AI pod presją wyników. Czego zarząd powinien wymagać od firmy IT? Wywiad z Tomaszem Dzikim, wiceprezesem i współwłaścicielem Britenet

Po dwóch latach eksperymentów z generatywną sztuczną inteligencją zarządy coraz częściej zadają proste pytanie: ile to kosztuje i co z tego mamy? Rozmawiamy z Tomaszem Dzikim, wiceprezesem i współwłaścicielem Britenet, o tym, dlaczego wiele wdrożeń AI kończy się na etapie pilotażu, jaką rolę odgrywają dane i czego oczekiwać od partnera technologicznego. W roku 20-lecia firmy pytamy także, jak Britenet przeszedł od dostarczania specjalistów do rozwiązywania problemów biznesowych klientów.

Wiele firm ma za sobą pilotaże AI, ale niewiele potrafi wskazać ich wpływ na wynik finansowy. Gdzie leży problem?

Najczęściej na samym początku. Projekt startuje od technologii, a nie od pytania biznesowego. Ktoś widzi możliwości modelu językowego i szuka dla niego zastosowania. Po kilku miesiącach powstaje działający prototyp, który nikomu nie oszczędza czasu ani pieniędzy, bo nie został przypięty do konkretnego procesu i konkretnego wskaźnika.

AI nie jest celem samym w sobie. To narzędzie, które ma skrócić obsługę reklamacji, poprawić trafność prognozy popytu, zmniejszyć liczbę błędów w danych albo odciążyć zespół od powtarzalnej pracy. Jeśli tego celu nie nazwiemy przed rozpoczęciem prac, nie zmierzymy go po ich zakończeniu. A jeśli nie da się zmierzyć efektu, trudno się dziwić, że dyrektor finansowy nie chce finansować kolejnego etapu.

Czyli problemem nie jest sama technologia?

Technologia jest dziś najmniejszym problemem. Modele są dostępne, coraz tańsze i coraz lepsze. Trudność leży gdzie indziej: w procesach, w danych i w organizacji. Wdrożenie AI zmienia sposób pracy ludzi, a to wymaga decyzji, kto odpowiada za nowy proces, kto zatwierdza wyniki modelu i co się dzieje, gdy model się myli. Firmy, które traktują AI wyłącznie jako projekt działu IT, zwykle zatrzymują się na pilotażu. Te, które traktują ją jako zmianę sposobu prowadzenia biznesu, z zaangażowaniem właściciela procesu po stronie operacyjnej, dochodzą do wdrożenia produkcyjnego.

Czego zatem zarząd powinien wymagać od firmy IT, która ma wdrożyć AI?

Trzech rzeczy.

Po pierwsze, zrozumienia biznesu. Dostawca powinien na pierwszym spotkaniu pytać o proces, marżę, koszty obsługi i ryzyko, a nie o preferowany model czy dostawcę chmury. Jeśli rozmowa od początku toczy się wokół technologii, to sygnał ostrzegawczy. Dobry partner potrafi też powiedzieć klientowi, że w danym przypadku AI nie jest potrzebna, bo problem rozwiąże prostsza automatyzacja albo zmiana procesu.

Po drugie, odpowiedzialności za cały projekt. Od analizy, przez wdrożenie, po utrzymanie i dalszy rozwój. Rozproszenie tej odpowiedzialności między kilku podwykonawców to najprostszy sposób, żeby nikt nie odpowiadał za efekt. Jeden dostarcza dane, drugi model, trzeci integrację, a kiedy wynik jest słaby, każdy wskazuje na pozostałych.

Po trzecie, jasno określonych kosztów i mierzalnych korzyści. Zarząd ma prawo usłyszeć przed startem, jaki wskaźnik się zmieni, w jakim czasie i w jaki sposób to sprawdzimy. Ma też prawo znać pełny koszt. Nie tylko wdrożenia, ale także licencji, infrastruktury, eksploatacji modeli i utrzymania w kolejnych latach.

To trochę jak z budową hali produkcyjnej. Nikt rozsądny nie zatrudnia osobno murarzy, elektryków i dekarzy, licząc, że sami ustalą, kto odpowiada za oddanie obiektu. Wybiera się generalnego wykonawcę z odpowiedzialnością za całość, z harmonogramem i budżetem. W projektach AI powinno być tak samo.

Jak w praktyce powinna wyglądać taka umowa? Tradycyjne rozliczanie za czas pracy chyba nie sprzyja odpowiedzialności za wynik.

To prawda. Rozliczenie za czas pracy ma swoje miejsce, na przykład gdy klient ma własny zespół i potrzebuje go wzmocnić. Ale jeśli oczekujemy od dostawcy odpowiedzialności za rezultat, model współpracy powinien to odzwierciedlać. W praktyce najlepiej sprawdza się podejście etapowe. Najpierw krótka, dobrze zdefiniowana faza analizy i walidacji, z ustalonym budżetem i jasnym kryterium sukcesu. Dopiero po niej decyzja o wdrożeniu, już na podstawie realnych danych, a nie założeń.

