Pułapka ambicji w AI. Jak nie mylić osobistej produktywności z transformacją biznesu

W rozmowach o sztucznej inteligencji, zgodnie z wykresem Gartner Hype Cycle, ton ciągle się zmienia. Jeszcze rok temu samo uruchomienie pilotażu wystarczało jako dowód innowacyjności. Firmy zainwestowały w Copilota, chatbota, proof of concept. Dziś to za mało.

Po pierwszej fali fascynacji zamiast: „Co jeszcze potrafi AI?”, coraz częściej słyszymy: „Ile to nam faktycznie dało?”. To dobre pytanie, ale zwykle zadawane za późno.

Na podstawie doświadczenia, jakie zdobyłem w ramach współpracy z naszymi klientami, przekonałem się, że problem z ROI w AI rzadko zaczyna się od liczenia efektów.

Pojawia się znacznie wcześniej:

• przy wyborze problemu,
• przy braku właściciela,
• przy braku lub przy niejasnym procesie,
• przy decyzjach odkładanych na „po pilotażu”.

W wielu firmach AI nie tyle nie dowozi wartości, ile bardzo precyzyjnie unaocznia, że organizacja nie ma mechanizmu zamieniania pomysłów w działające zmiany.

AI nie obnaża słabości technologicznych. Obnaża słabość organizacyjnego układu nerwowego.

Kto podejmuje decyzję? Kto bierze odpowiedzialność za wynik? Kto zatrzymuje inicjatywę, która wygląda atrakcyjnie, ale nie ma żadnej wartości? Kto ma prawo fundamentalnie zmieniać procesy, a nie tylko „doklejać” do nich nowe narzędzie?

W organizacjach, w których te pytania pozostają niewygodne, AI będzie generować więcej aktywności niż wymiernych efektów.

Teatr pilotaży

Jeszcze niedawno samo uruchomienie inicjatywy AI było traktowane jak dowód nowoczesności. Liczne warsztaty i sesje w poszukiwania miejsc, gdzie można by użyć AI, wykupione licencje i ludzie sprawdzający możliwości agentów. Tyle wystarczało, żeby stworzyć wrażenie gorączkowego ruchu.

Tylko, że sam ruch nie oznacza jeszcze postępu.

Duże organizacje wkraczają w nową erę GenAI ze starymi problemami i wpadają w znane pułapki. Zadziwiająco łatwo pomylić energię z wartością. Kalendarz jest pełny, roadmapa wygląda ambitnie, w każdym dziale organizowane są inicjatywy AI, a potem przychodzi proste pytanie: Co się realnie zmieniło? Czy skróciliśmy „lead time”, obniżyliśmy koszty, przyspieszyliśmy codzienną pracę użytkowników, zmieniliśmy model biznesowy?

Wiele inicjatyw AI kończy się gdzieś między obietnicą a wdrożeniem dlatego, że nikt nie przygotował organizacji na konsekwencje działania modelu – i to wcale nie dlatego, że model nie działa.

Najbardziej „nieudane” pilotaże AI to takie, których w ogóle nie powinniśmy robić i takie, nad którymi pracę przerwaliśmy zbyt późno. Lub takie, które nie mają żadnego wpływu na działanie organizacji.

AI zatrzymuje się tam, gdzie kończy się ownership

W wielu inicjatywach pęknięcie widać już na starcie. IT odpowiada za technologię. Biznes „dostarcza wymagania”. Security stawia warunki. Liderzy oczekują efektów. Użytkownicy mają „adaptować rozwiązanie”.

Brzmi bardzo rozsądnie. W praktyce jednak często oznacza, że wszyscy są zaangażowani, ale tak naprawdę nikt nie jest właścicielem wartości.

Właściciel technologii pilnuje, żeby rozwiązanie działało. Właściciel procesu pilnuje, żeby praca przepływała sprawniej. Ale to właściciel wartości pilnuje, żeby zmienił się wynik całego przedsięwzięcia. Bez tej ostatniej roli nowe zastosowanie AI staje się eleganckim dodatkiem do starego sposobu pracy, który niweczy potencjał zmian.

Ten problem często pojawia się wraz z pierwszym pytaniem: „Gdzie możemy użyć AI?”. Na pozór brzmi ono niewinnie, ale uruchamia myślenie narzędziowe. Skłania do szukania miejsca dla technologii, zamiast zacząć od nazwania problemu, który zasługuje na rozwiązanie.

