Paradoksalnie, im więcej narzędzi do usprawniania pracy włączamy do codziennych operacji, tym działania firmy są… bardziej chaotyczne.
CRM gromadzi kontakty z klientami. ERP rejestruje transakcje i koszty. Jira wie, ile zadań wykonał zespół. Dysk Google’a pęka w szwach, emaile zalewają nas jak lawina, a każde spotkanie to także “minutki” lub automatyczny transkrypt. Cierpimy na nadmiar danych. W dodatku nie jesteśmy w stanie z nich właściwie korzystać.
Coraz częściej zbierane dane wcale nie wpływają na podejmowanie lepszych decyzji. Informacje są rozproszone, zbierane bez wyraźnego celu albo zamieniane w raporty, z których nic nie wynika. Włączenie w chaotyczny proces AI na niewiele się zda, a może nawet… zaszkodzić, generując jeszcze więcej chaosu.
Po co właściwie zbieramy dane?
– Gdy widzę w firmie nowy miernik, moje pierwsze pytanie brzmi: „Jakie decyzje podejmujecie na jego podstawie?”. Jeżeli odpowiedź brzmi „żadne”, pytam: „To po co go zbieracie?” – mówi Paweł Feliński, Head of Delivery w Primotly, wcześniej konsultant zarządzania. – W języku lean management śledzenie wskaźnika, który nie wpływa na żadne działanie, jest marnotrawstwem.
Część firm danych nie wykorzystuje, część robi to źle. Średnia i mediana mogą prowadzić do innych wniosków. Spadek liczby wejść na stronę pokazuje zmianę, ale nie mówi, czy należy zwiększyć budżet reklamowy, poprawić SEO, zmienić treści, czy uwzględnić sezonowość. Jeden wskaźnik łatwo pomylić z dowodem. Liczby nie zastąpią też kontekstu, którego w systemie nie zapisano.
Nie skończyło się na raporcie. Firma przejrzała i ponownie podzieliła klientów, zdecydowała o wygaszeniu jednej współpracy i renegocjacji stawek w kolejnych. Analiza rentowności stała się stałym elementem zarządzania – na poziomie człowieka, projektu i klienta. Dane zyskały wartość, gdy zmieniły decyzje.
Najpierw proces, później AI
Klienci rzadko mówią: „Mamy uporządkowane dane i wiemy, co chcemy z nimi zrobić”. Częściej: „Chcemy AI” albo „Nie mamy żadnych danych”. Dopiero rozpoznanie sytuacji pokazuje, że systemy coś już rejestrują, lecz informacje są rozproszone albo nikt nie wie, do czego służą.
Pierwsze pytanie nie powinno więc dotyczyć modelu. Powinno brzmieć: po co? Czego firma chce się dowiedzieć i jaką decyzję dzięki tej wiedzy podjąć? Później można sprawdzić, czy istnieją właściwe dane, czy są wiarygodne i czy do rozwiązania rzeczywiście potrzebna jest AI. Czasami wystarczy klasyczny algorytm, prosta automatyzacja albo poprawa procesu.
– Nie dałbym modelowi dostępu do przypadkowego zbioru firmowych danych z poleceniem: „Zrób coś z tego i wyciągnij wnioski” – mówi Paweł. – Najpierw trzeba ustalić, jakie informacje zbieramy, gdzie są przechowywane, jak często się je aktualizuje, kto na nie patrzy i za co odpowiada. Dopiero działający proces można rozsądnie automatyzować.
AI może pobierać dane z kilkudziesięciu narzędzi, porządkować je, szukać zależności i proponować interpretacje. Nadal jest źródłem informacji, a nie decydentem. Jak w prognozie pogody: modele przetwarzają dane, ale wynik interpretuje synoptyk rozumiejący ich ograniczenia.
AI dokładnie tam, gdzie jest potrzebna
Takie podejście widać w aplikacji Primotly do kontroli instalacji technicznych. Wykonawcy dokumentują prace zdjęciami urządzeń i połączeń. Po stronie klienta ktoś musiał ręcznie sprawdzać tysiące fotografii: czy jest na nich właściwy element, czy przewody są dobrze podłączone i czy instalacja spełnia wymagania.
Primotly zbudowało system computer vision, czyli rozwiązanie analizujące zawartość obrazów. Nie powstał jeden wielki model próbujący rozpoznać wszystko. Opracowano zestaw wyspecjalizowanych modeli oraz szybką warstwę kierującą zdjęcie tylko do potrzebnych modułów. Jeżeli wiadomo, że na budowie użyto trzech spośród dwudziestu typów urządzeń, system nie uruchamia pozostałych siedemnastu analiz.
Połączenie uczenia maszynowego z prostymi, deterministycznymi regułami skróciło przygotowanie rozwiązania, przyspieszyło jego działanie i ograniczyło koszty klienta. Dojrzałość technologiczna nie polega na używaniu AI wszędzie, ale na dobraniu jej do tej części problemu, w której daje przewagę.
