Czego dowiesz się z tego odcinka?
- Na około 90% warsztatów Discovery, od których Inwedo zaczyna projekt, u źródła siedzi ten sam problem: Excel, który wyrósł ponad swoją rolę. Arkusz, którego nikt świadomie nie projektował na bazę danych, steruje codziennymi decyzjami całej firmy.
- Model AI nie naprawia danych kiepskiej jakości — powiela ich błędy, tylko szybciej i na większą skalę. A tam, gdzie danych brakuje, dorabia resztę, bo halucynacja to konsekwencja jego budowy, nie defekt.
- Świadome odłożenie AI, aby najpierw uporządkować dane, to mądra decyzja, nie porażka. Przypadek projektu Inwedo z Green Business Centre.
- Gdy działy pierwszy raz siadają razem nad danymi, okazuje się, że każdy rozumie je inaczej. Firma podejmuje decyzje na liczbach, które w sprzedaży znaczą co innego niż na produkcji.
- Procesy, które zna tylko jedna osoba, to ryzyko dla ciągłości działania — jej urlop, choroba albo odejście zatrzymuje biznes. Ale ta sama wiedza czyni ją naturalnym kandydatem na kustosza danych: firma zyskuje opiekuna zamiast zagrożenia.
- Norma ISO daje ramę, nie gotowe instrukcje — dwie firmy z tym samym certyfikatem mogą stosować ją zupełnie inaczej. Ochronę daje codzienna praktyka wdrożenia normy, a różnice wychodzą dopiero przy audycie albo fuzji.
- Zbieranie wszystkich danych „na zapas” kończy się górą informacji, w której nikt nie odróżnia sygnału od szumu. Dane bez zdefiniowanego z góry celu nie są aktywem, tylko kosztem — najpierw ustal, jaką decyzję mają wspierać, dopiero potem je gromadź.
Słuchaj także na:
Spotify
Apple Podcasts
Dlaczego Excel staje się problemem w firmie, która chce wdrożyć AI?
Excel staje się problemem w momencie, gdy działa jako baza danych firmy — jedyne miejsce, w którym żyją dane o klientach, cenach czy produkcji, i podstawa codziennych decyzji. Beata Król, Delivery Lead w Inwedo, szacuje, że dotyczy to 90% zapytań i warsztatów Discovery, które Inwedo prowadzi na początku współpracy: „to prawie zawsze jest Excel, który właśnie wymyka się gdzieś skalą albo po prostu tym przeznaczeniem, do którego był”. Z drugiej strony stołu potwierdza to Bartłomiej Mach, BI & Master Data Lead w Green Business Center, opisując przypadek, z którym jego firma zgłosiła się do Inwedo: „ogólnie w używaniu Excel nie ma nic złego. Problem się robi, jak ten Excel nam ewoluuje w jakąś bazę danych”.
Odwrotna decyzja też bywa pułapką. Radek Podgórski, Lead Auditor w TÜV Nord, przestrzega przed projektami „wychodzenia z Excela” bez zdefiniowanego celu. Zanim padnie deklaracja „wychodzimy z Excela”, firma musi odpowiedzieć, co chce osiągnąć. Inaczej buduje lunapark tam, gdzie potrzebna była huśtawka.
Dlaczego firmy słyszą „system teraz, AI za rok”?
Bo decyzja „chcemy AI” zapada zwykle przed analizą tego, na czym AI miałoby pracować. Beata Król opisuje powtarzalny scenariusz: firma zamawia warsztaty Discovery z nastawieniem na system AI, oddelegowuje ludzi z różnych działów na dwa–trzy dni — i tylko w ułamku przypadków AI ma sens i podstawy do działania. Rekomendacja po warsztatach brzmi wtedy inaczej, niż firma oczekiwała: „my proponujemy taki system, a AI to za rok. Jak właśnie ten system sprawi, że będziecie gotowi na AI”. To są, jak przyznaje Beata, ciężkie rozmowy.
Bartłomiej Mach zna ten fundament z własnego wdrożenia — Green Business Center przy okazji wdrożenia ERP zaplanowało machine learning do prognozowania sprzedaży i najpierw musiało ujednolicić historię sprzedaży po połączeniu spółek: kwoty, ceny, indeksy, listę klientów. „Zarząd też ma świadomość, że ten AI musi na tym stać. A on potrzebuje danych, jakichś rozsądnych danych, żeby działać rozsądnie”.
Czym grozi wiedza o firmie zamknięta w jednej głowie?
