Ile błędów generatywnej AI kosztuje cię brak strategii wdrożenia? #OcotenSzum

Wdrożenie generatywnej AI to nie jedno szkolenie ani polecenie: „od dziś pracujemy szybciej”. Modele językowe usprawniają procesy, ale nie rozumieją świata i popełniają błędy, a przy złym wdrożeniu osłabiają kompetencje pracowników, zamiast je wzmacniać. Rozmawiamy o tym, czym naprawdę są LLM-y, dlaczego wdrożenia AI kończą się porażką i jak korzystać z tych narzędzi bez oddawania im odpowiedzialności za decyzje.

Czytasz transkrypcję z odcinka videocastu „O co ten Szum?”, w którym gościliśmy dr. Iwa Zmyślonego. Jeśli chcesz posłuchać tego epizodu, zaobserwuj nas na YouTube lub Spotify.

Czym tak naprawdę jest generatywna AI?

Chciałbym, żebyśmy zaczęli od podstaw. Gdy ktoś w firmie mówi: „wdrażamy generatywną sztuczną inteligencję”, co to tak naprawdę oznacza? Co ma na myśli i czym właściwie jest to, co wdraża?

Często oznacza po prostu szkolenia. Firma organizuje 1–2 spotkania i zakłada, że dzięki temu natychmiast obniży koszty oraz przyspieszy pracę. Potem pojawia się frustracja, bo takie „wdrożenie” nie przynosi oczekiwanych efektów.

Najpierw trzeba zrozumieć, czym jest generatywna AI. W tej kwestii niewiele zmieniło się od kilku lat. Autorzy tacy jak Melanie Mitchell, Gary Marcus, Emily Bender czy Timnit Gebru już przed popularyzacją ChataGPT opisywali możliwości i ograniczenia tych systemów.

To nie jest wiedza, która pojawiła się razem z modą na chatboty. Ze studentami pracowaliśmy z modelami generatywnymi już w latach 2019–2020. Bartosz Frąckowiak kuratorował w 2022 r. wystawę pokazującą ich możliwości i ograniczenia. Dla osób śledzących temat mechanizm był więc znany, zanim ChatGPT stał się masowym produktem.

To przede wszystkim maszyny do kompresowania ogromnych ilości danych. Dane są zapisywane w postaci embeddingów i wektorów, a model wyszukuje w nich korelacje, czyli wzorce. Następnie generuje teksty, obrazy lub wideo podobne do tego, co znajdowało się w danych treningowych.

LLM-y nie pojawiły się nagle w listopadzie 2022 r. Wtedy po prostu trafiły pod strzechy za sprawą ChatGPT 3.5. Razem z nimi wróciła jednak stara, licząca co najmniej pół wieku opowieść o syntetycznym mózgu, samoświadomości i superinteligencji. To spekulacje oparte na filozoficznych założeniach, a nie opis tego, co dzisiejsze modele faktycznie robią.

Te maszyny mają wiele wartościowych zastosowań. Trzeba jednak pamiętać, że są systemami statystycznymi: kompresują dane, odnajdują wzorce i generują treści podobne do tych wzorców. Nie mamy podstaw, by przypisywać im samoświadomość.

Wokół tej technologii powstał jednak potężny szum. Z dnia na dzień pojawili się komentatorzy mówiący o „nowym gatunku”, odczuwaniu bólu czy wolnej woli. Miliony odbiorców dostały opowieść, która pomieszała realne możliwości modeli z fantazjami o AGI. Dziś trzeba tę narrację demontować, bo na jej podstawie firmy podejmują konkretne decyzje.

No właśnie, skoro jest tak, jak mówisz, to de facto mówimy o działaniu probabilistycznym, prawda? O przewidywaniu, jakie tokeny powinny pojawić się po sobie?

Tak. Dobrą metaforą jest „stochastyczna papuga”: coś, co mówi bardzo sugestywnie, ale nie rozumie znaczenia swoich słów. Można też powiedzieć, że to autouzupełnianie na sterydach – podobne do podpowiedzi w telefonie, tylko działające na nieporównywalnie większą skalę.

Używam również określenia „statystyczne echo przyszłości”. Model jest użyteczny wtedy, gdy chcemy wygenerować coś podobnego do tego, co już było. Nie ma jednak dostępu do wiedzy spoza danych treningowych, chyba że pobierze dodatkowe informacje z sieci lub z podłączonej bazy.

Tryb agentowy może dołożyć do tego bieżące informacje z sieci, ale nie zmienia natury systemu. Model nadal generuje odpowiedź na podstawie tekstów, które znalazł i skompresował. Jeśli źródła są słabe, sprzeczne albo nie opisują interesującego nas zjawiska, system nie „zobaczy” rzeczywistości samodzielnie.

Stąd też biorą się duże podobieństwa między tekstami wygenerowanymi przez AI. Gdy wpiszemy prosty prompt w rodzaju „napisz artykuł na temat X”, pojawiają się te same generyczne sformułowania: „w dzisiejszym cyfrowym świecie”, „bez chaosu” i inne zwroty, po których coraz łatwiej rozpoznać tekst generatywnej AI.

Na jakość wpływa też ekonomia dostawców. Utrzymanie modeli kosztuje ogromne pieniądze, więc firmy optymalizują obciążenie i limity. Gdy użytkownik korzysta z bezpłatnego planu albo wyczerpie określoną pulę, może trafić na słabszy model lub mniej zasobny tryb. To kolejny powód, dla którego wynik nie jest stały ani w pełni przewidywalny.

To ma praktyczny skutek. 2 osoby mogą użyć „tego samego” chatbota i dostać różną jakość, bo jedna ma wersję płatną, druga trafiła na ograniczony model, a trzecia zużyła już część dostępnego kontekstu. Firmy powinny testować narzędzie AI w warunkach zbliżonych do realnej pracy, nie na pojedynczym pokazie sprzedażowym.

Z drugiej strony biznes często nie potrzebuje dzieła wybitnego. Wystarczy mu wynik „good enough”. Nie chodzi o to, żeby uznać AI za bezwartościowe. Problemem są nieadekwatne oczekiwania, nakręcane przez dostawców technologii i największe podcasty. Firmy uwierzyły, spróbowały, wydały pieniądze, a teraz pytają, gdzie jest zwrot z inwestycji. Często go nie ma, bo na początku obiecano im coś, czego te systemy nie potrafią zapewnić.

Niektóre organizacje dosłownie „wdrożyły AI” przez zakup licencji i 2 szkolenia. Potem okazało się, że pracownicy nie wiedzą, do czego narzędzie ma służyć, menedżerowie nie ustalili kryteriów sukcesu, a nikt nie policzył kosztu weryfikowania błędnych odpowiedzi. To nie jest problem jednego promptu, tylko całego modelu zarządzania zmianą.

Dlaczego wdrożenia generatywnej AI w firmach zawodzą?

Porozmawiajmy więc o wdrożeniach. Gdy ludzie zaczynają myśleć o pracy z AI, zwykle pytają: co zautomatyzować, co przyspieszyć, co zastąpić albo kogo zastąpić? A może właśnie nie tędy droga?

