28 pytań o wdrażanie AI, na które nie zdążyliśmy odpowiedzieć podczas webinaru

ROI z AI nie zaczyna się od liczenia tokenów

W jakich przypadkach AI rzeczywiście zmienia organizację?

Tam, gdzie mamy skalę, dane, powtarzalność i możliwość sprawdzenia wyniku. Dobrze zdefiniowany cel pozwala dobrać odpowiednie narzędzia, zoptymalizować proces. Klasyczny machine learning nadal daje duży zwrot w prognozowaniu, fraudach, cenach, trasach, produkcji i kontroli jakości. Generatywna AI sprawdza się w pracy z dokumentami, wiedzą, językiem, obsługą klienta, analizą umów i programowaniu.

Prawdziwa zmiana nie polega jednak na tym, że jedna osoba napisze e-mail szybciej. Zaczyna się, gdy przebudowujemy cały przepływ pracy. AI często daje nam do tego pretekst. Mając nowe narzędzia, zastanawiamy się jak usprawnić cały proces.

Jak połączyć adopcję AI z DORA metrics i SPACE?

Najpierw ustal bazę porównawczą. Przez kilka tygodni mierz obecny przepływ pracy, a dopiero później uruchamiaj pilotaż dla porównywalnego zespołu, typu zadań albo etapu procesu. Liczba wygenerowanych linii kodu, aktywnych użytkowników czy zużytych tokenów jest wskaźnikiem adopcji, nie rezultatu.

W DORA sprawdzaj lead time for changes, częstotliwość wdrożeń, change failure rate oraz czas przywrócenia działania. AI może przyspieszyć pisanie kodu, a jednocześnie zwiększyć liczbę regresji, rozmiar pull requestów i obciążenie review. DORA w raporcie z 2025 r. opisała dokładnie taki efekt: lepsza przepustowość może iść w parze z gorszą stabilnością, jeśli organizacja nie ma dobrych testów, szybkiej informacji zwrotnej i dojrzałej platformy.

Dlatego potrzebujesz także SPACE: satysfakcji i dobrostanu, jakości wyniku, aktywności, współpracy oraz efektywności przepływu. Dołóż czas review, rework, błędy na produkcji, podatności, czas oczekiwania i subiektywne poczucie kontroli zespołu. Na końcu przeliczasz to na pieniądze: odzyskane godziny, szybszy time-to-market, uniknięte incydenty i pełny koszt narzędzia wraz z kontrolą jakości.

Czy w ogóle wiadomo, jak liczyć ROI z AI?

Nie ma jednego ROI dla „AI”, tak jak nie ma jednego ROI dla „oprogramowania”. Liczymy zwrot konkretnego use case'u. Korzyści to między innymi wykorzystany czas, mniej błędów, mniejsze straty, wyższa marża, szybsza sprzedaż i uniknięte incydenty. Koszty to nie tylko licencje i tokeny, ale też dane, integracja, utrzymanie, walidacja, cyberbezpieczeństwo, compliance, szkolenia i praca człowieka.

Najważniejszy jest kontrfaktyczny scenariusz: co stałoby się bez wdrożenia. Dlatego potrzebujemy baseline'u, grupy porównawczej albo etapowego rollout'u i obserwacji po 30, 60 oraz 90 dniach. Jeżeli nie umiemy przypisać wartości do wyniku procesu, sama formuła ROI niczego nie uratuje.

Jakie macie historie sukcesów z wasza pomocą?

Sumarycznie w portfolio, w którym braliśmy udział, znajduje się ok. 200 projektów. Część z nich dotyczyła wdrożeń dotyczących milionów użytkowników. Inne optymalizowały procesy wewnętrzne lub zmieniały całe organizacje. I ponownie: najbardziej dochodowe rozwiązanie nie zawsze jest generatywne, choć zaskakujące są sytuacje, gdzie duży model multimodalny jest lepszy np. w rekomendacji ubioru względem modelu wytrenowanego tylko do takich zadań.

Projekty realizowane w KODA.AI optymalizują procesy obsługi klientów, automatyzując nawet 98% spraw. W tych projektach sukces nie jest mierzony tym, że udało się „wdrożyć AI”, ale zmianą konkretnego wskaźnika biznesowego. Pracujemy między innymi nad zmniejszeniem zaangażowania pracowników, optymalizacją cen, zakupów, dostaw, procesów dokumentowych czy analizą dużych zbiorów umów i danych. Przed wdrożeniem ustalamy punkt wyjścia, koszt obecnego procesu i miernik, który chcemy poprawić. Dopiero później porównujemy czas realizacji, liczbę błędów, koszt obsługi, jakość wyniku lub rzeczywisty efekt finansowy.

