AI w biznesie – od czego zacząć, żeby nie wyrzucić pieniędzy

Dlaczego pierwsze projekty AI tak często kończą się rozczarowaniem

Rozmowy o wdrożeniu AI w firmie zwykle zaczynają się od narzędzia. Ktoś na zarządzie widział demo, ktoś inny czytał o asystencie, który sam odpowiada klientom, dział IT dostał zapytanie o licencje. Po kilku tygodniach pojawia się pilotaż, po kilku miesiącach – ciche wygaszenie tematu. Nie dlatego, że technologia nie działała. Dlatego, że nikt nie potrafił powiedzieć, co konkretnie miała poprawić.

To dość typowy schemat przy każdej nowej technologii i akurat w przypadku AI w biznesie jest wyjątkowo dotkliwy, bo próg wejścia jest niski. Można uruchomić coś w tydzień. Można też w tydzień stworzyć rozwiązanie, które nie ma właściciela, nie ma miary sukcesu i nie jest wpisane w żaden proces.

Z naszych doświadczeń wynika, że pytanie „jakiego narzędzia użyć” jest jednym z ostatnich, które powinno się zadać. Pierwsze brzmi znacznie mniej efektownie: gdzie w tej firmie faktycznie tracimy czas, marżę albo klientów?

Zacznij od miejsca, w którym boli, a nie od tego, co modne

Warto na chwilę odłożyć temat sztucznej inteligencji i spojrzeć na organizację tak, jakby chodziło o zwykłą optymalizację. Gdzie powtarzalna praca zjada godziny ludzi, których kompetencje są dużo droższe niż zadanie, które wykonują? Gdzie decyzje podejmowane są na wyczucie, bo dane są, ale nikt ich nie zestawia? Gdzie proces zatrzymuje się, bo ktoś musi coś przepisać, sprawdzić, przeczytać, streścić?

Dopiero na tak wskazanych miejscach AI ma sens ekonomiczny. W praktyce najczęściej są to obszary mniej spektakularne, niż podpowiada wyobraźnia:

- przygotowywanie ofert i dokumentów sprzedażowych, gdzie handlowiec traci kilka godzin tygodniowo na składanie tego samego z różnych źródeł, - obsługa powtarzalnych zapytań klientów, które w 70% dotyczą tych samych kilkunastu tematów, - analiza dużej liczby dokumentów: umów, specyfikacji, protokołów, reklamacji, - wstępne przetwarzanie danych do raportowania, które dziś robi się ręcznie w arkuszach, - praca marketingu nad treściami, gdzie problemem nie jest kreacja, ale skala i tempo.

Żadne z tych zastosowań nie wygląda dobrze na konferencji. Każde da się policzyć.

Trzy pytania, które oszczędzają najwięcej pieniędzy

Pierwsze: co konkretnie zmieni się w liczbach? Skrócenie czasu przygotowania oferty z czterech godzin do czterdziestu minut jest efektem. „Zwiększenie efektywności” nie jest. Jeżeli nie potrafisz określić, co mierzysz przed i po, to nie masz projektu — masz eksperyment, który warto tak właśnie nazwać i ograniczyć jego budżet.

Drugie: kto jest właścicielem tej zmiany po stronie biznesu? Nie IT. Dyrektor sprzedaży, szef obsługi klienta, kierownik produkcji. Ktoś, kto odpowiada za wynik obszaru i będzie miał interes w tym, żeby zespół rzeczywiście zaczął pracować inaczej. Projekty AI bez właściciela biznesowego kończą się poprawnym technicznie rozwiązaniem, z którego nikt nie korzysta.

Trzecie: czy proces, który chcemy wspomóc, jest w ogóle opisany? To pytanie bywa najbardziej niewygodne. Automatyzacja chaosu daje szybszy chaos. Jeżeli dwóch handlowców prowadzi sprzedaż w zupełnie inny sposób, a dane o klientach są w trzech miejscach, żaden model nie naprawi tego za nas. W takich sytuacjach często okazuje się, że realna wartość leży w uporządkowaniu procesu, a AI jest dopiero kolejnym krokiem — czasem mocno przyspieszającym, ale nie pierwszym.

