Wprowadzanie sztucznej inteligencji do przedsiębiorstwa. Michał Pierzchlewicz (TeaCode) o sposobach implementacji AI w celu osiągnięcia zwrotu z inwestycji

Sztuczna inteligencja (AI) miała przyspieszyć proces tworzenia oprogramowania i często faktycznie to robi. Jednak samo skrócenie czasu pracy nie jest jeszcze definicją sukcesu, a niewłaściwe wykorzystanie narzędzi może generować więcej problemów niż przynieść korzyści. Rozmawiamy z Michałem Pierzchlewiczem, współzałożycielem i CTO TeaCode, który wyjaśnia najczęstsze błędy popełniane przy wdrażaniu AI, powody, dla których większość inicjatyw AI nie wychodzi poza fazę pilotażu lub nie przynosi oczekiwanych rezultatów biznesowych, oraz jak wdrażać rozwiązania AI, aby zapewnić zwrot z inwestycji.

Wdrożenie AI w firmie. Wiele firm robi to źle

Raport MIT (2025) wskazuje, że jedynie około 5% wdrożonych (zintegrowanych) projektów pilotażowych generuje mierzalny zwrot z inwestycji (ROI). Z kolei raport Gartnera (2026) podaje, że „ponad 50% inicjatyw GenAI jest porzucanych po fazie PoC” z powodu wysokich kosztów i braku rzeczywistej wartości. Niemniej jednak istnieją przypadki, gdzie udaje się osiągnąć ROI na poziomie 1:2,78 (rp.pl).
Według raportu RSM z 2025 roku, 92% projektów wykorzystujących generatywną AI w średnich firmach napotyka znaczące trudności związane z jakością danych (41%), kwestiami prywatności i bezpieczeństwa (39%), niedoborem kompetencji (35%) oraz brakiem jasno określonej strategii (34%).
Problem nie leży w samej technologii, lecz w gotowości organizacji do jej wdrożenia.

Przekrój Waszych klientów jest szeroki — od start-upów, przez małe i średnie firmy, aż po enterprise. Jak obecnie wyglądają wdrożenia w takich firmach?

Michał Pierzchlewicz: Kiedy duże modele językowe trafiły do głównego nurtu, firmy często zgłaszały się z ogólnym hasłem „zróbmy coś z AI”. W tym okresie dominowały zapytania od start-upów.

Obecnie więcej dojrzałych firm z ugruntowaną historią biznesową decyduje się na implementację AI. Posiadają one funkcjonujące rozwiązania, które wymagają dalszego rozwoju, a nie budowy od podstaw.

Dyskusje na temat AI są dziś znacznie bardziej zaawansowane, a punkt wyjścia jest zupełnie inny. Klient zgłasza się z konkretnym wyzwaniem, na przykład z procesem, który jest czasochłonny, kosztowny lub trudny do skalowania. Dopiero podczas rozmowy okazuje się, że jednym z możliwych narzędzi do rozwiązania tego problemu może być AI, ale nie jest to zawsze i w każdym przypadku optymalne rozwiązanie.

Klienci coraz częściej rozumieją, że AI nie jest celem samym w sobie, lecz technologią, która ma sens tylko wtedy, gdy wpisuje się w konkretny proces biznesowy i przynosi wymierną wartość.

Jak zmierzyć, czy takie rozwiązanie faktycznie działa i czy jest efektywne?

Jest to trudniejsze, niż mogłoby się wydawać. Samo użycie funkcji AI nie jest jeszcze dowodem jej zasadności. Miarą sukcesu jest rzeczywisty wpływ na proces – krótszy czas obsługi, zredukowana praca manualna, wyższa efektywność działań, oszczędności finansowe. Jeśli te korzyści nie są widoczne, AI pozostaje efektownym, ale kosztownym dodatkiem.

Kluczowe jest to, aby móc rzetelnie ocenić efektywność, potrzebne są odpowiednio zdefiniowane metryki opłacalności już na początku. Wiele firm nadal pomija ten etap. Chodzi nie tylko o to, czy rozwiązanie działa, ale czy działa wystarczająco dobrze, aby uzasadnić poniesione koszty.

