Zacznijmy od przyk\u0142adu. Pewna firma wdra\u017ca asystenta AI do obs\u0142ugi zapyta\u0144 e-mailowych w dziale B2B. Cel jest rozs\u0105dny: odci\u0105\u017cenie zespo\u0142u, szybsze odpowiedzi, mniej rutynowej pracy. Pewnego dnia jeden ze strategicznych klient\u00f3w zg\u0142asza wniosek o zwrot partii towaru. AI analizuje zapytanie, dopasowuje je do regulaminu i wysy\u0142a uprzejm\u0105 odmow\u0119, opart\u0105 na zapisach tego regulaminu.<\/p>
Algorytm nie wie jednak tego, co wie ka\u017cdy handlowiec w firmie: kluczowi partnerzy maj\u0105 elastyczne, indywidualnie negocjowane warunki. Decyzja by\u0142a wi\u0119c zgodna z regulaminem i jednocze\u015bnie ca\u0142kowicie b\u0142\u0119dna. Dyrektor sprzeda\u017cy dowiedzia\u0142 si\u0119 o problemie dopiero wtedy, gdy klient zagrozi\u0142 zerwaniem kontraktu.<\/p>
Nikt nie zauwa\u017cy\u0142 awarii. Bo \u017cadnej awarii nie by\u0142o.<\/p>
To nie jest historia wyj\u0105tkowa. Wyniki opublikowanego w po\u0142owie lutego 2026 roku raportu „Connext Global AI Oversight Survey” <\/mark><\/a>pokazuj\u0105, \u017ce takich cichych pora\u017cek jest znacznie wi\u0119cej. A\u017c 42% badanych wprost przyznaje, \u017ce modele nagminnie pomijaj\u0105 kluczowe dla firm detale. Z tego samego badania wynika, \u017ce tylko 17% pracownik\u00f3w wierzy, \u017ce AI w ich miejscu pracy mo\u017ce dzia\u0142a\u0107 w pe\u0142ni samodzielnie. A w 1 na 5 przypadk\u00f3w nowa technologia sprawi\u0142a, \u017ce sytuacja klienta si\u0119 pogorszy\u0142a, zamiast poprawi\u0107.<\/p> Nic wi\u0119c dziwnego, \u017ce wed\u0142ug analiz Gartnera co najmniej 30% korporacyjnych projekt\u00f3w opartych na generatywnej AI zostaje porzuconych zaraz po fazie test\u00f3w. Znane i szeroko cytowane badania MIT („The GenAI Divide. State of AI in Business”<\/a><\/mark>) id\u0105 jeszcze dalej \u2013 twierdz\u0105, \u017ce nawet 95% pilota\u017cy nie przynosi w pe\u0142ni mierzalnego zwrotu.<\/p> Przyczyna?<\/p> Rynek przez ostatnie lata skupi\u0142 si\u0119 na kupowaniu dost\u0119pu do najr\u00f3\u017cniejszych platform. Pomini\u0119to jednak fundamenty, bez kt\u00f3rych nawet najbardziej zaawansowany system zachowuje si\u0119 jak \u015bwietnie wykszta\u0142cony cz\u0142owiek w pierwszym dniu nowej pracy \u2013 elokwentny, pe\u0142en energii, ale operacyjnie jeszcze bezu\u017cyteczny.<\/p> Wi\u0119kszo\u015b\u0107 pora\u017cek AI w biznesie polega na tym, \u017ce narz\u0119dzia po prostu generuj\u0105 odpowiedzi, kt\u00f3re brzmi\u0105 przekonuj\u0105co, ale s\u0105 merytorycznie b\u0142\u0119dne. Takie halucynacje s\u0105 znacznie gro\u017aniejsze ni\u017c oczywisty b\u0142\u0105d, bo trudniej je wychwyci\u0107. 31% badanych pracownik\u00f3w podkre\u015bla, \u017ce AI brzmi bardzo pewnie podaj\u0105c b\u0142\u0119dne odpowiedzi. B\u0142\u0105d technologi? Nie do ko\u0144ca…<\/p> Profesor Ethan Mollick z Wharton School, jeden z czo\u0142owych analityk\u00f3w wp\u0142ywu AI na biznes, opisuje wsp\u00f3\u0142czesne modele j\u0119zykowe jako „obc\u0105 inteligencj\u0119” (\u201eAlien Intelligence\u201d<\/a><\/mark>). Jego koncepcja „poszarpanej granicy” (jagged frontier) trafnie oddaje natur\u0119 tego problemu: algorytmy potrafi\u0105 b\u0142yskotliwie napisa\u0107 skomplikowan\u0105 strategi\u0119, by za chwil\u0119 ca\u0142kowicie polec na trywialnym, specyficznym dla danej firmy zadaniu.<\/p> Dlaczego tak si\u0119 dzieje?