W dyskusjach o sztucznej inteligencji łatwo wpaść w pułapkę zachwytu nad prędkością. Widzimy, jak model w kilka sekund podsumowuje długi dokument, pisze fragment kodu albo generuje szablon oferty. Na pierwszy rzut oka rachunek wydaje się prosty: ucinamy czas wykonania o połowę, więc koszty firmy też powinny spaść. W praktyce ten mechanizm rzadko działa tak gładko. Zaoszczędzony czas nie jest automatycznie gotówką na koncie firmy.
Wąskim gardłem rzadko jest dziś sam model
Kiedy pomagam zespołom analizować ich codzienną pracę, często widzę to samo zjawisko. Optymalizujemy jeden konkretny punkt — na przykład proces tworzenia prognozy popytu lub wyciągania danych z faktury. Nowe narzędzie robi to bezbłędnie i błyskawicznie. Problem w tym, że reszta organizacji nadal pracuje w starym tempie. Jeśli działy zakupów, produkcji i magazynu nie zmienią sposobu, w jaki podejmują decyzje na podstawie tych nowych, szybszych prognoz, inwestycja w narzędzie staje się wyłącznie kosztem operacyjnym.
Technologia potrafi poprawić jakość surowego wyniku, ale rzadko naprawia pofragmentowany proces. Zdolność firmy do wdrażania zmian, reagowania na lepsze dane i przesuwania ludzi do innych zadań to element, który limituje ostateczny zwrot z inwestycji znacznie częściej niż "zbyt głupi" model językowy.
Błąd pomiaru: koszt tokena kontra koszt zadania
Kolejną rzeczą, która zniekształca obraz, jest sposób, w jaki liczymy koszty. Dostawcy chwalą się spadającymi cenami tokenów obliczeniowych. Słyszymy, że zapytanie do gigantycznego modelu kosztuje dziś grosze. Jednak z perspektywy inżynierskiej koszt tokena to tylko wierzchołek góry lodowej.
Jeśli zbudujemy system agentowy lub wdrożymy lokalne wyszukiwanie w wiedzy firmy, pojawiają się koszty ukryte. Wygenerowanie odpowiedzi to jedno, ale musimy doliczyć czas potrzebny na: znalezienie poprawnego kontekstu, komunikację między systemami, i — co najważniejsze — czas człowieka, który musi ten wynik zweryfikować. Dopóki system nie jest w 100% zaufany w krytycznych procesach biznesowych, dopóty na końcu siedzi ekspert, którego czas kosztuje. Powinniśmy przestać pytać "ile kosztuje milion tokenów", a zacząć pytać "jaki jest pełny koszt poprawnego zamknięcia tego jednego zgłoszenia reklamacyjnego".
Trzy oddzielne rachunki
Żeby realnie ocenić, czy AI pomaga naszej firmie, proponuję rozdzielić pojęcie ROI na trzy zupełnie inne koszyki. Kiedy wrzucimy je do jednego worka, wynik zawsze będzie zafałszowany.
- Rachunek zadania: Skupia się wyłącznie na tym, czy da się skrócić czas pojedynczej czynności z godziny do kwadransa. To obiecujący początek, ale to nie jest moment na otwieranie szampana. Urywanie minut nie ma znaczenia, jeśli człowiek i tak nie ma na co ich sensownie przeznaczyć.
- Rachunek firmy: Tutaj liczy się gotówka. Realny zysk pojawia się tylko wtedy, gdy uwolniony czas pozwala np. obsłużyć 20% więcej klientów w miesiącu bez zatrudniania nowych osób, albo gdy lepsza kontrola jakości wyraźnie redukuje koszty reklamacji.
- Rachunek dostawcy infrastruktury: To gra, w którą grają giganci technologiczni budujący serwerownie. Fakt, że AI jest hiper-opłacalne dla twórców kart graficznych i dostawców chmury, nie jest gwarancją, że wklejenie chatbota do Twojego sklepu zwiększy jego zyski.
Dług poznawczy, czyli cena wygody
Na koniec jest coś, czego nie da się łatwo wpisać do Excela, a co budzi moje największe obawy podczas wprowadzania automatyzacji. To ryzyko osłabienia kompetencji zespołu. Gdy oddelegujemy maszynie trudną analityczną pracę, początkowo wszystko wygląda świetnie — nowi i słabsi pracownicy zaczynają dowozić wyniki na poziomie średniaków. Ale co dzieje się, gdy trzeba zweryfikować niuans, błąd maszyny albo zareagować w kryzysie?
Jeśli ludzie przestają ćwiczyć "mięsień" krytycznego myślenia na co dzień, powoli tracą zdolność oceny, kiedy narzędzie zaczyna się mylić. Jeśli za bardzo przyspieszymy bieżącą pracę operacyjną, możemy jednocześnie ograniczyć naszą odporność na przyszłe problemy. To cena wygody, którą warto uwzględnić zanim przekażemy maszynie zbyt wiele.
Od czego zacząć, by liczyć realnie?
Zamiast rzucać się na wdrożenie "AI w całej firmie", proponuję inżynierski minimalizm, o którym często tu wspominam:
- Znajdź jeden powtarzalny proces, który ma jasnego właściciela biznesowego.
- Zmierz, ile realnie kosztuje zamknięcie zadania dzisiaj (wliczając czas na poprawki).
- Porównaj to ze zautomatyzowaną wersją, ale zmierz cały cykl — od wejścia danych aż po akceptację przez kontrolera jakości.
- Ustal z góry cel: jeśli urwiemy godzinę, to na jakie konkretne zadanie ten czas przeznaczymy.
Sztuczna inteligencja nie jest magicznym zastrzykiem gotówki, ale bardzo skuteczną dźwignią. Zadziała i przyniesie zysk tylko wtedy, gdy firma potrafi tę dźwignię odpowiednio podeprzeć i ma gotowy plan na to, co z uwolnioną siłą zrobić.