Mądrość technologiczna to wiedzieć, kiedy nie używać AI
Żyjemy w erze presji na „wdrażanie sztucznej inteligencji”. Każda konferencja, każdy raport branżowy, każdy post na LinkedIn mówi to samo: kto nie wdroży, zostanie w tyle. I w wielu przypadkach to prawda. Ale nie we wszystkich.
To nie jest artykuł anty-AI. Uważam, że sztuczna inteligencja zmienia biznes w sposób fundamentalny. Ale zmienia go wtedy, gdy jest zastosowana w odpowiednim miejscu. Wbicie gwoździa młotkiem to sprawność. Wbicie gwoździa wiertarką to strata czasu i uszkodzony gwóźdź.
Prawdziwa kompetencja technologiczna lidera nie polega na tym, żeby wiedzieć, jak wdrożyć nową technologię. Polega na tym, żeby wiedzieć, kiedy tego nie robić.
5 sytuacji, w których AI to overengineering
1. Zerowa tolerancja błędu. Prawo, medycyna, finanse regulowane. Wszędzie tam, gdzie jeden błąd może oznaczać pozew, utratę licencji lub zagrożenie życia. Modele językowe halucynują. To nie jest defekt do naprawienia, to ich właściwość. W 2026 roku kancelaria Sullivan & Cromwell stanęła przed sądem po tym, jak AI wygenerowało fikcyjne orzeczenia w piśmie procesowym. Chatbot Air Canada zobowiązał firmę do zniżki, której regulamin nie przewidywał. W tych kontekstach „94% dokładności” to nie sukces. To 6% ryzyka, którego nie możesz zaakceptować.
2. Problem jest prosty i przewidywalny. Jeśli zadanie da się opisać regułami if-then, AI jest overengineeringiem. Znany przypadek: firma płacąca ok. 3 600 zł miesięcznie za API do klasyfikacji maili, gdy ten sam efekt dawał filtr regex działający w 5 milisekund, za darmo. Zanim zapytasz „czy AI to rozwiąże”, zapytaj „czy Excel lub formuła to rozwiąże”.
3. Brak danych lub chaotyczne procesy. AI nie naprawia bałaganu. AI przyspiesza bałagan. Według badań Grant Thornton, 90% polskich MŚP nie ma sformalizowanych procesów. Wdrożenie AI na takim fundamencie to jak budowanie trzeciego piętra bez parteru. Najpierw uporządkuj proces ręcznie. Potem automatyzuj.
4. Autentyczność i relacja z człowiekiem. Według badania Stackla, 72% konsumentów szuka autentyczności w komunikacji marek. Co więcej, sam fakt wzmianki o AI w produkcie obniża zaufanie klientów. Są konteksty, w których ludzki kontakt jest wartością samą w sobie: coaching, obsługa reklamacji z emocjami, komunikacja kryzysowa. AI może przygotować dane w tle, ale nie powinno prowadzić rozmowy.
5. Koszty przewyższają korzyści. Pułapka „gotowej infrastruktury”: wdrażasz AI, bo narzędzie jest dostępne, nie bo problem tego wymaga. API kosztuje. Utrzymanie modelu kosztuje. Szkolenie zespołu kosztuje. Monitoring i obsługa edge cases kosztują. Jeśli proces obsługuje 10 przypadków tygodniowo, automatyzacja za 2 000 zł miesięcznie nie ma sensu biznesowego, nawet jeśli technicznie działa. Policzyłem kiedyś TCO (Total Cost of Ownership) dla klienta, który chciał AI do sortowania zgłoszeń supportowych. Przy 40 zgłoszeniach dziennie ROI wychodziło na minus przez pierwszy rok. Przy 400 dziennie, to samo rozwiązanie zwracało się w 3 miesiące. Skala ma znaczenie.
Jak rozpoznać, czy twój problem potrzebuje AI
Jeden z moich klientów chciał wdrożyć AI do analizy umów. Brzmi rozsądnie. Ale po bliższym przyjrzeniu się okazało, że firma podpisuje 8 umów miesięcznie, każda według jednego z trzech szablonów. Prawnik sprawdza jedną umowę w 15 minut. Wdrożenie AI do tego procesu kosztowałoby ok. 25 000 zł i wymagało 3 miesięcy integracji. Dla 8 umów miesięcznie.
