Zarządy muszą wziąć odpowiedzialność za sztuczną inteligencję

Dlaczego „zamawiane” strategie AI kończą się ładnym PDF-em i szeregiem nieskutecznych pilotaży. Prawdziwa transformacja zaczyna się dopiero wtedy, gdy zarząd sam wyznacza odważną wizję, bierze odpowiedzialność za efekty i umie eliminować nieperspektywiczne projekty.

Wywiad Adama Jadczaka z Markiem Pokorskim, General Managerem Inetum Polska.

Zacznijmy od Twojego, prowokacyjnego stwierdzenia, że większość strategii AI w firmach to fikcja. Dlaczego tak jest?

Naprawdę tak uważam, i to wcale nie jest tylko publicystyczna teza. W dużych organizacjach, w których zarząd jest kadencyjny i nie składa się z właścicieli, dominuje podejście „bezpieczne”. To zwykle oznacza wynajem firmy konsultingowej, która „zrobi strategię AI”. Na pierwszy rzut oka wydaje się to logiczne. W praktyce prowadzi jednak do mentalności delegowania odpowiedzialności za decyzje, kierunek, efekty. Podobnie bywa z rolą Chief AI Officerów. Gdy taka osoba pojawia się w firmie, zarząd odczuwa ulgę, bo „wreszcie jest ktoś, kto się tym zajmie”.

Efekt? Większość strategii AI tworzonych przez topowe firmy doradcze jest poprawna, ładnie skonstruowana, ale często pisana przez bardzo młodych, niedoświadczonych ludzi. Partnerzy negocjują, a studenci piszą. Rzadko pojawia się tam coś naprawdę rewolucyjnego, co mogłoby odmienić losy firmy. To jest bardzo korporacyjny, bezpieczny świat: świetny spis treści, elegancki dokument, który ląduje jako drogi PDF lub prezentacja, ale brakuje w nim głosu organizacji.

Czy ta „fikcja” wynika z tego, że firmy kupują ogólną, niedopasowaną wiedzę? Czy może ma to być „podkładka”. Wielka firma przygotowała mi dokument, więc w razie porażki „to nie moja wina”.

To jest jedna z kluczowych przyczyn. Strategia AI jako eleganckie alibi: wielka firma zrobiła mi dokument, więc jeśli coś pójdzie nie tak – to nie moja wina. Ale jeśli poważnie zastanowimy się, jak powinna wyglądać strategia AI dla dużej organizacji, to pierwsze założenie jest inne. To trochę jak z ważnymi decyzjami życiowymi: nie zlecamy komuś wyboru imienia dla dziecka, miejsca zamieszkania czy decyzji, z kim wziąć ślub. AI staje się dziś na tyle istotne dla przyszłości firmy, że zarząd powinien wziąć na siebie realną decyzyjność.

Jeśli wierzymy, że AI może całkowicie zmienić naszą branżę, to traktowanie jej jak standardowego projektu i przyjmowanie kopiowanych slajdów jest prostą drogą do przeciętności. Dopiero gdy zarząd naprawdę wyobrazi sobie firmę za kilka lat, spróbuje zrozumieć, jak technologia może się rozwinąć i dokąd chce dojść, można „dorysować resztę” – metodyki, roadmapy, Governance.

Wyznaczenie wizji, gdzie mamy być biznesowo, i jak AI ma w tym modelu grać kluczową rolę, to zadanie, którego nikt lepiej od zarządu nie wykona. W firmach, które robią to z głową, zmienia się model biznesowy, pojawiają się innowacyjne projekty i rośnie odwaga.

Tylko że w wielu firmach nie ma wiedzy o możliwościach i kierunkach rozwoju sztucznej inteligencji. Mnie, jako dziennikarzowi, trudno już nadążyć za nowymi modelami, a co dopiero zarządom. Jak wpisać AI w strategię, skoro nie wiemy, co realnie może nam dać? Gdzie tu jest wasza rola?

Masz rację. Samodzielne zbudowanie dobrej strategii AI jest dla większości firm bardzo trudne. Wsparcie konsultingowe, inspiracja z zewnątrz są potrzebne i sensowne. Natomiast zmieniłbym sposób, w jaki zarząd z tego wsparcia korzysta.

Gdybym miał coś doradzić zarządowi dużej organizacji, powiedziałbym: spakujcie się wszyscy na tydzień. Ważne, aby byli razem, odseparowani od codziennych spraw. Można „zabrać” ze sobą konsultanta, ale na poziomie partnera, który rozumie strategię i technologię, a nie tylko kogoś od „dashboardów”.

