AI & Automatyzacja procesów dla firm

Automatyzacja AI a klasyczna automatyzacja procesów – na czym polega różnica

Automatyzacja AI to łączenie klasycznych reguł i integracji z krokami, w których model językowy (LLM) rozumie nieuporządkowane dane: maile, PDF-y, notatki, zdjęcia albo nagrania głosowe. Klasyczna automatyzacja procesów biznesowych radzi sobie z danymi w polach formularza, a AI dokłada umiejętność czytania, klasyfikowania i streszczania tego, czego reguła nie obejmie.

W praktyce rzadko buduję „system AI” od zera. Częściej powstaje przepływ, w którym większość kroków to zwykła logika (pobierz dane, sprawdź warunek, zapisz w CRM), a model pojawia się tylko tam, gdzie dane są chaotyczne. To rozróżnienie ma znaczenie dla kosztów i niezawodności: krok regułowy kosztuje grosze i zawsze działa tak samo, krok z modelem jest droższy, wolniejszy i probabilistyczny, więc trzeba go mierzyć i zabezpieczać.

Trzy poziomy automatyzacji, które warto odróżniać

Większość firm, z którymi rozmawiam, zaczyna od myślenia o agentach, a najwięcej zyskuje na drugim poziomie: dobrze zaprojektowanym workflow z jednym lub dwoma krokami AI. Taki przepływ buduję zwykle w ramach usługi automatyzacja procesów w n8n.

Workflow czy agent AI – jak wybrać architekturę automatyzacji

Workflow wybieram, gdy kroki procesu da się przewidzieć z góry, a agenta dopiero wtedy, gdy kolejność działań zależy od treści konkretnej sprawy i nie da się jej sensownie rozpisać. Takie rozróżnienie zaproponował Anthropic w tekście „Building effective agents” (2024) i to jest najlepsza znana mi definicja do rozmów z zarządem.

Anthropic opisuje workflow jako system, w którym modele i narzędzia są orkiestrowane według z góry zdefiniowanych ścieżek w kodzie, a agenta jako system, w którym model sam kieruje swoim procesem i użyciem narzędzi. Ten sam tekst radzi szukać najprostszego rozwiązania i dodawać złożoność dopiero wtedy, gdy jest potrzebna: w wielu zastosowaniach wystarczy jedno dobrze przygotowane wywołanie modelu z wyszukiwaniem i przykładami.

Wzorce workflow, które pokrywają większość potrzeb

• Łańcuch promptów – zadanie rozbite na stałe etapy, np. odczyt dokumentu, walidacja, przygotowanie szkicu odpowiedzi.
• Routing – model klasyfikuje wejście (reklamacja, pytanie o fakturę, oferta) i kieruje je do właściwej ścieżki.
• Równoległość – kilka niezależnych sprawdzeń naraz, np. zgodność z cennikiem i z warunkami umowy.
• Orkiestrator i wykonawcy – jeden model dzieli zadanie na części i rozdziela je między wyspecjalizowane kroki.
• Ewaluator i optymalizator – drugi przebieg sprawdza wynik pierwszego według kryteriów i odsyła go do poprawy.

Agent ma sens, gdy sprawy są różnorodne, wymagają sięgania do kilku systemów i nie da się przewidzieć wszystkich ścieżek. Typowe przykłady to obsługa zapytań ofertowych, wieloetapowy research albo praca na skrzynce mailowej działu. Wtedy proponuję wdrożenie agentów AI z ograniczonymi uprawnieniami i trybem sugestii na start. Agent to w uproszczeniu pętla: model dostaje cel i listę narzędzi, wybiera narzędzie, ogląda wynik i decyduje o kolejnym kroku, aż uzna zadanie za wykonane albo trafi na granicę, przy której musi zapytać człowieka. Każdy obrót tej pętli to koszt i szansa na pomyłkę, więc liczba kroków i narzędzi powinna być możliwie mała.

Szybki test: workflow czy agent

Które procesy automatyzować najpierw – kryteria wyboru i przykłady

Najpierw automatyzuję procesy, które są częste, powtarzalne, oparte na danych z systemów z API i mają wyraźnego właściciela po stronie firmy. Proces, który zdarza się raz w miesiącu albo zmienia się co tydzień, prawie nigdy nie jest dobrym pierwszym kandydatem.