Zanim zdecydujesz o wdrożeniu, zadaj sobie cztery pytania. Jeśli na którekolwiek odpowiedź brzmi „nie”, AI prawdopodobnie nie jest najlepszym wyborem:
- Czy problem jest powtarzalny i skalowalny? AI opłaca się przy setkach lub tysiącach powtórzeń. Przy 5 przypadkach tygodniowo, ręczne rozwiązanie będzie tańsze.
- Czy masz dane dobrej jakości? Bez danych nie ma ML. Bez czystych danych nie ma dobrych wyników. Jeśli musisz najpierw 6 miesięcy sprzątać dane, rozważ czy prostsze podejście nie wystarczy tu i teraz.
- Czy tolerujesz błędy w tym procesie? Jeśli każdy wynik musi być poprawny w 100%, AI dodaje ryzyko zamiast je usuwać. Reguły biznesowe są przewidywalne. AI nie.
- Czy ROI się spina przy realistycznych założeniach? Nie przy optymistycznych. Przy realistycznych. Uwzględnij: koszt integracji, utrzymania, szkolenia, obsługi błędów. Jeśli break-even wypada za 18 miesięcy, to ryzykowna inwestycja.
Jeśli na wszystkie cztery odpowiedź brzmi „tak”, AI ma sens. Ale nawet wtedy warto zacząć od prostego prototypu (reguły + AI w tle) zamiast od pełnego wdrożenia produkcyjnego. Minimalna wersja pozwoli zweryfikować założenia bez spalenia budżetu.
Co zamiast AI? Prostsze alternatywy, które działają
„Nie AI” nie oznacza „nie automatyzuj”. Między ręczną pracą a machine learningiem jest cała paleta rozwiązań. Większość problemów biznesowych nie wymaga modelu z miliardem parametrów. Wymaga jasnych reguł, dobrego szablonu i konsekwencji we wdrożeniu.
- RPA i makra dla powtarzalnych, opartych na regułach zadań. Przepisanie danych z maila do CRM, generowanie faktury z zamówienia, raport tygodniowy z bazy danych.
- Reguły biznesowe (if-then) zamiast modeli ML. Klasyfikacja leadów na podstawie 5 kryteriów? Nie potrzebujesz sieci neuronowej. Potrzebujesz drzewa decyzyjnego w arkuszu.
- Szablony i checklisty zamiast generatywnej AI. Standaryzacja maili, procesów onboardingowych, raportów. Raz napisane, wielokrotnie użyte, zero kosztów bieżących.
- Ludzie. Tak, czasem najlepsze rozwiązanie to zatrudnić osobę lub przeszkolić obecny zespół. Przy małym wolumenie i wysokich wymaganiach jakościowych, człowiek jest tańszy i bardziej niezawodny niż AI.
Mam prostą zasadę, której się trzymam: jeśli potrafię opisać rozwiązanie problemu w 10 regułach if-then lub mniej, nie sięgam po AI. Sięgam po arkusz, skrypt lub nawet tabelę w Notion. Dopiero gdy problem staje się zbyt złożony na reguły (bo wymaga rozpoznawania wzorców, rozumienia języka naturalnego albo pracy z nieustrukturyzowanymi danymi), wtedy AI zaczyna mieć sens.
Te prostsze rozwiązania mają jedną zaletę, której AI nie oferuje. Są w 100% przewidywalne. Reguła biznesowa albo zadziała, albo nie, ale nigdy nie „zahalucynuje”. Przy procesach, w których konsekwencja jest ważniejsza niż elastyczność, to decydujący argument.
Podsumowanie
AI to potężne narzędzie. Ale każde narzędzie ma swój zakres zastosowań. Lider, który potrafi powiedzieć „tu AI nie jest potrzebne”, oszczędza firmie czas, pieniądze i frustrację zespołu. Nie każdy problem potrzebuje rakiety. Niektóre rozwiązuje rower.
Jeśli chcesz lepiej rozumieć, gdzie AI faktycznie daje wartość w firmie, przeczytaj nasz artykuł o ROI z wdrożenia AI.
