Dlaczego dane nie przekładają się na decyzje?

Firmy mają dziś informacje z niemal każdego działu i obszaru swojej działalności, a do tego dochodzą dokumenty, archiwa wiadomości i transkrypcje spotkań online. Jednak same dane nie powiedzą, co należy zrobić. Problemem nie jest ich ilość, lecz zrozumienie, co się za nimi kryje i jak przełożyć je na właściwe decyzje. Samo wdrożenie AI w strukturach firmy w tym nie pomoże.

Na problem tego, co dzieje się pomiędzy danymi a decyzją, zwracają uwagę Maciej Kemnitz, CEO Primotly, oraz Paweł Feliński, Head of Delivery w Primotly. Kemnitz patrzy na niego z perspektywy biznesu, strategii i technologii, natomiast Feliński łączy podejście produktowe z myśleniem systemowym. Obu łączy przekonanie, że technologia w IT ma wartość dopiero wtedy, gdy rozwiązuje rzeczywisty problem i pomaga firmie działać lepiej. Takie podejście wyznacza również sposób działania Primotly – partnera technologicznego, który zaczyna od biznesu i pomaga firmom przejść od problemu biznesowego do działającego rozwiązania: od discovery i R&D, przez budowę produktu, po jego rozwój i długoterminowe wsparcie.

Po co właściwie zbieramy dane?

Paweł Feliński podkreśla, że gdy w firmie pojawia się nowy miernik, podstawowe pytanie powinno dotyczyć tego, jakie decyzje są podejmowane na jego podstawie. Jeżeli nie prowadzi on do żadnych działań, jego śledzenie jest po prostu marnotrawstwem czasu i nakładów. Zwraca też uwagę, że sama liczba pozbawiona kontekstu nie podpowiada, co należy zrobić. Spadek wejść na stronę nie daje przecież automatycznej odpowiedzi, czy należy zmienić SEO, czy zwiększyć budżet reklamowy.

Podobnie Maciej Kemnitz wskazuje, że raport czy kolejny dashboard sam w sobie nie ma wartości. Jako przykład podaje firmę badawczą, która przez lata zbierała dane o czasie pracy i kosztach, ale nie wiedziała, ile naprawdę zarabia na poszczególnych projektach. Dopiero uporządkowanie tych informacji ujawniło nierentowne zlecenia. Firma wygasiła jedną współpracę, a przy kolejnych renegocjowała stawki. Dane zyskały więc wartość dopiero wtedy, gdy wpłynęły na konkretne decyzje.

Zdaniem Felińskiego jest to najlepszy test jakości danych. Zamiast pytać, ile danych ma organizacja, warto sprawdzić, co ostatnio dzięki nim zrobiła.

Najpierw problem, potem technologia

Wybór odpowiedniego modelu AI czy konkretnego rozwiązania technologicznego nie powinien być punktem wyjścia, jeśli firma nie wie dokładnie, jaki cel chce osiągnąć.

Feliński określa swoje podejście jako zasadę „najpierw mózg, potem technologia”. Zanim cokolwiek zostanie zautomatyzowane, trzeba zrozumieć, jak działa proces: kto podejmuje decyzje, na jakiej podstawie i w którym miejscu organizacji. Jego zdaniem przekazanie modelowi dostępu do przypadkowego zbioru danych z ogólnym poleceniem, by „zrobił coś z tego”, nie rozwiąże problemu. Bez zrozumienia procesu kolejne narzędzie niczego istotnego nie zmieni.

Maciej Kemnitz zwraca jednak uwagę na drugą stronę tego zagadnienia. AI daje możliwość eksplorowania dużych zbiorów danych i odkrywania pytań, których wcześniej organizacja sobie nie zadawała. Firma nie musi być od razu idealnie uporządkowana. Czasem właśnie mały, dobrze zaprojektowany eksperyment pozwala dostrzec problem, który wcześniej pozostawał niewidoczny.

Feliński zgadza się z takim podejściem pod warunkiem, że eksperyment ma konkretny cel – na przykład skrócenie danego procesu o 30 proc. – a nie sprowadza się wyłącznie do sprawdzenia, co potrafi AI. Przypomina również, że sztuczna inteligencja może znaleźć korelację, ale to człowiek musi ocenić, czy ma ona jakiekolwiek znaczenie biznesowe.

Warsztaty zamiast zgadywania

We wszystkich projektach Primotly współpraca zaczyna się od warsztatów. Pozwalają one przeanalizować cel biznesowy, przepływ informacji i ograniczenia, aby upewnić się, że pomysł klienta rzeczywiście prowadzi do najlepszego rozwiązania.

