Przez pierwsze kilka rozmów myślałem, że problem jest budżetowy. Że firmy nie wdrażają AI, bo jest za drogo. Byłem w błędzie.
Po trzydziestej rozmowie - dosłownie, liczyłem - wiedziałem już co naprawdę blokuje polskie MŚP. I nie miało to nic wspólnego z ceną. ChatGPT Teams to 25 dolarów miesięcznie od osoby. Microsoft Copilot - 30 dolarów. Żadna firma z moich rozmów nie miała problemu z taką kwotą.
Problem był gdzie indziej. I jest powtarzalny z zadziwiającą precyzją.
Jak rozmawiałem i kogo pytałem
Trzydzieści rozmów przez 18 miesięcy. Właściciele lub prezesi, firmy 10 - 150 osób, różne branże: produkcja, usługi, transport, handel, budownictwo. Nie było to badanie naukowe z losowo dobraną próbą. Były to rozmowy robocze: z klientami, potencjalnymi klientami, znajomymi z branży, ludźmi po prezentacjach.
Pytałem zawsze o to samo: co wiesz o AI, czy rozmawiałeś o tym w firmie, co cię powstrzymuje od wdrożenia. Nie pytałem czy "zamierzają" - bo to pytanie wywołuje deklaracje, a nie prawdę. Pytałem co konkretnie stanęło na drodze.
Wyniki podzielę na cztery bariery. Każda z nich jest prawdziwa. Każda pojawia się w co najmniej połowie rozmów.
Bariera pierwsza: nie wiem od czego zacząć
To była odpowiedź numer jeden. Siedemnaście z trzydziestu osób mówiło to wprost albo okrężnie.
Wygląda to tak: właściciel wie, że AI istnieje. Czyta o tym w mediach. Widzi reklamy. Jego znajomy z innej firmy mówi że "wdrożył AI". Ale kiedy pyta "od czego zacząć" - nikt mu nie daje konkretnej odpowiedzi. Dostawcy technologii mówią o platformach, integracjach i ekosystemach. To brzmi jak praca na cały rok i milion złotych.
Efekt jest przewidywalny. Człowiek wraca do pracy i odkłada decyzję na miesiąc. Potem na kolejny miesiąc. Rok później jest dokładnie w tym samym miejscu.
Problem nie jest brakiem woli. Problem jest brakiem punktu wejścia. AI w 2024-2026 roku jest jak internet w 2000 roku - każdy wie że to ważne, ale nie każdy wie co z tym konkretnie zrobić w swojej firmie, przy swoich procesach, przy swoich pracownikach.
Rozwiązanie, które widzę u firm które ruszyły: jeden konkretny problem, jedno narzędzie, jeden miesiąc testu. Nie "wdrożenie AI w firmie". Tylko "spróbujemy tej jednej rzeczy i zobaczymy co się stanie".
Bariera druga: boję się że ludzie nie będą używać
Trzynaście rozmów. Zarządzam ludźmi od dawna - wiem jak to wygląda. Kupię, wdrożę, zapłacę, a pracownicy i tak wrócą do swoich nawyków.
Ten strach jest uzasadniony. Potwierdzają go dane. McKinsey raportuje, że w firmach które "wdrożyły AI" bez strukturyzowanego onboardingu, rzeczywiste użycie narzędzi przez pracowników po trzech miesiącach spada do 20-30% stanu po pierwszym tygodniu. Właściciele to widzą i intuicyjnie to czują.
Ale ten strach jest też mylący. Bo odnosi się do jednego modelu wdrożenia - rzuć narzędzie ludziom i niech sami się domyślą. A to naprawdę nie działa.
Co działa? Trzy rzeczy. Pierwsza: konkretny przypadek użycia pokazany na prawdziwych danych firmy, nie na demo. Kiedy handlowiec widzi że AI skróciło czas przygotowania oferty z 45 minut do 12 minut - na jego własnej ofercie, dla jego własnego klienta - motywacja jest inna niż po pokazie slajdów. Druga: jedna osoba w firmie odpowiedzialna za "pilnowanie" narzędzia. Nie musi to być specjalista IT. Ma być entuzjasta z autorytetem w zespole. Trzecia: pierwsze 30 dni z jasnym celem - co mierzymy, jak wiemy że to działa.
Bariera trzecia: dane są u nas w nieładzie
Jedenaście rozmów. "Jarek, u nas dane to jeden wielki bałagan. Excel z 2015 roku, trzy systemy które nie gadają ze sobą, faktury w PDF-ach w różnych folderach." Brzmi znajomo.
I rozumiem ten odruch - zanim wdrożę AI, muszę najpierw posprzątać dane. Logika jest sensowna. W praktyce jest pułapką.
Sprzątanie danych to projekt na 6 - 18 miesięcy, czasem więcej. Firmy które czekają na "gotowość danych" przed wdrożeniem AI czekają w nieskończoność. Bo kiedy skończycie jeden bałagan, pojawi się kolejny obszar wymagający porządku.
