Rozmawiam z ludźmi zajmującymi się reklamą cyfrową od lat. Prowadzę wywiady, siedzę na konferencjach, audytuję konta. I regularnie słyszę dwie wersje tej samej historii.
Wersja pierwsza, na LinkedInie: „Wdrożyliśmy AI w obsłudze klienta. Transformacja zakończona sukcesem.”
Wersja druga, w rozmowie na osobności: „Mamy bota, który regularnie kłamie klientom. Przełączamy na człowieka mniej więcej co trzeci ticket.”
Ta przepaść między narracją a rzeczywistością nie jest przypadkowa. Jest strukturalna. I zanim Twoja firma wyda kolejne miliony złotych na wdrożenie AI, chcę Ci pokazać, jak sprawdzić dojrzałość cyfrową przedsiębiorstwa.
Problem nie leży w technologii
Kiedy wdrożenie AI zawodzi, pierwszym odruchem jest szukanie winy w narzędziu. Model halucynuje. API nie działa. Vendor obiecał za dużo.
Rzadziej pytamy: co organizacja zrobiła, żeby przygotować się na narzędzie, które właśnie kupiła?
Większość firm, z którymi pracuję, wchodzi w wdrożenie AI z trzema aktywami: entuzjazmem zarządu (najgorzej), budżetem i chaosem w procesach. To ostatnie jest zwykle niewidoczne (przynajmniej dla tych, którzy podejmują decyzje z cyklu „płacimy”).
Specjaliści wiedzą. Oni widzą bałagan od środka: niespójne dane produktowe, opisy kategorii pisane przez pięciu różnych pracowników w ciągu pięciu lat, procesy obsługi klienta, które istnieją w głowach konkretnych osób, a nie w żadnej dokumentacji. Kiedy pytam ich, jak radzą sobie z nowymi narzędziami AI, słyszę: opracowujemy własne sposoby, żeby to jakoś działało. Nie wdrożenie — obejście.
To jest pierwsza rzecz, którą warto zapamiętać: AI nie naprawia złej organizacji. Przyspiesza ją. Jeśli Twój proces obsługi reklamacji jest chaotyczny, automatyzacja go nie usprawni tylko wygeneruje chaotyczne odpowiedzi w ułamek sekundy i to na masową skalę.
Pięć poziomów dojrzałości cyfrowej:
Poziom pierwszy: rzemiosło, nie transformacja
Zacznijmy od tego, gdzie większość firm naprawdę jest.
Pracownik otwiera ChatGPT lub Gemini, wkleja maila od klienta, dostaje odpowiedź, poprawia ją i wysyła. Właściciel ogłasza na LinkedIn, że firma wdrożyła AI. Wszyscy klaszczą.
To nie jest wdrożenie. To jest droższy Ctrl+C / Ctrl+V.
Nie mówię tego złośliwie — mówię to, bo ten etap ma sens jako punkt startowy, pod warunkiem że wiemy, co z nim zrobić. Różnica między bezużytecznym rzemiosłem a użytecznym rzemiosłem leży w jednej rzeczy: w tym, co dajesz modelowi zanim zaczniesz z niego korzystać.
Kiedy pracownik po prostu wkleja maila i pisze „odpisz na to”, model nie ma kontekstu. Wymyśla reguły Twojego sklepu. Obiecuje zniżki, których nie masz. Podaje daty dostaw z sufitu.
Kiedy dajesz modelowi zamknięte środowisko kontekstowe, czyli zestaw reguł, ograniczeń i instrukcji zaczyna działać jak pracownik, który dostał onboarding. Nie doskonały, ale przewidywalny (taki stażysta na 3 miesiące).
Dobrze sformatowany prompt strukturalny dla bota obsługi klienta (na przykładzie fikcyjnej marki Urban Vibes) musi posiadać jasną, rygorystyczną hierarchię:
# ROLA I KONTEKST
Jesteś asystentem obsługi klienta w Urban Vibes — stacjonarnym
i internetowym butiku odzieżowym w Warszawie.
# TON
Swobodny, młodzieżowy, ale profesjonalny. Empatyczny. Zwięzły.
