Dane nieszablonowe w budownictwie: jak wyciągnąć dane z maili, notatek i PDF-ów

Większość informacji w projekcie nigdy nie trafia do modelu BIM ani do arkusza. Siedzi w mailach, w notatkach ze spotkań, w PDF-ach od producentów i w schematach, które ktoś kiedyś wysłał jako załącznik. Model jest uporządkowany, a decyzje, które go ukształtowały, są rozrzucone po skrzynce.

Do niedawna jedynym sensownym wyjściem było ręczne przepisywanie. Dziś małe biuro ma trzy realne drogi: connector do konta mailowego, asystent z serwerem MCP na folderze oraz automatyzację w n8n albo we własnym skrypcie. Bez Revita i bez budowania własnego produktu.

W tym wpisie pokażę:

• czym są dane nieszablonowe,
• trzy drogi: connector do skrzynki, MCP na folderze oraz n8n albo skrypt,
• co każda droga potrafi, czego nie potrafi i ile kosztuje,
• pełny przepływ na jednym przypadku, czyli parametry z korespondencji,
• co zrobić z gotowym wynikiem: tagi, baza wiedzy, szablony,
• jak pracować na kopiach i nie wysyłać do modelu więcej, niż trzeba,
• ryzyka, które zostają nawet wtedy, gdy narzędzie działa.

Jeśli zbierasz dane ze spotkań, a nie z maili, zajrzyj najpierw do wpisu o podsumowaniu spotkań z AI. Mechanizm jest ten sam. Najpierw porządkujesz źródło, potem prosisz model o strukturę.

Czym są dane nieszablonowe w budownictwie

Dane szablonowe to parametry, które mają swoje miejsce. Przepływ w karcie doboru, grubość w tabeli przegród, data w harmonogramie. Każda z tych wartości ma kolumnę, jednostkę i osobę, która ją wpisała.

Dane nieszablonowe to cała reszta. Treść ustaleń, powód zmiany koncepcji, warunek, pod jakim wykonawca zgodził się na rozwiązanie, uwaga zgłoszona w połowie zdania w czwartym mailu wątku.

Ta reszta jest zwykle większością informacji w projekcie i najmniejszą częścią danych, które da się przeszukać. Model językowy radzi sobie z nią lepiej niż klasyczny skrypt, bo nie potrzebuje z góry ustalonego wzorca. Potrafi przeczytać akapit i wyciągnąć z niego pięć pól, nawet jeśli za każdym razem akapit jest napisany inaczej.

Bez schematu wyjścia dostaniesz jednak ładne streszczenie, z którego nikt nie zrobi zestawienia. W tej robocie schemat jest ważniejszy niż sam model.

Trzy drogi i jedna wspólna logika

Wszystkie trzy warianty robią to samo. Model dostaje tekst, reguły i schemat, a zwraca wynik, który da się wkleić do arkusza. Pierwsza droga sięga do skrzynki przez connector, druga do folderu przez MCP, trzecia działa bez ciebie w n8n albo w skrypcie.

Jedna rzecz wymaga sprostowania, bo w sieci krąży odwrotnie. MCP nie jest cechą jednego dostawcy. To otwarty protokół, który obsługują Claude Desktop, Claude Code, aplikacja ChatGPT, Codex CLI i inne klienty. Różnica między nimi jest w interfejsie, uprawnieniach i cenie, nie w samym protokole. Jeśli chcesz zobaczyć, jak wygląda to w praktyce na narzędziach inżynierskich, mam osobny wpis o MCP do AutoCAD, Revita, Worda i Excela.

Droga pierwsza: connector do skrzynki mailowej

Connector to gotowe połączenie między kontem asystenta a twoją skrzynką. Nie eksportujesz plików ani nie konfigurujesz serwera. Logujesz się przez OAuth, zatwierdzasz zakres dostępu i model widzi to, co widzi twoje konto. Uprawnienia są dziedziczone. Jeśli nie masz dostępu do wątku, model też go nie dostanie.

