Rynek zachłysnął się sztuczną inteligencją, jednak rzeczywistość biznesowa bywa brutalna. „AI-owa dolina śmierci” jest wypełniona projektami, które zarzucono po fazie testów (Proof of Concept) z powodu niskiej jakości danych, ryzyka, rosnących kosztów lub trudności z uzyskaniem wartości biznesowej. Według analityków z firmy Gartner do końca 2025 r. taki los spotkał co najmniej połowę projektów związanych z generatywną sztuczną inteligencją. Jak zatem przeskalować innowacyjny pilotaż na całą organizację i zintegrować nowe rozwiązanie oparte na AI z codziennymi procesami?
Wiele firm sektora MŚP rozpoczyna swoją przygodę z AI od zakupu pojedynczych licencji na asystentów tekstowych. Entuzjazm szybko jednak opada, gdy okazuje się, że nowe narzędzia działają w izolacji od firmowych danych. Dzieje się tak, gdy organizacja funkcjonuje w strukturze rozproszonej, a poszczególne działy samodzielnie i ręcznie przetwarzają firmowe dokumenty.
Główne grzechy wdrożeniowe, które blokują ROI z projektów AI, to najczęściej:
- Tworzenie silosów informacyjnych – sztuczna inteligencja działa równolegle, ale nie jest połączona z firmowymi systemami, na przykład ERP czy serwerem poczty, co pogłębia fragmentację procesów.
- Wąskie gardła procesów manualnych – nawet jeżeli AI pomoże napisać maila, pracownik nadal musi ręcznie przepisywać zamówienia z załączników PDF do systemu, tracąc czas i ryzykując popełnienie błędu.
- Koszty ukryte i brak skalowalności – narastająca liczba zadań ręcznych (niezautomatyzowanych) powoduje wysokie obciążenie pracowników i blokuje możliwość rozwoju firmy bez zatrudniania nowych osób.
Odpowiedzią nie jest zakup kolejnego, modnego narzędzia, lecz odpowiednia architektura IT i umiejętna integracja. Dowodzi tego przykład Flotico, dostawcy rozwiązań monitoringu GPS z Wielkopolski, który dzięki zmianie podejścia do wdrożenia AI zdołał zautomatyzować powtarzalne procesy i odzyskać ponad 150 godzin pracy miesięcznie.
Zmiana paradygmatu: Copilot jako platforma, a nie tylko narzędzie
W odpowiedzi na rosnące koszty operacyjne, powolność procesów i ich podatność na przestoje, chaos komunikacyjny i wysokie ryzyko błędów – wszystko, co prowadzi do obniżenia efektywności – we Flotico podjęto decyzję o przeprowadzeniu transformacji procesowej. Jej centralnym puntem było wdrożenie rozwiązania Copilot: wirtualnego, konwersacyjnego asystenta opartego na sztucznej inteligencji, stworzonego przez Microsoft.
Dlaczego właśnie Copilot? Ponieważ staje się obecnie platformą agentową, a organizacje oczekują jego integracji z systemami CRM czy branżowymi. Przestaje być traktowany jako pojedynczy produkt, a staje się centralnym interfejsem komunikacji ze środowiskiem Microsoft 365, systemami finansowymi czy ERP. W takim modelu użytkownik wydaje polecenia w języku naturalnym, a dedykowani agenci AI w tle pobierają faktury, walidują dane czy komunikują się przez API z bankiem.
Bezpieczna ścieżka wdrożenia, czyli dlaczego potrzebujesz ekosystemu partnerskiego
Sukces wdrożenia we Flotico opierał się na umiejętnym podziale ról. Organizacja nie musiała samodzielnie budować kompetencji AI. W opisywanym modelu dystrybutor Microsoft pełnił rolę integratora: dostarczył licencje Copilot, zaprojektował architekturę i polityki bezpieczeństwa oraz zapewnił framework agentowy.