Lepsze pytanie – mniej efektowne, ale znacznie bardziej użyteczne – brzmi: Który problem pojawia się wystarczająco często, jest wystarczająco kosztowny i mierzalny, żeby warto było zmienić sposób pracy?

Nie rozmawiamy wtedy o tym, „Czy da się zbudować chatbota?”, tylko dyskutujemy o tym, „Ile godzin eksperci tracą na powtarzalne odpowiedzi?”. Nie rozmawiamy o tym, „Czy AI może pisać teksty?”. Rozmawiamy o tym, „Gdzie w procesie komunikacji powstają opóźnienia i dlaczego nikt nie ma aktualnego kontekstu?”.

AI nie służy do naprawiania niejasnego procesu, ale trzeba też pamiętać, że źle wdrożone AI nie usuwa pierwotnego problemu – sprawia tylko, że jego skutki pojawiają się szybciej i na większą skalę. Nieumiejętne wdrożenie AI często prowadzi do szybszej produkcji konsekwencji oryginalnego problemu. Jeżeli decyzje są rozmyte, AI nie stworzy odpowiedzialności. Jeżeli dane żyją w silosach, model będzie pracował na fragmentach rzeczywistości. Jeżeli użytkownicy nie rozumieją zmiany, rozwiązanie pozostanie w obszarze ciekawostek.

Shadow AI jako mapa frustracji

W wielu firmach oficjalna strategia AI dopiero powstaje. Polityki „się tworzą”. Governance jest „w trakcie doprecyzowania”. Lista narzędzi czeka na akceptację. Tymczasem na co dzień, choć „w cieniu”, pracownicy rozpoczęli już rewolucję AI.

Piszą maile, streszczają dokumenty, porządkują notatki, analizują dane, tłumaczą teksty i obchodzą wąskie gardła – słowem ułatwiają sobie pracę. Często robią to poza oficjalnym procesem, co często wynika z faktu, że organizacja nie dostarczyła im lepszego sposobu pracy.

Shadow AI można opisać językiem ryzyka: dane, zgodność, halucynacje, brak kontroli, niepewna jakość. I bez wątpienia to wszystko prawda. Ale jeśli zatrzymamy się tylko na tym, przegapimy ważniejszy i bardzo przydatny sygnał.

Shadow AI jest nieformalną mapą frustracji organizacyjnej. Pokazuje, gdzie ludzie mają za dużo ręcznej pracy, gdzie wiedza jest zablokowana, gdzie proces jest wolniejszy niż zdrowy rozsądek i gdzie oficjalne systemy nie nadążają za realnym tempem pracy.

Najprostsza próba rozwiązania tego problemu, czyli „zakaz AI”, bez dania alternatywy, zwykle produkuje dwa efekty: oficjalną zgodność i nieoficjalne obchodzenie zasad. Dojrzałe podejście do Shadow AI polega na przekierowaniu tej energii do bezpiecznych środowisk, jasnych zasad i konkretnych przypadków użycia.

Inaczej organizacja będzie miała dwie transformacje AI. Jedną na slajdach. Drugą w przeglądarkach pracowników.

Trzy poziomy ambicji, czyli „Ambition is all you need”

Żeby dobrze ukierunkować energię wewnątrz organizacji, warto zacząć myślenie od zdefiniowania naszej ambicji w zakresie AI. Proponuję podzielić ambicję AI na 3 poziomy:

• Pierwszy poziom to enhancement: AI pomaga pojedynczym osobom pracować szybciej lub lepiej. Pisanie, streszczanie, analiza treści, przygotowanie notatek, wyszukiwanie informacji. Proces zostaje ten sam. Zmienia się produktywność jednostki. To dobry start, ale słaby fundament do wielkich obietnic.
• Drugi poziom to automation: AI wchodzi w workflow. Klasyfikuje zgłoszenia, analizuje dokumenty, podpowiada decyzje, monitoruje wyjątki. Tu potencjał wartości jest większy, bo dotykamy przepływu pracy. Rośnie też ryzyko. Automatyzacja złego procesu nie czyni go dobrym. Czyni go tylko szybszym.
• Trzeci poziom to rethink: AI zmienia sposób dostarczania wartości. Przeprojektowuje strumień wartości, model obsługi klienta albo logikę podejmowania decyzji. Tu nie wystarczy kupić narzędzia. Trzeba zmienić role, odpowiedzialności, metryki, dane oraz sposób zarządzania zmianą.

