Wdrożenie sztucznej inteligencji w przedsiębiorstwie. Michał Pierzchlewicz (TeaCode) o tym, jak implementować AI, aby osiągnąć zwrot z inwestycji.

Sztuczna inteligencja miała przyspieszyć rozwój oprogramowania i często tak się dzieje. Jednak samo skrócenie czasu realizacji nie jest jeszcze wyznacznikiem sukcesu, a niewłaściwe wykorzystanie narzędzi może rodzić więcej problemów niż korzyści. Rozmawiamy z Michałem Pierzchlewiczem, współzałożycielem i CTO TeaCode, który wyjaśnia, jakie są najczęstsze błędy przy wdrażaniu AI, dlaczego większość inicjatyw AI nie wykracza poza fazę pilotażową lub nie przynosi oczekiwanych efektów biznesowych w środowisku produkcyjnym, oraz jak wdrażać rozwiązania AI, aby zapewnić zwrot z inwestycji.

Wdrożenie AI w firmie. Wiele firm robi to źle

Według raportu MIT (2025) zaledwie około 5% wdrożonych (zintegrowanych) projektów pilotażowych przynosi wymierny zwrot z inwestycji (ROI). Raport Gartnera (2026) wskazuje, że ponad 50% inicjatyw GenAI jest porzucanych po fazie Proof of Concept (PoC) z powodu kosztów i braku rzeczywistej wartości. Okazuje się jednak, że można osiągać ROI na poziomie nawet 1:2,78 (źródło: rp.pl).
Zgodnie z raportem RSM z 2025 roku, 92% projektów generatywnej AI w średnich firmach napotyka znaczące trudności związane z jakością danych (41%), prywatnością i bezpieczeństwem (39%), niedoborem kompetencji (35%) oraz brakiem odpowiedniej strategii (34%).
Problem nie tkwi w samej technologii, lecz w gotowości organizacji na wdrożenie tych innowacyjnych rozwiązań.

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: Gdy duże modele językowe stały się powszechnie dostępne, firmy często zgłaszały się z ogólnym zapytaniem typu “zróbmy coś z AI”. W tamtym okresie dominowały zgłoszenia od start-upów.

Obecnie więcej dojrzałych firm z ugruntowaną historią biznesową decyduje się na wdrożenia AI. Posiadają one działające systemy, które wymagają kolejnego etapu rozwoju, a nie budowy od podstaw.

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

Klienci coraz lepiej 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 wymierne korzyści.

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

To jest trudniejsze, niż mogłoby się wydawać. Sam fakt wykorzystania AI w danej funkcji nie świadczy jeszcze o jej sensowności. Miara sukcesu to realny wpływ na proces – skrócony czas obsługi, zredukowana praca ręczna, zwiększona skuteczność działań, oszczędność finansowa. Jeśli tych efektów nie widać, AI pozostaje efektownym, lecz kosztownym dodatkiem.

Kluczowe jest rzetelne zmierzenie efektywności, co wymaga odpowiedniego zdefiniowania metryk opłacalności już na początku projektu. Wiele firm nadal tego zaniedbuje. Chodzi nie tylko o to, czy rozwiązanie działa, ale czy działa na tyle dobrze, aby uzasadnić poniesione koszty.

Gdy rozwiązanie przechodzi z fazy pilotażowej do produkcyjnej, jego koszty mogą wzrosnąć wielokrotnie. Przyjrzyjmy się na przykład raportowi Uvik. Z ich analiz wynika, że koszty produkcyjne mogą przekraczać koszty PoC trzykrotnie, a nawet sześciokrotnie. Firmy często nie zdają sobie sprawy, jak bardzo mogą wzrosnąć koszty związane z API wraz ze wzrostem skali zastosowania. Nic dziwnego, że tylko 5% wdrożeń przynosi rzeczywistą wartość, nawiązując do raportu MIT.

Okazuje się jednak, że można to zrobić skutecznie. Według raportu Lenovo, prognozowany ROI może być bardzo zbliżony do proporcji 1:3. Jestem ciekaw faktycznej efektywności tych wdrożeń, ale pokazuje to, że realna wartość 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?

