Typowe błędy founderów przy wdrażaniu AI — i jak ich nie powtarzać

Mniej więcej raz w tygodniu przychodzi do mnie founder z mniej więcej tym samym zdaniem: „Vad, wdrożyliśmy AI, ale pieniędzy to nie przyniosło”. I kiedy zaczynamy rozbierać na części to, co właściwie „wdrożyli”, wychodzi ten sam obraz, który widzę od lat. Błąd prawie nigdy nie leży w technologii. Leży w tym, jak do technologii podeszli.

Uczę founderów AI i automatyzacji w KIERUNEK.AI — polskiej marce, którą prowadzę razem z Instytutem Kryptografii — a równolegle sam wdrażam to wszystko w Dronehub i w Oswin AI. Jestem więc i tym, kto wchodzi na grabie, i tym, kto potem patrzy, jak na te same grabie wchodzą inni. Przez ten czas uzbierała się dość wyraźna lista powtarzalnych błędów. Nie jest ona unikalna dla Polski — to samo pokazują duże badania. Według raportu MIT „The GenAI Divide” z 2025 roku 95% korporacyjnych pilotaży generatywnego AI nie przyniosło żadnego mierzalnego wpływu na zysk. Nie dlatego, że modele są słabe. Dlatego, że źle je wbudowano.

Poniżej dziewięć błędów, które widzę najczęściej. Przy każdym wyjaśnię, skąd się w ogóle bierze i jak zrobić to dobrze. Na końcu jest tabela, którą można wydrukować i powiesić sobie przed oczami.

1. Automatyzować chaos, zamiast najpierw uprościć proces

To błąd numer jeden i zarazem najdroższy. Founder ma pogmatwany proces — dziesięć różnych czatów, ręczne arkusze, ustalenia „na słowo”, trzy wyjątki od każdej reguły — i postanawia: „nałożę na to AI, ono zrobi porządek”. Nie zrobi. AI nie sprząta bałaganu, ono go skaluje. Dostajesz po prostu ten sam chaos, tylko szybszy i droższy.

Skąd się to bierze? Stąd, że automatyzacja daje poczucie postępu, a upraszczanie daje poczucie nudnej roboty. Usiąść i przepisać proces — to praca niewidoczna, bez efektu „wow”. Podłączyć AI — to efektowne demo, które można pokazać zespołowi. Dlatego wszyscy biegną od razu do drugiego kroku.

A trzeba odwrotnie. Najpierw weź proces i uprość go ręcznie, bez żadnej technologii. Wyrzuć zbędne kroki, usuń wyjątki, których można nie robić, opisz to, co zostało, prostymi słowami. Bardzo często na tym etapie okazuje się, że połowy procesu w ogóle nie trzeba automatyzować — trzeba ją skasować. I dopiero czysty, opisany proces ma sens oddawać maszynie. Reguła jest prosta: jeśli nie potrafisz wytłumaczyć procesu stażyście w pięć minut, AI też go nie zrozumie.

2. Kupować narzędzie pod hype, a nie pod zadanie

Wychodzi nowy głośny model albo serwis — i się zaczyna. „Wszyscy biorą, my też musimy”. Kupuje się subskrypcję, wydziela budżet, a miesiąc później narzędzie stoi martwe, bo nikt tak naprawdę nie sformułował, jakie konkretne zadanie miało zamknąć.

Korzeń jest tu jeden: strach przed zostaniem w tyle. W 2025 roku newsów o AI jest tyle, że ma się wrażenie, jakby co tydzień wychodziło coś, bez czego przegrasz. To złudzenie. Narzędzie bez zadania to nie inwestycja, to wyciek pieniędzy i uwagi.

Prawidłowa kolejność jest odwrotna: najpierw zadanie, potem narzędzie. Zapisz konkretnie, co boli — „menedżerowie tracą po dwie godziny dziennie na te same odpowiedzi dla klientów”. To jest zadanie. Pod nie można już dobierać rozwiązanie i uczciwie mierzyć, czy zrobiło się lepiej. Hype to kiepski doradca; nudna formuła „boli tutaj, kosztuje tyle, oszczędza tyle” to dobry doradca. Sam nieraz kupiłem coś głośnego, a potem po cichu zrezygnowałem, bo tak i nie znalazłem, do czego to przyłożyć.

3. Czekać na magię, zamiast iterować

Bardzo częste oczekiwanie: podłączyłeś AI — i od razu masz idealny wynik. Pierwsza odpowiedź wychodzi krzywo, człowiek się rozczarowuje i wyciąga wniosek „AI nie działa”. W rzeczywistości nie działa podejście „odpaliłem i poszedłem”.

Skąd bierze się to oczekiwanie? Z marketingu i z demo. W nagraniach wszystko wychodzi za pierwszym razem, bo nagrania kręci się dopóty, dopóki nie wyjdzie. W realu AI to nie magiczny przycisk, tylko narzędzie, które trzeba dostroić iteracjami: doprecyzować instrukcję, dać przykłady, ograniczyć format, sprawdzić na dziesięciu realnych przypadkach, poprawić.