To myślenie jest zrozumiałe, bo tak przez dekady uczono zarządzania: robić to samo szybciej i taniej. Dostawcy rozwiązań opartych na LLM-ach dobrze znają te oczekiwania. Sprzedają więc wizję narzędzia, które obniży koszty, skróci procesy i pozwoli zwolnić część zespołu. To jest prymitywna narracja, ale to sprzedaje.

Tę opowieść wzmacnia marketing big techów – OpenAI, Google’a, Anthropica i innych dostawców – a później powtarzają ją liderzy opinii. Obietnica jest prosta: „wdrożymy AI, będziecie szybsi, bogatsi i mniej zależni od ludzi”. Tyle że organizacja nie działa jak fabryka, w której wystarczy podmienić jeden element maszyny.

Tymczasem dobrze opisane wdrożenia, na przykład w firmach takich jak IKEA czy Moderna, opierają się na innym założeniu. Celem nie jest samo cięcie kosztów, lecz danie ludziom narzędzia, z którym mogą bezpiecznie eksperymentować i usprawniać własną pracę.

To rozróżnienie jest ważne: firma może kupić technologię, ale nie wdrożyć nowego sposobu pracy. Licencja pojawia się w budżecie od razu. Zmiana kompetencji, zasad odpowiedzialności i procesów wymaga miesięcy, a czasem lat.

Trzeba też jasno powiedzieć: AI jest narzędziem, a nie partnerem, który bierze odpowiedzialność. Gdy akceptujesz regulamin usługi, odpowiedzialność za błędy pozostaje po twojej stronie. Jeśli wypuszczasz do klienta materiał zawierający halucynacje modelu, to ty odpowiadasz za skutki.

W odcinku z Paulą Skrzypecką rozmawialiśmy o tym, że w przypadku big techów zasada często brzmi: „korzyści są nasze, problemy są wasze”. I rzeczywiście – regulaminy zostawiają odpowiedzialność po stronie użytkownika.

Można tak to ująć. Dlatego nie lubię też słowa „współpraca” w odniesieniu do modelu. Współpraca zakłada drugą stronę, której można przypisać intencję, odpowiedzialność i zobowiązanie. Tutaj mamy usługę technologiczną. Możemy z nią iterować i tworzyć materiał, ale odpowiedzialność pozostaje po stronie człowieka.

Czyli samo szkolenie nie wystarczy?

Nie wystarczy nawet przy wdrożeniu nowego CRM-u, ERP-u czy SharePointa. Każda większa zmiana w organizacji wywołuje skutki, których nie da się w pełni przewidzieć. Dlatego wdrożenie jest eksperymentem, a nie jednorazowym wydarzeniem.

Nazywamy je skutkami emergentnymi. Pojawiają się dopiero wtedy, gdy nowe narzędzie spotyka się z realnymi zachowaniami ludzi, strukturą firmy, systemem premiowym i presją przełożonych. Nawet szkolenie z Excela nie kończy się na pokazaniu tabel przestawnych. Ludzie potrzebują czasu, bezpiecznego środowiska i konkretnych zadań, na których mogą ćwiczyć.

Dojrzałe firmy najpierw tłumaczą, jak system działa, jakie ma ograniczenia i gdzie pojawia się ryzyko halucynacji. Potem tworzą pracownikom warunki do testowania. To oni szukają zastosowań, które rzeczywiście pomagają im w pracy.

Taka edukacja neutralizuje też strach. Opowieści o superinteligencji sprawiają, że ludzie boją się utraty pracy, unikają narzędzia albo sabotują wdrożenie. Z drugiej strony pojawia się FOMO. Odpowiedzialne wdrożenie musi pracować z oboma zjawiskami, a nie udawać, że ich nie ma.

Dopiero potem można obserwować, gdzie pracownicy rzeczywiście oszczędzają czas, gdzie poprawia się jakość, a gdzie narzędzie tworzy dodatkową pracę. To pracownicy są najbliżej procesu i często lepiej niż zewnętrzny dostawca widzą, które zastosowanie ma sens.

W takim modelu sukces nie oznacza, że każdy używa AI codziennie. Czasem najlepszym wynikiem eksperymentu jest decyzja, że w danym procesie narzędzie nie daje przewagi albo koszt kontroli przewyższa oszczędność.

Jak korzystać z generatywnej AI i nie stracić własnych kompetencji?

Promujesz pracę z AI nie jako z wykonawcą zadań – narzędziem do generowania tekstów, grafik czy prezentacji – tylko jako z narzędziem, które ma uruchamiać wolniejsze, bardziej wymagające myślenie. Co dokładnie masz przez to na myśli? Jak taka praca wygląda i jakie korzyści może dawać?

Staram się tak pracować, choć im dłużej korzystam z tych technologii, tym większą zachowuję ostrożność. Jednym z powodów jest sykofancja, o której mówi się znacznie rzadziej niż o halucynacjach.

Modele są projektowane tak, żeby dopasowywać odpowiedzi do użytkownika i historii jego interakcji. To sprzedaje się jako personalizację. W praktyce sto osób może zadać to samo pytanie i dostać 100 różnych odpowiedzi – bardziej dopasowanych do ich przekonań niż do obiektywnego obrazu sytuacji.

W skrajnych przypadkach taka mechanika może wzmacniać uzależnienie, ruminacje czy zaburzenia poznawcze. Są menedżerowie, którzy nie potrafią już podjąć decyzji bez konsultacji z chatbotem. Dlatego trzeba rozumieć ograniczenia interfejsu i świadomie zarządzać własnym myśleniem.

Nie twierdzę, że każdy użytkownik skończy w takim miejscu. Chodzi o to, że model został zoptymalizowany pod utrzymanie interakcji i satysfakcję użytkownika. Jeśli ktoś oczekuje potwierdzenia własnej tezy, system często mu je dostarczy. W decyzjach biznesowych może to wzmacniać błędy, zamiast je korygować.

A co rozumiesz przez „myślenie wolne”?

To praca, w której naprawdę używamy swoich kompetencji, budujemy nowe połączenia i nie oddajemy całego wysiłku maszynie. Przeciwieństwem jest deskilling, czyli atrofia kompetencji.

W takim trybie człowiek nie pyta tylko: „daj mi odpowiedź”, ale sam stawia hipotezy, porównuje warianty, szuka brakujących danych i sprawdza założenia. AI może przyspieszyć fragment procesu, lecz nie przejmuje odpowiedzialności za tok rozumowania.

Znajoma wdrażająca AI w agencji reklamowej opowiadała mi o awarii inteligentnej wtyczki do Adobe. Po jednym dniu okazało się, że zespół nie potrafi bez niej pracować. To pokazuje ryzyko: co się stanie, gdy narzędzie przestanie działać, subskrypcja zdrożeje albo dostawca zmieni warunki?

Sama awaria nie była największym problemem. Najważniejsze było to, że zależność zdążyła powstać bardzo szybko i nikt wcześniej jej nie mierzył. Dopóki narzędzie działało, wszyscy widzieli wyłącznie przyspieszenie. Dopiero przerwa odsłoniła koszt utraconych umiejętności.