Wcześniej potrzebna jest praca badawczo-rozwojowa (R&D). Model uczy się na zdjęciach, a te bywają ostre lub rozmazane, wykonane w różnym świetle i z różnych perspektyw. Dla jednego obiektu klient ma tysiące przykładów, dla innego kilka. Zbiór trzeba ocenić, oczyścić, czasem poszerzyć lub uzupełnić syntetycznie. R&D ma wcześnie odpowiedzieć, czy oczekiwana jakość jest osiągalna i czego potrzeba, aby produkt działał poza demonstracją.
Cenniejsze od deklaracji bywa zachowanie
Inny obszar specjalizacji Primotly to rozwiązania dla branży badawczej. Jeden z produktów, wpięty w system ankietowy klienta, pozwalał testować różne wersje sklepu internetowego. Obok odpowiedzi ankietowych rejestrował zachowanie badanego: który produkt zobaczył, ile razy do niego wracał, czy przeczytał opis i kiedy dodał towar do koszyka.
– Gdy pytamy człowieka, co zrobiłby w określonej sytuacji, otrzymujemy deklarację. Kiedy obserwujemy rzeczywiste działanie, dostajemy inny rodzaj danych – mówi Maciek Kemnitz, CEO Primotly. – Zachowanie jest trudniejsze do sfałszowania. Pomaga też odsiać ruch, który nie odzwierciedla prawdziwego zainteresowania użytkownika.
Pytania ankietowe nie tracą sensu. Połączenie deklaracji z zachowaniem daje jednak pełniejszy obraz i lepszą podstawę do decyzji o prezentacji produktów czy rozwoju usługi.
Firma ma informacje, ale nie ma jednej pamięci
Podobny problem Primotly rozpoznało u siebie. Firma korzystała z poczty, dysku, komunikatora, CRM-u oraz systemów do fakturowania i zadań. Każde narzędzie zawierało część wiedzy. Wiele ustaleń pozostawało w rozmowach i na spotkaniach, w których nie uczestniczyli wszyscy zainteresowani.
Odpowiedzią stał się rozwijany wewnętrznie produkt oparty na generatywnej AI, ale niezależny od jednego dostawcy modelu. Łączy informacje z różnych źródeł, w tym transkrypcje spotkań, i udostępnia je zgodnie z uprawnieniami. Jedna firmowa pamięć nie może przecież oznaczać, że każdy pracownik widzi wszystko.
Zgromadzony kontekst pozwala również zapytać model o ryzyka projektu, kolejne działania account managera albo szanse widoczne w całym portfelu projektów. Wynik nie jest decyzją. Jest dodatkowym głosem, który może zwrócić uwagę człowieka na przeoczoną zależność.
Narzędzie nie przejmuje odpowiedzialności
Automatyzacja ma mniej oczywiste skutki. W Primotly część osób przestała robić notatki podczas spotkań, polegając na transkrypcji. Pozwala to skupić się na rozmówcy, ale tworzy ryzyko. Podczas jednego z dwugodzinnych spotkań narzędzie przestało działać. Po obu stronach prawie nikt nie notował. Ustalenia udało się częściowo odtworzyć tylko dlatego, że dwie osoby nadal prowadziły własne zapiski.
Maciek wskazuje na ograniczoną pojemność kontekstu. W długim zadaniu model może zgubić początkowy cel albo pominąć ważną informację. Nieprecyzyjne polecenie może prowadzić do przekonującej, lecz błędnej odpowiedzi. Narzędzia AI nie są więc gotowymi produktami biznesowymi. Trzeba zaprojektować źródła, reguły, kontrolę jakości, uprawnienia i miejsce człowieka w procesie.
Produkt zaczyna się od problemu, nie od listy funkcji
Klient nie musi znać technologii. Właśnie po to szuka partnera technologicznego. Ktoś musi jednak świadomie zarządzać produktem – rozumieć użytkowników, wartość rozwiązania, doświadczenie korzystania z niego i kierunek rozwoju. Kompetencje te mogą znajdować się po stronie klienta albo Primotly.
Problem pojawia się, gdy firma nie chce rozmawiać o celu i użytkownikach, lecz przekazuje zamkniętą listę funkcji. Czasami stoi za nią dojrzały zespół produktowy. Częściej jest tylko zbiorem niesprawdzonych założeń. Dlatego ważne jest product discovery: wspólne zrozumienie problemu przed rozpoczęciem kosztownej budowy.
To odróżnia tworzenie produktu od dostarczenia dodatkowych programistów. Body leasing jest właściwy, gdy klient ma własny proces, a brakuje mu kompetencji lub ludzi. Gdy potrzebuje rozwiązania problemu i odpowiedzialności za rezultat, właściwszy jest custom product development. Wtedy sukces produktu staje się wspólną sprawą klienta i partnera technologicznego.