Gdy rozwiązanie przechodzi z fazy pilotażu do etapu produkcyjnego, jego koszty mogą wzrosnąć kilkukrotnie. Przykładem może być raport Uvik, który analizuje, że koszty produkcyjne mogą być trzykrotnie, a nawet sześciokrotnie wyższe niż koszty PoC. Firmy często nie zdają sobie sprawy, jak bardzo mogą wzrosnąć koszty związane z API wraz ze zwiększeniem skali użytkowania. Nic dziwnego, że tylko 5% wdrożeń przynosi realną wartość, co potwierdza raport MIT.

Jednak możliwe jest również osiągnięcie sukcesu. Zgodnie z raportem Lenovo, prognozowany ROI może zbliżać się do proporcji 1:3. Pozostaje czekać na faktyczne efekty tych wdrożeń, ale już teraz widać, że osiągnięcie realnej wartości jest w zasięgu ręki. Wymaga to jednak strategicznego podejścia do wdrożenia i odpowiedniego zaplecza eksperckiego.

Co zatem jest dziś naprawdę potrzebne, żeby projekt technologiczny, z AI lub bez AI, miał sens biznesowy?

Kluczowym elementem jest solidny proces odkrywania (discovery). Zanim powstanie choćby jedna linijka kodu, konieczne jest zrozumienie, jaki problem jest rozwiązywany, dla kogo i dlaczego właśnie teraz. Klienci najczęściej zgłaszają się z konkretnym problemem: proces jest zbyt wolny, zbyt kosztowny, trudny do skalowania lub brakuje określonej funkcjonalności. Właśnie od tego punktu rozpoczynamy – od problemu, a nie od technologii.

Często spotykamy się z sytuacją, w której klient przedstawia bardzo szczegółową specyfikację. Coraz częściej widać, że takie dokumenty są w dużej mierze generowane przez narzędzia AI. Problem polega na tym, że podczas szczegółowego omawiania tych specyfikacji z klientami, okazuje się, że znaczna część wskazanych funkcji nie jest w ogóle potrzebna. Dlatego dla nas kluczowe jest zrozumienie źródła problemu, a nie ślepe realizowanie listy wymagań.

Czy zdarza się, że po analizie odradzacie klientowi wdrożenie AI?

Tak, zdarza się. Czasami po przeprowadzeniu analizy okazuje się, że nie ma potrzeby stosowania modeli językowych ani zaawansowanej sztucznej inteligencji – wystarczy modernizacja istniejącego systemu, optymalizacja procesu lub zmiana kierunku rozwoju produktu. To naturalne, że koncepcja ewoluuje w trakcie projektu.

Rezygnacja z AI lub stworzenie własnego, izolowanego modelu może być również świadomą decyzją strategiczną firmy związaną z kwestiami bezpieczeństwa. W dojrzałych organizacjach nie jest to odruchowy lęk przed technologią, lecz wynik chłodnej oceny ryzyka: jeśli widzimy, że system oparty na AI może ukrywać własne naruszenia, manipulować raportami lub obchodzić mechanizmy kontroli, rozsądniej jest wstrzymać się i wzmocnić lub wdrożyć odpowiednie procedury bezpieczeństwa, niż na siłę forsować implementację.

W praktyce coraz częściej mówi się, że „udane wdrożenie AI” to nie tylko odpowiedni model i trafny przypadek użycia, ale przede wszystkim jasne mechanizmy kontroli – od polityk bezpieczeństwa i reguł dostępu, poprzez logi audytowe, aż po zabezpieczenia techniczne. Kluczowe jest, aby organizacja była w stanie w razie potrzeby ograniczyć zakres działania takiego systemu, zmodyfikować jego uprawnienia lub tymczasowo odłączyć go od krytycznych środowisk.

Czy może Pan podać przykład wdrożenia AI, które naprawdę wniosło coś do projektu?

