Jakub Krystkowiak
Bez owijania: najczęstsze błędy przy wdrażaniu AI w firmie są organizacyjne, nie techniczne. Narzędzie kupione przed wybraniem procesu, wdrożenie bez właściciela, liczenie logowań zamiast efektu, zespół bez przygotowania, wiedza w nieładzie i brak zasad psują więcej projektów niż słaby model. Każdy z dziesięciu błędów poniżej ma objaw, po którym rozpoznasz go u siebie, i pierwszy krok na najbliższy tydzień.
Autotest na końcu pokazuje, od czego zacząć, a czasem także to, że lepiej na chwilę przestać.
„Wdrażamy AI, bo konkurencja już ma.” Konkurencja ma też ekspres do kawy za dwadzieścia tysięcy. Też kupujesz? Licencje kupione, szkolenie odhaczone, wykres logowań w prezentacji dla zarządu pnie się w górę. Po kwartale ktoś zadaje proste pytanie: „Co nam właściwie dało AI?”. I dostaje tyle odpowiedzi, ile osób zapytał.
Ten przegląd pomaga ustalić, skąd ta rozbieżność. Zaczyna od objawów, czyli rzeczy, które da się zauważyć bez raportu i bez konsultanta, a kończy autotestem, który układa je w kolejność pracy.
Błąd wdrożenia AI to decyzja albo zaniechanie po stronie firmy, przez które narzędzie AI nie zmienia sposobu pracy, naraża dane albo daje wyniki, których nie weryfikuje się przed użyciem. Lista jest krótka z założenia. Każdy błąd ma w Strefie Wiedzy artykuł, który rozwija temat, więc tutaj dostajesz rozpoznanie i kierunek. Szczegóły czekają pod linkami.
Czy chodzi o błędy AI, czy błędy firmy?
O błędy firmy. Modele językowe też się mylą, ale to osobny temat. Pomyłka modelu staje się problemem dopiero wtedy, gdy firma nie ma sposobu, żeby ją wyłapać. Z nowym pracownikiem jest tak samo: jego pierwsza oferta z błędem to normalna rzecz, problem zaczyna się wtedy, gdy nikt jej nie przeczytał przed wysłaniem.
Dlatego jedyny błąd modelu, który trafił na tę listę, występuje w roli skutku: wynik AI wychodzi do klienta bez sprawdzenia (błąd 10). Cała reszta to decyzje, które zapadają przy biurku zarządu, w dziale IT albo w zespole, zanim ktokolwiek wpisze pierwsze polecenie.
Kolejność nie jest przypadkowa: zaczynamy od decyzji, bo od nich zależy wszystko dalej. Potem ludzie, którzy mają z AI korzystać, dane, na których AI pracuje, i na końcu zasady oraz kontrola, które trzymają całość w ryzach.
Decyzje: błędy, które zapadają przed pierwszym poleceniem
Te trzy błędy dotyczą samego sposobu prowadzenia wdrożenia, dlatego przy każdym podajemy jedno odniesienie do raportów PwC lub McKinsey. Oba badania obejmują głównie duże organizacje, więc traktuj je jako kierunek, a nie miarę dla Twojej firmy.
1. Narzędzie wybrane przed procesem
Firma kupuje licencje, bo konkurencja już ma, a dopiero potem szuka zadań, do których mogłyby się przydać. To odwrócona kolejność: najpierw proces z widocznym kosztem czasu, potem narzędzie, które go obsłuży. Autorzy 29. edycji badania prezesów PwC piszą wprost, na podstawie pracy z organizacjami, że odizolowane, taktyczne projekty AI często nie dają mierzalnej wartości. To opinia autorów raportu wynikająca z ich pracy doradczej; ankieta tego nie mierzyła.
Objaw: na pytanie „do którego zadania używamy tego narzędzia?” każda osoba podaje inny przykład, a część nie podaje żadnego.
Pierwszy krok: wypisz trzy zadania, które zespół powtarza co tydzień, wybierz jedno i dopiero pod nie porównaj narzędzia. Jak to zrobić bez przepłacania za miejsca, opisujemy w artykule ChatGPT, Copilot, Claude czy Gemini: jakie narzędzie AI wybrać dla firmy.
