Prawie każdy, kto pisze o AI, ma interes w tym, żebyś ją wdrożył. Ten tekst jest po drugiej stronie: o tym, kiedy AI jest złym wyborem. Nie dlatego, że technologia jest słaba, lecz dlatego, że użyta nie tam, gdzie trzeba, kosztuje czas i pieniądze, a efektu nie daje. Rozpoznanie tych sytuacji zawczasu jest tańsze niż wdrożenie, które się nie przyjęło. Poniżej uczciwa lista sygnałów, że AI to nie jest odpowiedź na Twój problem — i kiedy jednak jest.
Najważniejsze w skrócie
- Zepsutego procesu AI nie naprawi — zautomatyzuje bałagan i sprawi, że będzie się mnożył szybciej.
- Automatyzacja ≠ uporządkowanie. To pierwsze utrwala proces, który zastanie; drugie zmienia sam proces. Kolejność ma znaczenie.
- Bez czytelnych danych nie ma o czym rozmawiać. Nie chodzi o hurtownię — wystarczy jedno źródło dla jednego zastosowania.
- Zadanie wykonywane rzadko nie zsumuje oszczędności, a kosztuje tyle samo w budowie i utrzymaniu.
- Jeśli zadanie da się opisać regułą „jeśli to, zrób tamto", model językowy jest zbędny — a bywa gorszy, bo wprowadza nieprzewidywalność tam, gdzie potrzebna jest pewność.
Gdy problem jest procesowy, nie technologiczny
Jeśli proces jest źle poukładany, AI go nie naprawi — zautomatyzuje bałagan i sprawi, że będzie się mnożył szybciej. Kiedy zapytania giną, bo nikt nie wie, kto za nie odpowiada, albo dane są niespójne, bo każdy wpisuje je po swojemu, to nie jest problem, który rozwiązuje model. To problem organizacji pracy, i najpierw jego trzeba tknąć.
Dobry test: gdyby ten proces prowadził najlepszy możliwy człowiek, czy nadal by kulał? Jeśli tak, źródło leży w samym procesie, nie w braku AI. Automatyzacja czegoś, co jest zepsute, utrwala usterkę, a nie ją usuwa.
Gdy nie ma danych albo są nieczytelne
AI działa na danych. Jeśli danych nie ma, są rozproszone po głowach ludzi albo zapisane tak, że maszyna ich nie odczyta, to nie jest moment na model, lecz na uporządkowanie źródła. Wdrożenie AI na danych, których nie da się rzetelnie odczytać, kończy się narzędziem, które myli się w sposób trudny do wychwycenia.
To nie znaczy, że trzeba mieć hurtownię danych klasy korporacyjnej — wystarczy jedno czytelne źródło dla jednego zastosowania. Ale jeśli i tego nie ma, kolejność jest odwrotna: najpierw dane, potem AI.
Gdy zadanie robi się rzadko
Zwrot z AI bierze się z powtarzalności — oszczędność na jednej czynności kumuluje się, bo czynność wraca setki razy. Przy zadaniu, które robi się raz na kwartał, ta sama oszczędność nie ma się z czego zsumować. Koszt zbudowania i utrzymania rozwiązania przewyższa wtedy korzyść.
Jeśli proces jest rzadki, nietypowy i za każdym razem inny, człowiek zwykle poradzi sobie taniej niż dedykowane narzędzie. AI opłaca się tam, gdzie to samo dzieje się często, nie tam, gdzie każdy przypadek jest wyjątkiem.
Gdy wystarczy prostsza automatyzacja
Nie każda automatyzacja potrzebuje AI. Część problemów rozwiązuje zwykła reguła, formularz albo prosty skrypt — taniej, przewidywalniej i łatwiej w utrzymaniu. Jeśli zadanie da się opisać jednoznacznym „jeśli to, zrób tamto", model językowy jest zbędny, a bywa gorszy, bo wprowadza nieprzewidywalność tam, gdzie chcemy pewności.
Rozsądny partner powie wprost, gdy problem nie wymaga AI. Sięganie po model tam, gdzie wystarczy reguła, to najczęściej sprzedawanie technologii, nie rozwiązywanie problemu.
Gdy stawka błędu jest zbyt wysoka, a nadzoru nie ma
AI się myli — dlatego rozsądne wdrożenia zostawiają człowiekowi punkty decyzyjne. Jeśli proces nie toleruje żadnego błędu, a jednocześnie nie da się w nim utrzymać kontroli człowieka, to nie jest dobre miejsce na start. Nie dlatego, że AI jest tam zakazana, lecz dlatego, że bez nadzoru ryzyko przewyższa korzyść.
Takie procesy zwykle nie są dobrym pierwszym przypadkiem. Lepiej zacząć tam, gdzie człowiek może potwierdzać wynik, zbudować zaufanie do narzędzia, a dopiero potem rozważać zastosowania o wyższej stawce.