Żeby nie tracić suwerenności poznawczej, warto korzystać z AI przede wszystkim tam, gdzie jesteś ekspertem i umiesz wykonać zadanie bez niej. Od czasu do czasu trzeba też zrobić tę pracę „na piechotę”, żeby nie zatracić umiejętności.

Można to też nazwać bezpieczeństwem poznawczym. Chodzi o zdolność do samodzielnego oceniania informacji, utrzymania własnych kryteriów i rozpoznawania momentu, w którym narzędzie zaczyna sterować sposobem formułowania problemu. To szczególnie ważne dla osób podejmujących decyzje pod presją.

Dotyczy to szczególnie zadań, które budują warsztat: pisania, analizy, liczenia, projektowania argumentacji czy prowadzenia rozmów z klientami. Jeżeli zawsze zaczynasz od gotowego szkicu modelu, możesz przestać zauważać, które decyzje są naprawdę twoje, a które zostały podsunięte przez statystyczny wzorzec.

To zasada human in the loop – człowiek w pętli. W procesie musi pozostać ekspert, który potrafi ocenić wynik, poprawić go i zdobyć informacje spoza bazy modelu: od klientów, interesariuszy, zespołów czy rynku.

W marketingu i sprzedaży są to na przykład motywacje klienta, układ komitetu zakupowego, relacje między decydentami albo informacje o tym, dlaczego ktoś odrzucił ofertę. Tego często nie ma w dokumentach i w internecie. Trzeba zadzwonić, pojechać na spotkanie, obserwować i zadać dobre pytanie.

Dlatego człowiek w pętli nie może być wyłącznie operatorem, który klika „zatwierdź”. Musi mieć wiedzę pozwalającą rozpoznać błąd oraz odwagę, by odrzucić odpowiedź, nawet jeśli brzmi bardzo pewnie.

Czy obawa przed deskillingiem przez generatywną AI nie jest przesadzona?

Chcę wrócić do deskillingu, bo spodziewam się, że taki kontrargument może pojawić się w komentarzach. Mówisz o wtyczce, która przestaje działać, a ludzie bez niej nie potrafią pracować. Z drugiej strony jako cywilizacja już dziś nie umiemy wielu rzeczy, które potrafili nasi przodkowie. Technologia zawsze odbiera nam część dawnych umiejętności. Copywriterzy nie piszą już na kartce jak za czasów Davida Ogilvy’ego, tylko na laptopach – a laptop, komputer czy internet też mogą się zepsuć. Chciałbym, żebyś się z tym zmierzył, bo ostrzeganie przed deskillingiem może brzmieć trochę doomersko.

Różnica polega na tym, że ktoś, kto przeszedł drogę od kartki do komputera, potrafi wrócić do kartki. Jego mózg nauczył się wykonywać tę pracę bez cyfrowego wsparcia. Dlatego np. maturę nadal pisze się na kartce papieru.

Oczywiście powrót nie będzie wygodny. Człowiek przyzwyczajony do komputera pisze ręcznie wolniej, podobnie jak użytkownik kalkulatora wolniej liczy w pamięci. Nadal jednak ma podstawowy model zadania w głowie. Jeśli nigdy go nie zbudował, awaria narzędzia zostawia go bez punktu oparcia.

Nie dlatego, że papier jest moralnie lepszy od komputera. Chodzi o trening uwagi i pamięci roboczej. Kiedy zapisujesz argument własnymi słowami, nie możesz jednym kliknięciem wygenerować 5 wariantów i wybrać tego, który brzmi najmądrzej. Musisz przejść przez cały tok rozumowania.

Problem pojawia się wtedy, gdy człowiek od początku korzysta z narzędzia i nie ma do czego wrócić. W badaniach nad cyfrową demencją czy wtórnym analfabetyzmem widać, że kolejne pokolenia mogą nie rozwinąć kompetencji, które wcześniejsze pokolenia najpierw zdobyły, a dopiero później wsparły technologią.

Do tego dochodzi presja organizacyjna: „dostaliście AI, więc macie produkować szybciej”. Ludzie zaczynają zużywać tokeny na bzdury, by pokazać aktywność. Powstaje tak zwany workslop – materiał wygenerowany w kilka minut, który ktoś inny musi potem przez dwie godziny czyścić z błędów. Albo, co gorsza, przepycha go dalej do klienta.

To szczególnie niebezpieczne w pracy zespołowej. Jedna osoba „oszczędza” kilka godzin, ale przerzuca koszt na kolejną. W raportach, prezentacjach czy ofertach pojawia się dużo tekstu, który wygląda profesjonalnie, a nie niesie decyzji. Organizacja mierzy szybkość produkcji, nie mierzy zaś czasu potrzebnego na sprzątanie.

Z perspektywy firmy pojawia się jeszcze jedno pytanie: kto na końcu ma nasze kompetencje, know-how i dane? Czy zostają w organizacji, czy oddajemy je dostawcy zewnętrznego modelu?

Dokładnie. Jeśli wiedza zostaje w zespole, a pracownicy potrafią wykonać zadanie także bez narzędzia, ryzyko jest ograniczone. Jeśli jednak know-how i kluczowe dane trafiają do Anthropic, Google’a czy OpenAI, a firma zwalnia ludzi, którzy nauczyli system wykonywać daną pracę, uzależnia się od zewnętrznego dostawcy.

Do tego dochodzi ryzyko zmiany cen, warunków licencyjnych, dostępu do modelu albo polityki prywatności. Firma może z dnia na dzień zostać z procesem, którego nie potrafi wykonać samodzielnie. To już nie jest tylko kwestia produktywności, lecz odporności operacyjnej.

W szerszej skali chodzi o przejmowanie procesów i danych z bankowości, medycyny, edukacji, finansów czy wojskowości. Eksperci mogą dziś zarabiać na data annotation albo data labeling, czyli trenowaniu modeli własnymi umiejętnościami. Dostają za to atrakcyjną stawkę, ale firma sprzedaje później przejęte kompetencje wielokrotnie drożej.

Nie trzeba od razu przyjmować najbardziej katastroficznego scenariusza. Wystarczy zauważyć prostą zależność: im więcej procesów opieramy na jednym zewnętrznym modelu, tym więcej wiedzy o sposobie działania organizacji przekazujemy jego dostawcy i tym trudniej później zmienić technologię.

Z perspektywy pojedynczego eksperta oferta może wyglądać atrakcyjnie. Pytanie brzmi jednak, co dokładnie oddaje: próbkę pracy, prawo do wielokrotnego użycia, możliwość budowania cyfrowej kopii czy trwałą licencję bez udziału w przyszłych przychodach. Warto czytać te umowy jak umowy o własności intelektualnej, a nie jak jednorazowe zlecenie.

