Wyobraź sobie zarząd średniej firmy handlowej na pokazie narzędzia AI. Dostawca podłącza asystenta do danych firmy i prosi o pierwsze pytanie. Prezes pyta o marżę z ostatniego miesiąca. Asystent odpowiada od razu: ładne zdanie, wykres, pewny ton. Dyrektor finansowy patrzy na ekran i mówi, że u niego wychodzi inaczej. Dyrektor sprzedaży ma trzecią liczbę.
(Scenariusz ilustracyjny. Nie opisuje konkretnej firmy ani projektu.)
Narzędzie nie zawiodło. Zrobiło dokładnie to, co miało: wzięło dane, które są w firmie, i podało je szybciej i pewniej niż ktokolwiek wcześniej. Problem w tym, że te dane już wcześniej mówiły trzema głosami.
Projekt AI ma sens, gdy pięć rzeczy w Twoich danych jest prawdą jeszcze przed podpisaniem umowy: przychód i marża są jedną liczbą, każda liczba ma właściciela, wiedza o jej wyliczeniu nie siedzi w jednej głowie, ręczne łatki są policzone, a projekt ma poprawić konkretną decyzję. Poniżej każdy z tych warunków po kolei i ćwiczenie na jednej kartce, które pokaże, ile z nich spełnia Twoja firma.
Dlaczego AI nie naprawia bałaganu, tylko go przyspiesza
AI uczy się na tym, co dostanie, i odpowiada na tym, co zobaczy. Nie wie, że dwa działy liczą przychód inaczej. Nie wie, że w arkuszu jest ręczna korekta, o której pamięta tylko jedna osoba. Nie zapyta, która liczba jest właściwa. Wybierze jedną i poda ją z taką samą pewnością, jak każdą inną.
Dlatego AI na rozjechanych danych daje rozjechane wyniki, tylko szybciej, ładniej opisane i trudniejsze do zakwestionowania. Człowiek, który przynosi zarządowi niespójny raport, zwykle dodaje „ale sprawdźmy to jeszcze". Asystent AI tego nie dodaje.
Data Debt to zaległość w porządku danych, która nie jest widoczna w bilansie, ale rośnie z każdym kwartałem i zawsze ktoś ją w końcu spłaca. Projekt AI jest jednym z najdroższych momentów, w których to wychodzi. Dług danych przestaje być problemem raportowania, a staje się problemem inwestycji, która właśnie została zatwierdzona.
Warunek 1: przychód i marża to jedna liczba, a nie trzy
Pierwszy test jest prosty. Zapytaj trzy osoby: dział sprzedaży, finanse i osobę, która robi raporty dla zarządu, ile wyniósł przychód w zeszłym miesiącu. Zapytaj też o marżę. Jeśli odpowiedzi różnią się o więcej niż zaokrąglenie, nie masz jednego źródła, tylko kilka wersji.
To nie musi znaczyć, że ktoś się myli. Najczęściej każda wersja jest poprawna w swojej definicji: sprzedaż brutto czy netto, z korektami czy bez, wg daty zamówienia czy płatności. Kłopot zaczyna się wtedy, gdy nikt nie ustalił, która definicja obowiązuje w firmie. Wtedy zarząd, jak opisuje to artykuł o Single Source of Truth, wybiera tę liczbę, która mu pasuje.
Model AI nie ma jak tego rozstrzygnąć. Dostanie wszystkie trzy wersje i będzie je mieszał, albo dostanie jedną, wybraną przypadkiem przez osobę, która przygotowywała dane do projektu.
Prawda wygląda tak: każda z liczb, o które pytasz AI, ma jedną definicję zapisaną w jednym miejscu i wszyscy, którzy ją podają, podają tę samą.
Warunek 2: przy każdej liczbie jest imię i nazwisko
Drugi warunek wygląda na organizacyjny, ale jest o danych. Zapytaj: kto odpowiada za to, że ta liczba jest poprawna? Nie kto ją przygotowuje, tylko kto odpowie, gdy okaże się błędna.
Gdy odpowiedź brzmi „zależy" albo „sprzedaż i finanse razem", właściciela nie ma. W praktyce oznacza to, że nikt nie zauważy, kiedy liczba przestanie być prawdziwa: zmieni się system, nowy produkt dostanie inny kod, ktoś zmieni formułę. Dla człowieka to uciążliwe. Dla projektu AI to bomba z opóźnionym zapłonem, bo model będzie dalej odpowiadał na nowych danych według starych reguł.
Prawda wygląda tak: przy kluczowych liczbach (przychód, marża, koszt pozyskania klienta, stan zapasów lub obłożenia, zależnie od branży) jest wpisana osoba, która za nie odpowiada, i ta osoba o tym wie.
Warunek 3: wiedza o liczbach nie siedzi w jednej głowie
Trzeci test jest najbardziej niewygodny. Wyobraź sobie, że jutro nie ma osoby, która „zawsze wie, jak to policzyć". Analityka, księgowej, kogoś z kontrolingu. Czy ktoś inny odtworzy raport zarządczy z tych samych danych i dojdzie do tej samej liczby?
W wielu firmach odpowiedź brzmi: nie od razu, bo wiedza jest w głowie jednej osoby, w jej arkuszu i w kilku korektach, których nigdzie nie spisano. Pisałem o tym w tekście o tym, dlaczego odejście jednego analityka potrafi zatrzymać firmę.
W projekcie AI ten problem nie znika, tylko się przesuwa. Ktoś musi wytłumaczyć systemowi, jak liczyć. Jeśli wie to tylko jedna osoba, cały projekt zależy od tego, czy będzie miała czas, ochotę i pamięć, żeby wszystko opowiedzieć. A potem od tego, czy zostanie w firmie.
