Streszczenie: Sztuczna inteligencja przeszła już etap technologicznej ciekawostki, ale większość firm wciąż nie potrafi przełożyć eksperymentów na realną wartość biznesową. Udo Sglavo wyjaśnia, dlaczego organizacje zatrzymują się na etapie testów, jak skutecznie wdrażać AI do procesów biznesowych oraz dlaczego kluczem do sukcesu pozostają jakość danych, odpowiedzialność i koncentracja na konkretnych problemach biznesowych. Rozmowa dotyczy także przyszłości agentic AI, cyfrowych bliźniaków oraz wpływu automatyzacji na rynek pracy i gospodarkę.
Organizacje na całym świecie utknęły w fazie testowania sztucznej inteligencji zwabione jej początkową dostępnością. Jak wyjść z pułapki niekończących się eksperymentów i przekuć prototypy w stabilne systemy gwarantujące zwrot z inwestycji? O nadciągającej wojnie cenowej na rynku AI, rewolucji cyfrowych bliźniaków w zarządzaniu ryzykiem oraz o tym, dlaczego nieprzemyślana automatyzacja i eliminacja ludzi z rynku pracy to biznesowy ślepy zaułek opowiada Udo Sglavo, wiceprezes ds. badań i rozwoju w obszarze sztucznej inteligencji stosowanej i modelowania w firmie SAS. Rozmawia: Paulina Kostro.
Paulina Kostro: Firmy wciąż intensywnie eksperymentują ze sztuczną inteligencją, jednak relatywnie niewiele z tych testów kończy się wdrożeniem stabilnych, biznesowych systemów AI. Dlaczego tak się dzieje i jak – patrząc na to z perspektywy eksperta – liderzy mogą temu zaradzić?
Udo Sglavo: Obecnie znajdujemy się w fazie, którą nazywamy „eksperymentowaniem z AI”. Warto najpierw zastanowić się, skąd bierze się tak ogromna skala tych testów. Dostrzegam tu trzy główne przyczyny.
Po pierwsze, presja otoczenia i szum medialny sprawiają, że liderzy czują imperatyw działania – muszą wykazać, że ich organizacja „coś z tym robi”.
Po drugie, próg wejścia w technologie AI drastycznie spadł. Powszechny i tani dostęp sprawia, że dzisiejsze inicjatywy przypominają często szkolne targi nauki: pracownicy testują nowinki, aby sprawdzić ich możliwości, ale na ogół brakuje w tym szerszej strategii, co sprawia, że na testach proces ten się kończy.
Po trzecie, wiele firm próbuje pójść na skróty. Mają nadzieję, że nagły przeskok do lśniącego świata sztucznej inteligencji magicznie zmodernizuje ich przestarzałą architekturę IT i rozwiąże nawarstwiające się problemy operacyjne. To oczywiście mit. Sztuczna inteligencja to nic innego jak naturalna ewolucja technologiczna – od uczenia maszynowego po złożone modele głębokiego uczenia. Niezależnie od stopnia zaawansowania to jednak wciąż tylko oprogramowanie.
Jak zatem przejść od luźnych eksperymentów do rygorystycznego środowiska produkcyjnego? Moja odpowiedź brzmi: powrócić do fundamentów. Najpierw należy zdefiniować konkretny problem biznesowy. Musimy dokładnie określić proces decyzyjny i wskazać osobę ponoszącą za niego odpowiedzialność. Następnie konieczny jest audyt danych: czy dysponujemy rzetelnymi informacjami, które mogą wesprzeć algorytm?
Złota zasada IT „śmieci na wejściu, śmieci na wyjściu” (garbage in, garbage out) jest w erze AI ważniejsza niż kiedykolwiek wcześniej. Liderzy muszą odrzeć AI z aury technologicznej magii i potraktować ją ze standardowym, korporacyjnym rygorem – skupiając się na bezpieczeństwie, jakości danych, przejrzystości i odpowiedzialności. Natura problemów biznesowych nie uległa zmianie. Zmieniły się wyłącznie narzędzia do ich rozwiązywania.
Zauważył Pan przed chwilą, że dostęp do AI jest dziś niezwykle tani i powszechny. Czy te niskie bariery wejścia – zwłaszcza w wymiarze finansowym – utrzymają się w dłuższej perspektywie?
Mówiąc o taniości, miałem na myśli łatwość dostępu i początkowy brak barier infrastrukturalnych. W rzeczywistości jednak same moce obliczeniowe i koszty przetwarzania tokenów pozostają niezwykle wysokie. W pewnym momencie dostawcy modeli AI będą zmuszeni do wypracowania zrównoważonego, wysoce rentownego modelu biznesowego, co nieuchronnie pociągnie za sobą wzrost cen. Organizacje, które mocno uzależnią swoje procesy od zewnętrznych modeli językowych, będą musiały w przyszłości uregulować ten rachunek.
