Najbardziej przydatną odpowiedzią na pytanie, w jakim stopniu należy wykorzystywać sztuczną inteligencję w firmie, nie jest „jak najwięcej”. Brzmi ona: „do tego stopnia, w jakim zwiększa ona wartość, nie ograniczając przy tym zdolności oceny sytuacji, jakości i wyróżnienia się na tle konkurencji”.
Ma to dziś większe znaczenie, niż mogłoby się wydawać. We Włoszech wskaźnik wdrażania sztucznej inteligencji w przedsiębiorstwach wzrósłz 8,2% w 2024 r. do 16,4% w 2025 r., zgodnie z danymi Istat przytoczonymi przez „Il Foglio”. Podwojenie tego wskaźnika w ciągu zaledwie jednego roku wskazuje na jedną prostą rzecz: nie chodzi już o to, czy podjąć działania, ale o to, jak dostosować tempo zmian.
Jako dyrektor generalny platformy AI dla europejskich MŚP oraz jako badacz zajmujący się komodyfikacją wyników modeli językowych dostrzegam, jak ten sam błąd się powtarza. Firmy traktują sztuczną inteligencję jak przełącznik. Albo ją ignorują, albo próbują wszystko zautomatyzować. Oba te podejścia niszczą wartość. Pierwsze – ponieważ spowalnia działanie. Drugie – ponieważ dostarcza wyników poprawnych na pierwszy rzut oka, ale słabych pod względem merytorycznym.
Skuteczny model działania jest prostszy i bardziej uporządkowany: należy wykorzystywać sztuczną inteligencję tam, gdzie pozwala ona ograniczyć rutynowe zadania, a rezygnować z niej tam, gdzie wymagana jest odpowiedzialność, uwzględnienie kontekstu i ludzki wkład.
Większość firm popełnia błędy, działając zbyt pochopnie lub zbyt późno. Nie chodzi o to, by wdrożyć sztuczną inteligencję. Chodzi o to, by znaleźć poziom, powyżej którego wzrost wydajności operacyjnej jest mniejszy niż ryzyko, które się przy tym podejmuje.
Balaji Srinivasan ujął to lepiej niż ktokolwiek inny: „0% AI to powolność. Ale 100% AI to bzdura”. Jako dyrektor generalny interpretuję to w ten sposób: zbyt mały udział sztucznej inteligencji powoduje w firmie niepotrzebne koszty. Zbyt duży udział sztucznej inteligencji zastępuje ludzki osąd wynikami, które są wprawdzie wiarygodne, ale wymienne.
Logika ta opiera się na krzywej Laffera zastosowanej do pracy opartej na wiedzy. Na początku każdy dodatkowy punkt w zakresie sztucznej inteligencji generuje wysoki zwrot: mniej czasu traconego na powtarzalne czynności, większa szybkość realizacji, wyższy poziom standaryzacji procesów. Potem pojawia się pewien próg. Po przekroczeniu tego progu korzyść krańcowa maleje, a koszty zaczynają rosnąć, co wielu menedżerów dostrzega zbyt późno: dobrze zamaskowane błędy, mniejsza kontrola, niejasny podział odpowiedzialności, treści, które wszystkie wyglądają tak samo.
Utrzymywanie się na poziomie zerowym nie jest przejawem ostrożności. To decyzja o płaceniu wykwalifikowanym pracownikom za wykonywanie pracy, która nie zapewnia przewagi konkurencyjnej.
Zdarza się to codziennie. Zespoły finansowe ręcznie składają pliki. Pracownicy działu sprzedaży przepisują niemal identyczne e-maile. Dział operacyjny przenosi dane z jednego systemu do drugiego. Dział marketingu ręcznie przygotowuje pierwsze wersje projektów i zmiany formatowania. Czynności te nie poprawiają strategii, nie wzmacniają pozycjonowania ani nie zwiększają wartości postrzeganej przez klienta. Po prostu pochłaniają uwagę kierownictwa i cenny czas.
Właśnie dlatego rynek się zmienia. Jak wspomniano na początku, wdrażanie nowych rozwiązań zyskuje na popularności, ponieważ bierność wiąże się z coraz bardziej widocznymi kosztami – najpierw w zakresie czasu, a następnie marż.
Bez sztucznej inteligencji spowolnisz działanie. Zbyt duża ilość sztucznej inteligencji spowoduje ujednolicenie nawet tego, co powinno pozostać charakterystyczne.