Prawda wygląda tak: sposób liczenia kluczowych liczb da się odtworzyć z dokumentu lub systemu, nie z rozmowy z konkretnym człowiekiem.
Warunek 4: ręczne łatki są policzone, a nie schowane
Czwarty warunek dotyczy tego, co dzieje się między systemem a raportem. W większości firm istnieje warstwa ręcznej pracy: eksport do arkusza, czyszczenie, uzupełnienie braków, korekta, której system nie robi. Każdy etap ma swój powód. Razem tworzą obszar, w którym dane zmieniają się bez śladu.
Dla projektu AI to dwa osobne problemy. Po pierwsze, model nie zobaczy tych poprawek, więc będzie pracował na wersji danych sprzed nich. Po drugie, jeśli celem projektu jest zastąpienie ręcznej pracy, ktoś musi najpierw wiedzieć, co ta praca faktycznie obejmuje. Bez tego zautomatyzujesz czynność, która już jest błędna, albo pominiesz tę, która robi całą różnicę.
To też moment, w którym warto zadać pytanie z tekstu o tym, kto naprawdę powinien robić powtarzalną pracę w firmie. Digital Worker, czyli automatyzacja wykonująca powtarzalną pracę zamiast drogiego specjalisty, ma sens wtedy, gdy wiadomo, co ten specjalista robi i dlaczego.
Prawda wygląda tak: wiesz, jakie ręczne kroki stoją między danymi źródłowymi a raportem, kto je wykonuje i ile to zajmuje w typowym tygodniu.
Warunek 5: wiesz, jaką decyzję projekt ma poprawić
Ostatni warunek jest o celu, nie o danych, ale bez niego pozostałe cztery nie wystarczą. Zanim zapytasz, czy dane są gotowe na AI, zapytaj: gotowe do czego?
„Chcemy wykorzystać AI" nie jest celem. Celem jest decyzja, którą ktoś w firmie podejmuje dziś gorzej, wolniej albo drożej, niż mógłby. Na przykład: ile wydać na kampanię, którym klientom przedłużyć warunki, kiedy zamówić zapas, kogo przesunąć na inne zadanie. Jeśli nie umiesz wskazać takiej decyzji i powiedzieć, w którą stronę ma się zmienić koszt albo przychód, projekt jest eksperymentem, a nie inwestycją. To może być w porządku, ale warto go tak nazwać i tak wycenić.
AI ma sens tam, gdzie da się policzyć wpływ na koszt lub przychód. Poza tym obszarem zwykle jest ładnym dodatkiem, za który ktoś będzie płacił miesiąc po miesiącu.
Prawda wygląda tak: potrafisz nazwać jedną decyzję i jedną miarę (koszt, przychód, marża, czas pracy), która ma się zmienić, jeśli projekt się uda.
Ćwiczenie „kartka”: sprawdź swoją firmę, zanim spotkasz dostawcę
Weź jedną kartkę i pięć wierszy, po jednym na warunek. Obok każdego wpisz jedną z trzech odpowiedzi.
- Tak, mogę to pokazać. Masz dokument, system albo osobę, która to potwierdzi, a Ty możesz to zweryfikować.
- Tak, ale tylko według jednej osoby. Warunek jest spełniony, ale nie ma na to żadnego śladu poza czyjąś pamięcią.
- Nie wiem. To też odpowiedź i często najcenniejsza.
Policz wynik. Nie chodzi o ocenę, tylko o kolejność decyzji.
Co z tego wynika dla decyzji o projekcie AI
Jeśli przy większości wierszy stoi „tak, mogę to pokazać", rozmowa z dostawcą może się zacząć. Będziesz wiedział, o co pytać, i szybko zobaczysz, czy proponowane rozwiązanie rozumie Twoje dane.
Jeśli przy kilku stoi „tak, ale według jednej osoby", najpierw trzeba to zapisać. Nie jest to duża praca, ale musi być zrobiona przed projektem, nie w jego trakcie. Inaczej koszt zapisywania wiedzy wlicza się w koszt wdrożenia, a Ty płacisz za to stawkę dostawcy.
Jeśli przy większości stoi „nie wiem", pierwszym krokiem nie jest wybór narzędzia, tylko diagnoza: co faktycznie jest pod spodem. Dopiero z tą mapą widać, gdzie automatyzacja lub AI ma sens na Twoich danych i co musi być zrobione wcześniej. To ocena, nie obietnica wdrożenia. Pozwala wydać budżet na projekt, który ma szanse zadziałać, zamiast na pokaz, który wygląda dobrze do pierwszego pytania o marżę.
W każdym z tych przypadków ten sam EBITDA Leak, czyli miejsce, w którym marża po cichu ucieka przez ręczną pracę, niespójne liczby i zależność od jednej osoby, jest widoczny wcześniej niż po zatwierdzeniu budżetu.
Dostawca AI pokaże Ci, jak szybko system odpowiada. Tylko Ty możesz sprawdzić, czy odpowiada na dobrych danych.
Co zrobić w tym tygodniu
Nie musisz podejmować decyzji o projekcie AI. Wystarczy, że zrobisz ćwiczenie z kartką, zanim usiądziesz na kolejnej demonstracji. Zadaj dostawcy jedno pytanie: skąd system weźmie definicję marży i kto ją potwierdza. Odpowiedź powie Ci więcej niż cała prezentacja.
Jeśli chcesz sprawdzić to razem na swojej firmie, umów 15-minutową rozmowę o swojej sytuacji.

