DataRiseLab – Start with Data Quality: Jak przygotować firmę na AI bez przepalania budżetów? – Case study
Podczas drugiego spotkania Komitetu Transformacji Cyfrowej mieliśmy okazję zapoznać się z case study przygotowanym przez firmę DataRiseLab, które pokazało, jak właściwe przygotowanie danych stanowi fundament skutecznego wdrażania rozwiązań opartych na AI oraz pozwala efektywniej zarządzać całym procesem ich implementacji.
Zapraszamy do lektury!
Case study przygotowane przez:
Dlaczego większość projektów AI w firmach kończy się niepowodzeniem i co jest tego główną przyczyną?
Presja jest realna. Wskaźnik sukcesu już nie.
Każdy konkurent mówi o AI. Każdy dostawca obiecuje transformację. Każdy zarząd zadaje to samo pytanie: „gdzie jest nasza strategia AI?” Presja, by działać, jest ogromna – a szybkie działanie bez właściwych fundamentów to dokładnie ten moment, w którym przepala się pieniądze.
Statystyki nie pozostawiają złudzeń. Ponad 80% projektów AI kończy się niepowodzeniem – to dwukrotnie wyższy wskaźnik porażek niż w przypadku projektów IT niezwiązanych z AI (RAND Corporation). Gartner wskazuje, że niespełna połowa z nich (48%) zostaje ostatecznie uruchomiona w codziennych operacjach firmy. A 42% firm porzuca obecnie większość swoich inicjatyw AI, podczas gdy rok wcześniej było to 17% (S&P Global).
Warto zatrzymać się przy jednej rzeczy: te dane pochodzą z organizacji, które mają dedykowane zespoły danych, duże budżety i całe działy skoncentrowane na AI. Jeśli one zmagają się z taką skalą problemów, co dzieje się w firmie zatrudniającej 200 osób, która wchodzi w AI bez przygotowania?
Dlaczego więc wciąż się to powtarza? Odpowiedź brzmi: gotowość danych. Ponad połowa organizacji wskazuje jakość danych jako największą barierę we wdrażaniu AI, a tylko 12% uważa, że ich dane są rzeczywiście wystarczająco dobre do wykorzystania. To oznacza, że około dziewięć na dziesięć firm buduje na fundamencie, który nie jest gotowy i większość odkrywa to dopiero po wydaniu pieniędzy. W rzeczywistości 85% modeli AI zawodzi z powodu słabych lub brakujących danych. Nie przez złe algorytmy. Przez złe dane.
Statystyki porażek projektów AI na świecie.
Dlaczego eksperci porównują sztuczną inteligencję do silnika, a dane do paliwa?
Najprościej wyjaśnić to zespołowi zarządzającemu za pomocą metafory. AI jest silnikiem – a jak każdy silnik, jego wydajność jest ściśle ograniczona jakością paliwa. Dzisiejsze silniki, takie jak modele GPT, Claude, Gemini czy wyspecjalizowane systemy predykcyjne, są technologicznie doskonałe. Jednak ich wydajność i skuteczność biznesowa pozostają ściśle ograniczone jakością paliwa, które w większości firm po prostu nie jest gotowe do użycia.
W większości firm dane są rozproszone po niepołączonych systemach. Baza klientów przechowuje jedną wersję prawdy; finanse mają inną; sprzedaż śledzi informacje w arkuszach kalkulacyjnych; operacje pracują na jeszcze innym zestawie liczb. Dane są pełne błędnych wpisów, luk i wartości, które wyglądają inaczej w różnych systemach – nie dlatego, że ktoś zrobił coś źle, ale dlatego, że są surowe. Nie zostały oczyszczone.
AI to zaawansowany silnik, ale jego wydajność zależy wyłącznie od jakości danych, którymi go zasilasz.
Wlej złe paliwo do dobrego silnika, a nie tylko będzie działał gorzej – zepsuje się w konkretne, przewidywalne sposoby:
- Przeuczenie – model zapamiętuje przeszłość zamiast się z niej uczyć. Jak uczeń, który zapamiętał odpowiedzi z zeszłorocznego egzaminu i oblewa, gdy pytania są sformułowane inaczej. W praktyce: prognoza popytu idealnie dopasowana do sprzedaży z ubiegłego roku, ale całkowicie nietrafiająca w trend bieżącego kwartału.
- Ślepota na przypadki brzegowe – model dobrze obsługuje 90% standardowych przypadków, ale popełnia poważne błędy w tych, które mają największe znaczenie. Jak korektor pisowni, który działa dla codziennych słów, ale nie rozpoznaje nazwy Twojego największego klienta.
- Rozjazd między treningiem a produkcją – ten problem przepala najwięcej budżetu. Model działa świetnie w testach, gdzie każdy rekord był czysty, a rozsypuje się w realnym świecie. W produkcji okazuje się, że 30% profili klientów nie ma kluczowych pól, a model nigdy nie został przygotowany na taką rzeczywistość.