Drugi błąd jest bardziej subtelny, ponieważ na początku wydaje się być zyskiem w zakresie wydajności.
Raport finansowy sporządzony w całości przez sztuczną inteligencję może wydawać się poprawny, uporządkowany, a nawet przekonujący. Jednak poważny dyrektor finansowy nie podpisze dokumentu tylko dlatego, że „brzmi dobrze”. Porównuje go z zamówieniami, wpływami, stanami magazynowymi, opóźnieniami operacyjnymi i odstępstwami handlowymi. Bez tego etapu firma nie automatyzuje procesów w odpowiedni sposób. Po prostu przenosi ryzyko dalej w łańcuchu.
To samo dotyczy sprzedaży i marketingu. E-mail wygenerowany w 100% przez sztuczną inteligencję może być zgodny z tonem, strukturą i gramatyką. Często jednak brakuje w nim indywidualnych szczegółów: odniesienia do rzeczywistych wyzwań klienta, dynamiki jego branży czy konkretnych trudności, które pojawiły się podczas rozmowy. To właśnie tam dochodzi do konwersji. I to właśnie tam całkowita automatyzacja zaczyna niwelować wyróżniające cechy.
To właśnie jest „slop”. Materiał czytelny, szybki w przygotowaniu, akceptowalny pod względem formy, ale pozbawiony odpowiedzialności i przewagi konkurencyjnej. Bardziej szczegółowo przeanalizowałem to ryzyko tutaj: jak firmy podchodzą do sztucznej inteligencji.
Ogólna zasada brzmi następująco:
Sztuczna inteligencja nie automatyzuje dobrze całego procesu. Dobrze automatyzuje jednak jego centralną część. Działa na zasadzie „middle-to-middle”.
Na początku potrzebny jest człowiek, który zdefiniuje problem, kontekst, ograniczenia i istotne dane. Na końcu potrzebny jest człowiek, który zweryfikuje wynik, umieści go w odpowiednim kontekście i weźmie za niego odpowiedzialność. W międzyczasie natomiast sztuczna inteligencja może skrócić czas pracy o wiele godzin.
Weźmy na przykład analizę biznesową. Kierownictwo określa wstępne pytania: którzy klienci odnotowują spadek aktywności, które linie produktów odnotowują wzrost, gdzie marża ulega kompresji. Sztuczna inteligencja agreguje dane, porządkuje tabele, wskazuje wzorce i przygotowuje raport. Następnie ekspert analizuje wyniki i decyduje, czy dany wzorzec stanowi rzeczywistą anomalię, czy też jest to tylko chwilowe zakłócenie.
Ten sam schemat ma zastosowanie w obsłudze klienta, finansach, operacjach i marketingu. Sztuczna inteligencja dobrze radzi sobie z przetwarzaniem danych, klasyfikacją, syntezą, dostosowywaniem formatu oraz tworzeniem wstępnych wersji. Nie radzi sobie jednak dobrze, działając samodzielnie, w ustalaniu priorytetów biznesowych i podejmowaniu ryzyka związanego z ostateczną decyzją.
Wielu przedsiębiorców zwraca uwagę na interfejsy API lub licencje. To tylko część kosztów, ale rzadko jest to czynnik decydujący. Prawdziwy koszt wiąże się z godzinami pracy specjalistów potrzebnymi do opracowania dobrych instrukcji i sprawdzenia wyników.
W tym miejscu pojawia się informacja, którą często przekazuję zespołom. Tylko 10% wartości sztucznej inteligencji wynika z algorytmów, 20% z danych, a 70% z ludzi, procesów i kultury organizacyjnej – jak podsumowała firma Archimedia w swoim praktycznym przewodniku. Jeśli nie zadbasz o odpowiednią organizację, zarządzanie i podział odpowiedzialności, nawet najlepszy model może przynieść niewielkie korzyści.
Zasada zarządzania: sztuczna inteligencja nie eliminuje potrzeby posiadania kompetencji. Przenosi ją z wykonywania rutynowych czynności na umiejętność trafnej oceny sytuacji.
Dlatego firmy, które próbują „zastąpić ludzi”, często są rozczarowane. Natomiast te, które na nowo definiują role, osiągają lepsze wyniki. Mniej czasu poświęcają na pracę ręczną. Więcej czasu poświęcają na weryfikację, analizę i podejmowanie decyzji.