Jak AI pracuje na poczcie, pokazuję w filmie:

Claude: Gmail i Microsoft 365

W ustawieniach konta Claude jest sekcja Connectors. Connector Gmail pozwala przeszukiwać pocztę i odpowiadać na pytania z cytatami prowadzącymi do konkretnych wiadomości. Jest tylko do odczytu: Claude nie tworzy, nie wysyła i nie zmienia maili. Działa w planach Pro, Max, Team i Enterprise.

Connector Microsoft 365 obejmuje Outlook, SharePoint, OneDrive i Teams. Według dokumentacji Anthropica działa na każdej wersji Claude, pod warunkiem że logujesz się służbowym kontem Microsoft, a administrator dzierżawy zatwierdzi zgodę w Entra. Akcje zapisu są domyślnie wyłączone.

ChatGPT: Outlook, Gmail i kalendarze

Aplikacje Outlook Email i Outlook Calendar podłączają skrzynkę i kalendarz Microsoftu, a aplikacje Google dają dostęp do Gmaila i Kalendarza. Zakres działań zależy od uprawnień konta, zgody administratora Microsoft Entra i ustawień przestrzeni roboczej.

Da się przeszukiwać wiadomości filtrami w rodzaju od, temat i data, streszczać wątki i wyciągać listę zadań. Przy połączonym Gmailu lub Outlooku ChatGPT potrafi też przygotować i wysłać maila, co wymaga świadomej decyzji. W planach Business i Enterprise administrator może wyłączyć akcje zapisu, a w Enterprise wykluczyć wiadomości z etykietami poufności.

Copilot w Outlooku

Wariant dla biur, które i tak siedzą w Microsoft 365. Copilot czyta wątek w Outlooku i streszcza go przyciskiem, bez podłączania czegokolwiek z zewnątrz. Wymaga licencji Microsoft Copilot dla pracy: 30 dolarów za osobę miesięcznie przy płatności rocznej albo 31,50 przy miesięcznej. Dla firm do 300 użytkowników jest dodatek Copilot Business do planów Microsoft 365 Business.

Co ta droga potrafi, a czego nie

Potrafi odpowiadać na pytania o wątek bez eksportu, znajdować ustalenia rozrzucone po skrzynce i wskazywać źródło każdego zdania. W pięć minut sprawdzisz, czy model rozumie twoją korespondencję.

Nie przetworzy folderu z PDF-ami ani schematów, które nie przyszły mailem. Nie zrobi partii z powtarzalnym schematem i nie uruchomi się bez ciebie. Pytanie o całą skrzynkę łatwo przekracza zakres, bo connector nie zna pojęcia ten jeden wątek.

Cena tej drogi to cena planu, connector nie ma osobnej opłaty. Claude Pro 20 dolarów miesięcznie, w rozliczeniu rocznym około 17. ChatGPT Plus 20 dolarów. Copilot w Outlooku 30 dolarów za osobę.

Kolejność działań na pierwszy test

Najpierw załóż skrzynkę demonstracyjną z fikcyjnymi mailami o jednym projekcie. Potem podłącz connector i sprawdź, czy widzi tylko to konto. Na końcu zadaj pytanie ze schematem wyjścia i zweryfikuj dwa losowe cytaty.

ZRZUT 1 do wstawienia: W44-01-claude-connectors.png. Kadr: ustawienia connectorów w Claude z podłączonym Gmailem i Microsoft 365 oraz, obok, lista aplikacji w ChatGPT. Podpis: „Connector to jedno logowanie: Claude i ChatGPT widzą skrzynkę bez eksportowania plików”.

ZRZUT 2 do wstawienia: W44-02-claude-cytat-z-maila.png. Kadr: odpowiedź Claude z tabelą parametrów i widocznym cytatem źródłowym przy dwóch wierszach. Podpis: „Każdy wiersz ma cytat ze źródła, więc da się sprawdzić, z którego maila wziął się parametr”.

Droga druga: serwer MCP na folderze z kopiami

Connector sięga do skrzynki, ale nie do folderu z PDF-ami ani do plików z pendrive. Do tego potrzebny jest serwer MCP, czyli mały program, który wystawia modelowi zestaw funkcji. Najprostszy to oficjalny serwer plików @modelcontextprotocol/server-filesystem. Dostaje listę katalogów i tylko w nich może czytać oraz zapisywać.