Dobrym przykładem innego rodzaju sukcesu jest RASP, z którym pracowała Inga. Tam praca nie zaczęła się od zakupu jednego narzędzia, ale od budowania kompetencji w całej organizacji. Powstała grupa wewnętrznych liderów i ambasadorów AI reprezentujących różne działy oraz role. Otrzymywali oni szkolenia, wsparcie i przestrzeń do testowania rozwiązań, a jednocześnie organizacja rozwijała zasady, polityki i struktury potrzebne do bezpiecznego skalowania AI.

To ważne, ponieważ sukces wdrożenia nie zawsze oznacza jeden spektakularny projekt, który natychmiast przynosi milionowe oszczędności. Czasem największą wartością jest stworzenie organizacji, która potrafi regularnie identyfikować dobre zastosowania AI, szybko odrzucać słabe pomysły i rozwijać te, które rzeczywiście poprawiają wyniki.

W obu przypadkach wspólny mianownik jest ten sam: nie zaczynamy od pytania „jaką AI wdrożyć?”, tylko „jaki problem chcemy rozwiązać i po czym poznamy, że rozwiązanie działa?”. Dopiero wtedy można uczciwie powiedzieć, czy firma wyszła na plus.

Czy pracowaliście z firmami, które wyszły na AI na plus?

Tak. Firmy, którym pomagaliśmy, liczą już zwrot z inwestycji. Część z nich jest na etapie skalowania rozwiązań na całą firmę, ale część zauważa konkretne przychody. Czasem z nowej linii usług lub produktów, a czasem z optymalizacji produkcji.

Pracujemy np. z firmami, które zyskały dwukrotne przyspieszenie w tworzeniu oprogramowania i teraz w miejsce zatrudniania kolejnych developerów, zatrudniają analityków i PM-ów definiujących rozwiazania dla klientów lub działy sprzedaży.

Najpierw proces, właściciel i dane. Dopiero później model

Jaka jest ostateczna czerwona flaga?

Organizacja mówi „wdrażamy AI”, ale nikt nie potrafi wskazać KPI, właściciela procesu ani osoby podejmującej decyzję po pilotażu. Do tego dane produkcyjne są niedostępne, nie ma API, a procesu nikt nie zamierza zmieniać. Tego nie naprawi budżet. Wtedy lepiej powiedzieć „nie ten use case” albo „nie teraz” i przygotować fundamenty.

Czy zdarza się Wam odradzić AI?

Tak. Odradzamy AI, gdy prosta reguła, workflow albo klasyczny model rozwiąże problem taniej i bardziej przewidywalnie. Odradzamy konkretny POC, jeśli nie ma drogi do danych produkcyjnych, właściciela biznesowego lub możliwości zmiany procesu. Odradzamy też przypadkowego chatbota w zadaniach o wysokim wpływie na ludzi, na przykład do nieprzemyślanego odsiewania kandydatów. Czasem dobra rekomendacja brzmi „nie AI”, czasem „nie ten model”, a czasem „najpierw posprzątajmy dane”.

Czy nie optymalizujemy procesów, które nie powinny istnieć?

To jeden z najważniejszych punktów. OCR może przeczytać dokument w dwie sekundy, ale jeśli akceptacja nadal trwa dwa tygodnie, zautomatyzowaliśmy tylko fragment. Przed wdrożeniem pytamy, dlaczego każdy etap istnieje, jakie ryzyko kontroluje i czy w świecie AI nadal jest potrzebny. Najdroższy projekt to perfekcyjna automatyzacja zbędnej czynności.

Dlaczego „odsiewać” pomysły?

Bo POC jest eksperymentem, a nie przedstawieniem, w którym wynik ma potwierdzić pomysł sponsora. Część projektów powinna zostać zatrzymana: mają słabą jakość, złą ekonomię, brak danych albo nieakceptowalne ryzyko. Odsiewamy use case'y, nie klientów. Wczesne „nie” jest często najbardziej wartościowym rezultatem pilotażu.

Czy 95% projektów zabija compliance?

Nie. Słynne 95% dotyczyło generatywnej AI i braku mierzalnego wpływu na P&L w określonym raporcie, a nie wszystkich wdrożeń AI. Głównym problemem były między innymi integracja z danymi produkcyjnymi, brak adopcji rozwiązania lub luka w edukacji. Compliance może ujawnić, że projekt od początku nie miał opisanych danych, celu, dostawcy i odpowiedzialności. Te 5% nie unika prawa i kosztów - po prostu uwzględnia je wcześniej i potrafi przejść od demo do procesu produkcyjnego.

Ludzie nie bojkotują modelu. Boją się konsekwencji

Jak zarządzać strachem przed utratą pracy?