W przeciwieństwie do wczesnego internetu ekosystemu AI nie da się utrzymać wyłącznie dzięki reklamom behawioralnym. Z tego powodu spodziewam się, że w nadchodzących latach będziemy świadkami ostrej restrukturyzacji cenników i być może poważnej wojny cenowej na rynku dostawców sztucznej inteligencji.
Zatem fakt, że organizacje wciąż pozostają w fazie testów, nie powinien niepokoić. Wynika z tego, że nadal mamy czas na eksperymentowanie, dopóki możemy robić to niemal bezkosztowo.
Zdecydowanie tak. Sama faza eksploracji jest zjawiskiem naturalnym i wysoce pożądanym – pozwala organizacji zrozumieć potencjał i ograniczenia nowej technologii. Należy jedynie wyzbyć się iluzji, że każdy prototyp z definicji ewoluuje w produkt gotowy do wdrożenia.
Najbardziej racjonalną strategią jest rozpoczęcie testów na procesach, które organizacja rozumie perfekcyjnie. Operując na znanym terytorium, potrafimy błyskawicznie i bezbłędnie zweryfikować jakość wyników dostarczanych przez algorytm. Gdy zdobędziemy zaufanie do narzędzia, możemy skalować je na bardziej złożone problemy.
To wręcz idealny moment na budowanie takich kompetencji, zarówno dla całych korporacji, jak i pojedynczych pracowników. Sytuacja ta mocno przypomina początki wyszukiwarki Google. Na starcie nikt nie potrafił formułować precyzyjnych zapytań i tonęliśmy w tysiącach bezużytecznych wyników. Dopiero z czasem nauczyliśmy się filtrować informacje i zarządzać tą wiedzą.
Jaki powinien być w takim razie pierwszy praktyczny krok, aby wyjść z fazy eksperymentów i zacząć generować wymierną wartość biznesową dzięki AI?
Najważniejsza jest identyfikacja obszarów o największym i najprostszym potencjale automatyzacji. Ironia polega na tym, że najczęściej są to procesy skrajnie nudne i rutynowe. Doskonałym przykładem z mojego życia jest rozliczanie delegacji służbowych. Podróżuję bardzo często i uważam ręczne wprowadzanie rachunków do systemu za absolutne marnotrawstwo cennego czasu. Z biznesowego punktu widzenia sztuczna inteligencja powinna przetwarzać to automatycznie w tle.
Największe oszczędności ukryte są właśnie w optymalizacji tych żmudnych operacji, gdzie potencjalny błąd maszyny nie niesie za sobą katastrofalnych skutków. Błędnie zaksięgowana kawa w delegacji to drobnostka, ale algorytm, który niesłusznie odrzuca wniosek o kredyt hipoteczny, niszczy reputację firmy i zmienia ludzkie życie, to już poważny problem. Technologia jest już gotowa. Niestety obecnie wielu specjalistów woli tworzyć efektowne, błyszczące prototypy, by zaimponować zarządowi, zamiast pochylić się nad prozaiczną optymalizacją kosztów, która naprawdę napędza marże.
Skoro mowa o prozaicznych procesach, to czy tradycyjna matematyka wciąż stanowi analityczny „mózg” bezpiecznej firmy? Sporo dyskutujemy o nowoczesnych narzędziach AI, ale w twardym biznesie fundamentem pozostaje matematyka.
Oczywiście, w zdrowym ekosystemie korporacyjnym oba te żywioły muszą współpracować. Systemy deterministyczne – opierające się na klasycznej matematyce i twardych algorytmach – dają nam absolutną gwarancję, że przy tych samych danych wejściowych zyskamy ten sam wynik. Są niezawodne i przewidywalne. Z kolei duże modele językowe (LLM) funkcjonują w sposób niedeterministyczny, dostosowując odpowiedzi do zmiennego kontekstu i sposobu zadania pytania.
Prawdziwa rewolucja kryje się w koncepcji agentic AI (sztucznej inteligencji opartej na agentach). Agent AI to rodzaj zaawansowanego menedżera, który przyjmuje zapytanie od użytkownika, izoluje zmienne matematyczne i deleguje je do silnika obliczeniowego. Gdy otrzyma twardy, bezbłędny wynik, przekazuje go do modelu językowego, który ubiera suche liczby w czytelną, dostosowaną do odbiorcy formę.
Zastanawia mnie, dlaczego w warstwie komunikacyjnej systemy te są projektowane tak, aby do złudzenia przypominać interakcje międzyludzkie?
Ponieważ interfejsy oparte na naturalnej konwersacji to nieunikniona przyszłość oprogramowania. Zamiast przeklikiwać się przez skomplikowane systemy klasy ERP, docelowo będziemy po prostu komunikować się z nimi werbalnie – dokładnie tak, jak dziś dyktujemy cel podróży inteligentnej nawigacji w samochodzie. Złożona inżynieria i potężna matematyka zostaną całkowicie ukryte pod maską naturalnego języka.