Bez korporacyjnych zwrotów.
# ZASADY SKLEPU (jedyne, z których korzystasz)
- Zwroty: do 30 dni od zakupu, z paragonem.
- Wymiana rozmiaru: wyłącznie stacjonarnie (Warszawa, ul. X).
- Dostawa: kurier 1–2 dni robocze, paczkomat 1 dzień.
# TWARDE OGRANICZENIA
- Zakaz wymyślania promocji i kodów rabatowych.
- Jeśli klient pyta o rabat: nie mamy aktualnie akcji,
odsyłaj do newslettera.
- Nigdy nie podawaj konkretnej daty dostawy. Tylko widełki.
- Nie podajesz informacji spoza tej listy.
# FORMAT ODPOWIEDZI
1. Spersonalizowane przywitanie.
2. Bezpośrednia odpowiedź na problem.
3. Przywołanie zasady, która to reguluje.
4. Przyjazne zamknięcie.
Z takim promptem pracownik wkleja treść maila pod spodem i model przetwarza konkretny request w ramach realnych reguł biznesowych. Nie halucynuje zasad sklepu, bo te zasady ma w kontekście.
To jest poprawny Poziom 1. Nie transformacja, ale solida podstawa, jeśli wolumen jest mały (do 50 zapytań dziennie) i nie masz zasobów na automatyzację.
Kiedy Poziom 1 przestaje wystarczać? Kiedy człowiek-łącznik staje się wąskim gardłem. Kiedy skalujesz wolumen. Kiedy ten sam proces wykonujesz tysiące razy dziennie i każdy Ctrl+C kosztuje Cię czas i błędy.
Poziom drugi: eliminacja człowieka jako łącznika
Prawdziwa zabawa i realne ROI zaczynają się wtedy, gdy eliminujesz człowieka jako łącznika między systemami. Nie chodzi już o pracownika, który kopiuje treść z maila do ChatGPT, poprawia odpowiedź i odsyła ją klientowi. Chodzi o proces, w którym system sam rozpoznaje zdarzenie, pobiera dane, wysyła je do modelu, waliduje odpowiedź i zapisuje wynik tam, gdzie trzeba.
Załóżmy, że prowadzisz e-commerce na Shopify i chcesz automatycznie tagować produkty na podstawie zdjęć oraz opisów: kolor, krój, materiał, okazja, styl. Możesz do tego użyć modelu multimodalnego przez Vertex AI od Google.
Dla menedżera brzmi to skomplikowanie, ale technicznie logika jest prosta: Shopify wysyła sygnał, że pojawił się nowy produkt. Twoja aplikacja odbiera ten sygnał, pobiera zdjęcie i opis produktu, przekazuje je do modelu, a model zwraca ustrukturyzowane dane, np.:
{
„kolor”: „czerwony”,
„kroj”: „mini”,
„okazja”: „koktajlowa”
}
Kluczowe jest jednak to, że tego nie robi się przez magiczne „podpięcie AI”. Trzeba zaprojektować cały przepływ.
Krok 1: webhook, ale nie jako miejsce do ciężkiej pracy
W Shopify konfigurujesz webhook dla zdarzeń products/create i products/update. Kiedy produkt zostaje dodany lub zmieniony, Shopify wysyła żądanie do endpointu Twojej aplikacji.
I tu pojawia się pierwsza pułapka. Endpoint nie powinien od razu analizować zdjęcia, odpalać modelu i zapisywać tagów. Powinien szybko potwierdzić odbiór webhooka, zapisać zdarzenie do kolejki i dopiero potem uruchomić właściwe przetwarzanie w tle. Inaczej ryzykujesz timeout, ponowne dostarczenie webhooka i wielokrotne przetwarzanie tego samego produktu.
Druga pułapka: jeśli Twoja aplikacja zapisze tagi do produktu, sama może wywołać kolejne products/update. Bez idempotencji, flagi przetworzenia albo porównania stanu przed i po możesz zbudować automatyzację, która sama siebie zapętla.