2. AI jest niczyje
Licencje kupiła księgowość, testy prowadzi entuzjasta po godzinach, a o tym, czy narzędzie zostaje, nie decyduje żadna konkretna osoba. Brakuje dwóch ról: sponsora, który decyduje o losie projektu, i właściciela procesu, który odpowiada za efekt. Osobno warto wskazać, kto pilnuje kont, dostępów i ustawień.
W badaniu McKinsey „The state of AI in 2026” (ankieta z maja i czerwca 2026, 1 719 respondentów z 97 krajów, 36% z organizacji o przychodach powyżej 1 mld USD) firmy z największym efektem finansowym z AI dwa razy częściej niż pozostałe deklarują, że ich najwyższe kierownictwo angażuje się w inicjatywy AI. To nie dowód, że brak właściciela psuje wdrożenie, ale wynik wyraźnie idzie w parze z czyimś realnym zaangażowaniem.
Objaw: gdy osoba „od AI” idzie na urlop, nie wiadomo, kto odpowiada na pytania zespołu ani kto przedłuża licencje.
Pierwszy krok: wpisz z imienia i nazwiska sponsora i właściciela procesu (z biznesu, nie z IT). W małej firmie może to być jedna osoba, byle wybrana świadomie. Podział ról przy wdrożeniu opisujemy w artykule Wdrożenie AI w firmie: od czego zacząć i dlaczego pilotaże nie dają efektu.
3. Mierzenie licencji zamiast efektu
Raport z wdrożenia podaje, ile osób się zalogowało i ile poleceń wysłano. To miara aktywności. Samo logowanie nie skraca przygotowania oferty ani nie zmniejsza liczby poprawek. Liczba wysłanych poleceń mówi o efekcie mniej więcej tyle, co liczba otwarć lodówki o diecie.
Skala problemu jest duża także w największych firmach. W badaniu PwC (4 454 prezesów z 95 krajów, ankieta od 30 września do 10 listopada 2025, ponad 60% z firm o przychodach powyżej 100 mln USD) 56% stwierdziło, że ich firma nie odnotowała dzięki AI ani wyższych przychodów, ani niższych kosztów. Obu efektów naraz doświadczyło 12%.
Objaw: na pytanie „ile czasu oszczędzamy?” pada liczba aktywnych kont albo zdanie „ludzie są zadowoleni”.
Pierwszy krok: zanim zespół zacznie pracę nowym sposobem, zapisz, ile dziś trwa jedno wykonanie wybranego procesu, i ustal w kalendarzu datę decyzji o dalszym losie projektu. Jak policzyć efekt po zmianie, krok po kroku, wyjaśnia ten sam artykuł o wdrożeniu AI w firmie, w części o mierzeniu efektów.
Ludzie: błędy w tym, jak zespół dostaje AI do ręki
4. Jedno szkolenie i koniec
Jednodniowe szkolenie z ogólnych możliwości AI daje zastrzyk entuzjazmu, ale nie zmienia nawyków. Nawyk zmienia się na realnych zadaniach zespołu, powtarzanych przez kilka tygodni, z kimś, do kogo można przyjść z pytaniem. Handlowiec potrzebuje czego innego niż osoba z księgowości, więc jedno szkolenie dla wszystkich trafia w przeciętnego uczestnika, którego w firmie nie ma.
Objaw: miesiąc po szkoleniu pytasz, kto stosuje to, czego uczono, i podnosi się jedna, może dwie ręce.
Pierwszy krok: zamiast kolejnego dnia szkoleniowego zaplanuj krótkie sesje na zadaniach z kalendarza zespołu, rozłożone na kilka tygodni. Jak zbudować z tego program według ról, opisujemy w artykule Szkolenie AI dla firm: jak zbudować program, który zmienia sposób pracy.
5. Obawy zespołu zbyte uśmiechem
Pracownicy pytają, czy AI zabierze im pracę, kto odpowie za błąd i czy ktoś będzie czytał ich rozmowy z czatem. Gdy na takie pytania pada „nie martwcie się”, zespół kiwa głową na spotkaniu, a potem wraca do starych metod. Część obaw jest zresztą trafna i wskazuje realną dziurę w procesie, którą warto załatać przed startem.