Jak ChatGPT czyta dokumenty i buduje bazę wiedzy, pokazuję w filmie:

To jest zarazem najważniejsze zabezpieczenie tej drogi. Serwer nie widzi dysku, widzi katalog, który mu wskażesz.

Konfiguracja w Claude Desktop i Claude Code

W Claude Desktop serwery instaluje się z katalogu rozszerzeń w ustawieniach albo przez plik claude_desktop_config.json, w Windows leżącym w katalogu %APPDATA%\Claude. W Claude Code wystarczy jedno polecenie. Zakres user oznacza, że serwer działa w każdym folderze, project zapisuje wpis w repozytorium, a local ogranicza go do bieżącego projektu. Po dodaniu trzeba zrestartować sesję.

"mcpServers": {
  "pliki-projektu": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-filesystem",
      "D:\\ROBOCZE\\W44-przyklad"
    ]
  }
}

Osobno, na claude.ai, można dodać własny connector do zdalnego serwera MCP. Działa na wszystkich planach, a darmowy pozwala na jeden taki connector. Serwer musi być wtedy osiągalny publicznie przez HTTPS.

Ta sama konfiguracja w aplikacji ChatGPT i w Codexie

Mechanizm jest ten sam, tylko inny klient. Aplikacja ChatGPT na komputer, Codex CLI i rozszerzenie do edytora korzystają ze wspólnego pliku ~/.codex/config.toml, więc konfigurujesz serwer raz i widzisz go w każdym z tych miejsc. Serwer dodasz z poziomu ustawień aplikacji albo poleceniem codex mcp add. Listę sprawdzisz przez codex mcp list, a serwer wymagający logowania OAuth przez codex mcp login. W wersji webowej ChatGPT własne serwery MCP dodaje się w przestrzeniach Business i Enterprise.

[mcp_servers.pliki-projektu]
command = "npx"
args = ["-y", "@modelcontextprotocol/server-filesystem", "D:\\ROBOCZE\\W44-przyklad"]

Co ta droga potrafi, a czego nie

Potrafi czytać pliki w dozwolonym katalogu, wyciągać treść z PDF-ów, generować CSV i XLSX, przetwarzać wiele plików w jednym przebiegu, a w Codexie dodatkowo pisać i poprawiać skrypty. Łączy skrzynkę, folder i arkusz w jednym zadaniu.

Nie działa bez ciebie i nie uruchomi się o szóstej rano, gdy przyjdzie nowy mail. Nie ma wspólnego dziennika dla całego biura. Przy większej liczbie plików klikasz zatwierdzenia do znudzenia, a to najczęstszy powód, dla którego ludzie przestają z tego korzystać. Codex bez serwera MCP nie sięgnie do skrzynki, więc korespondencję trzeba najpierw wyeksportować.

Serwer jest darmowy i open source. Płacisz za model: Claude Pro 20 dolarów, Max od 100, albo plany ChatGPT, czyli Go 8, Plus 20, Pro od 100 dolarów. Model z API rozliczany jest osobno, za tokeny.

ZRZUT 3 do wstawienia: W44-03-codex-mcp-list.png. Kadr: terminal z wynikiem polecenia codex mcp list i dwoma serwerami ze statusem połączenia. Podpis: „Ta sama konfiguracja MCP działa w aplikacji ChatGPT i w Codexie, bez powtarzania setupu”.

Droga trzecia: n8n albo własny skrypt

Dwie pierwsze drogi są interaktywne. Dzieje się coś tylko wtedy, gdy siedzisz przy komputerze. Trzecia ma działać sama, na przykład czytać nowe wiadomości i dopisywać wiersze do arkusza.

W n8n buduje się to z gotowych elementów: wyzwalacz poczty przez IMAP, węzeł agenta AI, zapis do arkusza. n8n może też udostępniać swój workflow jako narzędzie dla innych klientów przez MCP. Wersja Community jest darmowa i działa lokalnie, na przykład w Dockerze na komputerze w biurze. W chmurze plan Starter to 20 dolarów miesięcznie przy rozliczeniu rocznym, a Pro 50 dolarów.