Najwięcej rozczarowań bierze się z dysonansu i różnicy perspektyw: Firma wdraża enhancement, komunikuje automation, a zarząd oczekuje rethink.

Dlatego przed wyborem technologii warto zadać bardzo konkretne pytanie: Jaką ambicję AI mamy w tym jednym procesie, w tej części organizacji, dla tej grupy użytkowników? Nie w strategii. Nie na plakacie. W codziennej pracy.

Model jest najmniejszą częścią problemu

Rozmowy o AI zbyt często zaczynają się od modeli, ale to zagadnienie nie wyczerpuje całej jego złożoności.

Warto zastosować zasadę 10-20-70. Zasada ta dobrze opisuje, jak powinniśmy myśleć o budowaniu solidnych podstaw do efektywnego wdrażania AI. Około 10% to modele i algorytmy – czyli to, o czym wszyscy mówią i do czego dążą. Kolejne 20% to dane i technologia: dostępność, jakość, bezpieczeństwo, integracje, uprawnienia – to podstawa dla modeli i algorytmów.

Największa część – 70% – to ludzie, procesy i sposób pracy. Adopcja. Ownership. Decyzje. Mierniki. Governance. Zmiana workflow. Utrzymanie jakości. Odpowiedzialność za wynik. To solidny fundament dla efektywnej zmiany organizacji.

Największym błędem w AI jest przecenienie inteligencji modelu i niedoszacowanie bezwładu organizacji. Nawet najlepsze techniczne rozwiązanie i narzędzie nie przyniesie żadnych korzyści, jeśli nikt ich nie będzie używał. Adopcja to tylko jeden z nietechnicznych aspektów, które należy brać pod uwagę, a który często bywa pomijany.

Przypadków użycia AI się nie wymyśla. Przypadki użycia się odkrywa

Warsztaty AI często kończą się listą pomysłów, co stanowi najłatwiejszy rezultat, żeby udowodnić zasadność poświęconego czasu. Wystarczy kilka osób, trochę inspiracji i po dwóch godzinach mamy kilkadziesiąt zastosowań AI. Trudność polega na tym, że nie konwertują się one na konkretne inicjatywy i wdrożenia.

Dojrzałe AI discovery nie powinno stawiać na pierwszym miejscu technologii, lecz właśnie to, co najczęściej nazywamy dostarczaniem wartości. Warto sprawdzić, gdzie występują przestoje. Gdzie między systemami są kopiowane dane? Gdzie decyzja zależy od jednej osoby? Gdzie w procesie występują wąskie gardła? Gdzie eksperci odpowiadają setny raz na to samo pytanie? Gdzie proces skaluje się wyłącznie poprzez dołączanie kolejnych osób?

To są właśnie te miejsca, którym warto przyjrzeć się bliżej i sprawdzić, czy AI nie mogłoby tutaj pomóc. Często są to „nisko wiszące owoce”, które mają potencjał do uzyskania szybkich i wymiernych korzyści.

Dobry przypadek użycia powinien przejść przez trzy filtry.

• Pierwszy: odkrywanie problemów. Mapowanie procesów, identyfikacja pain pointów i bolączek organizacji, miejsc utraty czasu, powtarzalnych zadań, opóźnień i problemów z dostępem do informacji.„Chcemy używać AI w marketingu” – to nie problem. „Zespół traci kilka godzin tygodniowo na analizę feedbacku i przygotowanie wariantów komunikacji” – to już materiał do rozmowy.
• Drugi: ocena wykonalności. Tutaj sprawdzamy, czy pomysł da się realnie wdrożyć: Czy są dane, jaka jest ich jakość, jaka jest złożoność techniczna, jakie są ograniczenia integracyjne, bezpieczeństwa, compliance i organizacyjne.
• Trzeci: ocena wpływu biznesowego. Czyli pytanie, czy use case jest wart realizacji: Czy oszczędza czas, redukuje koszt, poprawia jakość, skaluje się, występuje często i czy użytkownicy będą chcieli z niego korzystać.

