Enterprise AI i strategia · Analiza procesu
Przyszłość AI w firmie zaczyna się w Twoich procesach
Model językowy odpowiada na pytania. Proces wymaga więcej: wyjątków, wewnętrznych reguł, danych z kilku systemów i kogoś, kto na końcu zatwierdzi wynik. AI daje najwięcej tam, gdzie jest zbudowana dokładnie pod dany proces. Droga do tego zaczyna się od analizy procesu.
Julia Rose
Najważniejsze w skrócie
- Według badania IW z 2025 roku z AI korzysta 37% firm w Niemczech, najczęściej przez darmowe narzędzia. Tylko 3,6% rozwija AI samodzielnie.
- Autorzy badania dochodzą do wniosku, że do pełnego wykorzystania potencjału AI potrzebne są rozwiązania dedykowane i tworzone we własnym zakresie.
- Według McKinseya liderzy AI prawie trzy razy częściej gruntownie przebudowali poszczególne procesy.
- Analiza procesu wyjaśnia decyzje, dane, wyjątki i systemy, zanim wybierze się model.
Dlaczego AI bez kontekstu szybko dochodzi do granic
Ogólne narzędzia AI świetnie piszą, streszczają i odpowiadają na pytania. W codziennej pracy firmy wynik zależy jednak od rzeczy, których żaden ogólny model nie zna: wyjątków i przypadków szczególnych, wewnętrznego słownictwa, niespisanych reguł i danych zapisanych w ERP, CRM czy repozytorium dokumentów.
Większość firm jest dopiero na początku drogi z AI. Niemiecki Instytut Gospodarki (IW) przebadał w 2025 roku ponad 1000 firm w Niemczech:
| Wynik badania IW | Odsetek |
|---|---|
| Firmy korzystające z AI | 37,0% |
| korzystają z darmowych narzędzi AI | 29,3% |
| kupują aplikacje AI od innych firm | 13,0% |
| rozwijają AI samodzielnie | 3,6% |
Źródło: IW-Report, Wettbewerbsfaktor Künstliche Intelligenz, lipiec 2025 (po niemiecku)
Darmowe narzędzia dobrze sprawdzają się na początek, żeby zebrać pierwsze doświadczenia. Autorzy badania stawiają jednak sprawę jasno: aby w pełni wykorzystać potencjał AI, potrzebne są rozwiązania dedykowane i tworzone we własnym zakresie.
Co liderzy AI robią inaczej
Raport McKinseya State of AI 2025 pokazuje podobny obraz. Organizacje, które osiągają dzięki AI mierzalne wyniki, rzadko nakładają ją na istniejące procesy. Prawie trzy razy częściej niż inne organizacje gruntownie przebudowały poszczególne procesy.
Źródło: McKinsey, The State of AI in 2025
Zgadza się to z naszym doświadczeniem. Model, który dobrze wypada w demo, powstaje szybko. System, który każdego dnia niezawodnie odciąża ludzi, pojawia się dopiero wtedy, gdy wiadomo, jak zbudowane są dokumenty, jak obsługuje się wyjątki i jakie reguły obowiązują.
Co wyjaśnia analiza procesu
Najbardziej udane projekty AI zaczynają się od procesu. Na początku warto odpowiedzieć na takie pytania:
- Decyzje: jakie decyzje zapadają w procesie i które z nich system może przygotować albo przejąć?
- Dane: jakie informacje są dostępne, w jakim formacie i w których systemach?
- Warianty i wyjątki: które przypadki są typowe, które rzadkie i co się dzieje, gdy czegoś brakuje?
- Systemy: dokąd ma trafić wynik, np. do ERP, CRM albo systemu zgłoszeń?
- Kontrola: gdzie wynik sprawdza człowiek i jak system rozpoznaje, że nie ma pewności?
- Wartość: ile czasu i pracy proces kosztuje dziś i jak będzie mierzony sukces?
Odpowiedzi pokazują, czy AI się opłaca, od którego zastosowania zacząć i jaka architektura będzie pasować. Czasem wynik jest taki, że wystarczy prosta automatyzacja.
