Doradztwo AI

Doradztwo AI – czym jest i czym różni się od wdrożenia

Doradztwo AI to pomoc w podjęciu decyzji: gdzie AI ma sens w Twojej firmie, w jakiej kolejności, za ile, z jakim ryzykiem i z kim to zrobić. Wdrożenie to budowa konkretnego rozwiązania. Konsultant AI odpowiada na pytanie „co i dlaczego”, wykonawca na pytanie „jak”.

W praktyce granica bywa płynna, ale warto ją znać, bo od niej zależy, za co płacisz. Wynikiem doradztwa są decyzje i dokumenty: ocena gotowości, lista zastosowań z priorytetami, plan i budżet, kryteria wyboru dostawcy, zasady korzystania z AI. Wynikiem wdrożenia jest działający system. Jeśli ktoś sprzedaje Ci „strategię AI”, a jej jedynym wnioskiem jest zakup jego produktu, to była prezentacja handlowa, nie doradztwo.

Doradztwo zwykle przybiera jedną z trzech form: audyt gotowości na AI, gdy firma nie wie, od czego zacząć; strategia wdrożenia AI, gdy trzeba ułożyć priorytety, harmonogram i budżet; oraz doradztwo AI dla zarządu, gdy przed zarządem stoi konkretna decyzja, np. ocena oferty dostawcy.

Kiedy firmie przyda się konsultant AI, a kiedy nie

Konsultant AI przydaje się, gdy decyzja o AI jest droga, trudna do odwrócenia albo nikt w firmie nie potrafi jej uczciwie ocenić. Gdy masz jeden mały, dobrze opisany proces do automatyzacji, wystarczy rozmowa z wykonawcą i wycena.

Sygnały, że warto zacząć od doradztwa

• Zarząd ma przeznaczyć budżet na AI, ale nie ma listy zastosowań z oszacowanym efektem.
• Firma prowadzi pilotaże, które trwają miesiącami i nie mają kryterium sukcesu.
• Na stole leżą oferty kilku dostawców, a nikt nie umie ich porównać pod kątem danych, kosztów utrzymania i własności rozwiązania.
• Pracownicy używają prywatnych kont w narzędziach AI, a firma nie ma zasad, jakie dane wolno do nich wklejać.
• Nie ma w firmie osoby technicznej (CTO, architekta), która oceni, czy obietnice dostawcy są realne.

Kiedy doradztwo jest zbędne

Gdy decyzja już zapadła i potrzebujesz tylko wykonawcy, albo gdy procesy w firmie zmieniają się z tygodnia na tydzień. W tym drugim przypadku najpierw trzeba je ustabilizować, bo żadna strategia AI nie przetrwa reorganizacji.

Wdrożenie AI w firmie – od czego zacząć

Wdrożenie AI zaczynam od problemu biznesowego i procesu, a nie od wyboru narzędzia czy modelu. Pierwsze pytanie brzmi: która praca zabiera ludziom najwięcej czasu albo generuje najwięcej błędów, i czy mamy dane, żeby ją wesprzeć?

Moja ścieżka od pierwszej rozmowy do decyzji ma pięć kroków. Kolejność jest ważniejsza niż narzędzia, bo większość kosztownych pomyłek bierze się z przeskoczenia któregoś z nich.

1. Wywiady i mapa procesów. Rozmawiam z osobami, które wykonują pracę na co dzień, i spisuję, gdzie tracony jest czas, gdzie powstają błędy i z jakich systemów płyną dane.
2. Długa lista i punktacja. Każde potencjalne zastosowanie oceniam pod kątem wartości, wykonalności i ryzyka (szczegóły w następnej sekcji).
3. Test danych na prawdziwych przykładach. Zanim zastosowanie trafi do planu, sprawdzam na kilkudziesięciu realnych dokumentach, mailach lub rekordach, czy dane w ogóle na to pozwalają.
4. Roadmapa w fazach. Faza 0 to szybkie efekty w 30 dni, faza 1 obejmuje 3–6 miesięcy, faza 2 od 6 do 18 miesięcy. Każda pozycja ma właściciela, budżet i KPI.
5. Warunek przerwania. Dla każdego pilotażu ustalamy z góry, po czym poznamy, że nie działa, i kiedy go zamykamy.

Jak wybrać zastosowania AI – wartość, wykonalność i ryzyko

Zastosowania AI wybieram według trzech osi: wartości biznesowej (czas, koszt, przychód), wykonalności (dane, integracje, kompetencje) i ryzyka (koszt błędu, dane osobowe, regulacje). Na start bierzemy pozycje o wysokiej wartości i wysokiej wykonalności, nawet jeśli nie są najbardziej efektowne.