Dane, o których nikt nie chce rozmawiać

Jakość danych to punkt, w którym większość ambitnych planów zwalnia. Modele językowe potrafią zaskakująco dużo zrobić z nieuporządkowanym tekstem, ale nie zastąpią wiedzy, której firma nie zapisała. Jeśli know-how o produkcie siedzi w głowach trzech osób, a historia relacji z klientem w skrzynkach mailowych, to pierwszym projektem nie jest asystent AI, lecz uporządkowanie tej wiedzy. Ma to zresztą samodzielną wartość biznesową — zmniejsza zależność organizacji od pojedynczych ludzi.

Osobna kwestia: bezpieczeństwo i zgodność. Zanim dane klientów, cenniki czy dokumentacja techniczna trafią do zewnętrznego narzędzia, warto ustalić, gdzie są przetwarzane i na jakich warunkach. Regulacje w tym obszarze zmieniają się szybko, więc stan prawny i wymogi branżowe trzeba weryfikować na bieżąco, najlepiej z osobą, która za to odpowiada formalnie. To nie jest formalność do odhaczenia po wdrożeniu.

Skala: mały zakres, prawdziwe warunki

Sensowny pierwszy projekt ma trzy cechy: jest wąski, dotyczy realnej pracy realnych ludzi i ma z góry ustalony moment oceny. Dwa–trzy miesiące, jeden proces, jeden zespół, jasna miara. Jeżeli zadziała, mamy podstawę do rozmowy o skalowaniu i argument, którego nie da żadna prezentacja dostawcy. Jeżeli nie zadziała, koszt jest ograniczony, a organizacja czegoś się nauczyła.

Najczęstszy błąd idzie w drugą stronę: duży program transformacyjny ogłoszony na całą firmę, z komunikacją wewnętrzną, warsztatami i mapą drogową na dwa lata, ale bez ani jednego działającego przypadku użycia. Taki projekt zwykle nie upada — po prostu przestaje być ważny.

Ludzie decydują o zwrocie z tej inwestycji

Jest jeszcze warstwa, którą łatwo pominąć w kalkulacji. Narzędzie AI daje oszczędność czasu tylko wtedy, gdy ludzie nauczą się z niego korzystać i zaufają wynikom. To wymaga przeszkolenia, ustalenia zasad, pokazania, gdzie kończy się odpowiedzialność narzędzia, a zaczyna człowieka. Wymaga też uczciwej rozmowy o tym, co dzieje się z zaoszczędzonym czasem — jeśli pracownicy podejrzewają, że chodzi o redukcję etatów, adopcja będzie pozorna.

Menedżerowie średniego szczebla są tu punktem krytycznym. Jeśli nie rozumieją, po co to wszystko, wdrożenie zatrzyma się na poziomie ich zespołów, niezależnie od determinacji zarządu.

Jak podejść do tego uporządkowanie

Praktyczna kolejność, która chroni budżet, wygląda mniej więcej tak: przegląd procesów i wskazanie kilku miejsc o największym potencjale, wycena potencjalnego efektu, wybór jednego lub dwóch przypadków użycia, sprawdzenie gotowości danych i procesu, pilotaż z jasną miarą, ocena, decyzja o skalowaniu. Technologia pojawia się w tym ciągu dopiero w połowie.

W pracy z firmami widzimy, że najtrudniejszy jest pierwszy etap — nie dlatego, że jest skomplikowany, ale ponieważ wymaga spojrzenia na organizację z boku i przyznania, że część problemów nie ma nic wspólnego z technologią. Zewnętrzna perspektywa bywa tu przydatna właśnie dlatego, że nie jest uwikłana w wewnętrzne przyzwyczajenia i interesy działów.

W ITTC podchodzimy do tego jako do elementu szerszej transformacji: najpierw diagnoza, gdzie firma naprawdę traci pieniądze i tempo, potem decyzja, czy odpowiedzią jest zmiana procesu, kompetencji, organizacji pracy, technologii — czy kombinacja tych rzeczy. AI jest w tym układzie narzędziem, nie celem, i dokładnie dlatego przynosi efekty.

Jeżeli w Twojej firmie temat sztucznej inteligencji pojawia się na spotkaniach zarządu, ale nikt nie potrafi wskazać pierwszego sensownego kroku, warto przeanalizować to systematycznie — zaczynając od procesów i liczb, a nie od listy narzędzi.