Wartość bez wykonalności daje frustrację. Wykonalność bez wartości daje efektowne demonstracje. Jedno i drugie dobrze wyglądają na początku. Jedno i drugie źle kończą się podczas rozmowy o ROI.

Jak sprawdzić, czy AI naprawdę dowozi wartość

Jeżeli organizacja mierzy sukces AI liczbą pomysłów, warsztatów, licencji albo pilotaży, oznacza to, że mierzy aktywność. Nie wartość.

Realny pomiar powinien obejmować trzy obszary.

• Pierwszy to adopcja. Czy ludzie używają tego rozwiązania w codziennej pracy, czy tylko podczas testu? Jak często? Czy wracają do starych metod? Czy użycie rośnie, czy spada po pierwszym zainteresowaniu?
• Drugi to jakość. Czy wynik jest wystarczająco dobry, żeby można było na nim polegać? Ile wymaga korekty? Jak często pojawiają się błędy? Czy użytkownicy ufają rekomendacjom?
• Trzeci to wpływ biznesowy. Czy skracamy czas pracy? Czy zmniejszamy koszt? Czy zwiększamy przepustowość? Czy redukujemy liczbę błędów? Czy poprawiamy jakość obsługi, ryzyko, przychód albo satysfakcję klienta?

Bez tych trzech perspektyw można opowiadać historię o innowacji, ale nie sposób mówić o zmianach w organizacji.

AI-ready

Bardzo powszechnie gotowość wobec AI jest mylona z dostępem do narzędzi. Cała innowacja opiera się na wykupionych licencjach i ewentualnie na spisaniu polityk postępowania. Następnie ogłasza się, że jesteśmy już AI-ready i można ogłosić sukces.

Nie można.

O tym, że organizacja jest AI-ready, można mówić dopiero wtedy, gdy posiada zdolność regularnego odkrywania sensownych przypadków użycia, potrafi odrzucać słabe pomysły, przygotowywać dane, zarządzać ryzykiem, mierzyć wartość i skalować rozwiązania, które rzeczywiście zmieniają sposób pracy.

To bardziej przypomina zdolność mięśniową niż projekt. Zdolność, którą buduje się systemowo i skrupulatnie, poprzez powtarzalny mechanizm: od problemu, przez discovery, decyzję, pilotaż, metryki, wdrożenie, adopcję i utrzymanie.

Całą trudnością w dążeniu do bycia organizacją AI-ready jest fakt, że to dopiero początek, a dalsze kroki to ciągła modernizacja. Najnowsze osiągnięcia w obszarze sztucznej inteligencji są kolejnym rozdziałem transformacji cyfrowej. Stabilny wzrost i sukces osiągną te firmy, które będą w stanie skutecznie dostosowywać się do zmian otoczenia. Technologia obecnie bardzo dynamicznie zmienia naszą rzeczywistość i konieczne są dobre podstawy, żeby móc korzystać z nowych możliwości.

Sii x Tricentis

Jako największy partner Tricentis w Polsce, wdrażamy nowoczesne narzędzia low-code oparte na AI, które pozwalają automatyzować testy i redukować koszty.

Oferta Tricentis

Koniec eksperymentów AI?

Eksperymentowanie z AI nadal jest potrzebne. Bez niego organizacje nie nauczą się technologii ani nie odkryją wartościowych scenariuszy. Wielu zastosowań AI zapewne jeszcze nawet sobie nie wyobrażamy. Ale eksperyment nie może być alibi dla braku podjęcia decyzji.

W pierwszej fali AI wiele firm chciało pokazać, że coś robi. W kolejnej fali przewagę będą miały te, które potrafią pokazać, że faktycznie coś zmieniły.

Nie wygrają organizacje z największą liczbą pilotaży. Wygrają te, które mają najlepszy mechanizm zamiany problemów w mierzalne usprawnienia: od inspiracji do procesu, od procesu do odpowiedzialności, od odpowiedzialności do metryk, a od metryk do decyzji o skalowaniu albo zatrzymaniu.

Czas, kiedy chodziło o to, żeby udowodnić, że z AI coś jest możliwe, już minął.

Chodzi o to, żeby w oparciu o AI mieć odwagę zbudować realną przewagę.