<\/p> Publiczne modele zosta\u0142y wytrenowane na miliardach og\u00f3lnodost\u0119pnych dokument\u00f3w. Nie znaj\u0105 historii relacji z kluczowym klientem. Nie wiedz\u0105, \u017ce pewne procedury maj\u0105 niepisane wyj\u0105tki. Nie rozumiej\u0105 wewn\u0119trznego \u017cargonu ani tego, dlaczego akurat ten partner dostaje inne warunki ni\u017c wszyscy pozostali. Efekt? Pracownicy trac\u0105 czas na ci\u0105g\u0142e poprawki, zarz\u0105d nie widzi obiecanego zwrotu z inwestycji. I nikt do ko\u0144ca nie rozumie dlaczego\u2026<\/p> Naturaln\u0105 reakcj\u0105 na takie sytuacje jest si\u0119gni\u0119cie po architektur\u0119 RAG \u2013 Retrieval-Augmented Generation. Idea jest prosta: zamiast polega\u0107 wy\u0142\u0105cznie na wiedzy wytrenowanej w modelu, AI ma korzysta\u0107 z wewn\u0119trznych baz danych firmy. Regulamin\u00f3w, polityk, historii klient\u00f3w.<\/p> Tu jednak kryje si\u0119 kolejna pu\u0142apka. Bo RAG RAG-owi nier\u00f3wny.<\/p> Wrzucenie wszystkich firmowych dokument\u00f3w do jednego repozytorium i oczekiwanie, \u017ce system sam wyci\u0105gnie w\u0142a\u015bciwe wnioski to droga donik\u0105d. Potrzebna jest przemy\u015blana architektura danych \u2013 uporz\u0105dkowane \u015brodowisko, w kt\u00f3rym znajd\u0105 si\u0119 nie tylko suche zapisy, ale te\u017c pe\u0142na historia relacji z system\u00f3w CRM, kontekst negocjacji, wyj\u0105tki i ich przyczyny. Dane McKinsey & Company <\/a><\/mark>wskazuj\u0105 bezlito\u015bnie, \u017ce to w\u0142a\u015bnie architektura informacji jest pi\u0119t\u0105 achillesow\u0105 firm wdra\u017caj\u0105cych AI \u2013 70% przedsi\u0119biorstw jako g\u0142\u00f3wn\u0105 barier\u0119 podaje problemy z integracj\u0105 danych i brakiem odpowiedniego nadzoru nad nimi.<\/p> Za\u0142\u00f3\u017cmy jednak, \u017ce system wspomnianej na pocz\u0105tku firmy mia\u0142 dost\u0119p do dobrze zorganizowanej bazy danych z histori\u0105 relacji tego klienta. Czy nie pope\u0142ni\u0142by b\u0142\u0119du? Prawdopodobnie nie…<\/p> Tylko \u017ce \u201eprawdopodobnie\u201d robi istotn\u0105 r\u00f3\u017cnic\u0119.<\/p> Nawet najlepiej zaprojektowany system nie wy\u0142apie wszystkich niuans\u00f3w. Tego, jak konkretny handlowiec rozmawia\u0142 z konkretnym klientem przez ostatnie trzy lata. Albo tego, \u017ce istnieje niepisana zasada, \u017ce tego klienta warto czasem \u201edopie\u015bci\u0107\u201d \u2013 a definicja tego \u201eczasem\u201d jest oparte wy\u0142\u0105cznie na intuicji sprzedawcy i kontek\u015bcie rozmowy.<\/p> I w\u0142a\u015bnie dlatego dojrza\u0142e wdro\u017cenia AI nie rezygnuj\u0105 z cz\u0142owieka \u2013 one go inaczej ustawiaj\u0105 w procesie.<\/p> Mollick wymienia „obecno\u015b\u0107 cz\u0142owieka w p\u0119tli decyzyjnej” jako jedn\u0105 z czterech \u017celaznych zasad skutecznej wsp\u00f3\u0142pracy z AI. Jednak wielu puryst\u00f3w automatyzacji podej\u015bcie „Human-in-the-Loop” oceniaj\u0105 jako przyznanie si\u0119 do pora\u017cki automatyzacji. To b\u0142\u0119dna interpretacja.<\/p> Pracownik, kt\u00f3ry przegl\u0105da i ewentualnie koryguje gotow\u0105 propozycj\u0119 odpowiedzi wygenerowan\u0105 przez system potrzebuje u\u0142amka czasu, jaki zaj\u0119\u0142oby mu napisanie jej od zera. Firma zyskuje szybko\u015b\u0107. I nie traci kontroli nad relacjami, kt\u00f3re maj\u0105 realn\u0105 warto\u015b\u0107 biznesow\u0105.<\/p>AI nie wie, czego nie wie<\/h4>
Baza wiedzy to nie folder na dysku<\/h4>
Cz\u0142owiek + AI<\/h4>
Sprawd\u017a, zanim wdro\u017cysz<\/h4>