Trzy praktyczne konsekwencje:
Najszybszym sposobem na popełnienie błędu przy wdrażaniu sztucznej inteligencji jest traktowanie jej ograniczeń jako problemów tymczasowych. Wiele z nich nie ma takiego charakteru. Są to ograniczenia strukturalne, które właśnie służą do określenia, gdzie należy się zatrzymać.
Pierwsze ograniczenie – ekonomiczne. Szeroko zakrojona sztuczna inteligencja nie jest darmowa. Każde wywołanie, przepływ pracy, koordynacja, integracja i kontrola generują dodatkowe koszty. Jeśli zadanie ma niewielką wartość lub wymaga zbyt wielu etapów weryfikacji, automatyzacja może pogorszyć wyniki finansowe zamiast je poprawić.
Drugie ograniczenie, o charakterze matematycznym. Sztuczna inteligencja nie rozwiązuje w magiczny sposób problemów, w których system jest niestabilny, chaotyczny lub trudno go obserwować. Model może pomóc w interpretacji sygnałów. Nie jest jednak w stanie przekształcić radykalnej niepewności w pewność.
Trzecie ograniczenie, o charakterze praktycznym. Nawet jeśli model jest dobry, nie da się w pełni zautomatyzować całego zadania. Ktoś musi sformułować problem, a ktoś inny sprawdzić odpowiedź.
Czwarte ograniczenie – fizyczne. Sztuczna inteligencja nie przebywa w Twoim zakładzie, nie odwiedza klientów, nie odczuwa napięcia podczas negocjacji, nie widzi maszyny, która wibruje w nietypowy sposób, jeśli nikt nie przekaże jej tych danych.
Jeśli proces wymaga niejawnych kontekstów, bezpośredniej percepcji lub dużej odpowiedzialności prawnej, sztuczna inteligencja powinna pełnić rolę asystenta, a nie kierowcy.
Najbardziej niedocenianym wąskim gardłem są kompetencje wewnętrzne. We Włoszech 68% firm zatrudniających mniej niż 50 pracowników uważa brak kompetencji wewnętrznych za główną przeszkodę we wdrażaniu sztucznej inteligencji, a według tej analizy dotyczącej wykorzystania sztucznej inteligencji, danych, kompetencji i szkoleń osiągnięcie samodzielnego korzystania z tej technologii wymaga średnio 4–6 tygodni szkolenia.
Ta informacja ma większe znaczenie niż wiele spektakularnych prezentacji. Jeśli nikt w firmie nie potrafi kontrolować wyników, automatyzacja nie stanowi korzyści. Stanowi ryzyko operacyjne.
Dla menedżera właściwe pytanie nie brzmi: „Czy sztuczna inteligencja potrafi to zrobić?”. Brzmi ono tak:
Jeśli na którekolwiek z tych pytań odpowiedź brzmi „nie”, zwiększ udział czynnika ludzkiego.
Najbardziej subtelnym problemem strategicznym nie jest rażący błąd. Jest nim dążenie do przeciętności na wysokim poziomie. Nazywam to zjawisko „pułapką B+”.
Główne modele generatywne coraz częściej generują wyniki „wystarczająco dobre”. Czyste teksty. Czytelne streszczenia. Uporządkowane analizy. Prawidłowe struktury. Jednak gdy wszyscy korzystają z tych samych modeli, tych samych wzorców poleceń i tych samych procesów, wyniki mają tendencję do zbieżności.
Dla wielu firm na początku jest to niewidoczne. Dostrzegają szybkość i pozorną jakość. Nie dostrzegają utraty głosu, wyrazistości ani przewagi konkurencyjnej. W marketingu przekłada się to na treści, które można łatwo zastąpić innymi. W analizie przekłada się to na spostrzeżenia, do których każdy może dotrzeć. W strategii przekłada się to na decyzje oparte na przeciętnej wiedzy rynkowej, a nie na własnej przewadze konkurencyjnej.
Firma, która powierza sztucznej inteligencji standardowe zadania, a następnie wykorzystuje wewnętrzną wiedzę specjalistyczną, kontekst branżowy, dane własne oraz osąd kierowniczy, osiąga inne wyniki. Niekoniecznie dłuższe ani bardziej złożone. Po prostu bardziej użyteczne.