Sama zasada „zacznij od jednego procesu” jest prosta. Trudniej wybrać, od którego. Do tego używam prostej punktacji, którą robimy razem na warsztacie mapowania procesów.

Moja punktacja kandydatów do automatyzacji

Procesy z wynikiem 9–12 punktów biorę jako pierwsze. Poniżej 6 punktów zwykle najpierw porządkujemy sam proces, bo automatyzacja chaosu tylko go przyspiesza. To nie jest metodologia z podręcznika, tylko narzędzie, które pomaga mi uciąć dyskusję o tym, co „byłoby fajnie” zautomatyzować.

Przykłady procesów, które najczęściej wygrywają

• Faktury i dokumenty kosztowe – odczyt z maila, walidacja, wprowadzenie do systemu księgowego lub ERP z akceptacją przy rozbieżnościach. Model odczytuje dane, a reguły porównują kwoty, NIP i pozycje z zamówieniem.
• Skrzynka mailowa działu – klasyfikacja, przypisanie do osoby, szkic odpowiedzi do zatwierdzenia.
• Zapytania ofertowe – zebranie danych z maila, sprawdzenie w CRM i cenniku, szkic oferty dla handlowca.
• Obsługa klienta pierwszej linii – status zamówienia, zwroty, pytania z regulaminu; tu sprawdza się chatbot AI dla firm z dostępem do danych zamówień.
• Kwalifikacja leadów – natychmiastowa odpowiedź i zapis w CRM; to zakres automatyzacji sprzedaży AI.
• Raporty cykliczne – zebranie danych z kilku źródeł, komentarz do odchyleń, wysyłka do zarządu.

McKinsey Global Institute w raporcie „A future that works” (2017) oszacował, że w około 60% zawodów co najmniej 30% czynności da się zautomatyzować, ale w pełni zautomatyzować można mniej niż 5% zawodów. Dlatego szukam zadań, nie stanowisk.

n8n vs Make vs Zapier – narzędzia do automatyzacji procesów AI

Zapier wybieram do prostych integracji w chmurze, Make do średnio złożonych scenariuszy budowanych wizualnie, a n8n tam, gdzie potrzebna jest złożona logika, własny kod albo hosting na własnym serwerze. Gdy proces wymaga pełnej kontroli, testów i wersjonowania, przechodzę na kod w Pythonie lub TypeScript.

Najważniejsza różnica, którą firmy przeoczają, dotyczy modelu rozliczeń. Według cenników dostawców (stan na 2026): Zapier liczy zadania, czyli każdy udany krok akcji w Zapie; Make liczy kredyty, gdzie większość akcji modułu zużywa jeden kredyt; n8n w wersji chmurowej liczy całe wykonania workflow, niezależnie od liczby kroków, a edycja Community do samodzielnego hostingu jest bezpłatna. Przy przepływach z wieloma krokami różnica w kosztach rośnie wraz z wolumenem.

Jedna uwaga o licencji n8n: to nie jest licencja open source w rozumieniu OSI, tylko Sustainable Use License. Pozwala używać i modyfikować n8n do własnych, wewnętrznych celów biznesowych. Jeśli chcesz zbudować na n8n produkt sprzedawany klientom, sprawdź warunki z prawnikiem albo rozważ licencję Enterprise.

Pełne porównanie z przykładami wyceny opisałem w artykule n8n vs Make vs Zapier – które narzędzie wybrać.

RAG i chatbot AI dla firmy – kiedy baza wiedzy, kiedy asystent

RAG (Retrieval-Augmented Generation) to sposób, w jaki model odpowiada na podstawie Twoich dokumentów: system najpierw wyszukuje pasujące fragmenty, a dopiero potem model formułuje odpowiedź z cytatem źródła. Chatbot dla klientów zwykle korzysta z RAG, ale potrzebuje też dostępu do danych o zamówieniach i jasnych zasad przekazania sprawy człowiekowi.

Najczęstszy błąd przy RAG to szukanie poprawy jakości w droższym modelu. Anthropic w publikacji o technice Contextual Retrieval (2024) pokazał, że dodanie kontekstu do fragmentów dokumentów i połączenie wyszukiwania wektorowego z BM25 zmniejszyło liczbę nieudanych wyszukiwań o 49%, a z dodatkowym rerankingiem o 67%, bez zmiany modelu generującego odpowiedź. Jakość RAG w dużej mierze zależy od wyszukiwania i od tego, jak dokumenty zostały podzielone.