Krok 2: nie „opisz produkt”, tylko zwróć zamknięty schemat
Najgorsze, co możesz zrobić, to wysłać modelowi zdjęcie i opis z poleceniem: „opisz ten produkt”. Dostaniesz ładny tekst, którego nie da się bezpiecznie zapisać do systemu.
Model powinien dostać precyzyjne zadanie: zwróć wyłącznie określone pola, w określonym formacie, z ograniczonym zestawem możliwych wartości. Nie chodzi o kreatywność. Chodzi o przewidywalność.
Przykładowo: kolor może przyjąć tylko wartości ze słownika: czarny, biały, czerwony, niebieski, zielony, szary, beżowy, wielokolorowy. Okazja może przyjąć tylko: codzienna, formalna, sportowa, koktajlowa, wieczorowa. Jeśli model nie jest pewien, powinien zwrócić wartość „do weryfikacji”, a nie improwizować.
Krok 3: walidacja, monitoring i fallback
Automatyzacja bez monitoringu to katastrofa w zwolnionym tempie. Na każdym etapie musisz wiedzieć:
- czy Shopify wysłał webhooka,
- czy webhook został zweryfikowany,
- czy zdarzenie trafiło do kolejki,
- czy model odpowiedział,
- czy odpowiedź przeszła walidację schematu,
- czy tagi zapisały się poprawnie w Shopify,
- czy produkt nie wymaga ręcznej weryfikacji.
To jest różnica między automatyzacją a zabawką. W zabawce model „coś odpowiada”. W automatyzacji system wie, co zrobić, kiedy model odpowie źle, za wolno albo poza schematem.
I tutaj wracamy do najważniejszego: AI jest tak dobre, jak dane, które mu dajesz. Jeśli baza produktowa jest chaotyczna, opisy są niepełne, zdjęcia mają złe światło, a kategorie powstawały przez pięć lat według pięciu różnych logik, model nie uporządkuje tego magicznie. On tylko przyspieszy bałagan.
Zamiast jednej źle opisanej sukienki będziesz mieć tysiąc źle otagowanych produktów. Zamiast problemu w katalogu – problem w wyszukiwarce, filtrach, kampaniach produktowych i doświadczeniu klienta.
AI nie usuwa długu organizacyjnego. Ono wystawia go na produkcję.
Poziom trzeci: AI jako tkanka organizacji
Na poprzednich poziomach AI jest narzędziem. Wywołujesz je, zwraca wynik, proces idzie dalej. Na Poziomie 3 AI przestaje być osobnym bytem i staje się częścią istniejących systemów (CRM, ERP, systemów magazynowych). Systemy zaczynają wymieniać dane między sobą bez udziału człowieka (ale człowiek nigdy nie znika z systemu, jak to pięknie nazwałam zmienia się w ludzkiego tłumacza czarnych skrzynek) .
Przejdźmy do konkretu – B2B z automatycznym scoringiem leadów.
Firma oferuje oprogramowanie i generuje kilkaset leadów miesięcznie przez stronę, kampanie i eventy. Problem: dział sprzedaży ma 4 osoby i nie nadąża z kwalifikacją. Połowę czasu spędzają na leadach, które nigdy nie kupią.
Zintegrowany system wygląda tak:
- Potencjalny klient odwiedza stronę → GA4 rejestruje custom events: odwiedziny strony cennika, pobranie case study, czas spędzony na stronie z opisem produktu.
- Te zdarzenia przez integrację GA4 → CRM (np. HubSpot) aktualizują profil leada w czasie rzeczywistym.
- Warstwa wzbogacania danych (Clearbit lub podobne) dokłada do profilu: wielkość firmy, branżę, technologie w stacku.
- Model scoringowy przelicza te sygnały na wynik 0–100. Powyżej 75: handlowiec dostaje zadanie z automatycznie wygenerowanym briefingiem — co ta osoba oglądała, z jakiej firmy jest, co wiemy o jej problemach.
- Równolegle: jeśli lead dostał wysoki score, jego profil jest wykluczany z kampanii zasięgowych i wchodzi w sekwencję remarketingową z innym komunikatem — dla kogoś, kto już wie, co oferujesz.