Skrypt to wariant dla osób, które wolą plik tekstowy od przeciągania węzłów. Kilkadziesiąt linii Pythona: połączenie przez IMAP, wyciągnięcie treści, wywołanie modelu z API, zapis do CSV. Do PDF-ów używa się bibliotek. pdfplumber i Docling są na licencji MIT, PyMuPDF na AGPL, więc przy publikowaniu narzędzia na zewnątrz trzeba to sprawdzić.

Co ta droga potrafi, a czego nie

Potrafi działać bez ciebie, o zaplanowanej godzinie albo po nowym mailu. Zostawia logi, więc wiadomo, co i kiedy zostało przetworzone. Obsługuje wolumen, przy którym ręczne zatwierdzanie przestaje mieć sens.

Nie wybacza błędów. Skrypt, który źle rozpozna jednostkę, będzie robił to samo codziennie przez pół roku. Wymaga utrzymania: zmiana formatu maila, nowy typ PDF-a, wygaśnięcie hasła aplikacji. Za błędy odpowiadasz ty, nie dostawca modelu.

n8n Community i własny skrypt to zero złotych za samo narzędzie, plus prąd i komputer, który już masz. Dochodzi koszt modelu: albo tokeny w API, albo zero, jeśli używasz modelu lokalnego na własnym sprzęcie.

ZRZUT 4 do wstawienia: W44-04-n8n-workflow.png. Kadr: płótno n8n z czterema węzłami w jednej linii, od wyzwalacza poczty do powiadomienia. Podpis: „Proces w n8n: nowy mail, wyciągnięcie parametrów, dopisanie wiersza do arkusza”.

Tabela decyzyjna: która droga do jakiego biura

Ceny sprawdzone 20 października 2026, bez podatku. Mogą się zmienić, więc przed decyzją potwierdź je u źródła.

Narzędzie	Skrzynka bez eksportu	Pliki na dysku	Praca bez ciebie	Koszt miesięcznie
Claude z connectorami	Gmail, Outlook i Microsoft 365	przez MCP	nie	20 dolarów (Pro), Max od 100
ChatGPT z aplikacjami	Gmail, Outlook	przez MCP w aplikacji	nie	20 dolarów (Plus), Pro od 100
Copilot w Outlooku	Outlook, konto służbowe	nie	nie	30 dolarów za osobę
Codex CLI	przez MCP	tak	nie	8, 20 albo od 100 dolarów
n8n	IMAP albo Graph	tak	tak	0 (Community) albo 20 i 50 dolarów
Własny skrypt	IMAP albo Graph	tak	tak	tokeny według cennika API

Jeśli nie chcesz czytać tabeli, wystarczy jedno pytanie. Gdzie leży problem?

• Ustalenia są w mailach, a wynik potrzebny dziś. Connector. Najkrótsza droga do pierwszego przetestowania.
• Materiał to PDF-y, schematy i foldery. MCP. Wybierz klienta, za którego już płacisz.
• Proces ma iść sam, bez ciebie. n8n albo skrypt, ale dopiero po kilku udanych partiach ręcznych.
• Biuro siedzi w Microsoft 365 i nie chce nowych kont. Copilot w Outlooku, jeśli licencja już jest.

Bezpieczeństwo: praca na kopiach i minimum danych

Najważniejsza zasada jest nudna. Nigdy nie pracuj na oryginałach i nigdy nie zaczynaj na danych klienta. Pierwszy test robisz na własnej korespondencji albo na skrzynce demonstracyjnej z fikcyjnymi mailami. Dopiero gdy wiesz, jak model się myli, przenosisz proces na materiał firmowy i to też na kopii.

Druga zasada to minimum uprawnień. Serwer plików dostaje jeden katalog, nie cały dysk. Konto do testów zakładasz osobne, z hasłem aplikacji i bez prawa wysyłki, żeby najgorszy scenariusz kończył się odczytem. W connectorach model widzi wszystko, co widzi konto, więc albo podłączasz konto testowe, albo zawężasz każde pytanie do wątku, nadawcy i daty.