Ten pierwszy tydzień pracy nad strategią powinien być mieszanką inspiracji i ciężkiej, własnej pracy. Może warto zaprosić topowych liderów z danej branży? Niech pokażą, co jest możliwe technicznie i jakie inicjatywy już działają w niej. Ale na końcu to zarząd ma stworzyć wizję firmy za 2-3 lata.

Ważne, aby nie outsourcować strategii, tylko czerpać inspirację, zachowując pełne zaangażowanie. Poświęcić kilka dni i wrócić ze strategicznego warsztatu z wizją. Dopiero potem warto ubrać ją w metodyki, projekty, KPI i harmonogram.

Załóżmy, że mamy już strategiczną wizję i dokument. Jak wygląda zderzenie z rzeczywistością wdrożeń?

To pytanie dotyka sedna i jest konsekwencją tego, jak myślimy o strategii AI. W wielu firmach brakuje odwagi, aby z wizji przejść do śmiałych projektów. Efekt jest taki, że wszędzie słyszymy o pilotach. Żartujemy, że każdy ma Proof of Concept, ale nikt nie ma efektów biznesowych. Raporty mówią o ponad 90% nieudanych pilotów AI.

Dobrze napisana strategia powinna jasno definiować kilka priorytetów, nie listę 25 pomysłów, ale 2-3 obszary, na których się koncentrujemy. Strategia musi też powiedzieć, czego nie robimy. Jeśli w naszej branży wszyscy budują chatboty, to może właśnie tego nie powinniśmy robić? Zamiast katalogu „bezpiecznych” inicjatyw potrzebne są „Scary Pilots” – projekty, na widok których zarząd dostaje ciarki na plecach. Jeśli nie masz ciarek, prawdopodobnie celujesz za nisko.

Takim na pewno nie jest chatbot HR, który odpowiada pracownikom, ile kosztuje karta Multisport. To miłe, ale to plasterek, a nie zmiana gry. Mówimy o inicjatywach, które realnie przesuwają firmę w jakimś kluczowym wymiarze biznesowym. Przykładowo, duży bank lub ubezpieczyciel decyduje, że nie chce „chatbota od przeprosin”, tylko „ciszy w dziale reklamacji”. Celem jest zmniejszenie o 80% liczby zgłoszeń dzięki lepszym produktom i procesom, wspieranym przez AI. To jest ambitny, mierzalny cel, który – jeśli się uda – przełoży się na milionowe zyski lub oszczędności.

Takie projekty są trudne, kosztowne i nie ma gdzie się w nich „schować”. Ale tylko one mają sens z perspektywy dużej organizacji. Obecny zalew małych pilotów często oznacza, że firmom doradza się zachowawczo, a one boją się podjąć odważniejsze kroki.

Macie przykłady własnych projektów dojrzałych wdrożeń, które faktycznie przynoszą milionowe zyski?

Mamy. To naprawdę dobry Use Case, więc warto o nim opowiedzieć. Chodzi o projekt dla producenta silników lotniczych w Wlk. Brytanii. To przykład strategii opartej na AI, która jest transformacyjna technologicznie i biznesowo, a przy tym precyzyjnie policzona finansowo.

Wiele lat temu nasz klient podjął odważną decyzję, że zmieni model biznesowy. Zamiast sprzedawać silniki, będzie je „wynajmował”, a klienci zapłacą za każdą efektywnie przelecianą milę. Cała odpowiedzialność za działanie silnika przeszła na producenta. To wymusiło strategiczną inicjatywę: zbieranie ogromnych wolumenów danych z silników w czasie lotu i zbudowanie na poważnie systemu Predictive Maintenance.

Celem było serwisowanie „nie za wcześnie”, aby nie generować zbędnych kosztów, i „nie za późno”, aby uniknąć awarii, opóźnień i kar sięgających setek tysięcy euro za jeden incydent. Pierwszym, policzalnym efektem były oszczędności rzędu ok. 500 mln euro rocznie na unikniętych awariach i przestojach. Drugi, ważniejszy, to skokowy wzrost udziału w rynku. Klienci pokochali model „power by the hour”, w którym płacą za sprawnie działającą usługę, a nie silnik lotniczy. To z kolei przełożyło się na wielomiliardowe, dodatkowe przychody.