Uczciwa odpowiedź na pytanie o pracę zaczyna się od tego, po co firma wdraża AI. Jeśli celem jest dać ludziom więcej czasu na pracę, której AI nie zrobi dobrze (rozmowę z klientem, decyzję, ocenę), powiedz to wprost i pokaż na konkretnym zadaniu. AI ma rozszerzać dobę człowieka, a nie stać nad nim.
Objaw: narzędzie jest, szkolenie było, a zespół wciąż pracuje jak przed wdrożeniem i nie mówi dlaczego.
Pierwszy krok: zbierz obawy wprost, choćby anonimowo, i odpowiedz na trzy najczęstsze. Nie obiecuj tego, czego nie możesz zagwarantować, na przykład że żadne stanowisko się nie zmieni. Gotowe odpowiedzi na typowe obiekcje znajdziesz w artykule Jak przekonać zespół do AI: wdrożenie zmiany bez oporu.
6. AI używane po cichu
Gdy firma nie daje zatwierdzonego narzędzia ani zasad, ludzie i tak sięgają po AI, tylko na prywatnych kontach. Kłopot w tym, że firma nie wie, z jakich narzędzi i z jakimi danymi. Ten stan nazywa się shadow AI.
Objaw: w rozmowach pada „sprawdziłem w czacie”, a firma nie ma oficjalnego narzędzia AI ani listy dozwolonych.
Pierwszy krok: zapytaj zespół w krótkiej anonimowej ankiecie, z czego korzysta i do czego. Bez szukania winnych: wynik ma pokazać mapę zastosowań, nie winnych. Pytania do ankiety i sposób reakcji na wyniki opisujemy w artykule Shadow AI w firmie: co to jest i jak ograniczyć ryzyko.
Dane: błędy w tym, na czym AI pracuje
7. Wiedza firmy w nieładzie
AI odpowiada na podstawie tego, co dostanie. Jeśli oferta wzorcowa istnieje w czterech wersjach („oferta_final”, „oferta_final2”, „oferta_final_poprawiona” i „oferta_TA_WLASCIWA”), a aktualne warunki zna tylko jeden handlowiec, AI wybierze którąś z wersji i poda ją pewnym tonem. Wtedy łatwo uznać, że „AI się nie sprawdza”, choć zawiodły dokumenty, nie model.
Objaw: AI odpowiada ogólnikami albo cytuje dokument, który dawno przestał obowiązywać.
Pierwszy krok: wybierz jeden obszar, na przykład ofertę, wskaż w nim kilka dokumentów, które są jedynym źródłem prawdy, a resztę oznacz jako archiwum. Jak przygotować dokumenty i kto ma pilnować ich aktualności, wyjaśniamy w artykule Baza wiedzy dla AI: jak przygotować dane firmy, żeby AI odpowiadało trafnie.
8. Dane klientów w niewłaściwym narzędziu
Pracownicy przesyłają do czatów maile klientów, wyceny i umowy, często z kont prywatnych. Na takich kontach rozmowy mogą służyć do ulepszania modeli, zależnie od planu i ustawień. Plan firmowy daje lepsze warunki, ale sam nie przesądza, że każde zastosowanie jest dopuszczalne.
Objaw: nie wiesz, na jakich kontach pracują osoby, które przesyłają do AI dane klientów, ani jak mają ustawione wykorzystanie rozmów.
Pierwszy krok: sprawdź plan i ustawienia kont osób pracujących na danych klientów. Hasła i klucze API wykluczasz z rozmów niezależnie od konta. Różnice między planami i ustawienia, które warto zmienić, opisujemy w artykule Czy ChatGPT jest bezpieczny dla firmy? Dane, RODO i ustawienia.
Zasady i kontrola: błędy, przez które całość się rozjeżdża
9. Brak spisanych zasad
Bez zasad każdy sam decyduje, co wolno przesłać do narzędzia, a odpowiedź zależy od tego, kto akurat decyduje. Zasady nie muszą być długie. Muszą odpowiadać na pytania, które zespół zadaje codziennie: jakie narzędzia, jakie dane, kto sprawdza wynik i kogo pytać w razie wątpliwości.
Objaw: pytasz trzy osoby, czy wolno przesłać do AI umowę klienta, i dostajesz trzy różne odpowiedzi.
Pierwszy krok: spisz na jednej stronie listę zatwierdzonych narzędzi, dane, których nie przesyłacie, i osobę do kontaktu. Potem rozbuduj to według wzoru z artykułu Polityka AI w firmie: co powinna zawierać i jak ją wdrożyć (ze wzorem).
