Kupiliśmy AI. Co dalej?

Zdanie „nie korzystam z AI” niewiele wyjaśnia. Jedna osoba nie widzi zastosowania w swoich zadaniach. Druga nie wie, jakie dane może przekazać. Trzecia sprawdziła narzędzie i po doliczeniu poprawek nie zauważyła korzyści. Każda z nich potrzebuje innej odpowiedzi.

Nie przypisywałbym ludziom stałych etykiet entuzjastów i przeciwników. Ktoś może chętnie przygotowywać z AI szkic prezentacji, a jednocześnie zasadnie kwestionować jego użycie w procesie wymagającym wysokiej dokładności. Wątpliwość bywa wskazówką, co trzeba poprawić przed dalszym wdrożeniem.

Jeżeli zespół nie ma czasu na próby, przełożony powinien ustalić priorytet i zakres eksperymentu. Jeżeli przeszkodą jest poufność danych, potrzebna jest decyzja o dopuszczonym sposobie pracy. Zachęta do „większej otwartości” nie zastąpi żadnej z tych decyzji.

Zarząd powinien określić oczekiwany efekt i ramy inwestycji. Właściciel procesu biznesowego ustala, co ma działać lepiej, jakie wyniki uzna za wystarczające i jak zmieni pracę zespołu. IT odpowiada za uzgodniony zakres techniczny: środowisko, dostęp, integracje i utrzymanie. Zasady dotyczące danych i ryzyka wymagają udziału odpowiednich osób, w tym bezpieczeństwa i innych funkcji zależnie od zastosowania.

Przełożony zespołu musi jeszcze zapewnić czas na naukę, ustalić sposób sprawdzania wyników i umożliwić zgłaszanie problemów. Pracownik nie powinien sam rozstrzygać, czy może przekazać dokument klienta ani kto przyjmie odpowiedzialność za błędną odpowiedź.

Takie rozdzielenie odpowiedzialności jest spójne z dobrowolnymi ramami NIST AI RMF 1.0: kierownictwo odpowiada za decyzje dotyczące ryzyka, a organizacja określa kontekst zastosowania, sposób oceny i działania zarządcze. To punkt odniesienia do organizacji pracy, nie certyfikat zgodności ani dowód zwrotu z inwestycji.

O wzajemnych obowiązkach biznesu i IT piszę szerzej w artykule 7 zmian w relacji IT z biznesem. Przy AI ta współpraca staje się bardzo konkretna: ktoś musi odebrać wynik i zdecydować, czy nadaje się do użycia.

Wybrałbym na początek ograniczone zastosowanie z dostępnym punktem odniesienia. Na przykład przygotowanie projektu odpowiedzi na powtarzalne zapytanie, na podstawie zatwierdzonych materiałów. To przykład sposobu zaplanowania próby, nie opis mojego wdrożenia.

Przed rozpoczęciem trzeba ustalić, kto sprawdzi odpowiedź, jakie błędy są niedopuszczalne i co dzieje się, gdy narzędzie nie potrafi pomóc. W tym przykładzie odpowiedź trafia do odbiorcy dopiero po weryfikacji przez uprawnioną osobę. Próba powinna obejmować także trudniejsze przypadki, zamiast ograniczać się do tych, które dobrze wypadają na prezentacji.

Zapisałbym wersję narzędzia, daty, zakres zadań i sposób doboru przypadków. Gdy wynik poprawi się po zmianie instrukcji albo źródeł, trzeba móc odtworzyć, co właściwie zostało porównane. Praktyczne zasady rozpoczęcia takiej pracy opisuję również w tekście AI w firmie bez chaosu.

Interesuje mnie czas całego zadania. Do przygotowania odpowiedzi trzeba doliczyć zebranie danych, sprawdzenie wyniku, poprawki i obsługę wyjątków. Kilka sekund generowania może wyglądać efektownie, ale dopiero pełny przebieg pokazuje wpływ na pracę.

Jakość wymaga równie precyzyjnej definicji. Jeżeli mierzymy odsetek odpowiedzi wymagających poprawy, zapisujemy liczbę takich odpowiedzi i liczbę wszystkich ocenionych przypadków. Osobno rejestrujemy błędy poważne. Średnia nie powinna ukrywać sytuacji, która mogłaby zaszkodzić klientowi lub firmie.