Z naszej strony pracuje nad tym projektem ponad 100-osobowy zespół. Jako Inetum współtworzymy architekturę i doradzamy kierunek rozwoju rozwiązań. Największym wyzwaniem, jak zwykle, są dane: zbieranie i przetwarzanie strumienia danych z sensorów, modernizacja ogromnej platformy danych, utrzymanie skalowalności. Algorytmy Predictive Maintenance to „wisienka na torcie”. Część z nich tworzymy my, część inżynierowie klienta, bo to ich strategiczne IP, którego – naturalnie – pilnie strzegą.

Czy generatywna AI i agenci AI zmienili wasze podejście w tym projekcie?

Zmieniły sporo. Jednym z oczywistych zastosowań jest wspomaganie tworzenia kodu, ale ten wątek jest już szeroko opowiedziany. Ciekawsze jest to, że nawet konserwatywne, bardzo uregulowane organizacje, jak lotnictwo, zaczynają wykorzystywać rozwiązania agentowe w krytycznych procesach IT.

Przykładem są rozliczenia z liniami lotniczymi, takimi jak Lufthansa czy Emirates. Każda z nich jest „VIP-em”, z indywidualnymi kontraktami, klauzulami i warunkami. Na koniec miesiąca pojawia się faktura np. na 24 mln euro, zamiast oczekiwanych 20 mln euro. Wówczas zaczyna się długotrwała dyskusja „skąd ta różnica”. Na potrzeby rozliczeń powstała aplikacja, w której dziesiątki osób odpowiadało na tego typu pytania, opierając się na złożonych systemach billingowych i setkach stron kontraktów.

Aby przyspieszyć projekt, stworzyliśmy projekt „Talk to your data” – interfejs konwersacyjny, który z jednej strony „rozmawia” z bazami danych i rekordami billingowymi, a z drugiej – z dokumentami, kontraktami i zapisami umów. Wygląda to jak rozmowa na komunikatorze, ale w tle dzieją się złożone procesy, łączenie danych z różnych źródeł, przy bardzo wysokich wymaganiach co do ich poprawności odpowiedzi. Tu nie może być miejsca na halucynacje.

W efekcie udało się skrócić proces wyjaśniania takich rozliczeń z kilku dni do kilkunastu minut. To pokazuje, że AI da się stosować nie tylko w „bezpiecznych” HR-owych chatbotach, lecz także w obszarach o wysokiej odpowiedzialności i skomplikowaniu.

Po czym poznać, że organizacja jest gotowa na AI? Jakie warunki musi spełnić?

Paradoksalnie ocenę zaczynam od kultury organizacyjnej. Firma gotowa na AI to taka, w której ktoś może powiedzieć „nie” i zostać za to nagrodzony, a nie ukarany. Firma, która umie zabijać projekty, prowadzić otwartą dyskusję o inicjatywach i w której polityczna poprawność nie dominuje nad zdrowym rozsądkiem. Musimy być szczerzy wobec siebie: czy naprawdę jesteśmy gotowi na zmianę, a nie tylko na marketingowy slogan „wdrażamy AI”.

Drugi wymiar to dane. Ten temat bywa czasem przereklamowany, ale jest kluczowy, jeśli chcemy oprzeć się na danych wewnętrznych. Próby wdrożeń AI często szybko ujawniają, że dane są porozrzucane po systemach legacy, „podwórkowych” rozwiązaniach, excelach na laptopach handlowców, a nawet w głowach ekspertów. W wielu polskich firmach dopiero przy podejściu do AI okazuje się, że najpierw trzeba zmodernizować platformy danych, uporządkować ich źródła, zbudować spójne fundamenty.

To powoduje obecnie renesans projektów związanych z danymi – migracje do chmury, modernizacje hurtowni, porządki w integracjach. Oczywiście są organizacje, które od lat mają wysoką kulturę danych – banki, telekomy, ubezpieczyciele, duży e-commerce – ale to raczej wierzchołek góry lodowej. Cała reszta gospodarki dopiero nadrabia zaniedbania, mimo że o danych mówimy od 20 lat.

Definiujesz sukces AI przez to, że firma coś przestaje robić. Co to znaczy w praktyce?

Zdarza się, że bierzemy nieoptymalny proces sprzed 20 lat, który został dodatkowo utwardzony w ERP, a potem jeszcze próbujemy go „zacementować” AI, dokładamy raporty, kolejne aplikacje, strażników nieefektywności. Zamiast tego, powinniśmy się cofnąć i zadać pytanie: czy ten proces w ogóle ma dziś sens?

Wspomniany przykład z działem reklamacji można reinterpretować właśnie tak: celem nie jest stworzenie superchatbota do odpowiadania na skargi, ale takie przeprojektowanie całego procesu, aby skarg było radykalnie mniej.