Prawda jest inna. Większość narzędzi AI nie wymaga idealnych danych do pierwszego sensownego zastosowania. Chatbot do obsługi FAQ na stronie - nie potrzebuje żadnych danych historycznych. Automatyczne podsumowanie maili - działa na bieżących mailach, nie na archiwum. Asystent do pisania ofert: działa na szablonach które masz dziś.
Dane są ważne gdy chcesz budować własne modele predykcyjne, własne silniki rekomendacji, własne analizy historyczne. Na start - zupełnie niepotrzebne w tej formie.
Bariera czwarta: to tylko kolejna moda
Osiem rozmów. Byłem zaskoczony że tak wiele. Mniej niż pozostałe, ale bardzo konkretna. "Kiedyś był blockchain. Kiedyś był Big Data. Kiedyś był metaverse. Teraz jest AI. Za rok będzie coś innego."
Rozumiem sceptycyzm. Blockchain w 2017 roku był sprzedawany jako rozwiązanie na wszystko. Skończyło się kilkoma niszowymi aplikacjami i ogromem wypalonych projektów. Metaverse od Mety miał zmienić świat pracy. Dziś nikt o tym nie mówi.
Ale AI jest inaczej osadzony. Blockchain wymagał zmiany fundamentów infrastruktury - żeby blockchain miał sens, partner, klient i regulator musieli jednocześnie to zaakceptować. AI działa jednostronnie. Firma może wdrożyć AI niezależnie od tego co robi reszta rynku. Wyniki są widoczne wewnątrz, nie wymagają zewnętrznej adopcji.
Drugi argument: AI nie jest jednym produktem. To klasa technologii. Tak jak "internet" nie był jedną aplikacją, tak "AI" to rodzina narzędzi - od modeli językowych po wizję komputerową, od rekomendacji po automatyzację procesów. Kiedy moda na konkretny chatbot minie, narzędzia do automatyzacji procesów zostaną. Fundamenty się nie zmieniają.
Co odróżnia tych którzy wdrożyli od tych którzy nie wdrożyli
Siedem firm z moich trzydziestu rozmów miało już działające wdrożenia AI. Małe, duże - różne. Patrzyłem na to co je odróżnia od pozostałych dwudziestu trzech.
Jedna rzecz rzuca się w oczy. Firmy które wdrożyły nie czekały na idealny moment. Nie czekały aż dane będą "gotowe". Nie robiły rocznej analizy. Wybrały jeden problem, który naprawdę ich bolał, i spróbowały go rozwiązać w ciągu miesiąca. Cokolwiek z tego wyszło - nauczyło ich więcej niż sześć miesięcy planowania.
Właściciel firmy transportowej, z którą pracowałem - 40 ciężarówek, 35 pracowników. Bolała go obsługa telefonów od klientów z pytaniem "gdzie jest moja przesyłka". Trzy osoby odbierały te telefony, przez 8 godzin dziennie. Wdrożył chatbot na WhatsApp połączony z systemem śledzenia. Nie był idealny. Miał błędy. Ale po miesiącu 60% zapytań było obsługiwanych automatycznie. Trzy osoby zajęły się czymś innym.
To nie wymagało idealnych danych. Nie wymagało czekania. Wymagało decyzji.
Słownik pojęć
- Bariera wejścia
- Cokolwiek powstrzymuje firmę od pierwszego kroku z AI - może być finansowa, organizacyjna, psychologiczna. Najczęstszy rodzaj: brak konkretnego punktu startowego.
- Adopcja narzędzia
- Rzeczywiste, regularne używanie narzędzia przez pracowników - nie tylko dostęp do niego. Adopcja spada drastycznie bez jasnego przypadku użycia i osoby odpowiedzialnej za wdrożenie.
- Quick win (szybki wynik)
- Pierwsze małe wdrożenie AI, które daje mierzalny wynik w ciągu 2-4 tygodni. Służy do zbudowania zaufania zespołu i zrozumienia jak AI działa w praktyce firmy.
- Jakość danych
- Miara przydatności danych do trenowania lub zasilania modeli AI. Na pierwsze wdrożenia AI w MŚP: zwykle nie jest blokerem. Staje się ważna przy budowaniu własnych modeli predykcyjnych.
Co mogę dla ciebie zrobić
Jeśli rozpoznajesz swoją firmę w którymś z tych punktów - napisz. Na j.cybulski@idea4me.pl. Zwykle odpowiadam w ciągu 24 godzin.
Nie sprzedaję platformy ani licencji. Pracuję z firmami nad konkretnym pierwszym krokiem - jednym procesem, jednym miesiącem, mierzalnym wynikiem. Potem decydujecie czy iść dalej.
Rozmowy w których słyszę "a u nas blokuje nas X" są dla mnie najcenniejsze. Bo zwykle X jest rozwiązywalne szybciej niż właściciel sądzi.