Co sprawdzam, zanim zaproponuję RAG

• Czy dokumentów jest tyle, że nie zmieszczą się w zwykłym oknie kontekstu modelu.
• Czy dokumenty są aktualne i ktoś odpowiada za ich utrzymanie.
• Czy różni pracownicy mają mieć dostęp do różnych dokumentów (wtedy kontrola uprawnień jest częścią projektu, nie dodatkiem).
• Czy dane nie siedzą raczej w tabelach bazy danych, gdzie lepiej sprawdzi się zapytanie SQL generowane przez model.
• Czy mamy zestaw testowych pytań z oczekiwanymi źródłami, na którym zmierzymy jakość przed startem.

Firmowa baza wiedzy to zakres usługi wdrożenie RAG. Produkcyjny przykład to silnik wycen dla generalnego wykonawcy oparty na RAG na 70 historycznych kosztorysach, opisany w case study Konkret. Gdy klient pyta o fine-tuning, zwykle najpierw sprawdzam, czy RAG i dobry prompt nie wystarczą; fine-tuning ma sens głównie przy stałym stylu i formacie odpowiedzi przy dużym wolumenie.

Chatbot odpowiada za to, co mówi

W sprawie Moffatt przeciwko Air Canada (2024) trybunał w Kolumbii Brytyjskiej uznał linię lotniczą za odpowiedzialną za błędną informację o zniżce podaną przez chatbota na jej stronie. Trybunał odrzucił argument, że chatbot jest odrębnym bytem. Dla firmy wdrażającej asystenta AI wniosek jest prosty: chatbot musi odpowiadać tylko na podstawie zatwierdzonych źródeł, mówić „nie wiem” i łatwo przekazywać rozmowę człowiekowi.

Wdrożenie AI w firmie krok po kroku – jak wygląda projekt automatyzacji

Projekt automatyzacji AI prowadzę w sześciu etapach: wybór procesu i miar sukcesu, mapowanie, projekt z punktami kontroli człowieka, budowa na środowisku testowym, start w trybie sugestii i stopniowe zwiększanie autonomii. Pojedynczy workflow w n8n to zwykle 2–4 tygodnie, a pierwszy agent dla jednego procesu 4–6 tygodni.

1. Wybór procesu i definicja sukcesu. Ustalamy jeden proces i 2–3 miary, np. czas obsługi sprawy, odsetek spraw bez poprawek, liczbę błędów przy przepisywaniu. Bez punktu odniesienia sprzed wdrożenia nie da się potem uczciwie policzyć efektu.
2. Mapowanie procesu. Rozpisuję proces krok po kroku z osobą, która go wykonuje na co dzień. Zbieram prawdziwe przykłady: kilkadziesiąt maili, faktur albo zgłoszeń, w tym te trudne.
3. Projekt. Decyduję, które kroki są regułami, które wymagają modelu, gdzie człowiek zatwierdza, jakie uprawnienia dostaje automatyzacja i co się dzieje przy błędzie.
4. Budowa i testy. Buduję na środowisku testowym i sprawdzam na zebranych przykładach. Dla kroków AI przygotowuję zestaw testowy z oczekiwanym wynikiem, żeby każda zmiana promptu lub modelu była mierzona.
5. Start w trybie sugestii. Automatyzacja przygotowuje wynik, człowiek go zatwierdza lub poprawia. Poprawki to najcenniejsze dane do dalszego strojenia.
6. Stopniowa autonomia i przekazanie. Gdy dane pokazują, że w danej kategorii spraw automatyzacja się nie myli, zdejmujemy akceptację dla tej kategorii. Przekazuję dokumentację i szkolę osobę po stronie firmy.

Jeśli firma dopiero układa sobie, gdzie AI ma sens, a kandydatów do automatyzacji jest kilkanaście, warto zrobić najpierw osobny etap strategii: przegląd procesów, punktację i plan kolejności. Budowa zaczyna się dopiero wtedy, gdy wiadomo, który proces da najszybszy i najpewniejszy efekt.