• Trzymaj strukturę: katalog wejściowy z kopiami, katalog roboczy na wyniki, oryginały tylko do odczytu.
• Nazywaj pliki tak, żeby data i wątek były widoczne bez otwierania, na przykład 2026-10-14-uwagi-wentylacja.txt.
• Usuwaj z materiału to, czego model nie potrzebuje: podpisy, numery telefonów, adresy prywatne, dane osobowe w stopce.
• Zamieniaj nazwy na role: Zamawiający, Projektant, Wykonawca, Obiekt A. Modelowi to wystarcza, a dokument przestaje być wrażliwy.
• Klucze API trzymaj w zmiennych środowiskowych, nigdy w treści zadania ani w pliku, który model czyta.
• Sprawdź w ustawieniach konta, czy rozmowy nie są wykorzystywane do trenowania modeli, i czy dasz radę wyłączyć retencję.

Trzecia zasada to ślad. Każdy wiersz wyniku ma kolumnę ze źródłem, czyli nazwę pliku i krótki cytat. Bez tego po miesiącu nikt nie odtworzy, który mail był podstawą parametru.

Do tego dochodzi strona formalna, a ta różni się między dostawcami. OpenAI w planach Business, Enterprise i Edu nie trenuje modeli na danych z aplikacji domyślnie, a w Free, Go, Plus i Pro może je wykorzystać, jeśli włączone jest poprawianie modelu. Anthropic w planach konsumenckich przy włączonym ulepszaniu modelu może trzymać odpersonalizowane rozmowy do pięciu lat, a produkty firmowe mają osobne zasady. Jeśli w materiale są dane osobowe, potrzebna jest podstawa przetwarzania i umowa powierzenia.

ZRZUT 5 do wstawienia: W44-05-folder-kopie.png. Kadr: Eksplorator z folderem nadrzędnym i trzema podfolderami 01-wejscie, 02-robocze, 03-oryginaly, widoczny atrybut tylko do odczytu. Podpis: „Kopie w osobnym katalogu, oryginały tylko do odczytu, wyniki w trzecim folderze”.

Przykład krok po kroku: parametry z korespondencji

Weźmy przypadek z codziennej pracy. Przez trzy tygodnie wymieniamy maile o doborze centrali wentylacyjnej. Ustalenia są rozrzucone. Gdzieś przepływ, gdzieś spręż dyspozycyjny, gdzieś warunek akustyczny, a jedna decyzja zmieniła się po uwagach architekta. Na końcu trzeba z tego zrobić tabelę parametrów.

1. Znajdź materiał. Zapytaj connector o wątek po nadawcy, temacie i zakresie dat. Poproś o listę wiadomości, nie o streszczenie, żeby zobaczyć, ile jest źródła.
2. Ustal schemat wyjścia. Kolumny: obiekt, pomieszczenie, parametr, wartość, jednostka, źródło, data, autor, pewność, do sprawdzenia. Dziesięć kolumn, żadna więcej.
3. Przygotuj reguły. Brak danych to puste pole, a nie wartość typowa. Jednostki zawsze w kolumnie obok liczby, bez przeliczania. Każdy wiersz ma cytat ze źródła.
4. Uruchom na trzech wiadomościach. Trzy wystarczą, żeby zobaczyć, jak model radzi sobie z twoim językiem i formatem maili.
5. Porównaj z ręcznym odczytem. Sam wyciągnij parametry z tych trzech wiadomości i porównaj wiersz po wierszu. Tego kroku nie da się pominąć.
6. Popraw reguły, nie wynik. Jeśli model pomylił jednostkę, dopisz regułę o jednostkach. Poprawianie pojedynczych wierszy nic nie daje przy kolejnej partii.
7. Przenieś na folder z kopiami. Gdy schemat się utrzyma, eksportujesz wątek do plików i robisz to samo przez MCP, żeby wynik był powtarzalny. Wiersze bez cytatu idą do ręcznego przejrzenia.

