz źle, tylko dlatego, że tak to na razie działa. Warto wliczyć to w budżet, zanim ktoś obieca Ci, że pójdzie gładko.
Czego nie da się kupić w subskrypcji
Przez te wszystkie lata sam przeklikiwałem się przez newsy. Sam pisałem teksty. Sam widziałem, który artykuł pasuje do klienta od cyberbezpieczeństwa budynków, a który do klienta od języka Elixir. Kiedy siadałem do budowania platformy, nie musiałem zgadywać, co ma oceniać. Wiedziałem, bo sam to oceniałem przez dwa lata.
Ten osąd jest jedyną rzeczą, której nie da się kupić w subskrypcji ;).
Twój 🤖 nie wie, co jest dobre. Ktoś musi mu to powiedzieć, a to musi być ktoś, kto ma już doświadczenie.
Ten sam schemat w sklepie
Tego systemu nie budowałem dla sklepu, ale kawałki przenoszą się jeden do jednego. Weźmy cotygodniowy raport o konkurencji.
- Źródła. Strony i cenniki kilku konkurentów, ich reklamy w bibliotece reklam Mety, nowe opinie o nich.
- Ocena według Twoich kryteriów. Zmiana ceny o więcej niż ustalony próg, nowy produkt w Twojej kategorii, nowa promocja. Resztę system odrzuca.
- Pisanie. Z tego, co przeszło ocenę, AI pisze krótki raport, co się zmieniło i co to może znaczyć dla Ciebie.
- Drugi agent sprawdza. Czy każda liczba w raporcie ma źródło, czy nie ma w nim niczego, czego nie było na stronach.
- Pętla poprawek z limitem rund, żeby agent nie zaciął się na tokenach.
- Ty na końcu. Czytasz raport w poniedziałek rano i decydujesz, co z tym zrobić.
Najwięcej pracy jest w punkcie 2. Kryteria musisz spisać Ty, bo tylko Ty wiesz, która zmiana u konkurencji ma dla Ciebie znaczenie. Tak samo jak u mnie z newsletterami.