Ile kosztuje automatyzacja AI – ceny wdrożenia i koszty utrzymania

Na koszt automatyzacji AI składają się dwie części: jednorazowe wdrożenie oraz koszty bieżące, czyli opłaty za model, hosting, licencje narzędzi i ewentualne wsparcie. Moje wdrożenia zaczynają się od 3 000 zł za bota kwalifikującego leady, a projekty z agentem lub fine-tuningiem od 9 100 zł.

Koszty bieżące, o które warto zapytać przed podpisaniem umowy

• Opłaty za model. Zależą od liczby wywołań i długości tekstów. Przy agencie dla jednego procesu to zwykle od kilkudziesięciu do kilkuset złotych miesięcznie, ale przy dużym wolumenie warto to policzyć osobno.
• Narzędzie do automatyzacji. Abonament Zapiera lub Make rośnie z liczbą zadań lub kredytów; self-hosted n8n to koszt serwera i czasu na utrzymanie.
• Hosting i baza wektorowa. Przy RAG dochodzi baza wektorowa i przetwarzanie dokumentów przy aktualizacjach.
• Utrzymanie. Zmiany API w podłączonych systemach, aktualizacje modeli i przegląd jakości. To nie jest jednorazowy projekt.

Na koszty modeli jest kilka sprawdzonych dźwigni: cache promptów, dobór mniejszego modelu do prostych kroków, tryb wsadowy i skracanie kontekstu. Mity o „milionowych fakturach” rozbieram w tekście ile kosztuje wdrożenie AI w firmie.

ROI automatyzacji AI – jak policzyć zwrot przed wdrożeniem

ROI automatyzacji liczę jako różnicę między wartością zaoszczędzonego czasu i uniknionych błędów a pełnym kosztem wdrożenia i utrzymania, w horyzoncie 12 miesięcy. Najważniejsze jest uczciwe założenie, jaki odsetek spraw automatyzacja faktycznie przejmie, bo to zwykle nie jest 100%.

Formuła, której używam

1. Oszczędność roczna = liczba spraw w roku × czas jednej sprawy × koszt godziny pracy × odsetek spraw przejętych przez automatyzację.
2. Dodatkowa wartość = uniknione błędy (np. korekty faktur, utracone leady) wycenione ostrożnie albo pominięte, jeśli nie da się ich policzyć.
3. Koszt całkowity = wdrożenie + 12 miesięcy kosztów bieżących (model, narzędzia, hosting, wsparcie) + czas Twojego zespołu na testy i akceptacje.
4. ROI = (oszczędność + dodatkowa wartość − koszt całkowity) ÷ koszt całkowity.
5. Okres zwrotu = koszt wdrożenia ÷ miesięczna oszczędność netto.

Do odsetka przejętych spraw podchodzę konserwatywnie: w pierwszych miesiącach liczę tylko kategorie, które automatyzacja obsługuje bez poprawek w trybie sugestii. Czas, który ludzie nadal spędzają na zatwierdzaniu, odejmuję od oszczędności. Szczegółowy arkusz i przykłady opisałem w artykule ROI z automatyzacji AI – jak policzyć zwrot.

Czego nie wpisywać do kalkulacji ROI

• Redukcji etatów, jeśli nikt nie planuje zmian w zespole. Zaoszczędzony czas to wartość tylko wtedy, gdy ma na co zostać przeniesiony.
• Wzrostu sprzedaży „dzięki AI” bez mierzalnego mechanizmu, np. czasu reakcji na lead.
• Odsetka automatyzacji z prezentacji dostawcy zamiast z testu na Twoich danych.

W lead generation mechanizm bywa mierzalny. Harvard Business Review (2011) przeanalizował 1,25 mln leadów w 42 firmach: firmy, które kontaktowały się z leadem w ciągu godziny, miały siedmiokrotnie większą szansę na jego kwalifikację niż te, które odpowiadały godzinę później. To przykład wartości, którą da się sprawdzić na własnym CRM przed i po wdrożeniu.

Human-in-the-loop – gdzie człowiek musi zatwierdzać decyzje AI

Human-in-the-loop oznacza, że w określonych punktach procesu człowiek zatwierdza, poprawia lub odrzuca działanie automatyzacji. Projektuję je tam, gdzie błąd jest nieodwracalny, kosztowny albo dotyczy praw konkretnej osoby, a nie „na wszelki wypadek” przy każdym kroku.