Sam regularnie dostaję na LinkedInie wiadomości z propozycją, żebym został „AI voice aktorem” i udzielił głosu do trenowania modeli. Nie zgodziłem się, bo nie widzę w tym proporcjonalnej korzyści: zarobiłbym może kilka tysięcy dolarów, a firma mogłaby monetyzować ten głos wielokrotnie. Oczywiście dużo zależy od konstrukcji umowy – gdy twórca dostaje procent od wykorzystania głosu, jak bywa w ElevenLabs, sytuacja wygląda inaczej.

To zawsze zależy od umowy. Jeśli twórca dostaje udział w przyszłych przychodach, sytuacja wygląda inaczej. Problem w tym, że prawo i praktyka kontraktowa nie nadążają za technologią.

Znajomy aktor dostał kilka lat temu propozycję pełnego skanu ciała i twarzy dla Netflixa. Umowa nie dawała mu jasnej odpowiedzi, jak firma będzie mogła wykorzystać ten materiał w przyszłości. Dziś na podstawie takich danych można tworzyć syntetyczne awatary, a zakres ich użycia może być znacznie szerszy, niż twórca zakładał przy podpisywaniu dokumentów.

Podobne propozycje dostają lektorzy i dziennikarze radiowi. Niektórzy decydują się na nie świadomie, zwłaszcza gdy model rozliczeń obejmuje udział w wykorzystaniu głosu. Inni wolą zachować kontrolę. Nie ma tu jednej odpowiedzi, ale musi być jasność co do praw i przyszłych scenariuszy.

Czy firmy wybierają generatywną AI nawet wtedy, gdy człowiek zrobi to lepiej?

W branży reklamowej widać dziś presję na materiały generowane przez AI. Zdarza się, że klient chce je mieć nawet wtedy, gdy produkcja z ludźmi byłaby tańsza i lepsza. Skąd bierze się takie podejście?

Takie sytuacje się zdarzają. Znajomy produkujący reklamy dla banków mówił klientowi wprost: „zrobię to lepiej i taniej z ludźmi”. Odpowiedź brzmiała: „ma być AI”. Trudno powiedzieć, czy wynika to z mody, presji zarządów czy potrzeby pokazania innowacyjności.

W efekcie część osób traci pracę nie dlatego, że AI faktycznie wykonuje ją lepiej, lecz dlatego, że klient chce materiał oznaczony jako „zrobiony przez AI”. To różnica między realną przewagą technologiczną a społeczną presją na symbol innowacyjności.

To widać w mediach, reklamie i produkcji filmowej. Technologia zbierania głosu, twarzy i ruchu rozwija się szybciej niż standardy wynagradzania oraz ochrony wykonawców. Firmy już dziś gromadzą materiał, który za kilka lat może posłużyć do znacznie szerszej automatyzacji.

Trzeba pamiętać, że generatywna AI to bardzo droga infrastruktura. Za prostym interfejsem stoją centra danych, procesory pracujące na pełnych obrotach, energia i chłodzenie. Mówimy o „chmurze”, choć fizycznie jest to ciężka, zasobożerna infrastruktura.

Użytkownik widzi pole tekstowe i kilka sekund oczekiwania. Nie widzi serwerowni, zapotrzebowania na energię, chłodzenia ani kosztów procesorów. Ta fizyczna warstwa ma znaczenie dla ceny, dostępności i trwałości usług.

Jakość modeli będzie się poprawiać, ale biznes często zadowala się wynikiem „good enough”. Pytanie brzmi więc nie tylko: „czy człowiek potrafi zrobić coś lepiej?”, lecz także: „czy klient jest gotów zapłacić za tę różnicę?”. Ręcznie szyte garnitury, buty czy winyle znalazły swoje nisze. Z pracą ekspercką może być podobnie.

Nie potrafimy dziś uczciwie przewidzieć, jak daleko pójdzie ten rozwój i jak zmieni się ekonomia generowania. Możemy natomiast oceniać obecne narzędzia przez koszt, jakość, ryzyko i przydatność w konkretnym procesie. Wdrożenia nie powinny być zakładem na mityczną przyszłą wersję modelu.

Możliwe, że koszt generowania gwałtownie spadnie. Możliwe też, że część usług pozostanie droga, bo wymaga ogromnej mocy obliczeniowej. Dla decyzji podejmowanej dziś nie ma znaczenia, co obiecuje prezentacja na 2030 r. Liczy się rachunek dla obecnego procesu.

Dlatego nie wystarczy powtarzać: „człowiek jest bardziej kreatywny”. Trzeba jeszcze znaleźć klienta, dla którego ta różnica ma wartość biznesową. W części rynku standardowa odpowiedź AI będzie wystarczająca. W części liczyć się będzie osąd, relacja, odpowiedzialność i wiedza niewidoczna w danych.

Na jednym ze szkoleń miałem klienta, który bardzo chciał generować materiały wideo. Zapytałem: po co, do czego chce ich użyć? Prowadzi hurtownię zamków błyskawicznych i chciał wygenerować film, na którym ktoś zapina bluzę, z bliskim ujęciem zamka. Pomyślałem wtedy, że przecież wystarczy założyć bluzę, wyjąć telefon, rozpiąć ją i zapiąć. 15 sekund. Generowanie oznaczałoby tylko ryzyko driftu, błędów fizyki, kolejnych poprawek itd. itp.

Dokładnie – weź telefon i to nagraj. Pamiętam tę historię, bo mi ją kiedyś opowiadałeś. Jeśli celem jest pokazanie działającego zamka, generowanie komplikuje proste zadanie. Najpierw trzeba zapytać, jaki problem naprawdę rozwiązujemy, a dopiero później wybierać narzędzie.

I to jest dobry test. Nie zaczynaj od pytania: „jak użyć AI?”, tylko: „jaki problem chcę rozwiązać?”. Jeśli telefon daje lepszy wynik szybciej i taniej, generowanie wideo nie ma sensu. Inaczej tracisz czas na poprawianie driftu, błędów fizyki i kolejnych wersji materiału.

Jak więc znaleźć się w grupie ludzi, których praca nadal będzie potrzebna? Co rozwijać, żeby AI przyspieszało mrówczą robotę, ale nie odbierało nam umiejętności samodzielnego myślenia?

Trzeba rozwijać i kultywować kompetencje, których LLM-y nie mają. Korzystać z AI do przyspieszania mrówczej pracy, ale nie oddawać jej samodzielnego myślenia.

W projektach badawczych z Pawłem Szczęsnym używamy systemów agentowych i LLM-ów do zadań, które potrafilibyśmy wykonać ręcznie, tylko zajęłoby to sto razy więcej czasu. Dzięki temu wiemy, czego oczekiwać, umiemy wychwycić błędy i nie przypisujemy modelowi zdolności, których nie ma.

Ta „mrówcza robota” obejmuje porządkowanie materiału, porównywanie wielu wariantów i wykonywanie powtarzalnych kroków. Model sprawdza się tam bardzo dobrze. Nie powierzamy mu jednak samodzielnego ustalania, co jest ważne naukowo i jak interpretować wynik.

