Wdrożenie AI w firmie: co naprawdę trwa i gdzie to się wykłada

Krok 1: wybór procesu, nie narzędzia

Dobry kandydat na pierwszy proces ma cztery cechy: jest powtarzalny, jest kosztowny, da się zmierzyć jego efekt, i ktoś konkretny jest za niego odpowiedzialny. Brak którejkolwiek z nich to kłopot, ale brak tej ostatniej jest zabójczy — proces bez właściciela nie ma kto zaakceptować ani odrzucić.

Zły kandydat to proces wybrany dlatego, że jest najbardziej widoczny albo najbardziej efektowny na prezentacji dla zarządu. Pierwszy projekt ma udowodnić, że to działa, a nie zrobić wrażenie.

Krok 2: audyt gotowości danych

Tu projekty najczęściej zwalniają. Odpowiadamy na cztery pytania: gdzie te dane fizycznie są, w jakim są stanie, kto ma do nich prawo i co wolno z nimi zrobić. W firmach, które nie przechodziły przez porządkowanie danych, odpowiedź na pierwsze pytanie brzmi zwykle „w kilku miejscach naraz i w trzech wersjach”.

To nie jest etap, który da się pominąć ani przyspieszyć. Model nie poprawi jakości danych — on ją uwidoczni.

Krok 3: pilot z kryterium sukcesu ustalonym z góry

Zanim zaczniemy budować, zapisujemy, co ma znaczyć „udało się”: ile czasu ma zająć zadanie, jaki odsetek przypadków ma przejść bez poprawki człowieka, co jest wynikiem nieakceptowalnym. Bez tego dyskusja po pilocie zamienia się w spór o wrażenia.

Pilot obejmuje jeden proces, jeden zespół i ograniczony zbiór danych. Celem nie jest zrobienie wszystkiego, tylko dowiedzenie się, czy to w ogóle ma sens — i zrobienie tego tanio.

Krok 4: człowiek w pętli

Pierwsza wersja nigdy nie działa sama. Model przygotowuje, człowiek zatwierdza — i dopiero po kilku tygodniach widać, przy których przypadkach poprawka jest potrzebna, a przy których nie. Dopiero wtedy można świadomie zdjąć człowieka z części ścieżki, jeśli liczby na to pozwalają.

Odwrotna kolejność — najpierw automatyzacja, potem obserwacja — kończy się wycofywaniem wdrożenia po pierwszym głośnym błędzie.

Krok 5: zasady i szkolenie

Równolegle z technologią powstaje dokument, który mówi, czego do narzędzia wkleić nie wolno, i krótkie szkolenie dla zespołu. To nie jest formalność: od 2 lutego 2025 obowiązek zapewnienia kompetencji w zakresie AI wynika wprost z AI Act, a od 2 sierpnia 2026 doszły obowiązki przejrzystości — informowanie, że użytkownik rozmawia z maszyną, oraz oznaczanie określonych treści syntetycznych. Szerzej piszemy o tym w tekście AI a dane firmowe.

Gdzie to się wykłada

• Projekt bez właściciela procesu. Dział IT buduje, biznes nie używa, po kwartale nikt nie pamięta, po co to było.
• Zbyt szeroki zakres na start. „Zautomatyzujmy obsługę klienta” to nie zakres, to kierunek.
• Dane, których nie wolno użyć. Odkryte na etapie wdrożenia, a nie na etapie audytu — i projekt staje.
• Brak kryterium sukcesu. Po pilocie każdy ma inne zdanie i wygrywa ten, kto głośniej mówi.
• Oczekiwanie stuprocentowej poprawności tam, gdzie nikt nie sprawdza wyniku. To nie jest zadanie dla modelu.

Jak to wygląda w praktyce, widać w naszych realizacjach: strategia AI i setup środowiska oraz lokalna baza wiedzy na dokumentach firmy. Jeśli chcecie zacząć od rozmowy — napiszcie.