Nie zaczynaj od nakazu zarządu. Powiedz, jaki problem rozwiązujecie, co zmieni się w rolach i co firma zrobi z odzyskanym czasem. Nie obiecuj braku zwolnień, jeśli nie masz takiej decyzji. Włącz użytkowników do projektowania pilotażu, zacznij od małego problemu, uruchom szkolenia pokazujące nie tylko zakazy, ale też bezpieczne możliwości.

Jeśli każda oszczędzona godzina oznacza redukcję etatu, pracownik nie ma powodu, żeby wskazywać kolejne automatyzacje. Jeśli zdolność jest reinwestowana w lepszy produkt, mniej nadgodzin i rozwiązanie zaległych problemów, zmiana może być wspólnym projektem.

Co z oddolnym bojkotem?

Spotykamy go w formie niedostarczania danych, mnożenia wyjątków, podważania każdego wyniku albo nieużywania narzędzia. Nie każda krytyka jest sabotażem - czasem IT, bezpieczeństwo, legal lub użytkownik wskazuje realny błąd. Pomaga ambasador zmiany pracujący wewnątrz zespołu, małe demonstracje, zewnętrzny ekspert i zasada, że każde „ale” kończy się odpowiedzią: co trzeba zmienić, żeby bezpiecznie przetestować rozwiązanie?

Czy odpowiedzialność musi być w zarządzie?

Potrzebny jest sponsor na poziomie C-level z budżetem i mandatem do usuwania blokad. COO pasuje do procesów przekrojowych, ale sponsorem może być też CIO, CTO, CEO lub lider konkretnego biznesu. Obok sponsora musi istnieć codzienny właściciel biznesowy, który zna KPI i adopcję. Zarząd podejmuje decyzje. Zespół operacyjny rozumie, co naprawdę dzieje się w procesie.

Czy legal sam się zaudytował?

Oczywiście. Po audycie legal ustalił, że odpowiedzialność ponosi biznes. A poważnie: prawnicy też korzystają z AI i powinni sprawdzić własne narzędzia, dane klientów, tajemnicę zawodową, transfery, retencję i sposób weryfikacji odpowiedzi. Reguły są wiarygodne dopiero wtedy, gdy ich autorzy stosują je do siebie.

Chmura, modele lokalne i prawdziwy koszt kontroli

Kiedy przejść z API na model lokalny?

Patrzymy na cztery rzeczy: dane i prawo, bezpieczeństwo i odporność, ekonomię skali oraz wymagania techniczne. Lokalność ma sens przy ograniczeniach transferu, pracy offline, niskich opóźnieniach, potrzebie pełnej kontroli nad wersją lub dużym stabilnym wolumenie. Trzeba jednak policzyć MLOps, aktualizacje, monitoring, energię, bezpieczeństwo i kompetencje. Open-weight nie oznacza darmowego utrzymania.

API zwykle wygrywa na etapie testu. Wiele firm kończy z architekturą hybrydową. Przed fine-tuningiem warto sprawdzić mniejszy model, RAG, routing, krótszy kontekst i narzędzia deterministyczne.

Ile bankowych wdrożeń działa w chmurze?

Nie ma wiarygodnego procentu dzielącego systemy wyłącznie chmurowe i wyłącznie on-premises. ECB podaje, że ponad 85% nadzorowanych banków korzysta z AI. W małej próbie warsztatowej modele dla scoringu i fraudów były zwykle tworzone wewnętrznie, ale często hostowane w zewnętrznej chmurze. Regulacje nie zakazują chmury - wymagają kontroli outsourcingu, odporności, danych, koncentracji dostawców i audytowalności.

A jaki jest ogólny podział lokalnie versus chmurowo?

Bez wspólnej definicji nie ma uczciwej liczby. Model może być rozwijany lokalnie, uruchamiany u dostawcy, korzystać z danych w prywatnej chmurze i wywoływać zewnętrzne API dla jednego kroku. Eksperymenty zwykle zaczynają w SaaS, a wraz ze skalą i krytycznością przechodzą do środowisk wydzielonych lub hybrydowych.

Czy prywatna chmura rozwiązuje problem RODO?

Nie. Nadal trzeba ustalić role, podstawę, minimalizację, retencję, dostęp, podprocesorów, bezpieczeństwo i transfery poza EOG. Powierzenie danych procesorowi nie wymaga automatycznie zgody klienta, ale wymaga umowy i spełnienia pozostałych obowiązków. Zero retention może być dobrym zabezpieczeniem lub wymogiem kontraktowym, lecz nie jest uniwersalnym nakazem RODO.

Czy lokalna infrastruktura zabija projekt?