Człowiek nie tworzy tych zadań. Nie aktualizuje list odbiorców. Nie decyduje, który lead trafi do której sekwencji. System robi to ciągle, w tle, na podstawie reguł, które raz zostały zdefiniowane.
Co jest wymagane, żeby to działało:
CRM z pełnym API i czystymi danymi historycznymi (minimum 6–12 miesięcy). GA4 z poprawnie skonfigurowanymi zdarzeniami — nie standardowymi, tylko tymi, które mają znaczenie dla Twojego lejka. Warstwa integracyjna, która obsługuje przepływ między systemami (może być Zapier Pro, może być n8n, może być customowy kod — zależy od wolumenu). I ktoś, kto jest właścicielem modelu scoringowego i co kwartał weryfikuje, czy wciąż działa poprawnie (to jest ultra ważne, jak ktoś z firmy nie będzie tego sprawdzał to systemy zaczną się rozszerzać i nie będziesz miał dobrych leadów).
Gdzie to się sypie:
Model scoringowy się degraduje. Po 6 miesiącach rynek się zmienia, zachowania użytkowników się zmieniają, a model nie wie o tym nic, bo nikt go nie aktualizuje. Handlowcy zaczynają dostrzegać, że „wysoko oceniane” leady nie konwertują. Przestają ufać systemowi. Przestają z niego korzystać. Zostaje infrastruktura, której nikt nie używa, a budżet, który utopiono w integracji.
Jest też problem, który widzę regularnie: kiedy system podejmuje złą decyzję (odrzuca dobrego leada, wrzuca złego w pilny tryb) nikt nie potrafi wyjaśnić dlaczego. Model jest nieprzejrzysty technicznie. Ale jest też nieprzejrzysty organizacyjnie: kto jest właścicielem tej decyzji? Kto powinien ją zakwestionować? Kto ponosi odpowiedzialność za deal, który przepadł przez błąd scoringu? Zazwyczaj nie ma odpowiedzi.
To jest koszt Poziomu 3, o którym rzadko mówi się na konferencjach – czyli człowiek i struktura systemowa. Tak, jak pisze w sowich tekstach naukowych człowiek nie znika z procesu zmienia się z operatora na interpretatora.
Poziom czwarty: AI jako bariera wejścia
Tu już nie chodzi o automatyzację procesów. Chodzi o budowanie przewagi, której konkurencja nie jest w stanie kupić.
Najlepszy krajowy przykład to Allegro. Ich system rekomendacji, sposób sortowania wyników wyszukiwania, algorytm napędzający platformę reklamową to nie integracje z GPT-4 przez API. To są modele trenowane latami na danych, których nikt poza Allegro nie ma.
Jak to działa w praktyce:
Wyszukiwarka Allegro nie tylko matchuje słowa kluczowe. Bierze pod uwagę, co ludzie kupili po wpisaniu konkretnej frazy, jak długo przeglądali dany produkt, jakie mieli historyczne zachowania zakupowe, z jakiego urządzenia wyszukują i o jakiej porze dnia. Korekta literówek jest wytrenowana na polskim języku potocznym, żargonie branżowym i regionalizmach (żaden model fundacyjny dostępny przez publiczne API nie ma tej granularności dla polskiego rynku). System rekomendacji na stronie głównej i w trakcie przeglądania jest trenowany na sesjach zakupowych z zachowaniem sekwencji: co oglądano, w jakiej kolejności, co finalnie wylądowało w koszyku.
Co to technicznie oznacza:
Własny pipeline danych przetwarzający miliardy zdarzeń dziennie. Dedykowane klastry do trenowania modeli, a nie inference przez API, ale własne GPU. Infrastruktura ML Ops: wersjonowanie modeli, shadow deployments, A/B testy nowych wersji na segmentach ruchu, automatyczne rollbacki, gdy metryki spadają. Zespół, który to utrzymuje i iteruje.