Ryzyko rośnie, gdy laik traktuje model jak wyszukiwarkę lub wyrocznię: wrzuca zadanie, bierze odpowiedź i przekazuje ją dalej, bo „AI jest inteligentniejsze”. Ekspert widzi, gdzie wynik jest słaby, czy odpowiada kontekstowi i czy dla klienta rzeczywiście jest wystarczający.

W jednym z przywołanych badań badano około 1200 pracowników wykonujących zadania matematyczne i zadania z rozumienia tekstu. Gdy części uczestników bez uprzedzenia odebrano dostęp do AI, szybko spadała ich motywacja i zdolność do samodzielnej pracy. Najgorzej radziły sobie osoby, które traktowały model jak wyszukiwarkę i bezrefleksyjnie przyjmowały wynik.

W badaniu duża część uczestników – około 61% – korzystała z modelu właśnie w tym trybie: jak z Google’a, tylko z gotową odpowiedzią. To grupa najbardziej narażona na iluzję kompetencji, bo płynny wynik daje poczucie zrozumienia, którego w rzeczywistości może nie być.

Wyniki sugerowały, że efekt może pojawiać się bardzo szybko – już po krótkiej interakcji z narzędziem. Nie oznacza to, że 10 minut z chatbotem trwale „ogłupia” człowieka. Pokazuje raczej, jak łatwo mózg przełącza się z aktywnego rozwiązywania problemu na oczekiwanie podpowiedzi.

Badacze z Oksfordu, Uniwersytetu Kalifornijskiego i MIT obserwowali zadania matematyczne oraz rozumienie tekstu. W rozmowie przywołujemy ten wynik jako ostrzeżenie, nie jako prostą receptę. Różne zadania i różne sposoby użycia modelu mogą dawać inne efekty.

Inna grupa korzystała z narzędzia świadomie. Ci użytkownicy znali ograniczenia, potrafili wykonać zadanie bez modelu i traktowali odpowiedź jako materiał do dalszej pracy. To właśnie ta różnica – nie sam dostęp do AI – decydowała o ryzyku deskillingu.

Dlaczego LLM-y halucynują i brzmią tak przekonująco?

Na jednym webinarze robiłem mały eksperyment pokazujący, jak działa generatywność i skąd biorą się halucynacje. Pytałem ChatGPT: „kim jest fałdżej?”. Zadałem to samo pytanie 3–4 razy i za każdym razem dostawałem inną odpowiedź. Prawidłowa jest prosta: fałdżej to tatarski znachor.

No właśnie i wiesz to, bo jesteś ekspertem. Model nie ma wystarczających danych, ale zamiast powiedzieć „nie wiem”, generuje odpowiedź. Na szkoleniach robiliśmy podobny eksperyment z łamigłówką matematyczną, która celowo nie miała rozwiązania. Różne modele i tryby za każdym razem proponowały inne „rozwiązanie”.

Łamigłówka była zaprojektowana przez inżyniera tak, żeby odpowiedź nie istniała. Model jednak próbował ją znaleźć, zmieniał założenia i za każdym razem dochodził do innego wyniku. Dla uczestników było to bardziej przekonujące niż kolejna prezentacja o ryzyku halucynacji.

Dopiero wtedy wiele osób rozumie, na czym polega generowanie. Model nie odtwarza prawdy zapisanej w jakiejś ukrytej bazie. Losuje najbardziej prawdopodobny ciąg na podstawie wzorców. Sam termin „halucynacja” też antropomorfizuje maszynę. Trafniejsze byłoby powiedzenie, że system konfabuluje lub po prostu generuje błędny wynik.

Do tego dochodzi podobieństwo językowe. Gdy pytałem, kim jest fałdżej, model odpowiadał czasem, że to „kiepski DJ”, bo brzmi podobnie np. do „false DJ”. Skoro w internecie prawie nie ma informacji o tatarskich fałdżejach, model nie ma się na czym oprzeć i właśnie zaczyna działać probabilistycznie i generuje prawdopodobną odpowiedź.

Tak działa ta maszyna. Gdy informacji jest bardzo mało, rośnie znaczenie podobieństw językowych i statystycznych skojarzeń.

To ważne także na poziomie języka. Już sama nazwa „sztuczna inteligencja” sugeruje cechy umysłu. John McCarthy wcześniej mówił o „myślących automatach”, a później przyjął termin, który znacznie lepiej się sprzedawał. Podobnie działają słowa „halucynacja”, „pamięć” czy „temperatura”.

Antropomorfizacja jest wygodna marketingowo, bo łatwiej sprzedać „asystenta”, który „rozumie”, niż system statystyczny, który przelicza prawdopodobieństwa. Problem zaczyna się wtedy, gdy tę metaforę traktujemy dosłownie i budujemy na niej politykę firmy.

Jak używać generatywną AI do myślenia, a nie do unikania myślenia?

Wróćmy do praktyki: jak pracować z generatywną AI, żeby rzeczywiście coś z tego wyciągać? Promujesz podejście w stylu metody sokratejskiej – model nie ma od razu radzić i podawać gotowej odpowiedzi, tylko zadawać pytania, które zmuszają nas do myślenia i rozbijają utarte schematy. Jak to ustawić, żeby nie skończyło się na liście dziesięciu generycznych pytań?

Najpierw trzeba mieć odpowiednią postawę. Sama lista pytań niczego nie zmieni, jeśli użytkownik nie ma ciekawości, pokory intelektualnej, dociekliwości i gotowości do zawieszenia własnych przekonań. LLM nie wykona tej pracy za człowieka.

Może wygenerować dowolnie długą listę pytań, ale nie zmusi użytkownika do zatrzymania się. Jeśli człowiek chce tylko szybko domknąć zadanie, potraktuje pytania, jak przeszkodę i poprosi o gotową odpowiedź. Metoda sokratejska działa wtedy, gdy jest decyzją użytkownika, a nie ozdobą promptu.

Dlatego w dobrym prompcie warto ograniczyć tempo rozmowy. Jedno pytanie naraz daje przestrzeń na odpowiedź i pozwala modelowi dopasować kolejne pytanie do tego, co rzeczywiście napisałeś. Dziesięć pytań w jednym komunikacie zwykle kończy się powierzchownymi odpowiedziami.

Technicznie można poprosić model, żeby nie udzielał odpowiedzi, lecz prowadził rozmowę pytaniami. Warto dodać ograniczenie: zadawaj jedno pytanie naraz, wybierz trzy najważniejsze, drąż odpowiedzi, szukaj innych perspektyw. Dzięki temu interakcja bardziej przypomina rozmowę niż formularz z dziesięcioma punktami.

Trzeba jednak pamiętać o kontekście organizacyjnym. Jeśli przełożony rozlicza pracownika wyłącznie z szybkości, ten raczej nie będzie używał AI do pogłębionej refleksji. Wybierze skrót.

Czy do takiej pracy potrzebujemy zaawansowanej inżynierii promptów? Czy wystarczy dobrze opisać rolę, odbiorcę, cel i ograniczenia?

W większości codziennych zadań nie, coraz bardziej jestem zwolennikiem promptu „good enough”. Często używam jednego modelu do napisania promptu dla drugiego. Wystarczy dobrze określić rolę, odbiorcę, cel oraz ograniczenia.