Feliński nazywa to podejściem brain-first. Zanim firma zacznie wydawać budżet na technologię, powinna mieć pewność, że rozwiązuje właściwy problem. Po warsztatach często okazuje się, że zamiast drogiego rozwiązania wykorzystującego AI wystarczy prosta automatyzacja lub dedykowany produkt cyfrowy.

Kemnitz podkreśla, że klient najlepiej zna swój biznes, natomiast partner technologiczny zna technologię. Największa wartość powstaje z połączenia tych dwóch perspektyw.

AI tam, gdzie daje realną przewagę

Technologia ma sens tylko wtedy, gdy odpowiada na zidentyfikowaną potrzebę. Przykładem jest projekt dla branży instalacyjnej, w której wykonawcy dokumentowali prace tysiącami zdjęć. Ręczna weryfikacja stała się wąskim gardłem całego procesu. Primotly zbudowało więc system computer vision oparty na wyspecjalizowanych modułach AI i prostych regułach.

Zamiast uruchamiać jeden wielki model, system analizuje wyłącznie te elementy, które są potrzebne na danym etapie. W rezultacie proces jest znacznie szybszy i o wiele tańszy. Czas reakcji na błędy skrócił się z kilku tygodni do jednego dnia, a koszt weryfikacji podłączenia jednego adresu względem wartości produktu wynosi obecnie poniżej 1 proc. ceny początkowej.

R&D: zanim zbudujemy, sprawdzamy

Nie każdy pomysł jest od razu gotowym produktem, dlatego kluczowym etapem pracy Primotly są badania i rozwój (ang. research & development, R&D). W projekcie analizy obrazu trzeba było najpierw sprawdzić dane, które miały zasilać rozwiązanie – ich jakość, różnorodność oraz to, czy wystarczająco dobrze odzwierciedlały rzeczywiste warunki, w których system miał być używany.

Maciej Kemnitz wyjaśnia, że R&D pozwala odpowiedzieć na pytania o wykonalność projektu i jakość wyników, zanim klient zainwestuje duże pieniądze w budowę docelowego systemu.

Paweł Feliński dodaje, że model może działać świetnie podczas prezentacji, ale dopiero na etapie R&D można sprawdzić, czy poradzi sobie w prawdziwym procesie. Dlatego traktuje ten etap jako najlepszy sposób na ograniczenie ryzyka kosztownego błędu.

Cenniejsze od deklaracji bywa zachowanie

Wartość można znaleźć w danych także bez analizy obrazu. Dla branży badawczej Primotly stworzyło rozwiązanie wpięte w system ankietowy, które podczas testów sklepu internetowego rejestrowało realne zachowania użytkowników, m.in. czas spędzony na karcie produktu, powroty do opisu czy dodanie towaru do koszyka.

Kemnitz zwraca uwagę, że pytając człowieka o intencje, otrzymujemy jedynie deklarację, natomiast obserwując jego działanie, dostajemy „twarde dane”, które trudniej sfałszować. Połączenie ankiet z analizą zachowania daje pełniejszy obraz i lepszą podstawę do podejmowania decyzji dotyczących rozwoju usługi. Nie chodzi zatem o używanie technologii dla samej technologii, ale o wydobycie wiedzy, której firma wcześniej nie potrafiła wykorzystać.

Centralna, zbiorowa pamięć firmy

Podobny problem Primotly rozwiązało we własnej organizacji. Wiedza była rozproszona w wielu narzędziach i rozmowach. Odpowiedzią stał się autorski produkt oparty na generatywnej AI, który łączy dane z różnych źródeł, w tym transkrypcje spotkań, w jedną „pamięć firmy”, z zachowaniem odpowiednich uprawnień dostępu.

Dzięki ujednoliconym podsumowaniom pracownicy mogą błyskawicznie odzyskiwać kontekst bez konieczności przeglądania nagrań i zbiorów plików. Budowa narzędzia wymagała jednak najpierw precyzyjnego opisania własnego cyklu zarządzania projektami. Dopiero wtedy można było odwzorować go w instrukcjach dla AI.

Dziś zgromadzony kontekst pozwala zapytać model o ryzyka w projektach czy szanse sprzedażowe. Generowany wynik nie jest jednak gotową decyzją, lecz wsparciem, które zwraca uwagę człowieka na potencjalne zależności.

AI nie naprawi źle działającej organizacji

Jeżeli proces jest źle zaprojektowany, automatyzacja może go jedynie przyspieszyć albo wprowadzić jeszcze większy chaos.