Nie wlałbyś brudnego paliwa do Ferrari i nie obwiniał silnika, gdyby zgasł.
A jednak właśnie to większość organizacji robi z AI.
Czy niedoskonałości danych w firmach zatrudniających do 500 osób są zjawiskiem normalnym?
W większości organizacji zatrudniających od 50 do 500 osób rzeczywistość danych wygląda mniej więcej tak:
- Twój CRM jest wypełniony tylko częściowo i różne osoby uzupełniają go na różne sposoby.
- Twój ERP ma obejścia, których nikt nie udokumentował, ale wszyscy o nich wiedzą.
- Kluczowa wiedza znajduje się w głowach ludzi, a nie w systemach.
- Masz dane w pięciu lub więcej systemach, które ze sobą nie rozmawiają.
- Nigdy nie uzgodniliście jako firma, co właściwie oznacza „aktywny klient” albo „czas realizacji”.
To nie jest porażka – to punkt wyjścia. Zbudowaliście te systemy, żeby służyły biznesowi i spełniły swoją rolę. Ale oznacza to jedno: zanim zbudujesz cokolwiek z wykorzystaniem AI, musisz zrozumieć, z czym faktycznie pracujesz. AI nie uzupełni luk, o których nie wiesz – będzie działać na tym, czym ją zasilisz, i udzielać pewnie brzmiących odpowiedzi opartych na niepełnych danych.
Czym jest dług operacyjny i jak wpływa na wdrażanie sztucznej inteligencji?
Dług operacyjny to różnica między teoretycznym przebiegiem procesów w firmie (tym, jak procesy wyglądają na papierze), a tym jak działają w praktyce. Składają się na niego wszelkie ręczne obejścia systemowe, nieudokumentowane procedury w systemach CRM/ERP oraz krytyczna wiedza, która istnieje wyłącznie w głowach zespołu. Choć taka tymczasowa struktura pozwala firmie funkcjonować, tworzy ona poważną i kosztowną barierę w momencie próby automatyzacji.
Sztuczna inteligencja nie eliminuje długu operacyjnego, lecz drastycznie go obnaża i przyspiesza jego negatywne skutki. AI wykonuje powierzone jej zadania w sposób bezrefleksyjny, masowy i z pełną pewnością siebie. Jeśli system zostanie zasilony chaotycznymi procedurami lub niespójnymi regułami, organizacja otrzyma po prostu bardzo szybki i działający na ogromną skalę chaos operacyjny.
Dług operacyjny.
CASE STUDY 1: Jak brak procedur weryfikacji danych doprowadził do błędu AI w sieci restauracji?
Grupa restauracyjna, 30 lokalizacji
System AI odpowiedzialny za prognozowanie popytu i układanie grafików działał automatycznie każdej nocy. Pobierał dane transakcyjne ze wszystkich trzydziestu restauracji, a rano menedżerowie dostawali gotowy plan pracy na dany dzień. Wszyscy bezgranicznie mu ufali. Problemy zaczęły się od drobnej, technicznej zmiany w sieci jednej z restauracji. System sprzedażowy (POS) w tej lokalizacji po prostu przestał wysyłać dane. Co najgorsze, nie pojawił się żaden komunikat o błędzie, a panel kontrolny cały czas pokazywał zielone światło.
Algorytm nie zorientował się, że został odcięty od informacji, więc automatycznie przełączył się na średnie dane historyczne. Z wyliczeń z poprzednich lat wynikało, że akurat ta restauracja w październikowe soboty ma mniejszy ruch, więc system zarekomendował minimalną obsadę. AI nie miało jednak pojęcia o jednym kluczowym fakcie: na tę konkretną sobotę menedżer przyjął rezerwację na duży catering dla 50 osób.
Kierownik lokalu bezrefleksyjnie wdrożył wygenerowany grafik. Efekt? W kulminacyjnym momencie w kuchni zabrakło czterech osób, goście czekali w nieskończoność i posypały się skargi, a firma musiała zwrócić klientowi część pieniędzy. Najciekawsze w tym wszystkim jest to, że sam model zadziałał bezbłędnie – po prostu przez jedenaście dni nikt nie zauważył, że karmi go niepełnymi danymi, bo w firmie zabrakło procedury, która mogłaby to zweryfikować.
CASE STUDY – Grupa restauracyjna.
CASE STUDY 2: Dlaczego optymalizacja tras przez AI zawiodła w firmie logistycznej?
Firma logistyczna, 60 pojazdów
W firmie logistycznej wdrożono zaawansowany system AI do optymalizacji tras, który wpięto bezpośrednio w oprogramowanie dyspozytorskie. Teoretycznie algorytm za każdym razem wyliczał idealny, najbardziej opłacalny plan dla każdej dostawy. W praktyce jednak zarządzanie i tak odbywało się po staremu – dyspozytorzy przydzielali zadania ręcznie, kierując się własnym doświadczeniem, przyzwyczajeniami i relacjami z ludźmi.