Ograniczenia bywają ważniejsze niż rozbudowany opis roli. Warto napisać, czego model nie ma robić: nie wymyślaj źródeł, nie uzupełniaj braków domysłami, oddziel fakty od hipotez, wskaż niepewność. To nie daje 100% ochrony, ale poprawia higienę pracy.

Trzeba też pamiętać, że nie rozmawiamy z istotą. Programujemy maszynę, która ma wygenerować wynik z określonego rozkładu prawdopodobieństwa. Porównuję to do automatu z chwytakiem nad morzem: ustawiasz łapkę i kolejnymi próbami zwiększasz szansę, że wyciągniesz właściwą maskotkę.

W promptach warto zapisać: „jeśli brakuje danych, napisz: nie wiem” albo „jeśli źródła są sprzeczne, wskaż sprzeczność”. To nie wyeliminuje błędów, ale może je ograniczyć. Podobnie działa obniżanie temperatury – zmniejsza rozrzut odpowiedzi, lecz nie daje gwarancji prawdy.

W praktyce lepiej myśleć iteracyjnie. Pierwszy prompt nie jest „rozmową z geniuszem”, lecz ustawieniem parametrów zadania. Oceniasz wynik, doprecyzowujesz warunki, dodajesz brakujące dane i ponawiasz próbę. Dopiero po kilku iteracjach możesz dostać coś naprawdę użytecznego.

Do czego sam wykorzystujesz taki tryb pracy? W jakich zadaniach pytania modelu rzeczywiście pomagają ci myśleć, zamiast tylko szybciej produkować odpowiedzi?

Na przykład do krytycznego czytania własnego tekstu: proszę model, żeby znalazł słabe punkty, luki w argumentacji i alternatywne interpretacje. Można też zbudować stałego „syntetycznego Sokratesa” w trybie asystenta – jako GPT, Gem, projekt w Claude albo agent w Copilocie.

Nazwy różnią się między platformami, ale idea jest podobna: zapisujesz metaprompt, dołączasz materiały i wracasz do stałego sposobu pracy. Możesz mieć osobnego asystenta do tłumaczeń, krytycznej analizy, przygotowania pytań do klienta czy sprawdzania spójności dokumentu.

Taki stały asystent oszczędza czas, bo nie musisz za każdym razem odtwarzać instrukcji. Jednocześnie łatwo zapomnieć, że jego odpowiedzi nadal są probabilistyczne. Metaprompt porządkuje zachowanie, ale nie zamienia modelu w deterministyczne oprogramowanie.

Inne zastosowanie to red team. Tworzysz wirtualny zespół: dyrektora finansowego, szefa produkcji, utrzymania ruchu, marketingowca i sprzedawcę. Każda z tych ról analizuje projekt ze swojej perspektywy, a model generuje zapis dyskusji o ryzykach.

Nie należy traktować tej dyskusji jak prawdziwego posiedzenia zarządu. To sposób na wydobycie z modelu różnych zestawów wzorców i sprawdzenie, czego sam nie zauważyłeś. Ostateczna ocena nadal należy do ludzi, którzy znają firmę, budżet i realne ograniczenia projektu.

Jeżeli wszystkie role dostaną ogólny opis, model może wygenerować pięć podobnie brzmiących głosów. Im lepiej zdefiniujesz interesy, ograniczenia, kryteria i konflikty między rolami, tym większa szansa, że symulacja pokaże rzeczywiście różne punkty widzenia.

Czym są syntetyczne persony i kiedy mają sens?

Ten wirtualny zespół można rozwinąć w syntetyczne persony – rozmówców reprezentujących określone typy klientów albo pracowników. Co daje takie rozwiązanie i jak daleko można się w tym posunąć?

LLM jest ogromną bazą wzorców zapisanych w języku. Nie ma dostępu do rzeczywistości pozajęzykowej, ale w tekstach skompresowano mnóstwo informacji o ludziach: ich stylach komunikacji, rolach społecznych, wartościach, języku i zachowaniach.

Można metaforycznie powiedzieć, że zawiera fragment „zbiorowej jaźni”: profile osobowości, sposoby argumentacji, stereotypy i rejestry językowe. Trzeba jednak trzymać się słowa „metaforycznie”. Model nie ma zbiorowej świadomości – ma skompresowane ślady tego, jak ludzie pisali. To jest podejście, które zresztą podpatrzyłem u dr. Pawła Szczęsnego, wiem, że Ty też działasz z syntetycznymi personami.

Na tej podstawie można budować syntetycznych rozmówców – awatary pracowników, klientów lub grup docelowych. Z inżynierem Mariuszem Wziątkiem tworzymy takie rozwiązania do projektów szkoleniowych. Użytkownik skanuje kod QR i rozmawia w telefonie z modelem ograniczonym metapromptem, który definiuje zachowanie konkretnego profilu.

Możemy przygotować różne persony z pokolenia Z: lewicowe, prawicowe, sympatyzujące z Konfederacją, zaangażowane w aktywizm klimatyczny. Każda będzie reagowała inaczej. W ten sposób da się zbudować wirtualną grupę fokusową.

W praktyce nie chodzi o jedną rozmowę z „przeciętną zetką”, lecz o zestaw profili z różnymi motywacjami, doświadczeniami i językiem. Dopiero porównanie ich reakcji może odsłonić miejsca, w których komunikat jest niejasny albo trafia tylko do części odbiorców.

Taka grupa może też służyć szkoleniom. Handlowiec przećwiczy rozmowę z nieufnym dyrektorem finansowym, menedżer – trudny feedback z pracownikiem, a marketer – reakcje różnych odbiorców na kampanię. Bezpiecznie testuje warianty, zanim spotka się z człowiekiem.

Czy wyniki takiej syntetycznej grupy można traktować poważnie? Gdzie kończy się użyteczna symulacja, a zaczyna udawanie prawdziwego badania?

Pod warunkiem że dobrze ją zaprojektujesz, skalibrujesz i przetestujesz. Tu ważniejsza od samego promptowania staje się wiedza z psychologii, socjologii, badań i segmentacji. W części projektów wyniki wirtualnych i rzeczywistych grup fokusowych potrafią być do siebie bardzo podobne.

W przywoływanych przez nas testach zgodność sięgała ponad 90%, ale taką liczbę trzeba czytać w kontekście konkretnej metody i konkretnego zadania. Nie jest to dowód, że syntetyczna grupa zastąpi badania terenowe. Raczej sygnał, że może być użyteczna do wstępnego testowania hipotez, przygotowania scenariusza badania albo szybkiego porównania wariantów.

Dla wielu zastosowań to wystarczy, ale nie należy mylić symulacji z rzeczywistością. Model odtwarza wzorce z danych. Nie tworzy nowej wiedzy o świecie w taki sposób, w jaki może ją stworzyć badacz, który wychodzi w teren i zauważa coś, czego wcześniej nie opisano.