Jestem klientem polskiej firmy telekomunikacyjnej. Dostaję e-maila z propozycją odnowienia umowy na internet. Płaciłem 120 zł, proponują 90, ale w e-mailu nie ma realnej możliwości „kliknij i przedłuż”. Muszę dzwonić, rozmawiać z konsultantem, tracić czas. Proces jest popsuty, mimo że dane i kanały komunikacji są dobre. AI mogłaby tutaj służyć do całkowitej zmiany sposobu obsługi – od analizy danych po automatyzację decyzji i kontaktu – a nie do tworzenia kolejnej, półdziałającej nakładki.

Widać też dwie fale projektów: najpierw organizacje tworzą „cyfrowych pracowników” – kopiując ludzi i czyniąc ich zadania cyfrowymi. Druga, dojrzalsza fala, polega na zdefiniowaniu od zera pracy do wykonania i zaprojektowaniu całego przebiegu procesu z wykorzystaniem AI, niezależnie od tego, jak dziś jest on podzielony między role ludzkie. To jest ten poziom, na którym AI zaczyna realnie upraszczać, a nie komplikować.

Dlatego zawsze zaczynam od pytania: „co możemy przestać robić dzięki AI?” – a nie: „co AI może jeszcze dla nas zrobić?”. To pozornie drobna różnica w sformułowaniu, a kompletnie inna filozofia transformacji.

Łatwiej to osiągnąć, gdy pojawią się agenci AI, którym można zlecać zadania? Czy już wdrażacie agentów w projektach?

Pracujemy nad rozwiązaniami agentowymi w kilku obszarach. Jednym z gorących tematów na rynku jest „dark factory” w software development – fabryka, w której agenci programują samodzielnie, jak roboty w chińskich fabrykach samochodów. To jest nośny temat, ale skupiłbym się na innym, bliższym biznesowi: marketingu i hiperpersonalizacji.

Tworzymy systemy, w których zespół agentów przejmuje cały proces prowadzenia kampanii – od wyboru grupy docelowej, przez tworzenie treści, po kontrolę zgodności. Upraszczając: jeden agent, na podstawie briefu od człowieka, dobiera odpowiednią grupę docelową. Drugi tworzy setki tysięcy spersonalizowanych komunikatów, np. ofert kart kredytowych dopasowanych do różnych segmentów klientów. Trzeci sprawdza, czy język jest zgodny z tonem marki, przepisami, czy nie obiecujemy zbyt wiele itd.

Między agentami toczy się „dyskusja”, a na końcu człowiek weryfikuje wątpliwe przypadki, zachowując pełną kontrolę. Na razie jeszcze nie oddajemy procesów agentom „od A do Z”. Ale kierunek jest jasny. To coraz bardziej złożone, wieloagentowe systemy, które przejmują pełne procesy, a nie tylko pojedyncze zadania. To pozwala firmom regulowanym korzystać z AI w newralgicznych obszarach.

Od czego zacząć? Bo nawet strategia AI bywa często mglista.

Wdrażanie AI trzeba zacząć od… problemów biznesowych, a nie technologii. To niby truizm, ale w praktyce rzadko stosowany. Firmy często przychodzą z pytaniem: „Chcemy wdrożyć AI, co pan proponuje?”. Konsultanci reagują katalogiem Use Case’ów i pokazaniem, że w danej branży jest 150‑200 scenariuszy. Bywa to ciekawe, ale to jak przepisanie połowy apteki — zanim w ogóle zapytasz pacjenta, co go boli.

Tymczasem najpierw potrzebujemy dobrej diagnozy biznesowej: gdzie AI może realnie przyspieszyć działanie firmy. W idealnym scenariuszu firma wybiera jeden obszar, w którym chce użyć AI. Obszar, w którym odczuwa silną presję konkurencji, ma problem z jakością, marżowością, wizerunkiem lub kosztami.

Potem trzeba dobrać jedną, surową miarę sukcesu – KPI, który naprawdę „boli” biznesowo. Nie „liczbę pilotów” czy „liczbę inicjatyw”, tylko np. konkretną poprawę zysku, redukcję zapasów, skrócenie czasu obsługi, wzrost współczynnika NPS. Jeden obszar, jeden KPI, jasny właściciel, konkretny termin i budżet!

Czy wybranie jednego konkretnego obszaru nie jest większym ryzykiem, niż testowanie wielu naraz, „bo w sumie nie wiadomo, co zadziała”?