Wystarczy choroba, wypowiedzenie albo urlop jednej osoby, żeby stanęły procesy, których nikt inny nie zna. Beata Król widzi ten wzorzec na prawie każdych warsztatach: „zawsze jest ta jedna osoba, która wie, co trzeba na przykład dodać do tego Excela, w jakiej kolumnie albo co i ta wiedza jest tylko u tej osoby. I mnie to zawsze najbardziej przeraża”.
Radek Podgórski ocenia to samo z pozycji audytora — dla ciągłości działania to „gruby punkt zapalny”. Najdobitniej pokazuje to historia z warsztatów przeprowadzonych przez Inwedo: dwoje właścicieli zarządzających całą firmą na pytanie o główne oczekiwanie od projektu odpowiedziało „chcielibyśmy pojechać na urlop, bo od sześciu lat nie byliśmy” — nie mieli komu przekazać wiedzy o własnej firmie.
Ta sama osoba jest jednak, z perspektywy porządkowania danych, naturalnym kandydatem na data stewarda — kustosza danych, który formalnie odpowiada za ich jakość i wie, skąd się biorą. Green Business Center poszło dokładnie tą drogą: wokół polityki data governance zbudowało sieć kustoszy danych, a Bartłomiej Mach porównuje całość do znaków i przepisów drogowych, dzięki którym na drogach pełnych danych nie dochodzi do karambolu. Jego rekomendacja dla innych firm: „Ja definitywnie polecałbym wdrożenie procesu data governance, czyli faktycznie napisanie tej polityki, przyjrzenie się temu, wyznaczenie tych kustoszy danych, wzmocnienie tego procesowo-narzędziowo, bo to naprawdę dużo daje”.
Co ujawniają warsztaty Discovery, czego firma sama nie widzi?
Na warsztatach szybko ujawniają się ozbieżności w tym, jak poszczególne działy rozumieją te same dane. Warsztaty Discovery bywają pierwszym momentem, w którym ludzie z różnych działów w ogóle siadają przy jednym stole. Beata Król: „wtedy siadamy wszyscy razem i nagle zaczynamy słyszeć o swoich problemach albo właśnie o tym jak korzystamy teoretycznie tych samych rzeczy, narzędzi, danych na zupełnie inne sposoby”.
Wartość tego spotkania nie znika, gdy firma odrobiła pracę domową. Green Business Center przyszło na warsztaty z gotową analizą wewnętrzną i opisanym case study — a mimo to, jak wspomina Bartłomiej Mach, wspólne odpytywanie użytkowników wydobyło „dużo fajnych nowych rzeczy i pomysłów”. Diagnoza robiona wyłącznie od środka kończy się na tym, co firma już wie.
Dlaczego modele AI halucynują — i jak sprawdzić, czy naprawdę działają?
Halucynacja nie jest awarią modelu, tylko konsekwencją jego budowy: model językowy jest skonstruowany tak, żeby zawsze udzielić odpowiedzi. Radek Podgórski tłumaczy: „budowa tych modeli jest tak zrobiona, że on ma odpowiedzieć. Nie możesz zostać bez odpowiedzi. W związku z czym w pewnym momencie brakuje mu wiedzy i on mówi, bo wiesz co? I dorabia”. Drugim warunkiem sensownych odpowiedzi jest jakość danych wejściowych — na słabych danych, jak ujmuje to Podgórski, bardziej się dywaguje, niż wnioskuje.
Jak w takim razie ocenić, czy model działa? O jakości modelu więcej niż dokładność (accuracy) mówią precyzja i czułość (precision, recall) oraz łączący je wskaźnik F1 — miary sprawdzające, ile z przypadków naprawdę istotnych model wychwycił. Dla firmy oznacza to jedno praktyczne pytanie do dostawcy: nie „jaka jest skuteczność modelu?”, tylko „ile krytycznych przypadków model przepuszcza?”.
Dlaczego koszty AI rosną, chociaż korzystasz z niej tak samo?
dostawcy modeli rozliczają zużycie per token — jednostkę przetwarzanego tekstu — a nie per zapytanie. Koszt rośnie razem z wolumenem przetwarzanych danych, bez żadnej zmiany w funkcjonalności. W rozmowie pada dokładnie taka relacja z dużych wdrożeń: „fajnie ja wdrożyłem, w zasadzie z mojej perspektywy nic się nie zmieniło, tylko mnie to kosztuje dwa razy więcej”.
Do tego dochodzi mechanizm psychologiczny, który sprawia, że rosnące koszty łatwo zracjonalizować. Radek Podgórski, który przy audytach sprawdza też rachunkowość, przywołuje regułę znaną z finansów: milion może wyglądać na dużo, ale „tysiąc razy tysiąc” już nie wygląda — ta sama kwota rozbita na tysiąc dziennych rat przestaje boleć.