Takie podejście chroni obie strony. Klient nie angażuje dużego budżetu w pomysł, który może się nie obronić. Dostawca nie wycenia w ciemno projektu, którego zakresu nikt jeszcze nie zna. A zarząd dostaje w każdym punkcie decyzyjnym konkretną informację: co wiemy, ile to kosztuje i czego możemy się spodziewać.

Mówi się, że AI jest tak dobra, jak dane, na których pracuje. To slogan czy realne ograniczenie?

Bardzo realne ograniczenie. Skuteczność AI zależy od trzech cech danych: jakości, kompletności i dostępności. Jeśli w systemie CRM ten sam klient występuje trzy razy pod różnymi nazwami, połowa szans sprzedażowych nie ma uzupełnionej wartości, a historia obsługi leży w osobnym systemie, to żaden model nie wygeneruje wiarygodnej rekomendacji. Wygeneruje za to bardzo przekonującą błędną rekomendację, co jest znacznie groźniejsze. Model językowy nie powie, że nie wie. Poda odpowiedź tonem eksperta, a użytkownik, który nie zna stanu danych, nie ma powodu, żeby jej nie zaufać.

Jak to wygląda w systemach CRM, na przykład w Salesforce, z którym Britenet pracuje od lat?

Widzimy to bardzo wyraźnie. Platformy CRM oferują coraz więcej wbudowanych funkcji AI: podpowiedzi dla handlowców, automatyczne podsumowania spraw, prognozy sprzedaży, asystenci dla konsultantów obsługi klienta. Tymczasem pierwsze tygodnie projektu i tak poświęcamy na porządkowanie danych, ujednolicenie definicji i połączenie CRM z systemami ERP, systemami obsługi klienta czy hurtownią danych.

Często okazuje się, że najważniejsze pytania wcale nie są techniczne. Co właściwie oznacza aktywny klient? Kiedy szansa sprzedażowa jest rzeczywiście zamknięta? Kto w organizacji odpowiada za poprawność danych kontaktowych? Dopóki firma nie ustali tych faktów, każda funkcja AI będzie pracowała na niespójnym obrazie rzeczywistości.

Czy to oznacza, że przed wdrożeniem AI trzeba uporządkować wszystkie dane w firmie?

Nie, i to bardzo ważne. Projekt „uporządkujmy wszystkie dane” to przepis na wieloletnie przedsięwzięcie bez widocznego efektu. Dane trzeba powiązać z konkretnym celem biznesowym. Jeśli chcemy skrócić czas obsługi reklamacji, porządkujemy dane o reklamacjach, produktach i klientach, które są potrzebne do tej konkretnej decyzji. Jeśli chcemy poprawić terminowość dostaw, zaczynamy od danych o zamówieniach, zapasach i transporcie. Zakres porządkowania wynika z celu, a nie odwrotnie. Dzięki temu pierwszy efekt jest widoczny szybko, a kolejne obszary dołączają stopniowo.

Coraz więcej mówi się o ryzyku związanym z AI: bezpieczeństwie danych, regulacjach, odpowiedzialności za decyzje modelu. Jak zarząd powinien do tego podchodzić?

Jako do integralnej części projektu, a nie formalności na końcu. Zarząd powinien wiedzieć, gdzie przetwarzane są dane firmy i klientów, kto ma do nich dostęp, czy trafiają do zewnętrznych dostawców modeli i na jakich zasadach. Powinien też wiedzieć, które decyzje model podejmuje samodzielnie, a które wymagają zatwierdzenia przez człowieka.

W sektorach regulowanych, takich jak finanse, ubezpieczenia czy administracja publiczna, te pytania są szczególnie istotne. Dlatego klienci coraz częściej pytają o możliwość uruchomienia rozwiązań AI we własnym środowisku, na modelach działających lokalnie, bez przekazywania danych na zewnątrz. Dostawca, który nie potrafi rzeczowo odpowiedzieć na takie pytania, nie powinien prowadzić projektu AI w firmie, która poważnie traktuje swoje dane.

Mówi Pan o zaufaniu i braniu odpowiedzialności za kluczowe dane klienta. Na taką pozycję pracuje się latami. Britenet obchodzi w tym roku 20-lecie. Jak firma zmieniła się przez ten czas?

Zaczynaliśmy jako niewielki zespół, który dostarczał klientom specjalistów do ich projektów. To był prosty i potrzebny model, który pozwolił nam zbudować kompetencje i relacje z klientami. Odpowiedzialność za wynik pozostawała jednak po stronie odbiorcy. My odpowiadaliśmy za kompetencje ludzi, a klient za to, jak z nich skorzysta.