Do tego dochodzi filtr ryzyka. Zastosowanie o wysokiej wartości, które dotyczy oceny ludzi (np. screening CV) albo decyzji finansowych wobec klientów, wymaga dodatkowych zabezpieczeń i konsultacji prawnej, więc rzadko nadaje się na pierwszy projekt.

Raport MIT NANDA z 2025 r., opisany przez Fortune, wskazał, że ponad połowa budżetów na generatywną AI trafia do narzędzi sprzedaży i marketingu, a największy zwrot autorzy widzieli w automatyzacji back-office. Dlatego na liście zawsze sprawdzam procesy zaplecza: dokumenty, faktury, raportowanie, obsługę zgłoszeń. Jak takie procesy wyglądają po wdrożeniu, pokazuję w usłudze AI i automatyzacja.

Audyt gotowości AI – dane, systemy i ludzie

Audyt gotowości AI sprawdza, czy firma ma procesy, dane, systemy i ludzi, żeby wybrane zastosowania zadziałały. Najczęściej blokują dane: rozproszone, niekompletne, bez właściciela i bez dostępu przez API.

Gartner w lutym 2025 r. przewidział, że do końca 2026 r. organizacje porzucą 60% projektów AI, które nie mają danych przygotowanych pod AI. W tym samym komunikacie podał wynik ankiety: 63% organizacji nie ma albo nie jest pewnych, czy ma właściwe praktyki zarządzania danymi na potrzeby AI.

Co sprawdzam w danych

• Gdzie leżą dane potrzebne do zastosowania i czy da się je pobrać automatycznie (API, eksport, baza).
• Czy dokumenty mają jedną aktualną wersję i kto odpowiada za ich aktualizację.
• Jak kompletne są kluczowe pola, np. w CRM lub ERP, na próbce prawdziwych rekordów.
• Jakie dane osobowe i poufne trafiłyby do modelu i czy mogą opuścić firmę.
• Kto w zespole będzie właścicielem rozwiązania i ma na to czas.

Szczegółową listę kontrolną opisałem w artykule przygotowanie danych pod AI. Wynikiem audytu bywa plan przygotowawczy zamiast wdrożenia i to jest pełnoprawny wynik, a nie porażka.

Kupić gotowe narzędzie czy budować własne – build vs buy w AI

Gotowe narzędzie kupuję, gdy problem jest typowy i nie wymaga głębokiej integracji z Twoimi systemami. Własne rozwiązanie buduję, gdy przewagą jest Twój proces lub Twoje dane, a gotowe narzędzia wymuszałyby obchodzenie ograniczeń.

Według raportu MIT NANDA (2025, za Fortune) wdrożenia oparte na rozwiązaniach od wyspecjalizowanych dostawców i partnerstwach kończyły się sukcesem w około 67% przypadków, a budowane wyłącznie wewnętrznie około trzy razy rzadziej. Nie czytam tego jako „zawsze kupuj”, tylko jako ostrzeżenie przed budową wszystkiego od zera bez doświadczenia.

Przy każdej opcji sprawdzam trzy rzeczy w umowie: kto jest właścicielem rozwiązania i danych, czy dostawca może trenować modele na Twoich danych oraz jak wygląda wyjście ze współpracy.

Governance AI – polityka, RODO i AI Act w 2026

Governance AI to zasady, kto w firmie może używać jakich narzędzi AI, z jakimi danymi, kto odpowiada za wynik i jak ocenia się ryzyko nowych zastosowań. Bez tego firma ma albo zakaz, którego nikt nie przestrzega, albo swobodę bez kontroli.

Według Work Trend Index 2024 Microsoftu i LinkedIna 75% pracowników umysłowych używa AI w pracy, a 78% z nich korzysta z własnych narzędzi. Polityka AI powinna więc powstać szybko i być krótka: lista dozwolonych narzędzi, klasy danych, których nie wolno wklejać, obowiązek weryfikacji wyników i ścieżka zgłaszania nowych zastosowań.

Ramy, na których się opieram

• NIST AI Risk Management Framework (2023) – dobrowolne ramy z czterema funkcjami: Govern, Map, Measure, Manage. Dobra struktura do oceny ryzyka każdego zastosowania.
• ISO/IEC 42001 (2023) – norma systemu zarządzania AI, przydatna dla firm, które chcą sformalizować governance lub planują certyfikację. Więcej w artykule polityka AI i ISO/IEC 42001.
• AI Act – obowiązki zależą od zastosowania. Według Komisji Europejskiej pakiet AI Omnibus wszedł w życie 27 lipca 2026 r. i przesunął obowiązki dla systemów wysokiego ryzyka z załącznika III na 2 grudnia 2027 r., a dla AI w produktach regulowanych z załącznika I na 2 sierpnia 2028 r.

