Sztuczna inteligencja pozostaje jednym z najczęściej dyskutowanych tematów w kontekście transformacji cyfrowej. Jednocześnie wiele organizacji nadal rozpoczyna rozmowę o AI od niewłaściwego pytania: „jakie narzędzie wdrożyć?”, zamiast „jaki problem biznesowy chcemy rozwiązać?”.
To przesunięcie perspektywy ma duże znaczenie. Sama dostępność technologii nie przesądza jeszcze o tym, że organizacja potrafi wykorzystać ją w sposób bezpieczny, mierzalny i zgodny ze swoimi celami biznesowymi.
W tym artykule, bazując na doświadczeniach praktyków zajmujących się transformacją AI, skalowaniem rozwiązań i governance, porządkujemy najważniejsze pytania, które warto zadać jeszcze przed rozpoczęciem wdrożenia.
Nie zaczynaj od technologii – wskaż problem biznesowy
Jeszcze kilka lat temu organizacje zastanawiały się, czy inwestować w AI – dziś częściej pytają, jak szybko mogą ją wdrożyć. Problem polega na tym, że drugie pytanie zakłada już podjętą decyzję.
W praktyce to właśnie ten moment często przesądza o dalszych losach inicjatywy. Jeśli rozmowa o AI zaczyna się od wyboru narzędzia, modelu albo dostawcy, organizacja bardzo łatwo może przejść do działania, zanim odpowie sobie na najważniejsze pytanie: jaki problem biznesowy chcemy właściwie rozwiązać?
Jak zauważa Łukasz Migda, lider transformacji cyfrowych i AI z ponad 20-letnim doświadczeniem:
Największym błędem nie jest więc eksperymentowanie z technologią. Problem pojawia się wtedy, gdy organizacja nie potrafi powiązać technologii z konkretnym procesem, właścicielem biznesowym i mierzalnym efektem.
Migda opisuje ten mechanizm bardzo konkretnie:
Podobnie patrzy na to Maurycy Moczulski, matematyk wyspecjalizowany w głębokim uczeniu maszynowym, co-founder i CEO GradientHouse.
Dlatego przed wyborem modelu, dostawcy czy platformy warto zacząć od pytania, gdzie technologia może pomóc rozwiązać problem, którego skutki są już widoczne w wynikach, procesach albo doświadczeniu klientów i pracowników.
To właśnie temu służy dobrze przeprowadzony proces Discovery. W Infinity Group wykorzystujemy go do uporządkowania celów biznesowych, procesów, danych i możliwych scenariuszy wdrożenia. Dzięki temu organizacja może zweryfikować nie tylko jak wdrożyć AI, ale przede wszystkim czy jest ono właściwym rozwiązaniem danego problemu.
Dlaczego pilotaże AI nie trafiają do produkcji?
Jednym z największych paradoksów współczesnych wdrożeń AI jest to, że wiele projektów osiąga założone cele techniczne, a mimo to nigdy nie trafia do środowiska produkcyjnego.
Krzysztof Goworek, doradca wspierający przedsiębiorstwa w przechodzeniu od demonstracji technologicznych do produkcyjnych wdrożeń AI, zwraca uwagę, że pilotaże bardzo często powstają w warunkach oderwanych od codziennej rzeczywistości organizacji:
To właśnie dlatego proof of concept odpowiada zwykle na pytanie „czy to działa?”, ale nie odpowiada na pytanie „czy będzie działać stabilnie, bezpiecznie i opłacalnie po wdrożeniu?”.
Goworek wskazuje kilka najczęstszych przyczyn zatrzymania projektu:
Na podobny problem zwraca uwagę Maurycy Moczulski:
Drugim problemem jest niedoszacowanie kosztów skalowania. Jak dodaje Moczulski:
Szczególnie wyraźnie widać to w przypadku rozwiązań opartych na dużych modelach językowych. To, co działa przy niewielkiej liczbie użytkowników, może generować zupełnie inne koszty przy obciążeniu produkcyjnym. Bez wcześniejszego uwzględnienia tych czynników organizacja ryzykuje sytuację, w której technologiczny sukces nie przekłada się na uzasadnienie biznesowe.
Moczulski podkreśla, że nie bez znaczenia jest także jakość wykorzystywanych w pilotażu danych:
Często jednak problem nie leży ani w technologii, ani w danych. Organizacja po prostu nie określiła wcześniej, po czym pozna, że projekt zakończył się sukcesem, na co zwraca uwagę Łukasz Migda:
Dlatego przejście od pilotażu jest przede wszystkim sprawdzianem tego, czy organizacja rzeczywiście przygotowała się do wdrożenia – a nie tylko do jego demonstracji.
Jak skalować AI i nie stracić kontroli nad projektem?
Skoro tak wiele inicjatyw AI kończy się na etapie pilotażu, warto zadać odwrotne pytanie: co robią organizacje, którym rzeczywiście udaje się przejść od eksperymentów do trwałej zmiany?
Według Krzysztofa Goworka kluczowe znaczenie ma kolejność podjętych działań:
To ważna obserwacja, ponieważ wiele firm chce rozpocząć swoją przygodę z AI od rozwiązań najbardziej widocznych. Tymczasem dojrzałe wdrożenia często zaczynają się dużo mniej efektownie: od uporządkowania procesów wewnętrznych, danych i mechanizmów decyzyjnych.