Gdy to moda, nie potrzeba
Najkosztowniejszy powód wdrożenia to „bo wszyscy wdrażają". AI kupiona pod slajd na zarząd, bez konkretnego procesu, który ma poprawić, kończy się narzędziem szukającym problemu. Pytanie nie brzmi „jak wdrożyć AI", lecz „który realny, uciążliwy proces chcemy poprawić" — i dopiero jeśli AI jest na to właściwym narzędziem, ma sens. Dlaczego wdrożenia bez konkretnego problemu się nie udają, rozkłada wielka transformacja cyfrowa zwykle umiera w połowie.
Nie wiadomo jednak:
Większość złych decyzji o wdrożeniu bierze się z pominięcia tych pytań:
- kto jest właścicielem procesu, który ma się zmienić — i czy w ogóle chce tej zmiany;
- co się dzieje dziś, gdy pojawia się przypadek nietypowy — i jak często się pojawia;
- kto zauważy błąd narzędzia i po jakim czasie;
- jaka jest cena pomyłki w tym konkretnym procesie;
- co powinno się wydarzyć, żeby uznać projekt za nietrafiony — i czy ktokolwiek jest gotów to przyznać.
Ostatnie pytanie jest najtrudniejsze. Projekt bez zdefiniowanego warunku zatrzymania rzadko zostaje zatrzymany na czas.
Kiedy AI jednak jest dobrym wyborem
Odwróćmy listę, bo to samo kryterium działa w drugą stronę. AI się opłaca, gdy proces zasadniczo działa, ale jest żmudny; gdy dane istnieją i da się je odczytać; gdy czynność powtarza się często; gdy człowiek może zostać w pętli i potwierdzać wynik; i gdy efekt da się zmierzyć względem stanu sprzed wdrożenia. Jeśli te warunki są spełnione, wąskie wdrożenie zwykle zwraca się szybko. Jak wybrać taki pierwszy przypadek, opisuje nie zaczynaj od najciekawszego pomysłu.
Najczęstsze pytania
Kiedy AI nie jest dobrym wyborem dla firmy?
Gdy problem jest procesowy, nie technologiczny (zepsutego procesu AI nie naprawi); gdy nie ma czytelnych danych; gdy zadanie robi się zbyt rzadko, by oszczędność się zsumowała; gdy wystarczy prostsza reguła lub skrypt; gdy proces nie toleruje błędu, a nadzoru człowieka nie da się w nim utrzymać; oraz gdy wdrożenie jest podyktowane modą, a nie konkretnym problemem.
Czy AI zawsze jest lepsza od tradycyjnej automatyzacji?
Nie. Jeśli zadanie da się opisać jednoznaczną regułą „jeśli to, zrób tamto", zwykła automatyzacja jest tańsza, bardziej przewidywalna i łatwiejsza w utrzymaniu. Model językowy wprowadza nieprzewidywalność, która bywa zaletą przy zadaniach niejednoznacznych, ale wadą tam, gdzie potrzebna jest pewność.
Co zrobić, jeśli firma nie ma dobrych danych do AI?
Zacząć od danych, nie od modelu. Nie potrzeba hurtowni klasy korporacyjnej — wystarczy jedno czytelne źródło dla jednego zastosowania. Jeśli i tego nie ma, kolejność jest odwrotna: najpierw uporządkować źródło, potem rozważać AI.
Po czym poznać, że AI jest dobrym wyborem?
Po tym, że proces zasadniczo działa, ale jest żmudny; dane istnieją i da się je odczytać; czynność powtarza się często; człowiek może potwierdzać wynik; a efekt da się zmierzyć względem stanu wyjściowego. Spełnienie tych warunków zwykle oznacza, że wąskie wdrożenie szybko się zwróci.
Co dalej
Uczciwa odpowiedź na pytanie „czy wdrażać AI" brzmi czasem „nie tu i nie teraz" — i to też jest wartościowy wynik, bo oszczędza pieniądze na wdrożeniu, które by się nie przyjęło. Najlepszym sposobem, żeby to rozstrzygnąć bez zgadywania, jest rozpoznanie procesów pod kątem tych kryteriów: robi to Audyt Gotowości AI, który wskazuje nie tylko gdzie AI pomoże, ale i gdzie nie warto jej ruszać. Jak dobrać pierwszy sensowny przypadek, opisuje nie zaczynaj od najciekawszego pomysłu.
→ Umów bezpłatną konsultację 30 minut
Artykuł jest uczciwym przewodnikiem po tym, kiedy AI nie jest dobrym wyborem dla firmy. Nie zniechęca do technologii — pokazuje sytuacje, w których wdrożenie nie ma sensu, oraz warunki, przy których wąskie wdrożenie AI zwykle się opłaca.