Ile to kosztuje:
Senior ML engineer w Polsce: 25–40k PLN miesięcznie. Data engineer: 20–30k PLN. ML platform engineer: 25–35k PLN. Zespół ośmiu osób to 2,5–4 mln PLN rocznie tylko w wynagrodzeniach. Infrastruktura chmurowa do trenowania i inference: 100k–1 mln PLN rocznie w zależności od skali. Realny horyzont, po którym własne modele zaczynają zbijać komercyjne API: 18–36 miesięcy.
Kiedy to ma sens:
Gdy masz dane, których nikt inny nie ma i dane te mają bezpośredni wpływ na jakość modelu. Gdy Twoja przewaga konkurencyjna zależy od czegoś, czego nie da się zreplikować przez podpięcie do OpenAI. Gdy masz już organizacyjną dojrzałość Poziomu 3 i rozumiesz, co to znaczy utrzymywać modele w produkcji.
Dla większości firm to nie jest właściwy cel. Firma z obrotami 50 mln złotych nie potrzebuje własnego silnika rekomendacji. Potrzebuje dobrze działającego Poziomu 3.
Poziom piąty: AI jako rdzeń modelu biznesowego
Na tym poziomie AI nie jest funkcją w produkcie. AI jest produktem.
Usunięcie AI z tych organizacji nie oznacza pogorszenia działania. Oznacza, że organizacja przestaje istnieć.
Netflix to najczęściej przywoływany przykład i słusznie, ale rzadko z właściwym akcentem. Silnik rekomendacji Netflixa nie jest ficzem na stronie. Jest powodem, dla którego ludzie nie rezygnują z subskrypcji. Personalizacja miniatur (ta sama seria ma inne thumbnail dla różnych profili użytkowników, dobrane na podstawie historii oglądalności) nie jest efektem pracy designera na godziny. To model działający w czasie rzeczywistym dla 300 milionów kont. Bez AI Netflix to platforma streamingowa w świecie platform streamingowych. Z AI to firma, która przewiduje, co chcesz obejrzeć, zanim Ty sam o tym wiesz.
Cleo AI robi to samo z bankowością dla Pokolenia Z. Nie ma oddziałów. Nie ma klasycznego interfejsu bankowego. Jest chatbot, który analizuje Twoje wydatki, mówi Ci wprost, że przepiłeś za dużo na kawę, i negocjuje w Twoim imieniu z subskrypcjami do anulowania. Produkt nie działa bez AI — nie w sensie „działałby gorzej”, ale w sensie, że nie istniałby jako koncept.
W polskim i środkowoeuropejskim kontekście warto wymienić Infermedica z Wrocławia — asystent medyczny do triażu objawów. Ich produkt to model. Nie platforma, która używa modelu. Model jest platformą.
Co definiuje Poziom 5:
Dane tworzą efekt koła zamachowego: więcej użytkowników generuje więcej danych, lepsze dane produkują lepszy model, lepszy model przyciąga więcej użytkowników. Koło kręci się samo. Konkurent, który wchodzi na rynek rok później, nie może kupić sobie tych danych – musiałby czekać rok na ich zebranie, podczas gdy Ty masz już rok przewagi.
Modele zaczynają produkować zachowania, których nikt nie zaprojektował. Netflix odkrył, że ich algorytm potrafi przewidzieć, kiedy użytkownik rozważa rezygnację z subskrypcji na podstawie wzorców aktywności, których nikt świadomie nie programował jako sygnał churn. To jest emergencja, nie feature.
Najczęstszy błąd:
Zarząd patrzy na Netflix i mówi: my też tak chcemy. Od jutra budujemy zespół AI-first.
Netflix nie zdecydował się być Poziomem 5. Stało się to przez lata zbierania danych, budowania infrastruktury i iteracyjnego doskonalenia modeli zanim ktokolwiek użył słowa „AI-first” w strategii. Poziom 5 jest wynikiem, nie celem, który się ogłasza w prezentacji dla zarządu, albo na LinkedIn.
Dla większości firm próba bezpośredniego skoku do Poziomu 5 kończy się przepaleniem budżetu i powrotem do Poziomu 1 z mniejszym kontem bankowym i większą nieufnością do AI w organizacji.