Dzięki temu partner wdrożeniowy – firma Solet – mógł skupić się wyłącznie na budowaniu wartości biznesowej: tworzeniu agentów, integracjach z ERP/API, dostosowywaniu narzędzi do procesów oraz budowie automatyzacji.
RPA było w tym procesie szczególnie istotne. Starsze systemy często nie posiadają nowoczesnych API, z którymi agent AI mógłby się łatwo połączyć. Wykorzystanie technologii Robotic Process Automation rozwiązuje ten problem – robot dosłownie „klika” i wprowadza zwalidowane przez AI dane do starego systemu, eliminując konieczność kosztownej wymiany oprogramowania na nowe.
Dlatego też z perspektywy rentowności inwestycji krytyczne jest ustalenie klarownych przesłanek by uznać, że system klienta jest na tyle przestarzały, że robotyzacja nie ma sensu. Jacek Kotynia, Business Unit Manager Cloud w TD SYNNEX radzi zwracać uwagę na takie parametry systemu legacy, jak możliwości integracji, infrastrukturę i jakość danych. Czy obecny system posiada API? Czy jest „zamknięty” w środowisku on premise bez możliwości integracji z Azure, bo wtedy koszt budowy połączenia z modelem może być utrudniony? W jaki sposób przechowuje dane – czy są ustrukturyzowane, jasny, z odpowiednimi dostępami?
Granica opłacalności integracji AI z systemami legacy leży tam, gdzie koszt utrzymania i integracji rośnie szybciej niż zysk z automatyzacji. Przestarzałe lub nieaktualizowane systemy mogą zmusić firmę do zmiany strategii i skupienia się na wygaszaniu legacy przed wdrożeniem AI – podkreśla Jacek Kotynia, Business Unit Manager Cloud w TD SYNNEX.
– Granica opłacalności integracji AI z systemami legacy leży tam, gdzie koszt utrzymania i integracji rośnie szybciej niż zysk z automatyzacji. Przestarzałe lub nieaktualizowane systemy mogą zmusić firmę do zmiany strategii i skupienia się na wygaszaniu legacy przed wdrożeniem AI – podkreśla ekspert.
Agent jest dobry na wszystko?
W toku wdrożenia we Flotico Copilot stał się jednym, konwersacyjnym punktem dostępu do ERP, katalogów produktowych oraz API bankowych firmy. Zbudowano cztery wyspecjalizowane agenty AI realizujące konkretne zadania.
Agent finansowy (obsługa faktur i płatności)
Agent przejmuje manualne zadania działu księgowości. Samodzielnie pobiera dokumenty kosztowe z wiadomości e-mail lub z systemu ERP. Następnie analizuje je i waliduje poprawność danych. Na tej podstawie tworzy plik płatności (np. wsad CSV) i za pośrednictwem API bankowego wysyła go do ostatecznego zatwierdzenia. Proces ten jest w pełni zgodny z wewnętrznymi procedurami finansowymi firmy.
Agent zamówień (wprowadzanie danych do systemu ERP)
Rozwiązuje problem ręcznego przepisywania zamówień z załączników PDF. Skanuje dokument, rozpoznaje jego strukturę, a następnie wyciąga i weryfikuje kompletność kluczowych danych. Wykorzystując technologię Robotic Process Automation automatycznie wprowadza zebrane informacje do starszego oprogramowania. Na koniec procesu pracownik otrzymuje w komunikatorze jedynie gotowe podsumowanie do akceptacji.
Agent podróży służbowych (delegacje i rezerwacje)
Zastępuje wieloetapową wymianę maili podczas planowania wyjazdów. Agent przyjmuje od użytkownika konkretne kryteria, takie jak miasto docelowe, preferowana linia lotnicza i budżet firmowy. Łącząc się z API linii lotniczych, konsoliduje zebrane oferty i prezentuje gotowe propozycje bezpośrednio w aplikacji Teams. Po uzyskaniu akceptacji pracownika agent samodzielnie dokonuje zakupu biletu oraz przesyła wymagane potwierdzenia i faktury. Całość odbywa się w czasie rzeczywistym i z zachowaniem firmowej polityki podróży.