Porównanie przed i po ma sens przy zbliżonych rodzajach zadań, wymaganiach jakości i warunkach pracy. W małej próbie warto pokazać poszczególne obserwacje i rozrzut wyników. Gdy brakuje porównywalności, wniosek powinien pozostać ograniczony do tego, co rzeczywiście sprawdziliśmy.

Koszty obejmują licencje, integrację, przygotowanie danych, szkolenia, weryfikację i utrzymanie. Oddzielam wydatki pieniężne od wykorzystania czasu obecnego zespołu, aby nie policzyć tej samej pozycji dwa razy. Odzyskany czas to zdolność do wykonania innej pracy; oszczędnością pieniężną staje się dopiero przy wskazanym mechanizmie zmniejszenia wydatków. Tę różnicę rozwijam w artykule i kalkulatorze ROI wdrożenia AI.

Kryteria decyzji ustaliłbym przed próbą. Rozszerzenie zastosowania wymaga dowodów, że wynik spełnia uzgodnione wymagania, ludzie potrafią pracować w nowy sposób, a koszty i ryzyka są akceptowalne dla osób odpowiedzialnych za decyzję.

Jeżeli poprawa jest obiecująca, lecz próba mała albo niereprezentatywna, kolejnym krokiem może być dodatkowy test. Jeśli weryfikacja pochłania całą korzyść lub błędów nie udaje się ograniczyć do akceptowanego poziomu, warto zatrzymać to zastosowanie. Nie trzeba z tego powodu przekreślać innych możliwości AI.

Brak ustalonego właściciela, miary jakości lub zasad użycia danych pozostawia decyzję bez wystarczającej podstawy. Entuzjazm zespołu jest cenny, ale nie uzupełnia tych braków.

Udana próba nie zamyka odpowiedzialności lidera. Potrzebne są aktualne instrukcje, wsparcie użytkowników, obsługa wyjątków i okresowy przegląd efektu. Zmiana narzędzia, danych lub procesu może zmienić wynik. NIST w funkcji MEASURE wskazuje na ocenę przed wdrożeniem i monitorowanie w trakcie działania; dla generatywnej AI rozwija ten temat profil NIST AI 600-1 z 2024 roku.

Koszty dalszego użytkowania warto włączyć do zwykłego planowania IT. Model budżetu IT: plan, wykonanie i prognoza pomaga uporządkować tę stronę decyzji. Sam model budżetowy nie mierzy skuteczności AI — do tego nadal potrzebne są dane z procesu.

Wróćmy do pytania zarządu. Dobra odpowiedź powinna pokazać, co zmieniło się w wybranym procesie, w jakich warunkach to sprawdzono i kto odpowiada za dalszy wynik. Wtedy rozmowa o kolejnych licencjach ma już konkretną podstawę.

Przygotowałem kartę oceny zastosowania AI. Pomaga zapisać problem, odpowiedzialności, pomiar bazowy, zasady pracy z danymi, koszty i przesłanki decyzji. Zawiera pusty szablon oraz przykład hipotetyczny w PL/EN. Nie wylicza automatycznej oceny gotowości ani nie zastępuje oceny ryzyka właściwej dla zastosowania.

Wersję HTML możesz wypełnić lokalnie w przeglądarce, zapisać jako osobny plik z wpisanymi odpowiedziami albo wydrukować. Wersja Markdown nadaje się do dalszej redakcji we własnym środowisku dokumentacyjnym. Materiał jest bezpłatny i nie wymaga podania adresu e-mail.

To autorska propozycja postępowania dla liderów IT i właścicieli procesów. Scena otwierająca i przykład zastosowania są hipotetyczne. Tekst nie przytacza badania skuteczności wdrożenia ani wyników klienta.

Źródła ram postępowania: NIST AI RMF 1.0, 2023, funkcje GOVERN, MAP, MEASURE i MANAGE oraz NIST AI 600-1, Generative AI Profile, 26 lipca 2024. Sprawdzone 1 listopada 2026. Karta jest własnym opracowaniem, bez deklaracji certyfikacji lub pełnej zgodności z NIST.