Poziomy autonomii, które stosuję

Ma to też wymiar prawny. Art. 22 RODO daje osobie prawo, by nie podlegać decyzji opartej wyłącznie na zautomatyzowanym przetwarzaniu, która wywołuje wobec niej skutki prawne lub w podobny sposób istotnie na nią wpływa. Jeśli automatyzacja odrzuca wniosek kredytowy, kandydata do pracy albo reklamację, potrzebny jest realny, a nie formalny udział człowieka.

Ważne, żeby akceptacja była wygodna: jeden klik w Slacku, Teams lub mailu z pełnym kontekstem, a nie logowanie do osobnego panelu. Inaczej ludzie zaczynają zatwierdzać wszystko odruchowo. Więcej o projektowaniu tych punktów piszę w artykule human-in-the-loop w praktyce.

Bezpieczeństwo automatyzacji AI – prompt injection i OWASP LLM Top 10

Największe ryzyko w automatyzacjach AI to sytuacja, w której model czyta niezaufaną treść (mail, dokument, stronę internetową) i jednocześnie ma uprawnienia do działania. Wtedy złośliwa instrukcja ukryta w treści może skłonić go do zrobienia czegoś, czego nie powinien. To jest prompt injection, pierwsza pozycja listy OWASP Top 10 for LLM Applications 2025.

Lista OWASP na 2025 rok obejmuje m.in.: prompt injection (LLM01), ujawnienie informacji wrażliwych (LLM02), zatrucie danych i modelu (LLM04), niewłaściwą obsługę wyników modelu (LLM05), nadmierną sprawczość (LLM06), wyciek promptu systemowego (LLM07), słabości wektorów i embeddingów (LLM08) oraz nieograniczone zużycie zasobów (LLM10). Dla automatyzacji biznesowych najważniejsze są w mojej ocenie LLM01, LLM05 i LLM06.

Zasady, które stosuję w każdym wdrożeniu

• Najmniejsze uprawnienia. Automatyzacja dostaje osobne konto z dostępem tylko do tego, czego potrzebuje. Agent, który ma przygotować szkic oferty, nie potrzebuje prawa do wysyłki maili.
• Oddzielenie treści od instrukcji. Treść maila czy dokumentu traktuję jako dane, a nie polecenia. Działania wynikające z niezaufanej treści przechodzą przez walidację lub akceptację.
• Walidacja wyników. Wynik modelu sprawdzam regułami, zanim trafi do systemu: format, zakresy kwot, dozwolone wartości.
• Dziennik działań. Każda akcja ma zapis: co system zobaczył, co zdecydował i co wykonał.
• Limity. Limity wywołań i kosztów na godzinę i dzień, żeby pętla błędu nie wygenerowała rachunku.
• Testy ataków. Przed startem sprawdzam automatyzację na próbach prompt injection w typowych kanałach wejścia.

Konkretne techniki obrony opisałem w artykule prompt injection i bezpieczeństwo aplikacji LLM. Przy agentach dochodzi izolacja środowiska: agent testowany na kopii danych, bez dostępu do produkcji, dopóki nie przejdzie testów.

RODO i AI Act w automatyzacji – co musi wiedzieć firma w 2026

Automatyzacja AI, która przetwarza dane klientów lub pracowników, podlega RODO tak samo jak każdy inny system: potrzebna jest podstawa prawna, minimalizacja danych, umowa powierzenia z dostawcą modelu i często ocena skutków (DPIA). AI Act dokłada obowiązki zależne od zastosowania, a dla typowych automatyzacji biznesowych najważniejsza jest przejrzystość wobec osób, które rozmawiają z AI.

RODO – praktyczna lista kontrolna

• Ustal, jakie dane osobowe faktycznie trafiają do modelu, i usuń te, które nie są potrzebne do zadania.
• Sprawdź, czy dostawca modelu działa jako podmiot przetwarzający i podpisz umowę powierzenia (art. 28 RODO). Zwróć uwagę na lokalizację przetwarzania i wykorzystanie danych do trenowania.
• Oceń, czy potrzebna jest DPIA (art. 35 RODO), zwłaszcza przy ocenie osób, monitorowaniu albo dużej skali danych.
• Zadbaj o udział człowieka w decyzjach, które istotnie wpływają na osoby (art. 22 RODO).
• Zaktualizuj klauzulę informacyjną i rejestr czynności przetwarzania.

Szczegóły, w tym dane osobowe w promptach i umowy z dostawcami, opisałem w artykule RODO a AI w praktyce.