Co daje certyfikat ISO — a czego nie załatwia za firmę?
Norma daje ramę interpretacyjną, nie instrukcję wykonania. Radek Podgórski, który prowadzi audyty jako Lead Auditor TÜV Nord, mówi: „Norma nie daje twardych wytycznych, że masz dokładnie zrobić tak i tak […]. Nie, ona mówi ogólnie, na co ma zwrócić uwagę, w związku z czym to jest też forma odpowiedniej interpretacji”. Efekt: dwie firmy z tym samym certyfikatem ISO 27001 mogą wykonywać normę zupełnie inaczej.
Certyfikat zaczyna pracować dopiero wtedy, gdy firma naprawdę korzysta z tego, co opisała. Beata Król przywołuje klienta z branży mocno obłożonej normami, który jako jeden z nielicznych nie narzekał na procedury ISO — bo „oni realnie z tego korzystają. Że to nie jest sztuka dla sztuki”: spisany proces sprawia, że ktoś może pojechać na wakacje albo zachorować i pół firmy przez to nie staje.
Presja na ten porządek przychodzi zresztą nie tylko od regulatora, częściej od klientów — Green Business Center obsługuje McDonald’s, więc, jak mówi Bartłomiej Mach, „musimy mieć wszystko pozapinane na tip top”.
Dla zarządzania samym AI istnieje już norma ISO/IEC 42001, choć punktem wyjścia bywa też ISO 27001, czyli bezpieczeństwo informacji. Unijne AI Act i Data Act na razie budzą niewielkie emocje — goście zgodnie zauważają, że firmy nie czują jeszcze momentu realnego sprawdzenia.
Kiedy zbieranie danych szkodzi zamiast pomagać?
Wtedy, gdy dane zbiera się bez zdefiniowania decyzji, które mają wspierać. Efektem jest góra informacji, z której nie sposób wnioskować, bo nie wiadomo, co jest sygnałem, a co szumem. Beata Król przyznaje, że „sama padłam ofiarą czegoś takiego” — jako product ownerka projektu zaczęła z zespołem zbierać dane szeroko, bez zdefiniowania po co — aż padło pytanie „No i co teraz?”: „mamy mnóstwo jakichś informacji, tylko teraz pytanie, które informacje są ważne, a które informacje właśnie są szumem […] i to, które informacje powinny wpływać na jakieś decyzje”.
W rozmowie wraca przy tym klasyczna anegdota o alianckich bombowcach z II wojny światowej: analitycy mapowali trafienia na maszynach, które wróciły z misji, więc wzmacniać należało nie miejsca podziurawione, lecz nietknięte — samoloty trafione właśnie tam nie wracały wcale. To ta sama pułapka, w którą wpadają raporty budowane pod dostępne dane zamiast pod decyzje. Blisko niej leży druga, nazwana w rozmowie sztuką dla sztuki: „dashboardy albo raporty, które są tylko po to, żeby się świecić na zielono, a nie po to, żeby pomóc w podejmowaniu decyzji”.
O gościach
Beata Król — jest liderką Delivery w Inwedo, z doświadczeniem jako Product Owner i Agile Lead w projektach IT dla klientów biznesowych — od lat pracuje blisko zespołów inżynierskich i interesariuszy po stronie klienta, łącząc perspektywę produktową, procesową i technologiczną. Współtworzy społeczność Zwinna Łódź, gdzie współorganizuje warsztaty o usprawnianiu procesów i jakości oprogramowania; występowała m.in. na Warszawskich Dniach Informatyki, Women in Tech Summit i wydarzeniach AI Task Force oraz AI Chamber.
Bartłomiej Mach — kieruje zespołem Business Intelligence i Master Data w Green Business Center. Odpowiada za modele danych i politykę data governance — w tym sieć kustoszy danych — w organizacji obsługującej klientów o wysokich wymaganiach compliance, m.in. McDonald’s.
Radek Podgórski — jest Lead Auditorem w TÜV Nord Polska, gdzie certyfikuje organizacje według norm ISO 27001 (bezpieczeństwo informacji), ISO 22301 (ciągłość działania) i ISO 42001 (systemy zarządzania sztuczną inteligencją). Dzięki technologicznemu doświadczeniu patrzy na wdrożenia AI nie jako na kolejny trend, ale jako na powtarzający się schemat. W Inwedo Podcast gości po raz trzeci.
