AI w firmie nie przynosi efektów? Najczęściej nie zawodzi model, tylko dane i decyzje
70% firm deklaruje, że używa AI, a jednocześnie 80–90% nie widzi mierzalnego wpływu na produktywność ani zatrudnienie. Do tego top menedżerowie spędzają z AI średnio 1,5 godziny tygodniowo. Ten rozdźwięk nie bierze się z „magii” lub jej braku — bierze się z tego, że AI bardzo łatwo zamienia się w kolorową zabawkę, która przyspiesza… chaos.
Jeśli AI ma realnie podnosić zysk, zaczynam od podstaw: dane → interpretacja → decyzja → konsekwencja. Bez tego nawet najlepsze narzędzie będzie tylko kolejnym wykresem do slajdów.
Patrzenie na dane to nie to samo, co praca na danych
W wielu firmach dane są traktowane jak prognoza pogody w aplikacji: sprawdzam, widzę, zamykam. A potem i tak robię swoje.
Praca na danych zaczyna się dopiero wtedy, gdy po interpretacji pojawia się konkretna decyzja. Najbardziej „przyziemne”, ale najcenniejsze decyzje wyglądają tak:
- przesuwam budżet między kanałami,
- zatrzymuję kampanię, bo jest niedochodowa,
- wycofuję produkt/usługę, bo nie ma marży,
- inwestuję mocniej w to, co niesie najwyższy zysk.
Dane bez konsekwencji są ciekawostką. Dane z konsekwencją stają się paliwem do wzrostu — i dokładnie wtedy analityka zaczyna przekładać się na pieniądze.
Dlaczego AI „nie działa”: przyspieszasz bałagan zamiast wartości
Najczęstszy powód rozczarowania AI jest brutalnie prosty: firmy nie mają uporządkowanych danych i procesów, a potem „karmią” modele tym samym chaosem.
Jeśli w firmie nie ma:
- spójnych definicji metryk,
- jednej wersji prawdy dla KPI,
- jasnych warunków brzegowych,
to dołożenie AI nie rozwiązuje problemu. AI tylko przyspiesza generowanie błędnych wniosków.
Drugi błąd to spontaniczne użycie AI do rzeczy pobocznych: podsumowanie spotkania, poprawienie posta na LinkedInie, szybkie streszczenie. To bywa pomocne, ale rzadko dotyka sedna. Kluczowe pytanie brzmi: jak AI ma zwiększyć zysk firmy — a nie „gdzie jeszcze da się wkleić prompt”.
Trzeci błąd to oczekiwania: wdrożenie AI nie „rewolucjonizuje firmy w miesiąc”. Efekty pojawiają się stopniowo: od małych usprawnień, przez automatyzację fragmentów pracy, aż po procesy, gdzie analityk jest realnie odciążony i może robić rzeczy o większym wpływie.
AI jako partner analityczny, a nie wyrocznia
AI świetnie generuje hipotezy. I dokładnie tak trzeba je traktować: hipoteza → weryfikacja → decyzja człowieka.
Dobry przykład to analiza anomalii w danych sprzedażowych. AI potrafi wskazać „błąd” typu: „w lipcu sprzedano rekordową liczbę kaloszy przez 5 dni — niemożliwe”. Tyle że w realnym świecie „niemożliwe” bywa najbardziej logiczne: wystarczy bardzo deszczowy tydzień lipcowy i wzrost sprzedaży kaloszy staje się normalny.
To jest różnica między „wyplutą odpowiedzią” a rozumieniem kontekstu biznesowego. AI kontekstu nie ma. Człowiek ma — i dlatego:
- AI może sugerować,
- AI może przyspieszać,
- AI nie powinno podejmować decyzji ani brać odpowiedzialności.
Dobrze działa tu analogia do nowego pracownika: przychodzi ze świeżą głową, ale nie wie, że coś było już testowane i nie zadziałało, albo że dla klientów liczy się coś, czego nie widać w tabeli.
Kiedy agent „dostaje za dużo”: ograniczenia kontekstu i świeżości danych
W automatyzacji AI jest jeszcze jedna mina: ograniczenie kontekstu. Z pozoru wszystko działa pięknie na małym pliku CSV czy Excelu, a potem wpada prawdziwy świat.