Praktyczny przegląd obowiązków opisałem w artykule AI Act w praktyce. To przegląd praktyka, nie porada prawna: przy zastosowaniach z obszaru HR, finansów i decyzji wobec osób rekomenduję udział prawnika lub inspektora ochrony danych.

Dlaczego pilotaże AI nie trafiają na produkcję

Pilotaże AI upadają głównie z powodów organizacyjnych: brak mierzalnego celu, nieprzygotowane dane, rosnące koszty i brak właściciela. Słaby model jest przyczyną rzadziej, niż się wydaje.

• Gartner (2024) prognozował, że co najmniej 30% projektów generatywnej AI zostanie porzuconych po proof of concept do końca 2025 r., wskazując słabą jakość danych, niewystarczającą kontrolę ryzyka, rosnące koszty i niejasną wartość biznesową.
• Gartner (2025) przewiduje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 r.
• Raport MIT NANDA (2025, za Fortune) wskazał, że około 95% pilotaży generatywnej AI w firmach nie przynosi mierzalnego efektu.
• BCG w badaniu „Where's the Value in AI?” (2024, 1 000 menedżerów z 59 krajów) podał, że 74% firm nie pokazało jeszcze wymiernej wartości z AI, a około 70% problemów z wdrożeniami dotyczy ludzi i procesów, 20% technologii i tylko 10% algorytmów.

Podział BCG dobrze tłumaczy, dlaczego strategia AI musi obejmować wdrożenie po stronie ludzi: szkolenia, zmianę sposobu pracy i komunikację. O tym, dlaczego licencje leżą nieużywane, piszę w artykule adopcja AI w zespole.

Ile kosztuje doradztwo AI, kiedy widać efekty i jak mierzyć ROI

Moje doradztwo AI zaczyna się od 3 000 zł za sesję strategiczną dla zarządu, audyt gotowości od 4 500 zł, a strategia wdrożenia od 7 300 zł. Cenę podnoszą głównie wielkość firmy, liczba działów objętych analizą i złożoność systemów.

• Sesja dla zarządu – od 3 000 zł / sesja; stała współpraca w formie miesięcznego retainera od 5 400 zł.
• Audyt gotowości na AI – od 4 500 zł; zwykle 2–4 tygodnie, w firmie do 50 osób około 2 tygodni.
• Strategia wdrożenia AI – od 7 300 zł; plan na 12–24 miesiące z dokładnym planem na pierwszy kwartał.
• Ocena oferty dostawcy przed podpisaniem umowy – analiza w 5–7 dni roboczych, wyceniana według złożoności umowy.

Kiedy widać efekty

Decyzje i priorytety masz po audycie lub sesji. Pierwsze efekty operacyjne planuję w fazie 0, czyli w ciągu 30 dni od przyjęcia strategii, a większe inicjatywy w horyzoncie 3–6 i 6–18 miesięcy. Jeśli ktoś obiecuje transformację całej firmy w kwartał, zapytaj, na jakich danych to oparł.

Jak mierzyć zwrot

• Przed startem zmierz punkt odniesienia: czas obsługi sprawy, liczbę błędów, koszt procesu.
• Dla każdej inicjatywy ustal 2–3 KPI w godzinach, złotówkach lub odsetku spraw bez poprawek.
• ROI szacuj jako zakres, nie jedną liczbę, i licz pełny koszt: wdrożenie, licencje, utrzymanie i czas zespołu.
• Mierz adopcję: narzędzie, którego nikt nie używa, ma zerowy zwrot niezależnie od jakości.

Formułę i arkusz do wyliczeń opisałem w artykule ROI z automatyzacji AI.

Jak wybrać konsultanta AI – niezależny doradca czy dostawca

Wybierz konsultanta, który zarabia tylko na honorarium, sam wdrażał systemy AI i potrafi powiedzieć, kiedy AI nie ma sensu. Bezpłatna konsultacja u dostawcy jest przydatna do poznania jego produktu, ale nie zastąpi porównania opcji.

Pytania, które warto zadać przed współpracą

1. Czy bierzesz prowizje od dostawców narzędzi albo jesteś ich partnerem sprzedażowym?
2. Jakie systemy AI zbudowałeś sam i czy możesz je pokazać na żywo?
3. W ilu projektach rekomendowałeś, żeby czegoś nie wdrażać, i dlaczego?
4. Jak wygląda wynik pracy: dokument, priorytety z budżetem, KPI, warunki przerwania?
5. Czy rekomendacje mogę wdrożyć z dowolnym wykonawcą?
6. Jak uwzględniasz RODO, AI Act i bezpieczeństwo danych?

Podobne pytania, rozszerzone o zapisy w umowie, zebrałem w artykule jak wybrać wykonawcę wdrożenia AI. Te same kryteria stosuję, gdy pomagam zarządowi ocenić oferty dostawców.