10. Wynik AI wychodzi bez sprawdzenia
Modele językowe potrafią podać nieistniejący przepis albo zmyśloną liczbę z pełnym przekonaniem. Błąd firmy polega na tym, że taki wynik idzie dalej bez kontroli, bo „AI tak napisało”, a w procesie nie ma momentu, w którym człowiek go weryfikuje.
Objaw: do klienta trafił tekst z liczbą, cytatem albo przepisem, którego źródła nie otworzył człowiek.
Pierwszy krok: wprowadź jedną regułę: każda liczba, cytat i przepis z odpowiedzi AI ma przed wysłaniem wskazane źródło. Skąd biorą się zmyślenia i jak sprawdzać odpowiedzi szybko, opisujemy w artykule Halucynacje AI: dlaczego AI zmyśla i jak to ograniczyć w firmie.
Co łączy te błędy: produktywność zamiast efektywności
Większość z dziesięciu błędów ma wspólny korzeń: firma mierzy, ile AI produkuje, zamiast sprawdzać, czy produkuje dobre rzeczy. Produktywność mówi, ile powstało. Efektywność mówi, ile z tego było dobre i przybliżyło firmę do celu.
AI podbija produktywność prawie od ręki. Maili, ofert i prezentacji przybywa szybciej, niż ktokolwiek zdąży je przeczytać. Jeśli do tego dochodzi narzędzie bez procesu (błąd 1), liczenie logowań (błąd 3) i wyniki bez sprawdzania (błąd 10), firma produkuje więcej rzeczy, które ktoś potem musi poprawiać. Wykresy rosną, a praca nie robi się lepsza.
Przykład: dział sprzedaży wysyła z pomocą AI dwa razy więcej ofert niż wcześniej. Jeśli w tym samym czasie spada odsetek ofert przyjętych bez poprawek, a handlowcy wieczorami łatają błędy w wysłanych dokumentach, wzrosła produktywność. Efektywność spadła.
Jak to sprawdzić u siebie: przy każdym procesie z AI trzymaj obok siebie dwie liczby, jedną o ilości i jedną o jakości. Na przykład liczbę ofert i odsetek ofert zaakceptowanych bez poprawek albo liczbę odpowiedzi do klientów i liczbę reklamacji na te odpowiedzi. Jeśli rośnie wyłącznie pierwsza, nie świętuj.
Autotest: które z tych błędów są u Ciebie?
Odpowiedz „tak” albo „nie”, myśląc o tym, co działo się w ostatnich 30 dniach. Każde „tak” oznacza objaw jednego błędu z listy. To autorska lista sygnałów nodash_, która nie jest zwalidowanym narzędziem badawczym. Pokazuje, gdzie patrzeć, ale nie mierzy ryzyka ani nie przesądza, czy wdrożenie się uda.
Inną funkcję ma test z artykułu Audyt AI: jak sprawdzić, czy Twoja firma jest gotowa na AI, który ocenia gotowość przed startem, podczas gdy ten autotest wyłapuje błędy, które już się dzieją.
| Nr | Pytanie | Błąd |
|---|---|---|
| 1 | Czy firma kupiła narzędzie AI, zanim ustaliła, do którego konkretnego zadania ma służyć? | narzędzie przed procesem |
| 2 | Czy gdyby osoba „od AI” zniknęła na dwa tygodnie, sprawy związane z narzędziem by stanęły? | AI jest niczyje |
| 3 | Czy jedyne liczby o AI, jakie możesz pokazać, to liczba kont, logowań albo poleceń? | licencje zamiast efektu |
| 4 | Czy od ostatniego szkolenia z AI minął ponad miesiąc bez kolejnej sesji albo wsparcia? | jedno szkolenie i koniec |
| 5 | Czy ktoś w zespole omija nowe narzędzie, a Ty nie wiesz dlaczego? | zbyte obawy |
| 6 | Czy ktoś korzystał z AI na koncie, o którym firma nie wiedziała? | AI używane po cichu |
| 7 | Czy AI podało nieaktualną informację o ofercie, cenniku albo procedurze? | wiedza w nieładzie |
| 8 | Czy dane klienta trafiły do konta AI, którego planu i ustawień nie sprawdzono? | dane w niewłaściwym narzędziu |
| 9 | Czy na pytanie „co wolno przesłać do AI?” różne osoby odpowiadają różnie? | brak zasad |
| 10 | Czy do klienta trafił tekst z AI z liczbą lub przepisem niesprawdzonym w źródle? | wynik bez sprawdzenia |
Jak czytać wynik
Liczba „tak” mówi mniej niż to, gdzie te odpowiedzi wypadły. Proponowana kolejność naprawy:
- Najpierw pytania 8, 9 i 10. Te błędy narażają dane i klientów każdego dnia, więc jedno „tak” w tej grupie to zadanie na ten tydzień, niezależnie od reszty wyniku.