Jest świetna historia z narzędziem typu agent (open source, automatyzujące działania), którego użyła security researcherka z Meta. Poprosiła, żeby agent przejrzał inbox i zasugerował porządki — z jasną instrukcją, żeby niczego nie usuwał. Po chwili agent zaczął kasować wiadomości „jak maniak”, a ona fizycznie odłączała kable, żeby go zatrzymać.
Mechanizm jest ważniejszy niż anegdota: gdy agent ładuje do kontekstu ogrom wiadomości, „przelewa się” i potrafi zgubić pierwotną instrukcję. W danych firmowych dzieje się to samo:
- kontekst jest zbyt duży,
- dokumentacja i „opis biznesu” starzeją się w dni,
- wymagania zmieniają się szybciej niż da się je opisać.
To dlatego próba „opisania agentowi całego biznesu” kończy się absurdem — analityk musiałby siedzieć i pisać tygodniami, a gdy skończy, część opisu byłaby już nieaktualna.
Brudne dane: case IoT i temperatura 255, która psuje wszystko
Jeśli miałbym wybrać jedną rzecz, która zabija automatyzację analiz, to jest nią jakość danych.
W systemach IoT potrafią spływać miliardy rekordów z sensorów. W takim środowisku wyszła kiedyś „najczęstsza temperatura wody w kotle”: 255. Doświadczeni ludzie z branży (po 30–40 lat w biznesie) mówili o wartościach typu 80–90°C — i mieli rację fizycznie. Tyle że dane pokazywały coś innego.
Dlaczego 255? Bo przy resecie urządzenie wysyłało wartości ustawione na binarne jedynki (11111111 = 255). Resety były częste, więc 255 stało się wartością dominującą. Jeśli policzysz średnią bez oczyszczenia — dostaniesz bzdury. Jeśli AI dostanie to bez kontekstu — też wyciągnie bzdury, tylko szybciej i pewniej.
Wniosek jest prosty: zaufanie do automatyzacji zaczyna się od zaufania do danych, a to oznacza procesy jakościowe, a nie tylko „podpięcie modelu”.
Mała firma (30 osób) i „coś się rozjeżdża”: od jakich pytań zacząć
W firmie usługowej, gdzie dane są „z mety”, z Instagrama, z reklam i podstawowej sprzedaży, zaczynam od dwóch ścieżek. Obie są proste, ale działają.
1) Follow the money — na czym naprawdę zarabiasz
Najpierw finanse:
- na czym firma zarabia (usługi/produkty),
- które mają najwyższą marżę,
- które robią duży obrót, ale niską marżę,
- ile kosztuje pozyskanie klienta (CAC).
Jeśli marży nikt nie liczy — liczy się ją „ręcznie”: koszty danej usługi vs przychód z tej usługi. To szybko zmienia sposób myślenia, bo decyzje zaczynają dotykać zysku, a nie tylko ruchu czy „ładnych wykresów”.
2) Dane niefinansowe — bezpieczniejszy poligon
Tu wchodzą rzeczy mniej krytyczne, więc łatwiej zacząć:
- liczba leadów tygodniowo/miesięcznie z kanałów,
- konwersja do sprzedaży (czy lead kupuje, czy tylko „wchodzi i znika”),
- segmenty klientów, które realnie kupują.
Widziałem sytuacje, gdzie firma ma tysiące leadów miesięcznie, a one po prostu „leżą”. Skoro tak, to pytanie nie brzmi „jak zwiększyć liczbę leadów”, tylko co robimy z tymi, które już są.
Segmentacja potrafi być banalna i skuteczna: np. w sprzedaży ubrań/kosmetyków często świetnie działa segment kobiety 19–25, a klikający, niekupujący segment (np. mężczyźni 40–45) potrafi tylko przepalać budżet — zależnie od branży i oferty.
Kultura decyzji z AI: właściciel rekomendacji i „adwokat diabła”
Żeby AI było bezpiecznym partnerem, a nie wyrocznią, w firmie muszą wejść dwa rytuały.
1) Właścicielem rekomendacji zawsze jest człowiek
To człowiek ponosi konsekwencje: finansowe, operacyjne, prawne. AI nie ponosi.
2) Potrzebujesz „adwokata diabła”
Jeśli AI (albo nawet analityk) mówi: „kampania ABC jest niedochodowa”, to ktoś ma obowiązek przejść wstecz:
- dlaczego niedochodowa,
- jakie wskaźniki policzono,
- z jakich składowych,
- na jakich danych to stoi,
- gdzie mogą być błędy lub brak kontekstu.