Z czasem kontrahenci zaczęli oczekiwać czegoś więcej: partnera, który przejmie cały projekt, zaproponuje rozwiązanie i odpowie za jego działanie. Zmieniło się też otoczenie rynkowe. Dostęp do specjalistów przestał być jedynym wyróżnikiem, a klienci zaczęli porównywać dostawców pod kątem tego, jaki efekt biznesowy potrafią dostarczyć.

Co ta zmiana oznaczała w praktyce dla organizacji?

Wymagała od nas zupełnie innych kompetencji. W modelu dostarczania specjalistów kluczowe są rekrutacja i dopasowanie ludzi do projektów. W modelu odpowiedzialności za rozwiązanie potrzebujemy analityków biznesowych, którzy rozumieją procesy klienta, kierowników projektów, którzy zarządzają zakresem i ryzykiem, zespołów pracujących z danymi, a wreszcie ludzi, którzy potrafią zbudować i rozwijać własny produkt.

Zmienił się też sposób prowadzenia rozmów handlowych. Pierwsze spotkanie z klientem to rozmowa o jego problemie, a nie o naszej ofercie. Realizujemy całe projekty, utrzymujemy i rozwijamy systemy klientów, a coraz częściej budujemy własne rozwiązania, które bezpośrednio rozwiązują problemy biznesowe.

Jak dostarczanie wartości wygląda w praktyce? Od czego zaczynacie?

Od analizy biznesowej. I to jest etap, którego wielu klientów wciąż nie docenia. Lwia część nieudanych projektów IT nie przegrywa na etapie programowania, tylko dużo wcześniej – przy uzgadnianiu wymagań. Biznes opisuje potrzebę, IT ją interpretuje, powstaje dokumentacja, którą mało kto czyta w całości, a po kilku miesiącach okazuje się, że obie strony miały na myśli coś innego. Koszt takiego nieporozumienia rośnie z każdym tygodniem prac. Dobry analityk biznesowy nie spisuje życzeń. Zadaje niewygodne pytania, szuka luk w procesie i pomaga klientowi oddzielić to, co naprawdę ważne, od tego, co tylko wygląda atrakcyjnie.

Czy AI zmienia pracę analityka?

Zmienia ją zasadniczo. Jeszcze niedawno od rozmowy o wymaganiach do pierwszego działającego modelu rozwiązania mijały tygodnie. Dziś, dzięki narzędziom AI, analityk razem z inżynierem potrafi w ciągu kilku dni zbudować interaktywny prototyp, który użytkownicy biznesowi mogą sami przetestować. To zmienia charakter rozmowy. Zamiast dyskutować nad dokumentem, pokazujemy działający ekran i pytamy: czy tak ma to wyglądać? Natychmiast wychodzą na jaw brakujące elementy, na przykład nieokreślone ścieżki eskalacji, niejasne role w procesie czy wyjątki, o których nikt wcześniej nie pomyślał.

Trzeba jednak jasno powiedzieć, czym taki prototyp jest, a czym nie jest. To narzędzie do uzgodnienia wymagań i sprawdzenia pomysłu, a nie gotowy system. Rozwiązanie produkcyjne musi spełniać wymagania bezpieczeństwa, wydajności i integracji, których szybki prototyp nie spełnia. Wartość tego podejścia polega na tym, że zarząd podejmuje decyzję inwestycyjną, widząc, za co płaci, a budżet nie zostaje wydany na rozwiązanie, którego biznes w rzeczywistości nie potrzebował.

Coraz częściej mówi się o roli Forward-deployed Engineer. Co to za rola?

To inżynier, który nie pracuje w oderwaniu od klienta, tylko w jego środowisku, blisko ludzi i procesów, które rozwiązanie ma usprawnić. Model ten spopularyzował Palantir, a dziś własne zespoły tego typu budują także największe firmy rozwijające modele AI, takie jak OpenAI czy Anthropic.

Forward-deployed Engineer łączy kompetencje, które dotąd były rozdzielone. Rozumie proces biznesowy klienta niemal jak analityk, a jednocześnie potrafi sam zbudować, zintegrować i uruchomić rozwiązanie. Nie przekazuje wymagań dalej, tylko przekłada je bezpośrednio na działające oprogramowanie, a potem obserwuje, jak ludzie z niego korzystają, i wprowadza poprawki.

Dlaczego ta rola staje się tak ważna właśnie teraz?

Bo wdrożenia AI rzadko przebiegają według gotowego scenariusza. Każda firma ma inne dane, inne systemy i inne wyjątki w procesach. Model, który świetnie działa na prezentacji, w zetknięciu z rzeczywistością wymaga dziesiątek drobnych decyzji: które dane są wiarygodne, gdzie potrzebny jest człowiek, jak obsłużyć przypadki nietypowe. Te decyzje najlepiej podejmuje ktoś, kto jest na miejscu i rozumie zarówno technologię, jak i biznes.

