Prezentowany raport to ciekawa analiza, która potwierdza problem, który w dużych organizacjach widać od lat: AI nie zatrzymuje się zwykle na etapie pomysłu czy demo, problem zaczyna się później, w momencie wdrażania rozwiązań. Pokazanie działającego rozwiązania jest relatywnie proste, ale dużo trudniej sprawić, żeby funkcjonowało w wyznaczonym terminie dla kilku tysięcy użytkowników, było podpięte do istniejących systemów i miało jasno określone zasady odpowiedzialności.
Dane z raportu dobrze to pokazują. Ponad połowa firm korzysta z Copilota w jakiejś formie, ale całą organizację obejmuje mniej więcej co siódme wdrożenie. Nie jest to dla mnie szczególnie zaskakujące. Pilot w jednym departamencie można zrobić szybko. Przy większej skali pojawiają się dane, integracje, uprawnienia, bezpieczeństwo, monitoring, ryzyko, compliance, ale także pytanie, kto odpowiada, gdy rozwiązanie się pomyli.
Zapisz się na newsletter BGR. Otrzymuj najlepsze informacje i porady, a także zaproszenia na eventy.
Klikając „Zapisz mnie”, potwierdzasz, że przeczytałeś i zgadzasz się z naszą Polityką prywatności.
Dlatego też nie dziwi mnie, że główne bariery są związane bardziej z ludźmi i danymi niż z samą technologią. Narzędzi jest dziś dużo. Problemem jest raczej wpięcie ich w działającą organizację.
Ciekawy jest wynik mówiący o około trzech odzyskanych godzinach tygodniowo. Brzmi bardzo dobrze, ale z perspektywy firmy od razu pojawia się pytanie: co się z tymi trzema godzinami dzieje?
Dlatego bardziej zwróciłem uwagę na inną liczbę: 57,3% firm nie mierzy ROI albo nie ma ustalonej metodologii. To moim zdaniem jeden z większych problemów przy skalowaniu AI. Metryka powinna pojawić się na początku projektu, nie po jego wdrożeniu.
W praktyce warto wcześnie odpowiedzieć na kilka prostych pytań: kto jest właścicielem procesu, co konkretnie chcemy poprawić, jak zmierzymy efekt, skąd bierzemy dane, kto akceptuje wynik i co robimy, kiedy model popełni błąd.
Nic szczególnie odkrywczego. Ale właśnie te pytania bardzo szybko pokazują różnicę między use case’em, który dobrze wygląda na prezentacji a rozwiązaniem, które naprawdę ma szansę wejść na produkcję.
Dalsza część pod materiałem wideo:
Podobnie patrzę na kompetencje. W badaniu wysoko pojawiają się myślenie krytyczne i umiejętność oceny jakości odpowiedzi generowanych przez AI. I moim zdaniem to jest znacznie ważniejsze niż nauczenie pracowników kolejnych funkcji Copilota czy ChatGPT.
Szkolenie z narzędzia da się zrobić w kilka godzin. Dużo trudniej zmienić sposób pracy ludzi: nauczyć ich, kiedy odpowiedzi AI można zaufać, kiedy trzeba ją sprawdzić i kiedy w ogóle nie należy na jej podstawie podejmować decyzji.
Osobno traktowałbym agentów AI. Raport pokazuje, że delegowanie im zadań jest nadal jednym z mniej rozwiniętych sposobów korzystania z AI. Nie uważam, żeby to było coś złego.
Agent podsumowujący dokument to jedno. Agent, który ma dostęp do systemów, danych klientów albo może samodzielnie wykonać operację, to już zupełnie inny poziom ryzyka. Wtedy trzeba jasno określić jego uprawnienia, sposób kontroli i odpowiedzialność za to, co zrobi. Szczególnie w sektorach regulowanych nie da się tego sensownie skalować wyłącznie na podstawie ogólnych polityk IT.
Najbardziej zainteresował mnie jednak inny fragment raportu: tylko około jedna czwarta firm świadomie buduje własną wiedzę organizacyjną jako element swoich rozwiązań AI.
Moim zdaniem właśnie tutaj w dłuższym terminie będzie powstawała przewaga.
Dostęp do dobrych modeli będzie miała praktycznie każda duża firma. Sam zakup licencji trudno więc traktować jako coś, co odróżni organizację od konkurencji. Znacznie trudniej skopiować własne dane, uporządkowaną dokumentację, wiedzę ekspertów, dobrze opisane procesy i kontekst, w którym firma działa.
Dlatego coraz mniej przekonuje mnie patrzenie na skalę AI przede wszystkim przez liczbę licencji czy użytkowników. Są potrzebne wskaźniki adopcji, ale nie odpowiadają na najważniejsze pytanie: czy firma rzeczywiście zaczęła działać inaczej? Dużo ciekawsze jest dla mnie to, ile procesów dzięki AI faktycznie zmieniliśmy — skróciliśmy, zautomatyzowaliśmy albo zaprojektowaliśmy od nowa.
Raport pokazuje też ciekawą różnicę między polskimi a globalnymi użytkownikami. W Polsce częściej traktujemy odpowiedź modelu jako gotowy wynik, a rzadziej jako materiał do dalszej pracy. W instytucji finansowej ma to szczególne znaczenie. AI może przygotować analizę, rekomendację czy projekt decyzji, ale odpowiedzialności za ocenę wyniku nie można razem z tym zadaniem oddać modelowi.
Dla mnie granica między eksperymentem a rzeczywistym wdrożeniem jest więc dość prosta. Pojawia się właściciel procesu, konkretna metryka i odpowiedzialność za działanie rozwiązania.
Dopiero wtedy AI przestaje być kolejnym pilotem i zaczyna być częścią normalnego działania firmy.
Karol Tajduś – chief AI Officer i dyrektor Departamentu Transformacji AI w Banku Pekao S.A. Odpowiada za strategię AI oraz wdrażanie rozwiązań sztucznej inteligencji w skali całej organizacji. Specjalizuje się w przekładaniu AI na realne procesy, produkty i efekty biznesowe oraz w przeprowadzaniu organizacji od eksperymentów i pilotaży do rozwiązań działających na produkcji.