AI Act – co obowiązuje i co zostało przesunięte

Według Komisji Europejskiej obowiązki przejrzystości z art. 50 AI Act stosuje się od 2 sierpnia 2026 r. Systemy AI, które wchodzą w bezpośrednią interakcję z ludźmi, muszą od pierwszego kontaktu jasno informować, że rozmówca ma do czynienia z AI, chyba że jest to oczywiste. Ograniczony okres przejściowy do 2 grudnia 2026 r. dotyczy tylko oznaczania treści generowanych przez systemy wprowadzone na rynek wcześniej.

27 lipca 2026 r. wszedł w życie pakiet AI Omnibus. Według Komisji przesunął on termin obowiązków dla systemów wysokiego ryzyka z załącznika III (np. rekrutacja, ocena zdolności kredytowej) na 2 grudnia 2027 r., a dla AI w produktach regulowanych z załącznika I na 2 sierpnia 2028 r. Omnibus przesunął też ciężar obowiązku AI literacy w stronę Komisji i państw członkowskich, choć szkolenie zespołu, który pracuje z AI, nadal uważam za rozsądne minimum.

To jest przegląd praktyka, nie porada prawna. Przy systemach z obszaru HR, finansów czy decyzji wobec osób planuję wdrożenie razem z prawnikiem lub inspektorem ochrony danych. Zawsze warto też sprawdzić aktualny tekst przepisów i komunikaty Komisji, bo harmonogram AI Act zmieniał się już po jego uchwaleniu.

Self-hosted czy chmura – gdzie uruchomić automatyzację i model AI

Chmurę wybieram, gdy liczy się szybki start, najlepsze modele i brak własnej infrastruktury, a self-hosted, gdy dane nie mogą opuścić firmy, wolumen jest duży i stabilny albo klient ma zespół, który utrzyma serwer. Często najlepsza jest wersja mieszana: n8n na własnym serwerze, a model w chmurze z umową powierzenia i ograniczonym zakresem danych.

Przy self-hosted modelach nie chodzi tylko o koszt serwera z GPU. Trzeba policzyć czas na aktualizacje, monitoring obciążenia i testy jakości po każdej zmianie wersji modelu. Dla wielu firm rozsądnym kompromisem jest chmura z umową powierzenia i przetwarzaniem w UE, a lokalny model tylko dla kroków na najbardziej wrażliwych danych.

Utrzymanie i monitoring automatyzacji AI po wdrożeniu

Automatyzacja AI wymaga utrzymania, bo zmieniają się trzy rzeczy, na które nie masz wpływu: API podłączonych systemów, modele u dostawców i same dane wejściowe. Bez monitoringu workflow potrafi przez tygodnie po cichu nie działać albo działać gorzej.

Co monitoruję w każdym wdrożeniu

• Niezawodność: odsetek wykonań zakończonych bez błędu, ponowienia, alerty przy awarii na Slacku lub mailu.
• Jakość: wyniki na zestawie testowym po każdej zmianie promptu lub modelu, odsetek poprawek w trybie akceptacji, eskalacje i ich powody.
• Koszt: koszt modelu na jedną sprawę i dzienny limit wydatków.
• Czas: czas przejścia procesu od początku do końca w porównaniu z punktem odniesienia.
• Dryf danych: nowe typy dokumentów, zmiany formatów, pytania, których system nie zna.

Do kroków AI dokładam tracing: zapis wejścia, promptu, odpowiedzi modelu, kosztu i czasu dla każdego wywołania. Bez tego przy reklamacji klienta nie da się odtworzyć, dlaczego system podjął taką, a nie inną decyzję.

Rytm przeglądów, który proponuję

1. Pierwsze 2–4 tygodnie po starcie: przegląd błędów i poprawek co kilka dni, uzupełnianie zestawu testowego.
2. Kolejne miesiące: przegląd miesięczny z właścicielem procesu, decyzje o zwiększeniu lub ograniczeniu autonomii.
3. Przy każdej zmianie modelu lub dostawcy: pełny test na zestawie testowym przed przełączeniem.

Dlaczego pilotaże AI upadają – najczęstsze błędy wdrożeń

Pilotaże AI upadają głównie z powodów organizacyjnych: brak mierzalnego celu, nieprzygotowane dane, rosnące koszty i brak właściciela procesu, a rzadko z powodu słabego modelu. Potwierdzają to zarówno prognozy analityków, jak i badania wdrożeń.