Prawidłowy tryb to cykl. Odpaliłeś na małej próbce, zobaczyłeś, gdzie się myli, podkręciłeś, powtórzyłeś. Pierwsze wersje zawsze są surowe — to normalne, a nie powód, żeby rzucać. Zresztą MIT wprost wskazuje: przeżywa te 5% projektów, które nie zatrzymały się na demo, lecz doprowadziły jeden wąski przypadek do stanu roboczego przez iteracje. Magii nie ma. Jest dyscyplina powtarzania.

4. Ignorować jakość danych

AI karmi się twoimi danymi. Jeśli dane są brudne — duplikaty klientów, nieaktualne ceny, ten sam kontakt w trzech zapisach, arkusze, których nikt nie odświeżał od pół roku — to i odpowiedzi będą brudne. „Śmieci na wejściu, śmieci na wyjściu” nie zniknęło nigdzie, AI tylko zrobiło to szybciej.

Dlaczego ten błąd tak łatwo popełnić? Bo dane to część niewidoczna. Ładny interfejs widać, a to, że pod spodem leży baza pełna sprzeczności, nie widać, dopóki nie zaczną się dziwne odpowiedzi. Dlatego wszyscy myślą o modelu i prawie nikt o tym, czym się go karmi.

A to właśnie dane są najczęstszą przyczyną porażki. Według szacunków Gartnera około 85% projektów AI upada właśnie przez niską jakość lub brak danych istotnych dla zadania. Według badania Informatica jedynie 12% organizacji ma dane o jakości wystarczającej dla AI. To nie jest więc rzadka bieda, to norma. Prawidłowy krok to zrobić porządek w danych, zanim podłączysz inteligentne narzędzia. Jedno wiarygodne, uporządkowane źródło danych da lepszy wynik niż najdroższy model postawiony na chaosie.

5. Brak człowieka w pętli przy działaniach ryzykownych

AI myli się z pełnym przekonaniem. W tym tkwi główna podstępność: nieprawidłową odpowiedź podaje tym samym spokojnym tonem co prawidłową. Dlatego oddanie mu pełnej kontroli nad ryzykownymi działaniami — wysyłaniem maili do klientów, realizacją płatności, zmianami w umowach, usuwaniem danych — to nie kwestia „czy błąd się zdarzy”, lecz „kiedy i jak drogo”.

Ten błąd robi się z chęci uzyskania maksimum automatyzacji jak najszybciej. „Niech już samo wszystko robi” brzmi jak marzenie o efektywności. Ale jeden pewny siebie błąd przy wrażliwym działaniu może kosztować więcej niż cała roczna oszczędność.

Prawidłowo — zostawiać człowieka w pętli tam, gdzie cena błędu jest wysoka. AI przygotowuje, człowiek potwierdza. To nie brak zaufania do technologii, to normalna inżynierska ostrożność. Zdjąć potwierdzenie można tylko tam, gdzie błąd jest tani, a wolumen duży — i dopiero po tym, jak zobaczysz realną statystykę jakości na setkach przypadków. Najpierw zapracuj na zaufanie liczbami, potem zdejmuj bezpiecznik.

6. Nie liczyć realnego kosztu i zwrotu

Klasyczny obraz: AI „niby pomaga”, wszystkim się podoba, a kiedy pytasz „ile przyniosło albo zaoszczędziło w pieniądzach” — cisza. Projekt żyje na poczuciu korzyści, a nie na liczbie. I prędzej czy później się go zamyka, bo nie ma czym go uzasadnić.

Dlaczego się nie liczy? Bo liczenie jest niewygodne. Widoczny koszt to subskrypcja, umowne dwadzieścia dolarów miesięcznie, i jest mały. A prawdziwy koszt jest schowany: tokeny i wywołania API na wolumenie, czas ludzi na weryfikację odpowiedzi, monitoring, aktualizacje pod nowe wersje modeli, koszt samych błędów. Tego wszystkiego nie ma w cenniku, więc się o tym zapomina.

Prawidłowo — liczyć nie cenę uruchomienia, lecz pełny koszt posiadania i czysty efekt. Z jednej strony wszystkie realne wydatki, z drugiej — konkretna zaoszczędzona lub zarobiona kwota. Jeśli różnica nie jest oczywista, to nie projekt biznesowy, tylko hobby za pieniądze firmy. Swoją drogą MIT pokazuje, gdzie zwrot jest realny najczęściej: nie w efektownych demo dla klienta, lecz w nudnej automatyzacji back-office — tam, gdzie widać, ile godzin czy outsourcingu wyciąłeś. Szukaj zwrotu tam, gdzie łatwo go policzyć.

7. „Jeden wielki projekt” zamiast małych zwycięstw

Pokusa jest wielka: „zróbmy od razu duży system AI, który przebuduje cały dział”. Wydziela się budżet na pół roku, zbiera zespół, rysuje diagramy. A po pół roku okazuje się, że nic nie ruszyło, pieniądze się spaliły, a zespół stracił wiarę, bo tak i nie zobaczył żadnego wyniku.