Agent produktowy (dostęp do danych o komponentach)
Narzędzie wspierające szybki obieg informacji projektowych. Pobiera informacje bezpośrednio z baz i katalogów produktowych. Dzięki temu błyskawicznie przedstawia użytkownikom aktualne ceny, dostępność magazynową oraz opisy poszukiwanych artykułów (np. po kodach EAN). Na podstawie tych informacji potrafi również wygenerować kompleksowe zestawienia na potrzeby realizowanych projektów.
ROI – być albo nie być dla PoC
O powodzeniu wdrożenia świadczą twarde, mierzalne rezultaty. Dzięki wprowadzeniu asystentów organizacja odzyskała łącznie ponad 150 godzin w skali miesiąca, przy wysokim poziomie automatyzacji i dostępności na poziomie 99,9 proc. Co ważne z punktu widzenia bezpieczeństwa, całość spełnia rygorystyczne wymogi RODO oraz dyrektywy NIS2.
| Obszar | Oszczędność czasu/mc | Redukcja błędów | Czas osiągnięcia ROI |
| Faktury i przelewy | 40 godz. | 95 proc. | < 2 miesiące |
| Zamówienia ERP | 60 godz. | 98 proc. | 2 miesiące |
| Podróże firmowe | 20 godz. | 100 proc. | 1 miesiąc |
| Artykuły (EAN) | 30 godz. | 90 proc. | < 1 miesiąc |
Z doświadczeń projektowych wynika, że najszybszy zwrot (często poniżej 1-2 miesięcy) zapewniają procesy ustrukturyzowane: obieg faktur i przelewów, wprowadzanie zamówień ze skanów do systemu ERP oraz generowanie ofert na bazie katalogów produktowych.
Dodatkowym efektem „ubocznym” projektu jest powtarzalny model wdrożeniowy, który dystrybutor może stosować u innych klientów: oferując im powtarzalne pakiety startowe, obejmujące licencję Copilot i trzy scenariusze PoC.
Podsumowanie
Najczęstszym błędem MŚP w pierwszych tygodniach testowania Copilota jest traktowanie go jako zaawansowanej wyszukiwarki, a nie interfejsu do zarządzania firmą. Dopóki AI nie uzyska bezpiecznego dostępu do twardych danych z ERP czy systemów finansowych, projekt utknie w fazie ciekawostki, nie przynosząc realnego zwrotu z inwestycji.
Dopiero wykorzystanie Copilota jako platformy orkiestrującej, połączonej przez partnera wdrożeniowego z systemami ERP i procesami RPA, to sprawdzona droga od testów do realnej optymalizacji, która zwraca się w zaledwie kilka tygodni.
Odrębną kwestią jest technologiczne zabezpieczenie architektury, aby informacje pobierane przez agenta AI nie wyciekły do ogólnodostępnych modeli językowych (organizacje obawiają się, że AI szkoli się na ich danych).
Zdaniem Jacka Kotyni obawy te najczęściej wynikają z doświadczeń z bezpłatnymi lub konsumenckimi modelami i narzędziami, a także darmowych konsumenckich technologii w miejscu pracy. W świecie rozwiązań klasy Enterprise, takich jak Microsoft Cloud i Azure OpenAI Services, taka sytuacja nie ma prawa się zdarzyć. Dane przesyłane przez API nie są wykorzystywane do trenowania bazowych modeli, co dostawcy gwarantują w umowach Data Processing Agreement.
Przykładowo, w Azure OpenAI modele są wdrażane wewnątrz subskrypcji Azure klienta – żadne zapytania ani dane wejściowe nie są wykorzystywane do „douczania” modeli bazowych czy też publicznych. – Świadome stosowanie technologii przeznaczonych dla sektora biznesowego gwarantuje spełnianie wyśrubowanych norm i standardów międzynarodowych zapewniających najwyższy poziom bezpieczeństwa – podkreśla przedstawiciel TD SYNNEX.