Dlaczego firmy próbują przeskoczyć te etapy
Zarząd patrzy na Allegro i Netflix. Widzi Poziom 4 i 5. I mówi: my też tak chcemy. Od przyszłego kwartału.
Więc zatrudnia 15 osób do zespołu analitycznego, kolejne do Data Science, przepala od 900 000 do 2 milionów złotych miesięcznie na pensje i infrastrukturę chmurową. I po pół roku odkrywa, że nie ma ustrukturyzowanych danych, na których te modele mogłyby pracować, bo nikt nie przeszedł przez Poziom 2.
To nie jest problem z ambicją. To jest problem z sekwencją.
Każdy poziom buduje się na poprzednim. Poziom 3 wymaga czystych danych i działających integracji z Poziomu 2. Poziom 4 wymaga lat zbierania własnych danych behawioralnych i organizacyjnej dojrzałości z Poziomu 3. Poziomu 5 nie da się zaplanować, jest on wynikiem z Poziomu 4, nie z prezentacji strategicznej.
Kiedy rozmawiam ze specjalistami pracującymi w środowiskach mocno zautomatyzowanych (PPC, programmatic, e-commerce na dużą skalę) regularnie słyszę wariant tej samej historii: system podjął decyzję, nikt nie wie dlaczego, wszyscy szukają winnego. Algorytm jest nieprzejrzysty technicznie. Ale często jest też nieprzejrzysty organizacyjnie: kto jest właścicielem tej decyzji? Nikt nie wie.
To jest prawdziwy koszt przeskakiwania etapów. Nie zmarnowany budżet na infrastrukturę (choć ten widzą wszyscy). Ale utrata kontroli nad procesami, za które wciąż jesteś odpowiedzialny.
Trzy sygnały ostrzegawcze
Przed każdym projektem, który do mnie trafia, sprawdzam trzy rzeczy. Jeśli któraś z nich nie jest na miejscu, mówię o tym wprost, zanim cokolwiek wdrożymy.
Czy masz konkretny problem do rozwiązania? Nie „chcemy AI”, nie „konkurencja to ma”. Konkretny proces, konkretne wąskie gardło, konkretna miara sukcesu np.: Obsługujemy 200 maili dziennie i zajmuje nam to 6 godzin. Chcemy zejść do 2. Jeśli nie potrafisz tego sformułować, wdrożenie poczeka.
Czy Twoje dane są ustrukturyzowane? Nie idealnie, ale wystarczająco. Jeśli widzę w oczach rozmówcy rodzaj westchnięcia, zwykle wiem, że odpowiedź brzmi nie.
Kto jest operacyjnie odpowiedzialny za to, co model robi? Kanadyjskie linie Air Canada mogą potwierdzić, że „to zrobił chatbot” nie jest argumentem w sądzie. AI, którego używali wygenerował dla klienta zniżkę, która nie istniała. Linie lotnicze powiedziały to klientowi. Klient poszedł do sądu, a ten nakazał im uhonorować zniżkę, którą bot sam wymyślił. Zapamiętaj: AI się nie męczy. Ale brak nadzoru nad AI też się nie męczy i generuje problemy 24/7.
Przestańcie szukać zewnętrznych magików
Skończ z szukaniem zewnętrznych firm, które „wdrożą Ci AI”. Wdrożenie AI to nie projekt z początkiem, środkiem i końcem po którym wystawiasz fakturę i jedziesz na wakacje. To iteracyjny proces, który wymaga ludzi znających Twój biznes od środka.
Najlepszym ekspertem od automatyzacji w Twojej firmie jest osoba, która od trzech lat odpowiada ręcznie na te same pytania albo taguje te same produkty. Ona wie, gdzie reguły są proste, a gdzie są wyjątki od wyjątków. Zewnętrzna agencja tego nie wie i zwykle nie zapyta.
Zacznij od jednego procesu. Opisz go. Sprawdź dane. Zbuduj prototyp na Poziomie 1. Zmierz, czy działa. Dopiero wtedy idź wyżej.
To jest nudne. Wiem. Ale to jest jedyne, co działa.