Jednym z takich projektów był Plannin, kanadyjski start-up z branży turystycznej, który zgłosił się do nas na wczesnym etapie rozwoju. Zbudowaliśmy dla nich platformę rezerwacyjną, a następnie przekazaliśmy wiedzę o produkcie ich wewnętrznemu zespołowi technologicznemu.

Był to również okres, kiedy zaczęliśmy intensywniej eksperymentować z rozwiązaniami opartymi na dużych modelach językowych. Plannin opiera swój model biznesowy m.in. na współpracy z influencerami, którzy kierują ruch na platformę. Szukaliśmy więc sposobów, w jaki technologia może ułatwić im pracę, przyspieszyć tworzenie treści lub wesprzeć ich w codziennym korzystaniu z systemu.

Stworzyliśmy potok AI (pipeline AI), który automatyzuje pracę. Twórca wkleja link do filmu, a system analizuje transkrypcję, identyfikuje wymienione lokalizacje, umieszcza znaczniki na interaktywnej mapie, generuje opisy i dobiera odpowiednie zdjęcia. To, co wcześniej było żmudną i czasochłonną pracą manualną, teraz zajmuje zaledwie kilka minut.

Jakie lekcje wynieśliście z pierwszych prób wykorzystania LLM-ów w produktach?

Pierwsze wdrożenia systemów opartych na LLM-ach dostarczyły nam cennych wniosków, szczególnie w trzech obszarach.

Po pierwsze, kwestia halucynacji. Mimo że modele LLM posiadają rozległą wiedzę ogólną, wiedza specyficzna dla konkretnego zadania nie jest w nich dobrze ustrukturyzowana. Należy świadomie omijać ten problem poprzez ugruntowanie modelu we własnych danych, walidację wyników lub ograniczenie zakresu jego odpowiedzialności do obszarów, w których faktycznie jest biegły.

Po drugie, zagadnienia kontroli i powtarzalności wyników. W naszych projektach LLM jest zazwyczaj elementem większego systemu, a nie samodzielnym produktem. Oznacza to, że musi komunikować się z pozostałymi komponentami systemu w sposób przewidywalny i powtarzalny. Wymaga to odpowiedniego ustrukturyzowania wyników, sposobu komunikacji między modelem a aplikacją oraz stosowania stałych formatów wymiany danych.

Po trzecie, AI wymusza zmianę sposobu myślenia. Przechodzimy od deterministycznego oprogramowania, gdzie ten sam zestaw danych wejściowych zawsze generuje ten sam wynik, do systemów stochastycznych, w których pojawia się element losowości. Ta zmiana ma bardzo konkretne konsekwencje. Tradycyjne testy weryfikujące dokładny wynik przestają być skuteczne, ponieważ wynik ulega zmianie. Konieczne staje się testowanie właściwości wyniku, takich jak format, zakres czy ograniczenia. Zmienia się również natura błędów: problemem nie jest już błąd w systemie, lecz odpowiedź, która wydaje się wiarygodna, ale jest merytorycznie niepoprawna. Dlatego ewaluacja staje się kluczowym elementem pracy projektowej.

A jak Pan widzi najbliższy rok w kontekście AI?

Moim zdaniem będzie to raczej okres ewolucji niż rewolucji. Modele oczywiście stają się coraz lepsze, ale nie są to już tak spektakularne skoki, jakie obserwowaliśmy na początku. Obecnie różnice są bardziej subtelne, charakteryzują się większą jakością niż nachalnością.

Spodziewam się również większej specjalizacji. Niektóre modele będą lepiej radziły sobie z analizą dokumentów, inne z generowaniem treści lub pracą z kodem. Zaczyna to przypominać bardziej dobór odpowiednich narzędzi do konkretnego zadania niż wyścig o stworzenie najbardziej „magicznego” modelu. Jednocześnie inwestycje w AI będą nadal rosły. Nie wynika to jednak z nadchodzącej rewolucji, lecz z coraz szerszego wykorzystania tych narzędzi w codziennej pracy.