Kluczowy jest gruntowny proces analizy (discovery). Zanim powstanie choćby linijka kodu, należy dogłębnie zrozumieć, jaki problem rozwiązujemy, dla kogo i dlaczego właśnie teraz. Klienci najczęściej zgłaszają się z konkretnym problemem: proces jest zbyt powolny, zbyt kosztowny, trudny do skalowania lub brakuje im określonej funkcjonalności. I to jest nasz punkt wyjścia – nie technologia, lecz problem.

Często obserwujemy sytuację, w której klient przedstawia bardzo szczegółową specyfikację. Obecnie coraz częściej widać, że takie dokumenty są w dużej mierze wygenerowane przy użyciu narzędzi AI. Problem polega na tym, że gdy zaczynamy szczegółowo omawiać je z klientami, okazuje się, że znaczna część tych funkcji w ogóle nie jest potrzebna. Dlatego dla nas kluczowe jest zrozumienie źródła problemu, a nie mechaniczne odhaczanie punktów z listy wymagań.

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

Tak, zdarza się. Czasami po analizie okazuje się, że zaawansowane AI ani modele językowe nie są konieczne – wystarczy modernizacja istniejącego systemu, usprawnienie procesu lub zmiana kierunku rozwoju produktu. Jest to naturalne, że koncepcja projektu ewoluuje w trakcie jego realizacji.

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

W praktyce coraz częściej podkreśla się, że “udane wdrożenie AI” to nie tylko odpowiedni model i sensowny przypadek użycia, ale przede wszystkim jasne mechanizmy kontroli – od polityk bezpieczeństwa i zasad dostępu, poprzez logi audytowe, aż po techniczne zabezpieczenia. 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 moment, w którym zaczęliśmy bardziej intensywnie eksperymentować z rozwiązaniami opartymi na dużych modelach językowych. Plannin opiera swój model biznesowy między innymi na współpracy z influencerami, którzy kierują ruch na platformę. Szukaliśmy zatem sposobów, w jakie technologia może ułatwić im pracę, przyspieszyć tworzenie treści lub wesprzeć ich w codziennym użytkowaniu systemu.

Stworzyliśmy potok 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. Proces, który wcześniej wymagał żmudnej, czasochłonnej pracy manualnej, teraz zajmuje zaledwie kilka minut.

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

Pierwsze wdrożenia systemów opartych na LLM-ach nauczyły nas wiele, szczególnie w trzech kluczowych obszarach.

Po pierwsze, kwestia “halucynacji”. Mimo że modele LLM dysponują obszerną wiedzą ogólną, wiedza specyficzna dla konkretnego zadania nie jest wystarczająco dobrze zamodelowana. Należy to świadomie obejść poprzez ugruntowanie modelu we własnych danych, walidację wyników lub ograniczenie zakresu odpowiedzialności modelu do obszarów, w których faktycznie jest skuteczny.

Po drugie, kontrola i powtarzalność wyników. W naszych zastosowaniach LLM jest często elementem większego systemu, a nie samodzielnym produktem. Oznacza to, że musi komunikować się z pozostałymi częściami systemu w sposób przewidywalny i powtarzalny. Wymaga to ustrukturyzowania wyników, sposobu komunikacji między modelem a aplikacją oraz stosowania stałych formatów.

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 realne konsekwencje. 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 charakter błędów: problemem nie jest już błąd w systemie, lecz odpowiedź, która wygląda wiarygodnie, a 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 ewolucja niż rewolucja. Modele oczywiście stale się doskonalą, ale nie są to już tak znaczące skoki, jakie obserwowaliśmy na początku. Obecnie różnice są bardziej subtelne, bardziej jakościowe niż spektakularne.

Spodziewam się również większej specjalizacji. Niektóre modele będą lepiej sprawdzać się w analizie dokumentów, inne w generowaniu treści lub pracy z kodem. To zaczyna przypominać bardziej dobór odpowiednich narzędzi do konkretnego zadania niż wyścig o stworzenie najbardziej “magicznego” modelu. Jednocześnie wydatki na AI będą nadal rosły. Nie dlatego, że nastąpi rewolucja, ale dlatego, że te narzędzia coraz szerzej wchodzą do codziennej pracy.