Od procesu do systemu AI
AI działająca produkcyjnie w firmie rzadko składa się z jednego modelu. Łączy kilka elementów, z których każdy przejmuje jedno zadanie w procesie:
| Element | Zadanie w procesie |
|---|---|
| Modele | czytają, klasyfikują, wyodrębniają dane i piszą |
| Moduły wiedzy | odpowiadają na podstawie dokumentów firmy ze wskazaniem źródła, np. przez RAG |
| Agenci | planują kroki i wywołują narzędzia |
| Integracja | pobiera dane z istniejących systemów i zapisuje w nich wyniki |
| Kontrola | sprawdza wyniki, przekazuje niepewne przypadki ludziom i prowadzi rejestr |
Jak kilku agentów współpracuje ze sobą i łączy się z istniejącymi systemami, opisujemy w artykule o systemach wieloagentowych.
W praktyce
W praktyce: Fr. Meyer’s Sohn
Firma logistyczna przetwarza dziennie tysiące e-maili z danymi przesyłek, tras i planowania, po niemiecku i po angielsku, bez stałego formatu. Ekstrakcja oparta na regułach nie radziła sobie z taką różnorodnością. Pipeline oparty na GPT, działający na serwerach klienta, zmniejsza nakład pracy przy ręcznym wyodrębnianiu danych o 80%.
W praktyce: Radaway
Producent wyposażenia łazienek miał już pierwszy system LLM do obsługi zamówień z e-maili od klientów. W trzy tygodnie rozwinęliśmy go w rozwiązanie gotowe do pracy na produkcji: 90% mniej ręcznych interwencji i ponad 95% trafności przy dopasowywaniu produktów.
W obu projektach kluczowa była logika procesu: jak naprawdę wyglądają e-maile, których danych może brakować i jak wynik trafia do istniejących systemów.
Co łączy systemy AI gotowe do pracy na produkcji
- Są osadzone w rzeczywistości: pracują na prawdziwych danych, wyjątkach i regułach firmy.
- Są przejrzyste: wyniki można sprawdzić, a niepewne przypadki trafiają do ludzi.
- Mogą rosnąć: kolejne kroki i zastosowania powstają na tej samej architekturze.
W artykule Jak firmy skutecznie wdrażają AI pokazujemy, jak z analizy powstaje uporządkowany proces wdrożenia.
Źródła
- McKinsey & Company: The State of AI in 2025: Agents, innovation, and transformation
- Engels B, Scheufen M, Schmitz E: Wettbewerbsfaktor Künstliche Intelligenz. Empirische Befunde und Handlungsempfehlungen zum Einsatz von KI in deutschen Unternehmen. IW-Report, Kolonia, 4 lipca 2025 (po niemiecku). PDF
Który proces kosztuje Cię najwięcej?
W analizie procesu opisujemy Twoje procesy, porządkujemy zastosowania według wartości i proponujemy architekturę dopasowaną do Twoich systemów.
Zapytaj o analizę procesuNajczęściej zadawane pytania
Ponieważ procesy zależą od wyjątków, wewnętrznych reguł i danych z kilku systemów. Ogólny model nie zna tego kontekstu i nie potrafi zapisać wyników w istniejących systemach.
Jakie decyzje zapadają w procesie, jakie dane są dostępne, jakie istnieją warianty i wyjątki, dokąd trafiają wyniki, gdzie sprawdza je człowiek i jak mierzy się sukces.
Według badania Niemieckiego Instytutu Gospodarki (IW) z 2025 roku z AI korzysta 37,0% firm, ale tylko 3,6% rozwija ją samodzielnie. Większość opiera się na darmowych narzędziach.
W theBlue.ai analiza jest dostępna w stałej cenie od 3000 €. Wdrożenie kosztuje zwykle od 25 000 do 100 000 €, a wycena z określonym zakresem powstaje na koniec analizy.
Julia jest w theBlue.ai od 2019 roku i od początku istnienia firmy obserwuje z bliska, jak powstają aplikacje AI dla przedsiębiorstw. Jako Marketing Lead ściśle współpracuje z zespołami inżynierów i doradców, a złożone tematy techniczne przekłada na język zrozumiały dla osób decyzyjnych.
W swoich artykułach pisze o praktycznych doświadczeniach z projektów enterprise AI oraz o wyzwaniach i szansach, jakie AI daje firmom.