• Gartner (2024) prognozował, że co najmniej 30% projektów generatywnej AI zostanie porzuconych po fazie proof of concept do końca 2025 r. z powodu słabej jakości danych, niewystarczającej kontroli ryzyka, rosnących kosztów lub niejasnej wartości biznesowej.
• Gartner (2025) przewiduje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 r. Wskazuje też zjawisko „agent washing”: według szacunku tylko około 130 z tysięcy dostawców określających się jako „agentic AI” oferuje rzeczywiste możliwości agentowe.
• Gartner (2025) przewiduje, że do końca 2026 r. organizacje porzucą 60% projektów AI, które nie mają danych przygotowanych pod AI.
• Raport MIT NANDA „The GenAI Divide: State of AI in Business 2025”, opisany przez Fortune, wskazał, że około 95% pilotaży generatywnej AI w firmach nie przynosi mierzalnego efektu. Według raportu wdrożenia oparte na rozwiązaniach kupionych od wyspecjalizowanych dostawców kończyły się sukcesem w około 67% przypadków, a budowane wewnętrznie w około jednej trzeciej. Ponad połowa budżetów trafia do narzędzi sprzedaży i marketingu, podczas gdy największy zwrot autorzy widzieli w automatyzacji back-office.

Błędy, które widzę najczęściej

• Pilotaż bez punktu odniesienia: nikt nie zmierzył, ile proces trwał przed wdrożeniem.
• Demo na wybranych, łatwych przykładach zamiast testu na prawdziwych danych z wyjątkami.
• Automatyzacja procesu, który nie ma spisanych zasad ani właściciela.
• Agent tam, gdzie wystarczyłby workflow, co podnosi koszt i obniża przewidywalność.
• Brak planu utrzymania: projekt kończy się w dniu startu.
• Narzędzie, którego zespół nie używa, bo nikt nie zaplanował wdrożenia po stronie ludzi.

Dane to osobny temat. Przed wdrożeniem warto sprawdzić, czy dokumenty mają jedną aktualną wersję, czy dane w CRM są kompletne i czy ktoś odpowiada za ich jakość. Automatyzacja nie naprawi danych, tylko szybciej pokaże ich braki.

Jak wybrać wykonawcę automatyzacji AI – pytania przed podpisaniem umowy

Dobrego wykonawcę automatyzacji AI poznasz po tym, że pyta o proces, dane i miary sukcesu, zanim zaproponuje technologię, i potrafi pokazać działające wdrożenie, a nie tylko prezentację. Druga cecha to uczciwość w sprawie ograniczeń: kiedy AI się myli, ile kosztuje utrzymanie i co się stanie, gdy dostawca modelu zmieni cennik.

Pytania, które warto zadać

1. Czy mogę zobaczyć działające demo lub wdrożenie podobnego procesu, nie tylko slajdy?
2. Jak zmierzymy jakość przed startem i na jakim zestawie testowym?
3. Gdzie w procesie człowiek zatwierdza decyzje i jakie uprawnienia dostanie automatyzacja?
4. Jakie są miesięczne koszty utrzymania: model, narzędzia, hosting, wsparcie?
5. Gdzie będą przetwarzane dane i z którymi dostawcami podpiszemy umowę powierzenia?
6. Czy architektura pozwala zmienić model lub dostawcę bez przepisywania całości?
7. Kto jest właścicielem kodu, workflow i promptów po zakończeniu projektu?
8. Co się dzieje, gdy automatyzacja przestaje działać: kto dostaje alert i w jakim czasie reaguje?

Sygnały ostrzegawcze

• Obietnica automatyzacji 100% spraw albo „AI bez halucynacji”.
• Brak pytań o dane i wyjątki, od razu wycena „agenta”.
• Brak dziennika działań i planu testów w ofercie.
• Zamknięte rozwiązanie, z którego nie da się wyjąć danych ani workflow.

Rozszerzoną listę pytań i zapisów do umowy opisałem w artykule jak wybrać wykonawcę wdrożenia AI. Pracuję zdalnie z firmami z całej Polski; jeśli szukasz informacji o lokalnym rynku, mam osobne strony, np. automatyzacja procesów w Warszawie i automatyzacja procesów w Krakowie.