Oczywiście, że jest w tym ryzyko. Można też „randkować” z pięcioma osobami naraz, ale dopiero skupienie się na tej jednej, właściwej osobie sprawia, że traktujemy to poważnie. Jeśli mówimy: inwestujemy 10 mln euro w jeden projekt, który ma poprawić zysk o konkretną wartość, to stawka fatycznie jest duża. Jeśli się nie uda, będą trudne rozmowy. Z drugiej strony, właśnie to ryzyko wymusza staranność przy wyborze obszaru. To moim zdaniem jedyny sposób, aby przejść z etapu „robimy coś z AI” do etapu realnej transformacji.

Po jakim czasie zdecydować: idziemy dalej lub porzucamy projekt, aby nie popłynąć z kosztami?

To kwestia dobrze zaprojektowanych etapów projektu i kamieni milowych. Nie jestem przeciwnikiem pilotów jako takich – jestem przeciwnikiem małych, nic nieznaczących „pilocików”, które robi się dla PR-u. Pilot ma sens, jeśli jest elementem świadomie rozpisanej ścieżki: testujemy hipotezę, weryfikujemy założenia, sprawdzamy organizację, technologię, dane.

Dobrze zaplanowany projekt AI powinien mieć kilka momentów „go/no go”, kiedy biznes decyduje, czy widzimy wystarczający potencjał, aby nadal inwestować. Jeżeli po etapie pilotażu nie widać drogi do realizacji założonego KPI, trzeba mieć odwagę projekt zatrzymać, wyciągnąć wnioski i przenieść zasoby tam, gdzie mają większą szansę zwrotu.

Jaki jest stan gotowości na AI w europejskich przedsiębiorstwach?

Jeśli spojrzymy na Europę, to widać różnice między krajami, a także między firmami. Na poziomie statystyk adopcji AI Polska jest niestety w ogonie. Dane z Eurostatu i innych raportów pokazują, że w takich krajach jak Dania ok. 42% firm używa rozwiązań AI, przy unijnej średniej ok. 20%.

W Polsce to poziom rzędu 8–9%. To jest zaskakujące, jeśli wierzymy w nasz wizerunek „cyfrowej, nowoczesnej” gospodarki, z silną bankowością i e-commerce. Wygląda na to, że mamy wyspy nowoczesności – ikony cyfrowe – ale w przekroju całej gospodarki jesteśmy mocno niedoinwestowani w innowacje. Szczególnie dotyczy to małych i średnich firm.

Jeżeli chodzi o dane, obraz jest podobny jak w Polsce: wiele organizacji ma dane „wszędzie i nigdzie”. Adopcja AI często pełni rolę „szybkiego sprawdzam”. Firmy podejmują pilotaż, po czym po kilku tygodniach orientują się, że bez uporządkowania danych nic z tego nie będzie. To wymusza projekty modernizacji platform danych, migracje do chmury, budowę jezior danych.

Gdzie jako rynek – Polska i Europa Środkowa – jesteśmy w cyklu dojrzewania AI? Odstajemy od Europy Zachodniej?

Statystyki pokazują, że odstajemy. Klasycznie Skandynawia jest liderem w chmurze i nowych technologiach. Wszystkie te kraje mają powyżej 30% adopcji AI, a my jesteśmy na końcu peletonu razem z Rumunią i Bułgarią.

Na co dzień widzimy liderów – e-commerce, banki, telekomy – więc mamy wrażenie, że „jest dobrze”. Ale jeśli uwzględnimy także mniejsze firmy, wychodzi obraz gospodarki niedoinwestowanej w innowacje i AI. Co ciekawe, więcej pracowników w Polsce korzysta z AI prywatnie niż służbowo. To też pokazuje lukę w adopcji na poziomie organizacji.

Jest tu jednak ciekawy dysonans. Skandynawia jest topowa w chmurze i adopcji technologii, a nie widać spektakularnych duńskich czy fińskich projektów AI, o których mówi się na całym świecie.

To prawda – sama adopcja technologii nie przekłada się automatycznie na globalne „jednorożce” czy medialne case’y. W Skandynawii dużo dzieje się „po cichu”, wewnątrz firmy. Tam efekty AI często widać bardziej w stabilności, jakości usług, produktywności, a mniej w głośnych startupowych historiach. Jednocześnie Polska – pewnie ze względu na skalę – zaczyna znaczyć więcej na mapie talentów AI, choć nadal często w roli podwykonawców, którzy budują rozwiązania dla globalnych graczy.