Niemniej musimy pamiętać o kluczowym mechanizmie: human in the loop (człowiek w pętli). Choć system autonomicznie wykonuje zadania, to człowiek niezmiennie trzyma rękę na pulsie. Podobnie jak w samochodzie: nawet przy włączonym autopilocie masz kierownicę i w każdej chwili możesz przejąć kontrolę, gdy system podejmie ryzykowną decyzję.
W rozmowach na temat innowacyjnych rozwiązań tuż obok sztucznej inteligencji, bardzo często pojawiają się cyfrowe bliźniaki. Czy w perspektywie pięciu kolejnych lat pozostaną one jedynie w sferze technologicznego dodatku, czy czeka nas rozwój tego trendu na skalę porównywalną z obecnym boomem na AI?
Technologia cyfrowych bliźniaków znajduje się obecnie na linii startu, jednak krzywa jej adopcji będzie niezwykle stroma. Gdy organizacje zorientują się, że ich rynkowi rywale podejmują trafne, strategiczne decyzje w ułamku sekundy dzięki wirtualnym symulacjom, zostaną zmuszone do natychmiastowej adaptacji.
W niedalekiej przyszłości zaobserwujemy masowe przenikanie wiedzy pozyskanej w świecie cyfrowym do środowiska fizycznego. Doskonałym przykładem są autonomiczne maszyny rolnicze wykorzystujące systemy widzenia komputerowego do identyfikacji chwastów. Zostały one od podstaw zaprojektowane i wytrenowane w środowisku cyfrowego bliźniaka, a dziś wykonują precyzyjną pracę w rzeczywistych warunkach. Musimy jednak pamiętać, że ewolucja tych technologii podąży dokładnie w tym kierunku, jaki wytyczą dzisiejsi liderzy biznesu.
Z perspektywy dyrektora generalnego (CEO) nawet najbardziej innowacyjne rozwiązanie – takie jak cyfrowy bliźniak – pozostaje bezużyteczne, o ile nie gwarantuje wymiernego zwrotu z inwestycji (ROI). W jaki sposób zespoły analityczne przekształcają te zaawansowane narzędzia w realny zysk?
Posłużę się przykładem z sektora ochrony zdrowia. Zarządzanie procesem sterylizacji narzędzi chirurgicznych niesie za sobą gigantyczne ryzyko operacyjne i prawne, bo każdy, nawet najdrobniejszy błąd w tym „łańcuchu dostaw” obciąża dostawcę usługi. Implementacja cyfrowego bliźniaka, czyli w pełni wirtualnej, działającej w czasie rzeczywistym kopii placówki medycznej, umożliwia bezpieczne symulowanie sytuacji kryzysowych. Organizacja może przetestować scenariusze typu „co…,jeśli…” – na przykład prześledzić kaskadę błędów wynikającą z faktu, że pracownik pominął założenie rękawic ochronnych – bez ponoszenia najmniejszego ryzyka dla pacjentów czy sprzętu medycznego. Bezpośredni zwrot z inwestycji polega w tym przypadku na drastycznej mitygacji ryzyka, znaczącym obniżeniu kosztów ubezpieczeń oraz umożliwieniu zarządowi testowania decyzji strategicznych bez alokowania kapitału w fizyczne eksperymenty.
Wydaje się zatem, że optymalną ścieżką jest wstępne testowanie wszelkich innowacji i zmian biznesowych w ten właśnie sposób.
Bezwzględnie. Chciałbym jednak wyraźnie podkreślić, że takie podejście ma również fundamentalny wymiar społeczno-ekonomiczny. Kiedy rekrutujemy obecnie na staże wybitnych specjalistów z zakresu data science i informatyki, ich pierwszym pytaniem niemal zawsze jest: „Czy za pięć lat mój zawód nadal będzie istniał?”. Mają pełną świadomość, że nowoczesne modele językowe potrafią już samodzielnie programować.
Z czysto inżynieryjnego punktu widzenia mógłbym założyć, że w niedalekiej przyszłości algorytmy w dużej mierze zastąpią programistów. Pojawia się jednak kluczowe pytanie z obszaru etyki biznesu i makroekonomii: czy my, jako liderzy, naprawdę tego chcemy? Naszą największą wartością rynkową i przewagą konkurencyjną pozostaje komunikacja międzyludzka – ukryte intencje, empatia i niuanse, których algorytm nigdy nie będzie w stanie w pełni zdekodować. Zachłystywanie się przez niektórych przedsiębiorców wizją „korporacji bez pracowników” jest strategią skrajnie krótkowzroczną i wręcz autodestrukcyjną. Eliminując ludzi z rynku pracy, drastycznie redukujemy siłę nabywczą konsumentów. Bez klientów dysponujących kapitałem załamie się cały system wolnorynkowy. Czysta pogoń za radykalną automatyzacją i cięciem kosztów, bez uwzględnienia szerszej struktury społecznej, to podkopywanie samych fundamentów kapitalizmu.