Dla nas to naturalne rozwinięcie drogi, którą przeszliśmy. Kiedyś dostarczaliśmy specjalistów, którzy wykonywali zadania zlecone przez klienta. Dziś coraz częściej dostarczamy ekspertów, którzy razem z klientem definiują problem, prototypują rozwiązanie i odpowiadają za to, żeby zadziałało w codziennej pracy. To zupełnie inny poziom odpowiedzialności.

Wspomniał Pan wcześniej, że budujecie również własne rozwiązania. Takim produktem jest BriteData. Jaki problem rozwiązuje?

BriteData to nasza odpowiedź na problem danych, o którym mówiliśmy wcześniej. W wielu firmach, szczególnie produkcyjnych i logistycznych, dane operacyjne są rozproszone między systemami, zapisane w różnych formatach i obarczone błędami. Każdy dział ma swoją wersję prawdy, a raporty zarządcze powstają przez ręczne łączenie arkuszy.

BriteData to platforma, która porządkuje i łączy dane z różnych systemów w jedną, wiarygodną warstwę, a AI wspiera wykrywanie i korygowanie obecnych w niej błędów. Pierwsze zastosowania dotyczą efektywności łańcucha dostaw: wykorzystania maszyn, terminowości i kompletności dostaw, optymalizacji zapasów oraz obsługi zamówień. To obszary, w których jakość danych bezpośrednio przekłada się na koszty i poziom obsługi klienta.

Czy to oznacza, że klient kupuje kolejny system?

Nie. Klient nie kupuje platformy dla samej platformy. Kupuje poprawę konkretnego wskaźnika operacyjnego, a platforma jest sposobem, żeby ją osiągnąć szybciej i taniej niż w projekcie budowanym od zera. Zaczynamy od jednego obszaru i jednego mierzalnego celu, a kolejne zastosowania dołączamy, gdy pierwsze przynosi efekt. Dzięki temu zarząd od początku widzi, za co płaci, i może podejmować decyzje o dalszych krokach na podstawie wyników, a nie obietnic.

Jak Pan widzi rolę firm IT w kolejnych latach?

Rynek będzie się polaryzował. Z jednej strony pozostaną dostawcy, którzy konkurują ceną godziny pracy. Ale ta konkurencja będzie coraz trudniejsza, bo AI przyspiesza część prac programistycznych. Z drugiej strony będą partnerzy, którzy potrafią przełożyć technologię na wynik biznesowy i wziąć za ten wynik odpowiedzialność. Wierzę, że przyszłość należy do tej drugiej grupy. Klienci nie potrzebują więcej kodu. Potrzebują rozwiązań, które działają, są bezpieczne i przynoszą mierzalną korzyść.

Co poradziłby Pan zarządom, które dziś planują budżety na AI?

Zacząć od jednego procesu, który boli najbardziej i który da się zmierzyć. Sprawdzić dane, zanim kupi się model. Ustalić z góry, kto po stronie biznesu odpowiada za efekt i jak będziemy go mierzyć. I wybrać partnera, który jest gotów podpisać się pod wynikiem, a nie tylko pod liczbą przepracowanych godzin. Warto też od początku zaplanować, co stanie się po pilotażu, bo to właśnie przejście do codziennej pracy decyduje o tym, czy inwestycja się zwróci.

AI pod presją wyników to w gruncie rzeczy stara zasada biznesu w nowym wydaniu: płacimy za efekt. Po dwudziestu latach na rynku mogę powiedzieć, że właśnie ta zasada najlepiej sprawdza się w relacjach z klientami, niezależnie od tego, jak bardzo zmienia się technologia.

Tomasz Dziki, Executive VP & Owner, Britenet

Z branżą IT jest związany już od ponad 25 lat. Swoją karierę zawodową rozpoczynał jako programista Java. Szybko przekonał się, że jego prawdziwą pasją jest sprzedaż. To właśnie za ten obszar działalności Britenet jest dziś odpowiedzialny. Dba o kreowanie i konsekwentne wdrażanie strategii handlowej, koordynację sprzedaży na rynkach zagranicznych, negocjowanie umów i dopasowanie najlepszych rozwiązań do realnych potrzeb klientów, budowanie relacji biznesowych oraz ocenę i rozwój nowych możliwości sprzedażowych dla konkretnych produktów i usług.

---

Przeczytaj także: Jak budować przewagę w erze sztucznej inteligencji. Wywiad z dr. inż. Tomaszem Siemkiem, Head of Data, AI & Applications w APN Promise

Last Updated on 26 października, 2026 by Anastazja Lach