Sztuczna inteligencja (AI) nie jest już rozwiązaniem tylko dla dużych korporacji. Coraz częściej korzystają z niej także małe i średnie firmy. Dobrze wdrożone narzędzia AI pomagają oszczędzać czas, obniżać koszty i zwiększać efektywność pracy. Jak wdrożyć AI tak, aby szybko zobaczyć efekty? Czym jest Shadow AI i jakie zagrożenia wiążą się z tym zjawiskiem? Dlaczego niektóre polskie modele AI lepiej radzą sobie z polskimi dokumentami niż zagraniczne rozwiązania?
O szansach, kosztach i bezpiecznym wdrażaniu AI rozmawiamy w najnowszym odcinku cyklu "Z nową energią o finansach". W odcinku "AI w mikrofirmie: od eksperymentu do przewagi – ile zarobisz na sztucznej inteligencji?", Jerzy Telesiński rozmawia z:
- Bartoszem Ziółkiem (Dyrektor Biura Klientów Strategicznych, Erste Bank Polska),
- dr Agnieszką Karlińską (CEO, Quantica Lab)
- Maciejem Dzierżkiem (Ekspert ds. innowacji, Innovatika)
Eksperci pokazują, jak polskie firmy mogą wykorzystywać AI do osiągania konkretnych korzyści biznesowych.
Spis treści:
AI w mikrofirmie: od eksperymentu do przewagi – ile zarobisz na sztucznej inteligencji?
Sztuczna inteligencja w małej i średniej firmie, a w korporacji
Sztuczna inteligencja w biznesie kojarzy się dziś głównie z dużymi modelami językowymi i aplikacjami, takimi jak ChatGPT, Claude czy Gemini. Choć wiedza o ich istnieniu jest powszechna, umiejętność ich efektywnego i bezpiecznego wykorzystania w codziennych procesach wciąż stanowi wyzwanie. Jak zauważa Bartosz Ziółek z Erste Bank Polska, obecny etap rozwoju technologii to swoista demokratyzacja dostępu do cyfrowych narzędzi. Przedsiębiorcy dostali do rąk rozwiązanie, które pozwala uniezależnić się od sztywnych praktyk rynkowych i szybko przekuć własną pomysłowość na konkretne usprawnienia.
Podejście do AI w firmie różni się jednak zasadniczo w zależności od skali działalności:
- Małe i średnie przedsiębiorstwa (MŚP): Wykazują ogromną zwinność, brak skomplikowanych łańcuchów decyzyjnych i wymogów formalnych. Nie potrzebują wielkich budżetów ani dedykowanych zespołów IT, by zacząć korzystać z gotowych rozwiązań "z półki". W MŚP kluczowy jest jednak szybki zwrot z inwestycji (ROI) – mała firma nie ma budżetu na wielomiesięczne, kosztowne testy bez gwarancji wyniku. Zoptymalizowanie procesów np. w biurze rachunkowym natychmiast przekłada się na oszczędność czasu i wyższą rentowność.
- Wielkie korporacje i banki: Posiadają własne działy Data Science i ogromny kapitał, ale ich procedury, regulacje oraz rozbudowane procesy sprawiają, że przełożenie technologii na prosty wynik finansowy na koniec miesiąca bywa trudniejsze i trwa znacznie dłużej.
Kiedy warto zakończyć wdrożenie na etapie pilotażu?
Wielu przedsiębiorców obawia się projektów, które nie kończą się wdrożeniem pierwotnie zakładanej funkcji na masową skalę. Eksperci podkreślają jednak, że zamknięcie projektu na etapie pilotażu lub zmiana jego kierunku (tzw. pivot) nie oznacza porażki. W pracy z nowymi technologiami naturalne jest odkrywanie nowych zastosowań w trakcie testów. Przykładem może być projekt, który rozpoczynano z myślą o dopasowywaniu produktów do potrzeb klientów, a ostatecznie stworzone narzędzie okazało się wielokrotnie bardziej skuteczne w wykrywaniu nadużyć i zabezpieczaniu transakcji (ang. anti-fraud).
Co to jest Shadow AI i dlaczego stanowi zagrożenie dla Twojego biznesu?
Szybkie tempo wdrażania innowacji przez samych pracowników rodzi jedno z największych niebezpieczeństw współczesnego biznesu, jakim jest Shadow AI. Pojęcie to oznacza niekontrolowane, nieautoryzowane przez działy IT czy bezpieczeństwa korzystanie przez zespół z zewnętrznych narzędzi sztucznej inteligencji.
W praktyce pracownicy, chcąc przyspieszyć swoją pracę, wklejają do darmowych modeli lub przesyłają ich dostawcom wrażliwe dane służbowe, plany finansowe, bazy klientów, a nawet fotografują ekrany komputera telefonem, by uzyskać szybką odpowiedź. Takie działanie niesie za sobą poważne ryzyka prawne, regulacyjne oraz ryzyko wycieku tajemnicy przedsiębiorstwa.
Inwestycje w same aplikacje bez równoległego podnoszenia świadomości pracowników są błędnym kołem. Kluczem do sukcesu nie jest bezwzględny zakaz korzystania z technologii, lecz dostarczenie zespołowi bezpiecznych, autoryzowanych narzędzi biznesowych oraz edukacja w zakresie ochrony danych.
Polskie modele językowe AI wygrywają z gigantami?
Mówiąc o komercyjnym zastosowaniu algorytmów, warto pamiętać, że rynek nie kończy się na amerykańskich gigantach technologicznych. Niezwykle ważnym odkryciem dla sektora finansowego i biznesowego w Polsce jest wysoka efektywność lokalnych, polskich modeli językowych, takich jak Bielik czy PLLUM.
Z doświadczeń wdrożeniowych wynika, że rodzime modele o wiele lepiej radzą sobie z analizą, klasyfikacją oraz interpretacją specyficznych zapisów w polskich umowach prawnych i finansowych niż ich globalne odpowiedniki. Dla lokalnego przedsiębiorcy oznacza to, że precyzyjne wdrożenie AI nie wymaga budowania od zera własnych modeli (co dla MŚP byłoby nieopłacalne), lecz trafnego wyboru rozwiązań dostosowanych do polskiego rynku i języka.
Jak mądrze promptować? Krytyczne myślenie w pracy z AI
Sztuczna inteligencja w biznesie przyspiesza pracę, ale niesie ze sobą ryzyko bezkrytycznego przyjmowania generowanych treści. Wiele popularnych modeli ma wbudowaną tendencję do "przypodobania się" użytkownikowi – przytakują jego tezom i zachwycają się proponowanymi pomysłami, nawet jeśli są one błędne.
Aby uniknąć takich pułapek, w codziennej pracy warto stosować zasady krytycznego myślenia i tzw. pytania sokratejskie:
- Testuj i weryfikuj uzyskane odpowiedzi, traktując model jako asystenta, a nie ostateczną wyrocznię.
- Proś algorytm o odegranie roli krytycznego audytora Twojego pomysłu (np. "Wskaż najsłabsze punkty mojej strategii").
- Usuwaj warstwę emocjonalną z poleceń (promptów), nakazując modelowi obiektywną ocenę twardych danych.