Takie podejście pozwala stopniowo budować kompetencje, procesy oraz zasoby danych niezbędne do realizacji bardziej złożonych projektów. Zamiast próbować osiągnąć spektakularny efekt od pierwszego wdrożenia, organizacja rozwija zdolność do systematycznego wykorzystania AI.
Jak dodaje Goworek, równie ważny jest model odpowiedzialności:
Im większa skala wykorzystania AI, tym ważniejsze staje się również pytanie o kontrolę. W wielu organizacjach AI pojawia się oddolnie: pracownicy zaczynają korzystać z ChatGPT, Copilota czy innych narzędzi generatywnych, aby szybciej wykonywać codzienne obowiązki. Powstają pierwsze automatyzacje, własne workflow czy nieformalne eksperymenty z agentami AI. To zjawisko określane jest mianem shadow AI, które – jak podkreśla Goworek – z czasem rozszerzyło swoje znaczenie.
Naturalną reakcją organizacji bywa próba zablokowania takich działań, co – zdaniem Goworka – jest strategią skazaną na porażkę:
Dodaje jednak, że governance nie może istnieć tylko na papierze:
Dlatego mechanizmy zarządzania powinny pojawić się już na etapie pierwszych wdrożeń wykorzystujących dane produkcyjne, a nie dopiero wtedy, gdy projekt osiągnie sukces.
Co tak naprawdę decyduje o sukcesie AI?
Na końcu warto wrócić do pytania, które pojawiało się właściwie w każdej części tego artykułu: co sprawia, że jedne organizacje pozostają na poziomie obiecujących pilotaży, a inne zaczynają realnie wykorzystywać potencjał AI?
Odpowiedź rzadko dotyczy samej technologii. Migda zaznacza, że skuteczne wdrożenie AI wymaga również zdolności do przeprowadzenia ludzi przez zmianę.
W firmach, które nie akceptują eksperymentowania i uczenia się na błędach, trudno zbudować trwałą zdolność do wykorzystania AI. Migda ujmuje to bez ogródek:
Z kolei Goworek zwraca uwagę na potrzebę budowania kompetencji, które wykraczają poza samo korzystanie z narzędzi AI. Nazywa je AI fluency.
W praktyce przewaga konkurencyjna coraz rzadziej wynika z samego dostępu do technologii. Coraz częściej zależy od zdolności organizacji do testowania hipotez, mierzenia efektów i szybkiego wyciągania wniosków.
Podsumowanie: 7 pytań, które warto zadać przed rozpoczęciem inicjatywy AI
Jeżeli Twoja organizacja stoi przed decyzją dotyczącą AI, warto zacząć od odpowiedzi na kilka podstawowych pytań. Pozwolą ocenić gotowość organizacji do wdrożenia AI znacznie trafniej niż analiza dostępnych narzędzi czy technologii.
- Jaki konkretny problem biznesowy chcemy rozwiązać? Czy potrafimy nazwać go w kategoriach procesu, kosztu, przychodu, jakości obsługi lub efektywności operacyjnej?
- Skąd będziemy wiedzieć, że projekt zakończył się sukcesem? Czy zdefiniowaliśmy mierzalne wskaźniki sukcesu oraz termin ich weryfikacji?
- Czy AI jest rzeczywiście najlepszym rozwiązaniem tego problemu? A może podobny efekt można osiągnąć dzięki automatyzacji, zmianie procesu lub lepszemu wykorzystaniu istniejących narzędzi?
- Kto będzie właścicielem inicjatywy po stronie biznesu? Czy istnieje osoba lub zespół odpowiedzialny nie tylko za uruchomienie projektu, ale również za jego adopcję i dalszy rozwój?
- Czy dysponujemy danymi pozwalającymi zweryfikować założenia projektu? Czy są one kompletne, reprezentatywne i dostępne w skali odpowiadającej rzeczywistym warunkom biznesowym?
- Czy organizacja jest gotowa na zmianę procesu, a nie tylko wdrożenie narzędzia? Czy jesteśmy przygotowani na nowe role, nowe kompetencje i nowe sposoby pracy?
- Czy wiemy, co zrobimy po zakończeniu pilotażu? Jakie warunki muszą zostać spełnione, aby projekt został rozwinięty, a jakie będą oznaczać konieczność zmiany kierunku lub jego zakończenia?
W Infinity Group od ponad 25 lat pomagamy organizacjom przekładać cele biznesowe na rozwiązania cyfrowe – od analizy potrzeb i warsztatów Discovery, przez projektowanie rozwiązań, aż po ich wdrożenie i rozwój. Dlatego zanim zaczniemy rozmawiać o konkretnych narzędziach czy modelach AI, pomagamy uporządkować znacznie ważniejszą kwestię: jaki problem biznesowy warto rozwiązać i jakie podejście będzie miało największy sens w danym kontekście organizacyjnym.
Jeśli Twoja organizacja rozważa wykorzystanie AI i chcesz zweryfikować potencjalne kierunki działania, porozmawiajmy.
