Sztuczna inteligencja obiecywała zrewolucjonizować sposób pracy biur, lecz w wielu firmach — jak pokazuje przypadek zespołu negocjującego umowy w pewnym przedsiębiorstwie z listy Fortune 500 — tak się nie stało.
Kierownictwo firmy przekazało grupie pracowników narzędzie oparte na dużym modelu językowym, licząc na szybsze tworzenie kontraktów dzięki automatycznym podsumowaniom, odpowiedziom na pytania o treść dokumentów czy porównaniom wersji. W praktyce jednak wydajność nie wzrosła.
Model AI generował wprawdzie szkic umowy, lecz prawnicy musieli ręcznie uzupełniać go o dane dostawcy, historię zamówień i niuanse negocjacyjne. Efekt: prawie żadnej oszczędności czasu. 
To nie jedyny przypadek
To doświadczenie nie było odosobnione. W ankiecie obejmującej trzydzieści przedsiębiorstw z różnych branż respondenci przyznali, że „generyczne” narzędzia AI nie pomagają im w zadaniach osadzonych w unikalnych, firmowych procesach.
Nawet aplikacje dostosowane do całych działów, takich jak finanse czy HR, wciąż bywały zbyt ogólne i „nie działały” w oczach użytkowników.
Problem leży w braku kontekstu. Tak jak nowy pracownik, który nie zna jeszcze skrótów organizacyjnych, model językowy nie wiedział, gdzie szukać informacji i jak je interpretować. Rozwiązaniem okazały się dwa komplementarne podejścia:
- Work graph czyli „mapa racy”
- Reverse mechanistic localization (RML)
Work graph to cyfrowy, stale aktualizowany obraz tego, jak zespół rzeczywiście wykonuje zadania — łącznie z decyzjami, odwołaniami do danych i używanymi systemami. Przez dwa miesiące rejestrowano każdą interakcję członków zespołu z aplikacjami, od pobierania profili kontrahentów po sprawdzanie ich zdolności kredytowej. Ten bogaty, zweryfikowany przez ludzi materiał posłużył następnie do dostrojenia modelu.
RML znacznie pomógł
RML odwraca powszechną praktykę „wyjaśniania AI ludziom”. Zamiast próbować zrozumieć algorytm, inżynierowie drobiazgowo analizują, jak pracują ludzie, by wkomponować tę wiedzę w system.
Gdy dopracowany LLM otrzymał już kontekst z work graphu, potrafił stworzyć pierwszy szkic, który zawierał już szczegółowe dane dostawcy, implikacje jego ratingu czy specyficzne klauzule. Liczba poprawek spadła, a ręczny nakład przy każdej umowie zmniejszył się o ponad połowę. Przełożyło się to na blisko trzydziestoprocentowy wzrost przepustowości zespołu.
Model AI musi być odpowiednio dostosowany
Kluczowa była regularna aktualizacja wiedzy modelu. Gdy pojawiali się nowi kontrahenci lub zmieniały się procedury, zaktualizowany work graph trafiał z powrotem do modelu, a opinie prawników — w ramach tzw. reinforcement learning with human feedback — dodatkowo podnosiły trafność wyników. Takie podejście nie zastępuje ludzi, ale wzmacnia ich możliwości. Zamienia AI w realnego członka zespołu.
Z perspektywy kadry zarządzającej wnioski są jasne. Uniwersalne modele, choć imponujące, rzadko oddają specyfikę lokalnych procesów. Wdrożenia typu plug‑and‑play narażają firmę na utracone korzyści. Dopiero inwestycja w mapowanie pracy, ciągłe dostrajanie i RML obniża koszty operacyjne, ogranicza błędy i znacząco podnosi zwrot z inwestycji.
Prawdziwie skuteczna strategia AI musi więc obejmować stałe doskonalenie systemów w oparciu o najbardziej wartościowe źródło wiedzy. Czyli to, jak ludzie naprawdę wykonują swoją pracę.