Od informacji do decyzji
Ilość informacji w firmach przekracza możliwości człowieka, zespołu, a często departamentu. Można odpowiadać kolejnymi dashboardami. Można też budować systemy, które porządkują dane, zachowują kontekst i dostarczają właściwą informację osobie podejmującej decyzję.
Nie każda firma potrzebuje AI w każdym procesie. Każda powinna wiedzieć, jakie decyzje chce podejmować lepiej i szybciej. Od tego pytania warto zacząć rozmowę o danych, technologii i produkcie. Rezultatem nie ma być przecież większa liczba raportów ani samo „wdrożenie AI”, lecz lepiej poinformowane decyzje – podejmowane nadal przez ludzi.
FAQ
Dlaczego większość firm nie potrafi wykorzystać zgromadzonych danych w praktyce?
Firmy często cierpią na przeładowanie informacjami wynikające z rozproszonych narzędzi (CRM, ERP, Jira, dyski w chmurze), które zbierają dane bez jasnych celów operacyjnych.
- Brak przełożenia na działania: Śledzenie wskaźników, które nie wpływają na konkretne decyzje biznesowe, stanowi marnotrawstwo w rozumieniu Lean Management.
- Brak kontekstu: Surowe metryki pokazują, co się zmieniło (np. spadek ruchu na stronie), ale bez kontekstu jakościowego nie wyjaśniają dlaczego ani jakie działania należy podjąć.
- Silosy informacyjne: Niezintegrowane dane blokują wgląd w kluczowe wskaźniki, takie jak rzeczywista rentowność poszczególnych projektów.
Dlaczego optymalizacja procesów musi wyprzedzać wdrożenie AI?
Wprowadzenie AI do nieuporządkowanego procesu potęguje chaos, zamiast go rozwiązywać.
- Prawidłowa hierarchia: Przed wysłaniem zapytań do modeli należy określić miejsca przechowywania danych, częstotliwość ich aktualizacji, uprawnienia dostępu oraz odpowiedzialność.
- Alternatywne rozwiązania: Algorytmy deterministyczne, prosta automatyzacja lub zmiana samego procesu są często bardziej opłacalne niż modele uczenia maszynowego.
- Narzędzie zamiast decydenta: AI agreguje kontekst i wskazuje zależności, lecz ostateczne decyzje strategiczne wymagają nadzoru człowieka.
Jak Primotly projektuje modele AI, aby obniżyć koszty wdrożenia u klienta?
Primotly unika monolitycznych modeli AI, stosując wyspecjalizowane systemy computer vision połączone z inteligentną warstwą routingu.
- Precyzyjne przetwarzanie: Architektura systemu kieruje dane wejściowe (np. zdjęcia z budowy) wyłącznie do właściwych modułów analitycznych, redukując zbędne obciążenie obliczeniowe.
- Logika hybrydowa: Połączenie uczenia maszynowego z prostymi regułami deterministycznymi przyspiesza działanie systemu i obniża koszty infrastruktury.
- Wczesne R&D: Zbiory danych są oceniane, czyszczone i uzupełniane syntetycznie na wczesnym etapie, aby zapewnić skuteczność w trudnych warunkach rzeczywistych.
Jaka jest przewaga analizy zachowań użytkowników nad zbieraniem deklaracji w ankietach?
- Dane deklaratywne (ankiety): Pokazują, co użytkownicy twierdzą, że zrobią, co często jest obarczone błędem lub nieprecyzyjne.
- Dane behawioralne (obserwowane działania): Rejestrują rzeczywiste interakcje — takie jak ścieżki przejścia, dodania do koszyka czy czas spędzony na stronie — dostarczając prawdziwego obrazu intencji i odsiewając przypadkowy ruch.
W jaki sposób generatywna sztuczna inteligencja może skonsolidować pamięć firmową z rozproszonych aplikacji?
Dedykowane warstwy GenAI łączą odseparowane kanały komunikacji (email, CRM, tablice zadań, transkrypcje spotkań) w jedną bazę wiedzy z kontrolą uprawnień.
- Ustandaryzowany kontekst: Automatyczne podsumowania spotkań i listy zadań pozwalają odzyskać kontekst ustaleń bez konieczności przeglądania nagrań.
- Analityka portfela projektów: Zadawanie pytań zagregowanej bazie wiedzy pomaga menedżerom identyfikować ryzyka projektowe i przeoczone szanse biznesowe.
- Odpowiedzialność człowieka: Ze względu na ograniczenia okna kontekstowego i brak ludzkiego osądu, odpowiedzialność za ostateczne decyzje spoczywa wyłącznie na pracownikach.
Czym różni się dedykowane tworzenie produktów (custom product development) od wynajmu programistów (body leasing)?
- Custom Product Development: Rozwiązuje źródłowe problemy biznesowe poprzez Product Discovery, dzielenie ryzyka i pełną odpowiedzialność za końcowy sukces produktu.
- Body Leasing (Staff Augmentation): zapewnia dodatkowych programistów do realizacji określonej listy specyfikacji technicznych klienta w ramach ustalonego procesu wewnętrznego.