Właśnie dlatego w 100% oparta na sztucznej inteligencji strategia stanowi ślepą uliczkę pod względem konkurencyjności. Nie dlatego, że sztuczna inteligencja jest słaba, ale dlatego, że jeśli pozwoli się jej generować wszystko bez udziału człowieka, wyniki będą coraz bardziej zbliżone do tych, jakie osiągają wszyscy inni. To właśnie elementy, które nie są towarem, zapewniają przewagę konkurencyjną.
Osobom, które chcą zgłębić ten punkt widzenia z naukowego punktu widzenia, polecam publikacje dotyczące analityki opartej na sztucznej inteligencji.
W 2026 roku przewagą nie będzie dostęp do sztucznej inteligencji. Będzie nią wiedza o tym, gdzie należy zatrzymać automatyzację i dodać własną, autorską warstwę.
Kiedy przedsiębiorca pyta mnie, w jakim stopniu powinien wykorzystywać sztuczną inteligencję w swojej firmie, wychodzę od dwóch zmiennych. Nie od samego narzędzia.
Pierwszym czynnikiem jest charakter zadania. Czy ma ono charakter mechaniczny, analityczny czy decyzyjny?
Drugą kwestią jest koszt błędu. Jeśli wynik jest błędny, czy tracisz kilka minut, klienta, marżę czy wiarygodność?
Takie podejście ma sens również z bardzo konkretnego powodu. Najbardziej bezpośredni wpływ sztucznej inteligencji generatywnej (Gen AI) widać w automatyzacji powtarzalnych czynności, takich jak obsługa poczty elektronicznej i generowanie standardowych raportów, co pozwala uwolnić zasoby ludzkie do zadań o większej wartości, jak podkreśla firma Huware w swoim artykule poświęconym produktywności przedsiębiorstw.
| Rodzaj zadania | Niski koszt błędu | Średni koszt błędu | Wysoki koszt błędu |
|---|---|---|---|
| Mechaniczne i monotonne | Blisko 90% z wykorzystaniem sztucznej inteligencji. Formatowanie danych, planowanie, oznaczanie tagami, dystrybucja treści. | Około 70% AI. Wysoki stopień automatyzacji z końcową kontrolą. | Około 50% to zasługa sztucznej inteligencji. Sztuczna inteligencja przygotowuje tekst, a człowiek sprawdza go wiersz po wierszu. |
| Analityczny i interpretacyjny | Około 70% to sztuczna inteligencja. Sztuczna inteligencja rozpoznaje wzorce, a człowiek je potwierdza. | Około 50% AI. Dobra równowaga w raportach zarządczych. | Około 40% AI. Konieczna jest systematyczna weryfikacja przeprowadzona przez ekspertów. |
| Decyzyjne i strategiczne | Około 40% sztucznej inteligencji. Obsługa scenariuszy i opcji. | Około 30% AI. AI wspiera, ale nie podejmuje decyzji. | Blisko 30% to sztuczna inteligencja. Wycena, strategia, rekrutacja, delikatne kwestie komunikacyjne. |
Te wartości procentowe nie są prawem natury. Stanowią one punkt wyjścia do działania. Służą one uniknięciu dwóch typowych błędów: zbyt wczesnej automatyzacji procesów wysokiego ryzyka lub pozostawiania w trybie ręcznym procesów, które już dawno powinny być zautomatyzowane.
W praktyce warto regularnie weryfikować poziom automatyzacji. Najbardziej przydatne wskaźniki są proste.
Jeśli chcesz sformalizować ten etap, warto zastanowić się, jak ocenić zwrot z inwestycji w sztuczną inteligencję, zanim rozszerzysz jej wdrażanie na całą firmę.
Najważniejsze informacje
Najlepszym sposobem na zrozumienie tego frameworka jest przyjrzenie się jego zastosowaniu bez zbędnej teorii. Wewnętrznie proces ten nie rozpoczął się od abstrakcyjnego projektu dotyczącego „poziomu sztucznej inteligencji”. Wychodził on z prostej zasady: automatyzować tylko tam, gdzie koszt niewykrytego błędu jest niski, zachowując kontrolę ludzką tam, gdzie koszt błędu jest wysoki.