W Polsce sytuacja jest nieco odmienna od tej na najbardziej nasyconych rynkach. U nas nie zaobserwowano tak dużej bańki inwestycyjnej wokół AI, dlatego ryzyko jej spektakularnego pęknięcia jest mniejsze. Rozwój będzie prawdopodobnie stopniowy i bardziej pragmatyczny, niż napędzany wyłącznie przez szum informacyjny.

Widzieliśmy jednak firmy, które redukowały zespoły, licząc, że AI przejmie część pracy. Czy dziś widać, że to było przecenienie możliwości technologii?

Myślę, że niektóre firmy faktycznie nieco przeceniły możliwości AI jako substytutu dla ludzkiej pracy. Te narzędzia mogą przyspieszyć wiele zadań, ale nie „załatwiają wszystkiego”. W praktyce okazuje się, że nadal potrzebna jest wiedza, kontekst i odpowiedzialność ze strony człowieka. AI generuje, sugeruje, przyspiesza, ale ktoś musi ocenić, zrozumieć i zintegrować te rezultaty z rzeczywistością produktu lub biznesu.

Dlatego w TeaCode, równolegle z wdrażaniem narzędzi, budujemy kulturę pracy z narzędziami AI. Zespół nie korzysta z nich bezkrytycznie. Wymieniamy się doświadczeniami, dzielimy się spostrzeżeniami na temat tego, co faktycznie przyspiesza pracę, a co jest jedynie ciekawostką. Naturalnym kolejnym krokiem jest coraz dokładniejsze mierzenie efektywności: nie tylko tego, kto korzysta najwięcej, ale czy przekłada się to realnie na lepszą jakość pracy i szybsze dostarczanie wartości.

Obserwuję jednak zmianę charakteru pracy. Jest mniej „fizycznego pisania” linijka po linijce, a więcej układania elementów, projektowania rozwiązań i myślenia o całości. W pewnym sensie przypomina to moment, gdy projektanci przeszli od desek kreślarskich do programów CAD. Narzędzia zmieniły sposób pracy, ale nie sprawiły, że kompetencje przestały być potrzebne. Wręcz przeciwnie – podniosły poprzeczkę.

Czyli można powiedzieć, że to może prowadzić do pewnego rozwarstwienia? Osoby skupione tylko na wąskim wycinku technicznej pracy mogą mieć trudniej?

Tak, to jest realne ryzyko. Osoby, które patrzą szerzej – z perspektywy produktu, biznesu, systemu – będą miały łatwiej odnaleźć się w tej rzeczywistości. Tym, którzy koncentrowali się wyłącznie na wąskim zakresie „ręcznej” pracy, może być trudniej, ponieważ część tych zadań faktycznie przejmują narzędzia. Ale to nie jest wyrok, tylko sygnał do transformacji. Widzę to w naszym zespole: osoby, które potraktowały AI jako szansę na awans, rozwijają się szybciej.

Skoro szerokie spojrzenie jest dziś tak kluczowe, jak organizacja powinna wybierać partnera technologicznego? Po czym poznać już na wczesnym etapie rozmów, że software house rzeczywiście myśli o ROI i biznesie?

Najważniejszym testem jest sposób, w jaki potencjalny wykonawca reaguje na gotową specyfikację od klienta. Jeśli bezrefleksyjnie ją akceptuje, wycenia roboczogodziny i deklaruje: „Zrobimy to w trzy miesiące” – powinno to zapalić czerwoną lampkę. Partner technologiczny, zanim w ogóle pomyśli o pisaniu kodu, zada pytania: „Dlaczego chcemy to wdrożyć? Jaki problem biznesowy tym rozwiązujemy? I czy AI to na pewno najlepsze i najtańsze narzędzie do tego celu?”.

Druga kwestia to przejrzystość w komunikacji dotyczącej ryzyka. Jeśli ktoś obiecuje bezproblemowe wdrożenie rozwiązania AI bez wcześniejszego audytu jakości danych, infrastruktury lub bez poruszenia kwestii bezpieczeństwa i potencjalnych ryzyk, oznacza to, że koncentruje się wyłącznie na technologii. Partner z biznesowym zacięciem od razu zapyta o architekturę, zadłużenie technologiczne i zasugeruje weryfikację gotowości organizacji na dane wdrożenie. Jeśli jest to rozwiązanie innowacyjne, o charakterze badawczo-rozwojowym, nie będzie obiecywać gruszek na wierzbie, lecz zaproponuje PoC (Proof of Concept), aby upewnić się co do jego wykonalności.