Paweł Feliński podkreśla, że jeżeli firma jest źle zorganizowana, nie ma powtarzalnych procesów albo są one pełne błędów, nie należy wdrażać automatyzacji wyłącznie dlatego, że jest to technicznie możliwe. Najpierw trzeba zrozumieć, dlaczego błędy powstają i z czego wynikają.

Maciej Kemnitz wskazuje jednak, że czasem właśnie technologia pozwala te problemy dostrzec. Organizacja nie zawsze musi być idealnie uporządkowana, aby rozpocząć eksperymentowanie. Niewielki, dobrze zaprojektowany eksperyment może pokazać, gdzie naprawdę znajduje się problem.

Obie perspektywy spotykają się w jednym punkcie. Jak zaznacza Feliński, eksperyment jest wartościowy wtedy, gdy odpowiada na konkretne pytanie. AI działa jak wzmacniacz: jeżeli organizacja działa dobrze, może zwiększyć jej efektywność; jeżeli natomiast proces jest pełen błędów, może sprawić, że błędy te będą powstawały jeszcze szybciej. Dlatego przed rozpoczęciem budowy rozwiązania trzeba ustalić, kto podejmuje decyzję, na podstawie jakich informacji, gdzie informacje te powstają, kto jest właścicielem procesu oraz co dzieje się na jego kolejnych etapach.

Produkt zaczyna się od problemu, nie od listy funkcji

Klient nie musi znać technologii – od tego ma partnera technologicznego. Ktoś musi jednak świadomie zarządzać produktem, rozumieć użytkowników i wartość biznesową. Gdy firma przychodzi z gotową „listą funkcji”, często stoi za nią jedynie zbiór niesprawdzonych założeń. Zamiast budować w ciemno, kluczowe jest product discovery – wspólne zrozumienie problemu biznesowego i potrzeb użytkowników przed rozpoczęciem kosztownych prac nad produktem.

Feliński wskazuje, że w tym miejscu dobrze widać różnicę między „udostępnieniem ludzi” (body leasing) a partnerstwem technologicznym. Jeśli klient ma ułożony proces i architekturę, ale brakuje mu rąk do pracy, właściwym wyborem może być body leasing. Jeśli jednak przychodzi z problemem biznesowym i szuka rozwiązania, rozmowa dotyczy architektury produktu i odpowiedzialności za rezultat.

W takim modelu – podkreśla Maciej Kemnitz – sukces rozwiązania staje się wspólnym celem klienta i partnera technologicznego.

Technologia jest dobierana do problemu, nie problem do technologii

To podejście łączy wszystkie usługi Primotly. Computer vision jest wykorzystywane do analizy obrazu, GenAI i LLM-y do porządkowania wiedzy, a analityka do łączenia deklaracji z zachowaniem. R&D ogranicza ryzyko przed budową, body leasing uzupełnia brakujące kompetencje, a custom development pozwala stworzyć rozwiązanie od zera. Wspólnym mianownikiem nie jest więc konkretne narzędzie, ale sposób dochodzenia do rozwiązania.

Zamiast „wdrażać AI”, budujemy partnerstwa na lata

Primotly najlepiej współpracuje z firmami, które nie szukają technologii dla samej sztuki, ale traktują ją jako narzędzie do skalowania biznesu. Dobry projekt zawsze zaczyna się od ustalenia, co i dlaczego organizacja chce zmienić. Istotna jest także otwartość partnerów na dialog i kwestionowanie założeń – również wtedy, gdy rekomendacją partnera technologicznego jest rezygnacja z określonego pomysłu.

Praca nie kończy się w momencie dostarczenia rozwiązania. Primotly wspiera klientów na każdym etapie: od warsztatów product discovery i R&D, po budowę i wieloletni rozwój systemu. Prawdziwe partnerstwo technologiczne polega na tym, że technologia rośnie razem z organizacją. Potwierdzają to relacje firmy z klientami trwające nawet 12 lat.

Od informacji do decyzji

Skala danych generowanych przez firmy przekracza już możliwości ich ręcznej analizy. Odpowiedzią nie są jednak kolejne slajdy, lecz systemy, które porządkują informacje, zachowują kontekst i dostarczają je osobom podejmującym decyzje.

Nie każda firma potrzebuje AI czy automatyzacji w każdym procesie. Każda powinna jednak wiedzieć, jakie decyzje chce podejmować lepiej i szybciej. Dlatego zamiast zaczynać od pytania o to, co można zrobić z AI, warto najpierw ustalić, której decyzji organizacja nie potrafi dziś podjąć wystarczająco dobrze. Od tego zaczyna się funkcjonalna technologia.

Materiał Promocyjny