Ten błąd bierze się z ambicji i z niezrozumienia, że wdrożenie AI jest nieprzewidywalne. Duży projekt wygląda solidnie, miło się go prezentuje inwestorom czy zarządowi. Ale składa wszystkie ryzyka w jeden punkt: jeśli coś nie wystartowało, nie wystartowało wszystko naraz.

Prawidłowa droga to nawlekać małe zwycięstwa. Weź jedno wąskie zadanie, które da się doprowadzić do korzyści w dwa tygodnie. Odpaliłeś, pokazałeś liczbę, zdobyłeś zaufanie zespołu — dalej kolejne. Każdy mały wynik finansuje i uzasadnia następny krok, a ty uczysz się na tanich błędach, a nie na jednym drogim. Wielka transformacja to nie jeden skok, to dwadzieścia małych kroków, z których każdy już się zwrócił.

8. Niedbałość o dane i prywatność

W zapale wdrażania łatwo zacząć wklejać do pierwszego lepszego serwisu AI wszystko jak leci: bazy klientów, umowy pod NDA, sprawozdania finansowe, korespondencję. Szybko, wygodnie — i pewnego dnia drogo, gdy okazuje się, że dane wrażliwe trafiły tam, gdzie nie powinny, albo że serwis dodatkowo się na nich uczył.

Ten błąd bierze się z azartu i z niewidoczności ryzyka. Dopóki nic się nie stało, prywatność wydaje się biurokratycznym drobiazgiem, który spowalnia pracę. Aż do chwili, gdy staje się głównym problemem — z karami za RODO i utratą zaufania klientów.

Prawidłowo — od początku rozdzielać dane według wrażliwości. Publiczne i niewrażliwe można śmiało oddawać gdziekolwiek. A dane osobowe klientów, tajemnicę handlową i dokumenty pod umowami — tylko do serwisów, w których sprawdziłeś warunki: czy uczą się na twoich danych, gdzie je przechowują, czy jest to zgodne z prawem. Dla danych wrażliwych istnieją osobne plany biznesowe z gwarancjami, modele lokalne i anonimizacja danych przed wysłaniem. To nie paranoja — to higiena, która kosztuje grosze z góry i szalone pieniądze po fakcie.

9. Wdrażać bez właściciela i bez przeszkolenia zespołu

Dziewiąty błąd zszywa wszystkie poprzednie. Narzędzie kupiono, skonfigurowano, pokazano zespołowi na jednym spotkaniu — i poszło się dalej. Po miesiącu nikt z niego nie korzysta. Nie dlatego, że jest złe, lecz dlatego, że nie ma gospodarza i nikt się go porządnie nie nauczył.

AI zmienia nie tylko procesy, ale i nawyki ludzi, a nawyków nie przełącza się ot tak. Jeśli we wdrożeniu nie ma konkretnej osoby odpowiedzialnej za wynik i nie ma porządnego szkolenia, narzędzie po cichu umiera — nawet najlepsze. Zresztą MIT jako główną przyczynę porażek wskazuje nie jakość modeli, lecz „lukę w uczeniu się” narzędzi i organizacji: technologię wdrożono, a ludzi i procesów pod nią nie podciągnięto.

Prawidłowo — każde wdrożenie AI musi mieć właściciela, który odpowiada za to, żeby z narzędzia korzystano i żeby przynosiło wynik. I musi być szkolenie — nie jedna prezentacja, lecz porządne wprowadzenie do pracy, z przykładami na realnych zadaniach zespołu. Technologia bez człowieka, który za nią odpowiada, to nie aktyw, to przyszły dług techniczny.

Tabela: dziewięć błędów i co robić zamiast nich

Co z tym wszystkim zrobić

Jeśli sprowadzić dziewięć błędów do jednego zdania, brzmi ono tak: AI nie ratuje przed brakiem systemu, ono go tylko podświetla. Wszystkie nieudane wdrożenia, jakie widziałem, łączy jedno — próba przeskoczenia nudnej roboty. Nie uprościć procesu, nie uporządkować danych, nie policzyć pieniędzy, nie przeszkolić ludzi, tylko od razu do efektownego wyniku.

Dlatego moja rada jest zawsze taka sama i trochę rozczarowuje tych, którzy przyszli po magię. Zacznij od małego. Weź jedno bolesne, wąskie zadanie. Uprość proces wokół niego ręcznie. Uporządkuj dane, które do niego wchodzą. Dobierz narzędzie dokładnie pod nie, a nie pod nagłówki. Odpal z człowiekiem w pętli. Policz, ile to zaoszczędziło. I dopiero kiedy zobaczysz liczbę — bierz kolejne zadanie.

To nie brzmi jak rewolucja. Za to działa — w przeciwieństwie do tych 95% pilotaży, które zostały ładnymi demo. Rewolucję policzą ci później te dwadzieścia małych kroków, z których każdy już się zwrócił.