Sam prompt do wyciągania danych wygląda nieefektownie, bo cała jego siła jest w schemacie i zakazach:

Przeczytaj plik i wyciągnij parametry wentylacji.
Zwróć tabelę CSV z kolumnami:
obiekt, pomieszczenie, parametr, wartość, jednostka,
źródło_cytat, data, autor, pewność, do_sprawdzenia

Zasady:
1. Nie zgaduj. Brak danych to puste pole.
2. Jednostki przepisuj tak, jak w źródle, nie przeliczaj.
3. W źródło_cytat wklej fragment zdania, z którego wziąłeś wartość.
4. pewność: wysoka, średnia, niska.
5. Jeśli w wątku jest zmiana ustalenia, zostaw oba wiersze
   i w do_sprawdzenia wpisz "zmiana ustalenia".
6. Nie dodawaj kolumn ani komentarzy poza tabelą.

Po pierwszym przebiegu okazuje się zwykle, że problemem nie jest model, tylko źródło. Ten sam parametr występuje w trzech wariantach, jedna wiadomość odpowiada na pytanie sprzed dwóch tygodni, a najważniejsza decyzja zapadła w rozmowie telefonicznej. Model tego nie naprawi, pokaże tylko, gdzie brakuje dokumentu.

Jeśli schemat się ustabilizuje i ten sam typ korespondencji wraca co tydzień, przechodzisz z connectora albo MCP na n8n lub skrypt. Człowiek weryfikuje wiersze o niskiej pewności, reszta dzieje się sama.

ZRZUT 6 do wstawienia: W44-06-wynik-csv.png. Kadr: arkusz z tabelą wynikową, 6 do 8 wierszy, jeden wiersz z pewnością niska i wpisem „zmiana ustalenia”. Podpis: „Wynik z kolumną źródła i pewności: wiersze niepewne idą do ręcznego przejrzenia”.

Co zrobić z wynikiem: tagi, baza wiedzy, szablony

Tabela parametrów to jeszcze nie koniec pracy. Jeśli zostanie w folderze pobrań, po dwóch miesiącach nikt po nią nie sięgnie. Wynik ma sens dopiero wtedy, gdy da się go znaleźć i powtórzyć.

Tagi, czyli kolumny, które robią porządek

Nie chodzi o etykiety w systemie, tylko o trzy kolumny w samej tabeli. Obiekt albo pomieszczenie, żeby wiadomo było, czego dotyczy wiersz. Typ parametru, na przykład przepływ, akustyka, automatyka. Status, czyli czy wartość jest potwierdzona, czy czeka na decyzję.

Dzięki nim filtrujesz wynik bez czytania całości. Wszystkie niepotwierdzone pozycje dla jednego pomieszczenia to jedno kliknięcie, a nie pół godziny szukania w korespondencji. Te same trzy kolumny warto stosować w każdej tabeli, którą robisz dla projektu, bo wtedy wyniki z różnych tygodni da się zestawić.

Baza wiedzy, która nie jest kolejnym folderem

Drugi krok to miejsce, w którym wynik zostaje na dłużej. Najprościej: jeden plik na projekt, z datą w nazwie, i krótka notatka, co w danym przebiegu ustalono. Nie chodzi o budowanie archiwum, chodzi o to, żeby za pół roku dało się odpowiedzieć na pytanie, skąd wzięła się dana wartość.

Warto trzymać tam także to, czego model nie znalazł. Lista brakujących dokumentów jest często cenniejsza niż gotowa tabela, bo pokazuje, które ustalenia w ogóle nie istnieją na piśmie. Jeśli prowadzisz bazę wiedzy w Obsidianie, ten sam mechanizm opisałem w wpisie o budowaniu bazy wiedzy pod Claude Code i Codex.

Szablony: prompt zapisany raz

Trzeci krok jest najprostszy i daje najwięcej. Prompt, który zadziałał, zapisujesz jako szablon razem ze schematem kolumn i regułami. Przy kolejnym projekcie nie piszesz go od nowa, tylko podmieniasz rodzaj parametrów.

Po kilku tygodniach masz zestaw szablonów: parametry wentylacji, ustalenia z narad, uwagi do rysunków, zestawienie dostaw. Każdy z nich to ten sam schemat i inne pola. Więcej o gotowych promptach dla inżynierów napisałem w osobnym wpisie o promptach, które realnie przyspieszają pracę.