Może za to bardzo dobrze pomóc przed badaniem. Marketer z AI może przećwiczyć pytania, sprawdzić reakcje na różne wersje komunikatu i zobaczyć, gdzie język brzmi zbyt ekspercko. Potem idzie do prawdziwych ludzi z lepszym scenariuszem.

Sam stworzyłem syntetyczną personę młodej kobiety z pokolenia Z. Szybko zauważyłem jednak, że ogólna „zetka” jest zbyt szeroka. Tak jak mówiłeś: można mieć zetki lewicowe, prawicowe, związane z Konfederacją czy aktywizmem klimatycznym. Każda z tych osób będzie reagowała inaczej. Czyli jednym z podstawowych błędów jest zbudowanie persony zbyt ogólnej?

I to jest częsty błąd. Ogólna persona może brzmieć wiarygodnie, ale niewiele mówi o konkretnej grupie. Podobny problem przez lata dotyczył design thinking. Łatwo zrobić warsztat, wymyślić personę i nazwać to badaniem.

Dobre projektowanie zaczyna się od pracy „z nosem przy ziemi”: obserwacji, rozmów, etnografii i poznania kontekstu użytkownika. LLM może przyspieszyć analizę tekstów, raportów czy desk research, ale nie znajdzie za ciebie thick data – „tłustych danych”, słabych sygnałów i informacji, których nie ma jeszcze w internecie.

To właśnie tam powstają rzeczywiście nowe insighty. W raporcie znajdziesz to, co już ktoś opisał. W rozmowie z klientem możesz zauważyć sprzeczność między deklaracją a zachowaniem, nieformalną rolę jednej osoby w komitecie zakupowym albo obawę, której nikt wcześniej nie nazwał.

Jeżeli segmentujemy wyłącznie na podstawie demografii, Robert Makłowicz i Wojciech Cejrowski trafiają praktycznie do tej samej grupy docelowej. Wiek, pokolenie, zawód, praca w tych samych stacjach TV, a później prowadzenie kanałów na YouTubie, podróże – wiele rzeczy się zgadza, a jednak trudno wyobrazić sobie jeden komunikat, który równie dobrze trafi do obu. Czyli przewaga zaczyna się tam, gdzie kończą się dane dostępne dla wszystkich – w rozmowach, obserwacjach i wiedzy, której model nie znajdzie w internecie?

Tak. LLM pomoże ci przeanalizować istniejące źródła, ale konkurencja może zrobić dokładnie to samo. Różnicę daje informacja spoza tekstów i internetu: wiedza zdobyta w rozmowach, obserwacjach, relacjach z klientami i analizie realnych procesów decyzyjnych.

Dlatego sama deklaracja „używamy Perplexity Pro” nie daje przewagi. To dobre narzędzie do researchu i często znacznie ogranicza liczbę błędów źródłowych, ale nadal może pomylić cytowanie albo zmyślić odnośnik. Przewagę daje sposób zadawania pytań, dobór źródeł i połączenie researchu z wiedzą terenową.

Dotyczy to szczególnie B2B. Informacje o formalnych stanowiskach można znaleźć na LinkedInie, ale nie o tym, kto naprawdę blokuje zakup, kto ma nieformalny wpływ na prezesa i czego obawia się dział utrzymania ruchu. Takie dane powstają w relacjach, a nie w modelu.

Na tej podstawie można dopasować syntetyczną personę do rzeczywistości. Warto ograniczyć jej język: „mów wyłącznie językiem swojej grupy, unikaj słownictwa z innych perspektyw”. Można też podłączyć RAG z zapisami rozmów, postami, komentarzami czy materiałami badawczymi.

W jednej z person dołączyliśmy osobny plik ze slangiem pokolenia Z. Odpowiedzi stały się bardziej charakterystyczne, choć czasem model używał żargonu zbyt intensywnie. To dobry przykład: dodatkowe dane poprawiają symulację, ale nie zwalniają z redakcji i kalibracji.

Sam plik ze slangiem może poprawić wiarygodność wypowiedzi, choć model czasem przesadzi i upchnie za dużo żargonu. Dlatego nadal potrzebny jest ekspert, który oceni, czy persona brzmi naturalnie i czy nie zamieniła się w karykaturę.

RAG może tu pomóc, bo ogranicza model do wybranych materiałów: transkrypcji rozmów, komentarzy klientów, raportów, zapisów z mediów społecznościowych czy badań jakościowych. Nadal jednak to człowiek decyduje, jakie źródła są reprezentatywne, aktualne i zgodne z prawem.

Źródłem mogą być również zanonimizowane zapisy rozmów z klientami, transkrypcje wywiadów, komentarze z forów czy materiały z mediów społecznościowych. Im bliżej są języka realnej grupy, tym mniej generyczna będzie symulacja. Nadal trzeba jednak pilnować zgód, prywatności i jakości danych.

Gdzie generatywna AI daje firmie realną wartość?

Wiele firm nadal goni za automatyzacją i cięciem kosztów. Czy widzisz też dojrzalsze podejście – takie, w którym AI ma usprawnić proces i pracę ludzi, a nie tylko podnieść liczbę wygenerowanych materiałów?

Oczywiście. W Polsce są tysiące przedsiębiorców, którzy rozumieją, że AI jest inwestycją w lepsze procesy, a nie magicznym sposobem na zwolnienie ludzi. Raporty z obszaru human capital pokazują już rozczarowanie firm, które wdrażały technologię wyłącznie pod presją FOMO i szybkich oszczędności.

Takie organizacje często mierzyły liczbę licencji, przeszkolonych osób albo wygenerowanych materiałów. Nie mierzyły jakości decyzji, czasu weryfikacji, liczby błędów ani wpływu na współpracę. Na papierze adopcja rosła, ale w rachunku ekonomicznym wynik pozostawał słaby.

To trochę jak liczenie sukcesu SharePointa liczbą założonych kont. Narzędzie może być wszędzie, a wiedza nadal krąży w mailach i prywatnych plikach. Z AI jest podobnie: aktywność użytkowników nie mówi jeszcze, czy firma podejmuje lepsze decyzje.

Lepsze wyniki pojawiają się tam, gdzie AI wspiera pracowników, a ludzie zachowują sprawczość. Wspólnie z dr. Pawłem Szczęsnym i zespołem Politechniki Rzeszowskiej wykorzystujemy LLM-y oraz systemy agentowe w badaniach. W 3 miesiące, przy znaczącym koszcie tokenów, przeanalizowaliśmy materiał, którego ręcznie nie bylibyśmy w stanie przerobić w podobnym czasie.

Sam koszt tokenów w projekcie wyniósł około dwóch tysięcy dolarów. To też obala mit, że generatywna AI jest z definicji tania. Może radykalnie skrócić czas pracy, ale przy większej skali trzeba uwzględnić rachunki za modele, infrastrukturę, testy i weryfikację.

AI niczego za nas nie „odkryła”. To ludzie zaprojektowali proces, kryteria, źródła danych i podział na elementy deterministyczne oraz generatywne. Potem konfrontujemy wyniki z praktykami z firm Doliny Lotniczej w woj. podkarpackim, wiem, że miejsce ci znane, bo jesteś z Mielca. Metodyka nadal wymaga kalibracji, ale bez AI ten projekt byłby niewykonalny w takim zakresie.