Najbardziej oczywistym przykładem jest proces wydawniczy. Pierwsza próba była prosta: zautomatyzować wszystko, od wstępnego szkicu po dystrybucję w różnych kanałach, łącznie z dostosowaniem formatu, obrazów i harmonogramu. Działało. Jednak wynik był ogólnie poprawny.
Ton był odpowiedni. Format również. Brakowało jednak tego, co doświadczony czytelnik dostrzega od razu: konkretnego punktu widzenia, oceny, stanowiska.
Kalibrację udało się osiągnąć poprzez ponowne wprowadzenie interwencji człowieka tylko w dwóch punktach: weryfikacji głównego przekazu oraz wyborze kąta dla danej platformy. Sztuczna inteligencja pozostała odpowiedzialna za dostosowanie formatu, tworzenie materiałów kreatywnych oraz publikację. Dzięki temu czas pracy człowieka na jeden cykl skrócił się z trzech godzin do około 30 minut, a ostateczny podział obowiązków wyniósł około 80% na sztuczną inteligencję i 20% na człowieka.
Optymalny punkt nie polega na tym, że sztuczna inteligencja potrafi zrobić wszystko. Polega on na tym, że zespół przestaje nadmiernie korygować wyniki, a wynik pozostaje wiarygodny.
Metoda, którą zastosowano, aby to osiągnąć, może zostać powtórzona w każdym małym i średnim przedsiębiorstwie.
Obserwowane są trzy wskaźniki wewnętrzne: wskaźnik działań naprawczych, całkowity czas realizacji od początku do końca oraz jakość postrzegana przez użytkownika końcowego. Gdy którykolwiek z tych wskaźników ulegnie pogorszeniu, należy cofnąć suwak.
Takie podejście dobrze odzwierciedla również filozofię produktu, którą uważam za słuszną: sztuczna inteligencja powinna zastępować pracę analityka w sytuacjach, gdy jest ona powtarzalna i ustrukturyzowana, a nie zastępować przedsiębiorczą ocenę sytuacji. Innymi słowy, została stworzona po to, by zastąpić analityka, a nie Twoją ocenę sytuacji.
Przewaga konkurencyjna nie wynika z częstszego wykorzystywania sztucznej inteligencji. Wynika ona z umiejętności wyznaczenia granicy, zanim automatyzacja zacznie podważać marże, zaufanie i wyjątkowość pracy.
Dlatego właściwe pytanie nie brzmi: „czy wdrożyć sztuczną inteligencję?”, ale „w jakim stopniu wykorzystać ją w firmie w każdym istotnym procesie”. Krzywa Laffera dotycząca sztucznej inteligencji służy właśnie temu: znalezieniu punktu, w którym automatyzacja zwiększa wydajność i tempo pracy, nie wpędzając jednocześnie zespołu w pułapkę „B+” – czyli wyników wystarczająco dobrych, by się kwalifikowały, ale zbyt ogólnych, by wyróżnić firmę na tle konkurencji.
W praktyce sztuczną inteligencję należy stosować tam, gdzie skraca czas, ogranicza powtarzalne zadania i pozwala utrzymać niskie koszty weryfikacji. Należy z niej zrezygnować tam, gdzie błąd ma większe znaczenie niż zaoszczędzony czas, gdzie kontekst jest ważniejszy od formatu oraz gdzie decyzja ma konsekwencje handlowe lub reputacyjne.
To właśnie tutaj widać dojrzałość menedżerską.
W nadchodzącym cyklu konkurencyjnym zwyciężycie te firmy, które potrafią jasno określić zakres działania sztucznej inteligencji. Nie te, które stosują ją wszędzie, ale te, które zachowują ludzki osąd, a resztę automatyzują w sposób zdyscyplinowany.
Jeśli chcesz zastosować to podejście, korzystając z platformy, która automatyzuje analizę danych, nie odbierając Ci jednak kontroli nad procesem decyzyjnym, poznaj ELECTE – platformę do analizy danych opartą na sztucznej inteligencji, przeznaczoną dla małych i średnich przedsiębiorstw. Zobacz, jak przekształca ona surowe dane w przydatne wnioski, automatyczne raporty i sygnały, które pomogą Ci szybciej podejmować decyzje, nie polegając przy tym w 100% na sztucznej inteligencji. Gotowy, by wykorzystać swoje dane? Rozpocznij bezpłatny okres próbny →
.svg)
.svg)
.svg)