To jest cała różnica między jednorazowym eksperymentem a procesem. Nie potrzebujesz do tego wdrożenia ani nowego działu. Potrzebujesz trzech kolumn, jednego pliku i zapisanego promptu.

Ograniczenia i ryzyka, które zostają

Największe ryzyko nie jest techniczne. Model językowy myli się w sposób, który wygląda wiarygodnie. Przepisze 1200 m3/h jako 1200 m3/s, pominie przecinek, dopisze jednostkę, której w źródle nie było. W tabeli wygląda to jak każdy inny wiersz, dlatego kolumna z cytatem i pewnością nie jest ozdobą.

• Halucynacje liczb i jednostek. Człowiek musi przejrzeć każdy wiersz, który trafi do dokumentacji projektowej.
• Wysyłka maila z czatu. ChatGPT przy połączonym Gmailu lub Outlooku potrafi wysłać wiadomość. Jeśli tego nie chcesz, wyłącz akcję zapisu albo pracuj na koncie testowym.
• Wstrzyknięte polecenia w treści maila. Cudzy tekst może zawierać zdanie skierowane do modelu. Traktuj treść maila jako dane, nie jako polecenie, i nie dawaj agentowi prawa wysyłki.
• Koszt tokenów przy wolumenie. Tysiąc maili to rachunek, który trzeba policzyć przed uruchomieniem, a nie po.
• Skany bez warstwy tekstowej. Część PDF-ów to zdjęcia. Bez OCR model dostanie pustkę i wymyśli odpowiedź albo zostawi ją pustą.
• Brak wersjonowania. Wynik nadpisany trzy razy przestaje być dowodem. Trzymaj pliki wynikowe z datą albo w repozytorium.
• Zależność od dostawcy i regionu. Cenniki, limity i dostępność aplikacji zmieniają się kilka razy w roku, a część funkcji nie działa w każdym kraju.
• Odpowiedzialność zostaje po człowieku. Pod projektem podpisuje się inżynier, nie agent.

Wnioski: od czego zacząć w poniedziałek

Wybór drogi zależy od tego, gdzie leży problem, a nie od tego, które narzędzie ma lepszy marketing. Jeśli ustalenia siedzą w mailach i chcesz efekt tego samego dnia, zacznij od connectora. Claude z Gmailem albo Microsoft 365, ChatGPT z Outlookiem, a w firmie z licencjami Microsoft Copilot w Outlooku. Testuj na skrzynce demonstracyjnej.

Jeśli materiał to PDF-y, schematy i foldery, potrzebujesz MCP. Wybierz klienta, który już masz. Claude Desktop albo Claude Code, jeśli płacisz za Claude. Aplikację ChatGPT albo Codex, jeśli płacisz za ChatGPT. Protokół jest ten sam, więc konfiguracja przenosi się między nimi.

Automatyzację, czyli n8n albo skrypt, wprowadź dopiero wtedy, gdy schemat wyjścia nie zmienił się przez kilka partii, a wiersze o niskiej pewności stanowią mniejszość.

Największą korzyścią nie jest oszczędność czasu przy przepisywaniu. Jest nią to, że widać, ile ustaleń istnieje tylko w mailach. To zwykle najbardziej nieprzyjemne odkrycie i najlepszy powód, żeby zacząć.

Jeśli chcesz zobaczyć, jak agent pracuje na arkuszu, a nie na tekście, mam osobny wpis o połączeniu Codexa z Excelem.

Sprawdź również:

• Dane nieszablonowe w budownictwie: jak wyciągnąć dane z maili, notatek i PDF-ów
• Jaki komputer do Revita/BIM w 2026: CPU/GPU/RAM/SSD
• Case Study: jak uporządkować wiele skrzynek mailowych w jednym systemie (Thunderbird + AI)
• Chińskie modele AI: co dzieje się z danymi, które do nich wysyłasz
• Jak zwiększyć komfort pracy przy komputerze? Ergonomiczne stanowisko krok po kroku