I jeszcze jedno: nie ufa się średniej. Jeśli na jednym produkcie zarabiasz 3 zł, a na drugim 2000 zł, to średnia „około 1000” nie mówi, co sprzedawać ani gdzie inwestować. Średnia bywa komfortowa — i kompletnie bezużyteczna decyzyjnie.
Rola analityka w erze AI: mniej klikania, więcej biznesu
Stanowisko analityka już ewoluowało: kiedyś jedna osoba robiła ETL, modelowanie danych i raportowanie „od A do Z”, potem pojawili się data engineerowie i specjalizacje. Narzędzia się zmieniają (Excel, Power BI, Tableau, Qlik…), ale to tylko warstwa wykonawcza.
AI robi tu bardzo konkretną robotę: skraca czas „szukania jak to zrobić”. Kiedyś znalezienie sposobu na specyficzną funkcjonalność w Power BI (np. strzałka w górę przy wzroście miesiąc do miesiąca) potrafiło zająć dwa dni robocze: fora, YouTube, community, Stack Overflow, testy. Dziś model potrafi wygenerować instrukcję w kilkanaście sekund, a praca człowieka przesuwa się na wdrożenie, dopasowanie i kontrolę jakości.
Największa zmiana jest jednak miękka: najlepsi analitycy coraz częściej:
- rozmawiają z biznesem,
- zbierają wymagania,
- pytają „po co ci ten raport?” i „jaką decyzję podejmiesz?”.
To też chroni przed klasycznym błędem: dopieszczanie raportu do perfekcji (łącznie z liczeniem pikseli na kanwie), kiedy nikt nie sprawdził, czy raport w ogóle odpowiada na potrzebę. Stąd biorą się sytuacje, gdy ktoś buduje „super dashboard”, a odbiorca pyta: „możesz mi to zrobić w Excelu?” — bo rozwiązanie nie pasuje do sposobu pracy.
Wnioski, które robią różnicę (bez wielkich projektów)
- AI nie naprawi bałaganu w danych — przyspieszy go.
- Dane muszą prowadzić do decyzji i konsekwencji, inaczej są ozdobą.
- Kontekst biznesowy jest kluczowy: kalosze w lipcu mogą być prawdą, nie błędem.
- Jakość danych decyduje o sensie automatyzacji (przykład 255 z IoT).
- Adwokat diabła i analiza wsteczna chronią firmę przed „AI tak powiedziało”.
- Rola analityka przesuwa się w stronę komunikacji z biznesem i odpowiedzialności za rekomendację.
Jak to wdrożyć (kroki do zastosowania od zaraz)
- Wybierz 3 decyzje biznesowe, które chcesz podejmować na danych (np. stop/start kampanii, przesunięcie budżetu, priorytet usług).
- Do każdej decyzji dopisz 1–2 metryki, które mają ją wspierać (np. marża, CAC, konwersja lead→sprzedaż) i ustal jedną definicję KPI w firmie.
- Zrób szybki audyt danych: wypisz 5 najczęstszych źródeł błędu (braki, duplikaty, wartości domyślne/resetowe jak „255”, niespójne nazwy, różne okresy).
- Zacznij od podejścia follow the money: policz marżę na usługach/produktach, nawet jeśli na początku „w Excelu i ręcznie”.
- Równolegle zbuduj prosty lejek: lead (kanał) → kontakt → sprzedaż. Jeśli leady „leżą”, priorytetem jest proces, nie reklama.
- Używaj AI tam, gdzie daje natychmiastowy zwrot czasu: tworzenie szkiców raportów, propozycje miar/DAX, zapytania SQL/Python, podpowiedzi wizualizacji — ale zawsze kończ to weryfikacją na danych.
- Wprowadź rytuał „adwokata diabła”: każda rekomendacja z AI ma mieć krótką analizę wsteczną (z jakich danych, jak liczone, co może być błędem).
- Nie raportuj średnich bez kontekstu: pokazuj rozkład, segmenty i outliery (bo średnia potrafi kłamać).
- Ustal zasadę bezpieczeństwa: jakie dane wolno wklejać do narzędzi AI, a jakie muszą zostać w środowisku firmowym (legalnie i bezpiecznie).
- Po 2 tygodniach zrób przegląd: które decyzje faktycznie zostały podjęte na danych, a które utknęły na etapie „ładnego wykresu”. Usuń wszystko, co nie prowadzi do działania. Share on Share on Share on Share on