Może, jeśli firma od razu kupi własny klaster bez policzenia wykorzystania i utrzymania. Pomiędzy publicznym chatbotem a serwerownią istnieją prywatne endpointy, wydzielone instancje, regiony UE, zarządzane modele open-weight i architektury hybrydowe. Najpierw nazywamy wymaganie, dopiero później kupujemy infrastrukturę.

Co z zakazem transferu poza UE i retencją u dostawcy?

To realne ograniczenia w części branż i umów. Potrzebna jest mapa przepływu danych: co wysyłamy, gdzie, kto ma dostęp, jak długo, czy dane służą do treningu i jacy są podprocesorzy. Rozwiązaniem może być konfiguracja bez retencji, region UE, anonimizacja, mechanizm transferowy, środowisko lokalne albo rezygnacja z use case'u. Sama lokalizacja serwera nie wystarcza do oceny.

Czy niedeterministyczność zabija wdrożenie?

Tak, jeśli identyczny wynik jest twardym wymaganiem, a LLM ma być jedynym silnikiem decyzji. Generatywna AI może jednak przygotowywać propozycję, klasyfikować lub wydobywać dane, a wynik sprawdza reguła, schemat, baza źródłowa, test lub człowiek. Jeśli rdzeń procesu musi być powtarzalny, powinien pozostać deterministyczny, a AI ma wspierać odpowiedni fragment. Wiele rozwiązań automatyzujących procesy jest hybrydą: LLM-em i zdefiniowanymi treściami.

Polityka AI ma pomagać, a nie tylko zabraniać

Czy duża organizacja potrzebuje polityki AI?

Tak. Powinna jednak działać jak warstwa decyzyjna: wskazywać zaakceptowane narzędzia, cele, klasy danych, progi dodatkowej analizy, odpowiedzialność i sposób zgłaszania incydentów. Pod nią potrzebne są inwentarz systemów, proces dopuszczania narzędzi, klasyfikacja ryzyka, szkolenia i monitoring dostawców. Dobra polityka sprawia, że bezpieczna ścieżka jest łatwiejsza niż shadow AI.

Czy są jakieś głośne kary za brak zgodności z AI Act?

Nie. Niemniej sankcje związane z AI pojawiały się wcześniej na podstawie RODO - przykładem jest kara 5 mln euro dla spółki stojącej za Repliką. AI Act przewiduje maksymalnie do 35 mln euro lub 7% światowego obrotu w najpoważniejszych przypadkach.

Co znaczyło „69% Polaków regularnie korzysta z AI”?

KPMG definiowało regularność bardzo szeroko - co najmniej raz na kilka miesięcy. To mierzy kontakt z AI, a nie dojrzałość. W tym samym badaniu tylko 29% osób deklarowało szkolenie, a 90% nie znało regulacji dotyczących AI. Zanim zachwycimy się liczbą, sprawdźmy definicję.

Na koniec: kilka pytań o AI Leaders

Czy webinar nie był po prostu reklamą?

AI Leaders jest projektem komercyjnym i powiedzieliśmy o kursie wprost. Większość spotkania dotyczyła jednak właścicieli biznesowych, KPI, danych, procesów, architektury, oporu i prawa. Komentarz przyjmujemy jako dobrą wskazówkę: jeszcze wyraźniej oddzielać treść od oferty i pokazywać więcej zanonimizowanych przypadków, liczb i materiałów.

Czy szukacie wykładowców?

Tak - praktyków, którzy prowadzili projekty przez produkcję, budżet, błędy i opór. Napisz na kontakt@aileaders.pl i opisz temat, rolę w projekcie, możliwe do ujawnienia przypadki oraz ograniczenia NDA.

„To pytanie zadają wszyscy w AI.”

I dobrze. Problem zaczyna się, gdy przestajemy pytać i kupujemy narzędzie dlatego, że konkurencja je ma. „To zależy” jest początkiem odpowiedzi. Potem trzeba powiedzieć, od jakich parametrów zależy i jak je zmierzymy.

Czy AI Leaders będzie płatne?

Tak. Kurs jest komercyjny i aktualna cena znajduje się https://aileaders.pl/#cennik. Dla zespołów dostępna jest osobna oferta oraz przewidujemy rabat za wcześniejsze zapisy.

Kurs nie jest warunkiem zostania liderem AI. Ma skrócić drogę, dać frameworki, materiały, społeczność i możliwość uczenia się na cudzych doświadczeniach.

Webinary, artykuły i newsletter nadal udostępniają część wiedzy bez opłat.

Pierwszy webinar z tej serii jest juz dostępny:

OBEJRZYJ NAGRANIE NA YOUTUBE – URL - nie zapomnij zasubskrybować kanału