W Polsce sytuacja jest nieco inna niż na najbardziej “rozgrzanych” rynkach. Nie obserwowaliśmy tu tak dużej bańki inwestycyjnej wokół AI, więc ryzyko jej spektakularnego pęknięcia jest również mniejsze. Rozwój będzie raczej stopniowy i bardziej pragmatyczny, niż napędzany wyłącznie przez hype.

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

Myślę, że niektóre firmy rzeczywiście nieco przeceniły możliwości AI jako zamiennika dla ludzkiej pracy. Te narzędzia potrafią przyspieszyć wiele zadań, ale nie “załatwiają wszystkiego”. W praktyce okazuje się, że nadal potrzebna jest wiedza, kontekst i odpowiedzialność po stronie człowieka. AI generuje sugestie, przyspiesza procesy, ale ktoś musi je ocenić, zrozumieć i osadzić w realiach produktu lub biznesu.

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

Widzę 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 z 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 – produktowo, biznesowo, systemowo – będą miały łatwiej odnaleźć się w tej nowej rzeczywistości. Tym, którzy koncentrowali się wyłącznie na wąskim fragmencie “ręcznej” pracy, może być trudniej, ponieważ część tych zadań faktycznie przejmują narzędzia. Ale to nie jest wyrok, lecz sygnał do rozwoju. Obserwuję w naszym zespole, że osoby, które potraktowały AI jako szansę na wejście na wyższy poziom, 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 reakcja potencjalnego wykonawcy na gotową specyfikację od klienta. Jeśli bezrefleksyjnie ją przyjmuje, wycenia roboczogodziny i deklaruje: “Zrobimy to w trzy miesiące” – powinna zapalić się czerwona lampka. Partner technologiczny, zanim zacznie myśleć o pisaniu kodu, zapyta: “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 transparentność w komunikacji dotyczącej ryzyka. Jeśli ktoś obiecuje bezproblemowe wdrożenie rozwiązania AI bez przeprowadzenia audytu jakości danych, infrastruktury lub bez poruszenia kwestii bezpieczeństwa i związanych z nim ryzyk, oznacza to, że koncentruje się wyłącznie na technologii. Partner z biznesowym DNA natychmiast zapyta o architekturę systemu, dług technologiczny i zasugeruje weryfikację gotowości organizacji na takie wdrożenie. Jeśli jest to rozwiązanie innowacyjne, o charakterze badawczo-rozwojowym, nie będzie obiecywał nierealnych rezultatów, lecz zaproponuje PoC, aby upewnić się co do jego wykonalności.

Obecnie w projektach AI kluczowe stają się kompetencje – nie tylko inżynierskie, ale również analityczne biznesowe oraz te związane z zarządzaniem projektem i jego wdrożeniem.

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 stanowi problem – tam, gdzie firma traci pieniądze, czas lub klientów. Należy to opisać jednym, maksymalnie dwoma prostymi zdaniami. Bez zbędnych elaboracji, które tylko gromadzą kurz w szufladach. Chodzi o jeden, konkretny, zdefiniowany proces, a nie od razu o cały system.

Drugi krok to zaplanowanie i weryfikacja wykonalności rozwiązania, a następnie oszacowanie jego kosztu – osobno dla fazy pilotażowej i osobno dla środowiska 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 AI – zazwyczaj taniej, ponieważ odpada koszt zużytych tokenów.

W trzecim kroku planowany kosztorys należy porównać z obecnymi kosztami ponoszonymi przez firmę. Bez tej kalkulacji nie można uczciwie stwierdzić, czy inwestycja w AI w ogóle ma sens. Czasami 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 przekłada się na jakość generowanych wyników.

Piąty krok to ustalenie szczegółów pilotażu: kto będzie testował rozwiązanie, w jakim okresie czasu i jakie rezultaty chcemy osiągnąć. Kluczowe wskaźniki efektywności (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 z tego rozwiązania korzystać. Należy zaplanować strategię wdrożenia produkcyjnego. Najprościej jest w przypadku systemów, które działają w tle i optymalizują procesy w sposób niewidoczny dla użytkownika. Jeśli jednak budujemy dodatkowe narzędzie, niezbędne są szkolenia i odpowiednia motywacja, aby inwestycja nie zakończyła się 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 przeczytanie naszego artykułu do 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