Pilot działa. Co dalej?

Pewna firma logistyczna wdrożyła agenta AI do obsługi zapytań klientów. System działał świetnie w fazie testowej — skracał czas odpowiedzi, odciążał konsultantów, generował pozytywne opinie wewnętrzne. Potem przyszedł moment skalowania. Okazało się, że agent korzysta z danych z trzech różnych systemów, które nigdy wcześniej nie musiały ze sobą rozmawiać w czasie rzeczywistym. Że nikt nie ustalił, kto odpowiada, kiedy agent podejmie złą decyzję. Że procedury compliance nie przewidują autonomicznych działań systemu w imieniu firmy. Pilot trafił na półkę.

Ta historia jest fikcyjna w szczegółach, ale prawdziwa w strukturze. Według danych Capgemini Research Institute — firmy, która zarabia na wdrożeniach AI, więc jej liczby warto czytać z odpowiednim dystansem — tylko 2% organizacji globalnie wdrożyło agentów AI na pełną skalę produkcyjną. 61% wciąż eksploruje możliwości. 23% prowadzi pilotaże. Przepaść między „testujemy” a „działa w firmie” jest ogromna i jak na razie większość firm stoi po jej złej stronie.

Dlaczego pilot to nie wdrożenie

Pilot agenta AI jest stosunkowo łatwy do uruchomienia. Bierzesz model, podłączasz do jednego źródła danych, definiujesz wąski zakres zadań, uruchamiasz w kontrolowanym środowisku z kilkoma użytkownikami. Jeśli model jest dobry — a dzisiejsze modele są naprawdę dobre — wyniki robią wrażenie. Agent odpowiada sprawnie, popełnia mało błędów, oszczędza czas.

Problem pojawia się, gdy chcesz to samo uruchomić dla całej organizacji, w realnych procesach, z prawdziwymi danymi i rzeczywistą odpowiedzialnością za skutki decyzji.

Nagle okazuje się, że dane, na których miał pracować agent, są niekompletne, niespójne albo rozproszone po systemach, które nikt przez lata nie integrował. Że procesy, które agent ma realizować, nigdy nie zostały formalnie opisane — ludzie je znają, bo pracują tu od dziesięciu lat, ale agent tego „wiedzieć” nie może. Że regulacje branżowe wymagają audytowalności każdej decyzji, a autonomiczny system tej audytowalności domyślnie nie zapewnia. Że pracownicy, którzy mieli być „odciążeni”, zaczynają pytać, co właściwie będą robić.

Capgemini wskazuje wprost: mniej niż jedna piąta organizacji ocenia swoją dojrzałość w zakresie danych i infrastruktury jako wysoką. To jest liczba, która tłumaczy przepaść między pilotem a produkcją lepiej niż jakikolwiek raport o barierach wdrożeniowych.

Czego agent AI naprawdę potrzebuje

Agent AI różni się od chatbota czy prostego automatyzatora tym, że planuje działania i podejmuje kolejne kroki samodzielnie, bez potwierdzenia człowieka przy każdym kroku. To jest jego wartość. To jest też jego ryzyko.

Żeby działał skutecznie, potrzebuje trzech rzeczy, których większość firm jeszcze nie ma.

Po pierwsze: wiarygodnych danych w czasie rzeczywistym. Agent obsługujący zamówienia musi wiedzieć, co jest na stanie, jaki jest status płatności, jakie są aktualne warunki umowy z klientem. Jeśli te dane mieszkają w trzech różnych systemach i synchronizują się raz na dobę, agent będzie podejmował decyzje na podstawie przestarzałych informacji. Błędy będą.

Po drugie: jasno zdefiniowanych granic odpowiedzialności. Kiedy agent odmówi obsługi zamówienia albo zaproponuje klientowi rabat, który nie powinien zostać przyznany — kto odpowiada? Kto to koryguje? Kto się tym zajmuje o 3 w nocy w sobotę, kiedy system działa autonomicznie? Brak odpowiedzi na te pytania przed wdrożeniem oznacza, że odpowiedzi będą szukane w trybie kryzysowym po pierwszej wpadce.

Po trzecie: nadzoru, który jest zaprojektowany, a nie dodany post factum. Im bardziej autonomiczny agent, tym ważniejsza staje się rola człowieka w definiowaniu celów, kontroli jakości i reagowaniu na wyjątki. Nie da się tego dorzucić do gotowego systemu — trzeba to zaprojektować razem z nim.

Co to oznacza dla właściciela firmy

Capgemini w swoim materiale operuje językiem, który sprawnie omija trudne pytania. „Outcomes-driven delivery”, „Value Realization Office”, „End-to-End transformation” — brzmi solidnie, nic nie znaczy bez kontekstu. Pod tą warstwą jest jednak jedna sensowna obserwacja: samo uruchomienie narzędzia nie jest sukcesem. Sukcesem jest zmiana, którą to narzędzie wywołuje w procesach i wynikach firmy.

To ważne, bo rynek AI generuje dziś ogromną presję na „bycie w AI” — i wiele firm reaguje na tę presję uruchamiając piloty, które produkują efektowne demo, zużywają budżet i lądują w szufladzie. Nie dlatego, że technologia zawiodła. Dlatego, że organizacja nie była gotowa na to, co po pilocie.

Jeśli rozważasz wdrożenie agentów AI w swojej firmie, pytania warte zadania przed podpisaniem umowy z jakimkolwiek dostawcą brzmią następująco: Które dane, na których ma pracować agent, są aktualne i kompletne — a które nie? Kto w mojej organizacji będzie właścicielem procesu obsługiwanego przez agenta i co zrobi, kiedy agent się pomyli? Jakie są regulacyjne wymagania dla tego procesu i czy autonomiczna decyzja systemu AI je spełnia?

Jeśli na żadne z tych pytań nie ma gotowej odpowiedzi, pilot będzie piękny. Wdrożenie — mniej.

450 miliardów w 2028 roku

Capgemini Research Institute szacuje, że do 2028 roku agenci AI mogą wygenerować 450 miliardów dolarów wartości ekonomicznej globalnie. To liczba, która ma robić wrażenie i robi je — ale warto pamiętać, że pochodzi od firmy, która zarabia na tym, że organizacje wdrażają AI z pomocą zewnętrznych konsultantów.

Bardziej wymowna jest ta druga liczba: 2% firm wdrożyło agentów na pełną skalę. Jeśli ta technologia naprawdę ma taki potencjał, to znaczy, że w tej chwili 98% organizacji albo jeszcze nie zaczęło, albo utknęło gdzieś po drodze.

Wartość jest realna. Droga do niej jest znacznie krótsza niż myślą optymiści i znacznie dłuższa niż sugerują oferty handlowe.