Obecnie w projektach AI kluczowe stają się kompetencje – nie tylko inżynierskie, ale również analityczne biznesowe oraz zarządcze dotyczące projektów i ich implementacji.

Gdyby miał Pan stworzyć dla potencjalnego klienta krótką checklistę, co zrobić przed podjęciem decyzji o wdrożeniu AI, to jak by ona wyglądała?

Pierwszym krokiem jest zidentyfikowanie procesu, który faktycznie sprawia problemy – gdzie firma traci pieniądze, czas lub klientów. Należy to opisać w jednym, prostym zdaniu, maksymalnie dwóch. Bez obszernych elaboratów, które kurzą się w szufladach. Skupiamy się na jednym, konkretnym, zdefiniowanym procesie, a nie od razu na całym systemie.

Drugi krok to zaplanowanie i weryfikacja wykonalności rozwiązania, a następnie oszacowanie jego kosztów – osobno dla fazy pilotażowej i osobno dla etapu produkcyjnego. Raporty wskazują, że koszty produkcyjne mogą wzrosnąć wielokrotnie i należy być na to przygotowanym. Ponadto może się okazać, że ten sam efekt można osiągnąć bez użycia AI – zazwyczaj taniej, ponieważ odpada koszt zużytych tokenów.

W trzecim kroku planowany kosztorys należy porównać z bieżącymi kosztami firmy. Bez tej analizy finansowej trudno uczciwie ocenić, czy inwestycja w AI w ogóle ma sens. Czasem koszt wdrożenia i utrzymania systemu jest wyższy niż koszt problemu, który ma on rozwiązać.

Czwarty krok to sprawdzenie, czy dysponujemy danymi niezbędnymi do wdrożenia i jaka jest ich jakość. Bardzo często właśnie na tym etapie warto się zatrzymać, aby najpierw uporządkować dane – w końcu jakość danych wejściowych bezpośrednio wpływa na jakość generowanych wyników.

Piąty krok to ustalenie szczegółów pilotażu: kto będzie testował rozwiązanie, w jakim okresie czasu i jakie rezultaty chcemy osiągnąć. KPI muszą być konkretne i mierzalne, ponieważ na ich podstawie oceniamy, czy wdrożenie ma sens biznesowy.

Szósty krok – czasem bagatelizowany – to odpowiedź na pytanie, czy pracownicy faktycznie będą korzystać z tego rozwiązania. Należy zaplanować strategię wdrożenia produkcyjnego. Najprościej jest w przypadku systemów działających w tle, które optymalizują procesy w sposób niewidoczny dla użytkownika. Jeżeli jednak tworzymy dodatkowe narzędzie, niezbędne są szkolenia i odpowiednia motywacja, aby inwestycja nie skończyła jako kosztowny gadżet, z którego nikt nie korzysta.

Michał Pierzchlewicz – współzałożyciel i CTO TeaCode, firmy tworzącej oprogramowanie na zamówienie dla start-upów, scale-upów i firm enterprise, z ponad 160 zrealizowanymi projektami, w tym dla branży turystycznej, edukacyjnej, sportowo-rozrywkowej, e-commerce oraz nieruchomości. Firma specjalizuje się w aplikacjach webowych i mobilnych, rozwiązaniach AI (RAG, orkiestracja wielu modeli, integracje LLM, projekty badawczo-rozwojowe), modernizacji systemów oraz projektowaniu UX/UI.

Dziękujemy za lekturę artykułu do samego końca. Bądź na bieżąco! Obserwuj nas w Google. Materiał reklamowy na zlecenie marki TeaCode Udostępnij artykuł Newsletter Bądź na bieżąco z informacjami ze świata biznesu i finansów Zapisz się