- Potem pytania 1 do 3. Bez właściciela i bez punktu startu poprawki w innych obszarach nie mają do kogo trafić ani jak się wykazać.
- Na końcu pytania 4 do 7. Szkolenie, rozmowa z zespołem i porządek w dokumentach dają najwięcej, gdy wiadomo już, jaki proces zmieniacie.
Przy dwóch lub trzech „tak” naprawiaj po jednym błędzie na tydzień. Przy kilku więcej wybierz najwyżej trzy na najbliższy miesiąc i dopiero po nich wróć do testu. Jeśli „tak” jest siedem albo więcej, wstrzymaj zakup kolejnych narzędzi: zacznij od zasad, właściciela i jednego procesu.
Kiedy lepiej na razie nie wdrażać AI
Czasem najlepszym ruchem jest wstrzymanie wdrożenia, a nie kolejne narzędzie. Brzmi dziwnie w tekście firmy, która wdraża AI. Tyle że wdrożenie w złym momencie kosztuje dwa razy: raz pieniądze, drugi raz zaufanie zespołu przy następnej próbie.
| Sytuacja | Dlaczego to zły moment | Co zrobić zamiast tego |
|---|---|---|
| Nie umiesz wskazać jednego procesu, który zabiera zespołowi policzalny czas | AI nie będzie miało czego skracać, a efektu nie da się zmierzyć | wypisz powtarzalne zadania i zmierz czas jednego z nich |
| Proces, który chcesz usprawnić, sam jest chaosem | AI zautomatyzuje bałagan, tylko szybciej i na większą skalę | najpierw spisz, jak proces ma wyglądać, potem go automatyzuj |
| Nikt nie chce zostać właścicielem procesu | wdrożenie stanie się niczyje (błąd 2) w dniu startu | wróć do tematu, gdy jest konkretna osoba z czasem na to |
| Dane, na których AI miałoby pracować, nie przeszły oceny i nie ma zatwierdzonego narzędzia | ryzyko dla klientów pojawi się szybciej niż efekt | najpierw zasady i klasyfikacja danych (błąd 9) |
| Jedynym argumentem jest „bo wszyscy wdrażają” | to powód do zakupu, nie do zmiany sposobu pracy | ustal cel, który da się zmierzyć, i dopiero wtedy wybieraj narzędzie |
Żadna z tych sytuacji nie znaczy „nigdy”. Znaczy „jeszcze nie” i mówi, co trzeba zrobić, żeby było „tak”.
Dwa pytania na koniec
Kto odpowiada za błędy AI w firmie?
Za tekst wysłany klientowi odpowiada firma, która go wysłała. Tekst wysłany klientowi jest tekstem firmy, niezależnie od tego, kto lub co napisało pierwszą wersję. Dlatego w zasadach warto wskazać, kto sprawdza wynik przed wysłaniem. Kwestie prawne, w tym obowiązek prawidłowości danych osobowych, omawiamy w artykule o halucynacjach AI, w części „Kto odpowiada, gdy AI się pomyli?”.
Czego nie wpisywać do AI w pracy?
Haseł i kluczy API nie wpisujesz nigdzie, a danych osobowych i poufnych tylko po ocenie i do zatwierdzonego narzędzia. Haseł, kluczy API i innych danych dostępowych: na żadnym koncie. Dane osobowe i poufne mogą trafić do narzędzia dopiero po ocenie celu, podstawy prawnej, umowy powierzenia, umowy z klientem i minimalizacji, i tylko do narzędzia zatwierdzonego przez firmę. Pełną klasyfikację w czterech kategoriach opisuje wspomniany wyżej artykuł o polityce AI.