To ważne zastrzeżenie. Nie przedstawiamy pierwszego wyniku jako prawdy objawionej. Sprawdzamy go z przedsiębiorcami, porównujemy z doświadczeniem praktyków i poprawiamy kryteria. AI przyspiesza iterację, ale nie zwalnia z metodologii.

W regionie działa Dolina Lotnicza – dziesiątki firm i około 35 tys. pracowników związanych z zaawansowaną produkcją dla przemysłu lotniczego. To środowisko, w którym wiedza procesowa, standardy jakości i bezpieczeństwo danych mają realną wagę. Nie da się tam wdrażać modelu na zasadzie „zobaczmy, co wypluje”.

W rozmowie pada szacunek, że region odpowiada za około 90 procent polskiej produkcji dla przemysłu lotniczego. Niezależnie od dokładnej proporcji mówimy o środowisku wysokich technologii, w którym pomyłka nie jest tylko niezręcznym zdaniem w poście.

Jakie ryzyka powstają przy źle prowadzonym wdrożeniu? Co dzieje się wtedy, gdy pracownicy słyszą jednocześnie: „AI was zastąpi” i „macie używać AI”?

Jednym z nich jest shadow AI. Gdy pracownicy boją się, że narzędzie ma ich zastąpić, będą ukrywać własne zastosowania, korzystać z prywatnych kont i fotografować poufne dokumenty telefonem, żeby wkleić je do publicznego chatbota.

To nie jest problem samej technologii, lecz zarządzania zmianą. Dezinformacja i narracja „AI zabierze wam pracę” wytwarzają zachowania, które zwiększają ryzyko prawne, bezpieczeństwa i utraty danych.

Najgorsza sytuacja powstaje wtedy, gdy oficjalnie firma zakazuje narzędzi, a nieoficjalnie menedżerowie oczekują wyników „z AI”. Pracownicy obchodzą zabezpieczenia, bo chcą spełnić oczekiwania. Dlatego potrzebne są jasne zasady: do jakich danych można użyć którego modelu, kto zatwierdza wynik i gdzie zgłasza się błąd.

Może więc szansą nie jest samo generowanie treści, ale przekazywanie wiedzy między ludźmi i zespołami? Nasz wspólny kolega Konrad Bujak często mówi, żeby zacząć od wewnętrznego chatbota, który agreguje rozproszoną wiedzę. Dzięki temu nie wytrącasz kolegi z pracy pytaniem, na które odpowiedź już istnieje w firmie, tylko znajdujesz ją sam.

To zastosowanie jest mało efektowne w prezentacji dla zarządu, ale często ma więcej sensu niż masowa produkcja postów. Dobrze zaprojektowany system skraca szukanie informacji, ogranicza przerywanie pracy ekspertów i pomaga zachować wiedzę w organizacji.

Tu nie chodzi o prymitywne „szybciej i taniej”, lecz o poprawę procesu i wygodę pracowników. Najprostszy przykład to asystent HR podłączony przez RAG do regulaminów, procedur i informacji kadrowych. Zespół kadr nie musi odpowiadać w kółko na te same pytania, a pracownik dostaje odpowiedź od razu.

Podobny asystent może agregować instrukcje techniczne, procedury sprzedażowe, opisy produktów, dokumentację wdrożeniową czy historię decyzji projektowych. Wartość nie polega na tym, że firma „ma chatbota”, lecz że pracownik szybciej dociera do właściwej, zatwierdzonej informacji.

Oczywiście model może się pomylić, dlatego trzeba dobrać zastosowanie do kosztu błędu. W pytaniach o podstawowe procedury błąd można szybko wyjaśnić. W decyzjach medycznych, prawnych czy finansowych wymagany poziom kontroli będzie zupełnie inny.

Dobrą zasadą jest dobieranie autonomii modelu do konsekwencji pomyłki. Im droższy błąd, tym więcej walidacji, logów, źródeł i ludzkiej akceptacji. Nie ma jednego poziomu zabezpieczeń dla wszystkich zastosowań.

Jest też przykład Rolls-Royce’a, gdzie AI wykorzystano do ochrony wiedzy organizacyjnej, której pojedynczy człowiek nie jest w stanie przyswoić. Jak takie rozwiązanie działa i dlaczego wymaga zamkniętej infrastruktury?

Josh Bersin opisywał przypadek Rolls-Royce’a. Firma gromadzi ogromną ilość specjalistycznej wiedzy z obszaru zaawansowanej inżynierii. Jeden człowiek potrzebowałby setek lat, żeby przyswoić cały zasób.

Tego problemu nie rozwiąże nawet najlepszy program mentoringowy, bo ilość wiedzy przekracza możliwości pojedynczych osób. Doświadczeni inżynierowie wiedzą, dlaczego pewne procedury wyglądają właśnie tak, jakie wyjątki pojawiały się w przeszłości i gdzie dokumentacja nie opisuje całego kontekstu.

Problem polega na tym, że inżynierowie zdobywają know-how przez wiele lat, a potem odchodzą na emeryturę.

Część tej ich wiedzy jest zapisana w procedurach, a część pozostaje w doświadczeniu ludzi: w wyjątkach, skrótach diagnostycznych i pamięci o dawnych awariach. Dobre rozwiązanie powinno więc nie tylko przeszukiwać dokumenty, ale pomagać w przechwytywaniu wiedzy od ekspertów, zanim odejdą.

AI może działać tu jako agregator i interfejs do firmowej wiedzy. Nie robi się tego jednak przez publiczną usługę, do której wysyła się wrażliwe dane. Potrzebne są własne serwery, zamknięty obieg i inwestycja infrastrukturalna dopasowana do wartości informacji.

W tak zaawansowanej firmie wysłanie dokumentacji do publicznego modelu byłoby nieodpowiedzialne. Rozwiązanie musi działać w kontrolowanym środowisku, z uprawnieniami, audytem i jasną polityką dostępu. To już nie jest „subskrypcja chatbota”, tylko projekt infrastrukturalny.

W takiej sytuacji koszty własnej infrastruktury mogą być uzasadnione, bo chronią wiedzę budowaną przez dekady. W małej firmie ten sam model byłby przesadą. Dlatego wdrożenie trzeba zacząć od wartości danych, kosztu błędu i skali użycia, a nie od mody na konkretną platformę.

To nie oznacza, że model „staje się ekspertem Rolls-Royce’a”. Pozwala raczej szybciej odnaleźć fragmenty wiedzy, połączyć dokumenty i wskazać osobie uczącej się właściwy trop. Nadal potrzebne są źródła, uprawnienia i możliwość dotarcia do człowieka.

Wracamy więc do punktu wyjścia: najpierw trzeba znać ograniczenia. Bez tego firma łatwo zmarnuje czas i pieniądze, a na końcu będzie sfrustrowana, bo oczekiwała od narzędzia czegoś, czego ono nie potrafi zrobić.