Z kolei kierowcy regularnie ignorowali wskazówki od sztucznej inteligencji. Kwitowali to prostym: „system nie wie, że ta wylotówka korkuje się równo o 15:00” albo „klient X zawsze żąda dostawy przed południem, nieważne co wypluje komputer”. Efekt? Pod kątem czysto technicznym sztuczna inteligencja za każdym razem działała bez zarzutu i podawała optymalne parametry. Mimo to cały proces operacyjny w firmie leżał. Projekt poniósł porażkę nie dlatego, że technologia zawiodła, ale dlatego, że nikt wcześniej nie dostosował i nie naprawił realnych procedur, które wokół niej funkcjonowały.
CASE STUDY – Firma logistyczna.
Na jakie biznesowe wymiary jakości danych należy zwrócić uwagę przed rozpoczęciem projektu AI?
Istnieje wiele sposobów mierzenia jakości danych, ale sześć wymiarów konsekwentnie wysuwa się na pierwszy plan i w praktyce są to problemy biznesowe, nie techniczne. W firmach, które oceniamy, co najmniej trzy z nich zwykle są istotne już teraz. Pytanie nie brzmi, czy masz te problemy; pytanie brzmi, które będą miały największe znaczenie dla konkretnego przypadku użycia, który planujesz.
6 wymiarów jakości danych do sprawdzenia przed AI.
Jak wygląda stan gotowości danych, który pozwala na bezpieczne wdrożenie sztucznej inteligencji?
Stan gotowości organizacji do wdrożenia AI oznacza pełną świadomość istniejących luk informacyjnych, a nie posiadanie idealnego systemu IT. Aby bezpiecznie rozpocząć proces transformacji, kadra C-level powinna zweryfikować gotowość firmy w trzech podstawowych obszarach:
- Gotowość danych: Nie potrzebujesz idealnej hurtowni danych. Potrzebujesz kluczowych źródeł danych w jednym lub dwóch scentralizowanych systemach, wskazanego właściciela dla każdego głównego zbioru danych oraz podstawowej wiedzy o tym, czy te dane są kompletne i spójne. Jeśli te trzy rzeczy są spełnione, jesteś dalej niż większość firm.
- Gotowość ludzi: Nie potrzebujesz zespołu data scientistów. Potrzebujesz co najmniej jednej osoby pełniącej rolę wewnętrznego tłumacza, która rozumie, co AI może, a czego nie może zrobić, oraz menedżerów gotowych dostosować sposób pracy na podstawie rekomendacji AI. Jeśli wszyscy mówią: „sprawdzę wynik, ale i tak zrobię po swojemu”, masz problem z gotowością.
- Gotowość procesów: Kluczowe przepływy pracy muszą być udokumentowane – wystarczy wspólny dokument. Jeśli jedyna osoba, która wie, jak działa onboarding, jest na urlopie, AI nie pomoże w tym procesie. A Twoje KPI muszą oznaczać to samo dla wszystkich: jeśli sprzedaż i finanse nadal nie mogą uzgodnić, czym jest „aktywny klient”, żaden model nie pogodzi tego za Ciebie.
Dlaczego inwestycja w jakość danych i procesy biznesowe zwraca się jeszcze przed uruchomieniem modeli AI?
Inwestycja w fundamenty danych zwraca się natychmiast, ponieważ porządkuje model operacyjny firmy i generuje oszczędności niezależnie od ostatecznego wdrożenia algorytmów AI. Statystyki pokazują, że firmy odnoszące sukcesy z AI przeznaczają aż 70% budżetu na przygotowanie ludzi i procesów – integrację z przepływami pracy, przygotowanie danych, szkolenia, zarządzanie zmianą – około 20% w infrastrukturę technologiczny i około 10% w wybór algorytmów. Nieudane projekty odwracają te proporcje, pompując budżet w narzędzia i modele, podczas gdy jakość danych i dopasowanie procesów pozostają nierozwiązane.
Ujednolicenie definicji biznesowych oraz wyznaczenie właścicieli danych przynosi mierzalne zyski w zaledwie kilka tygodni:
- Szybsze raportowanie: Samo uzgodnienie np. wspólnej definicji KPI między sprzedażą, finansami i operacjami, przyczynia się do tego, że raporty stają się dokładniejsze, przeglądy szybsze, a spory o to, czyje liczby są właściwe, ustają. Niektóre firmy skracają czas przygotowania materiałów dla zarządu o około 30% tylko dzięki uzgodnieniu, co oznacza „przychód”.
- Jasna odpowiedzialność: Przypisanie opiekunów do baz danych drastycznie przyspiesza rozwiązywanie problemów operacyjnych wewnątrz organizacji.
- Bezpieczeństwo wiedzy: Udokumentowanie najważniejszych procesów przyspiesza onboarding pracowników i eliminuje ryzyko utraty wiedzy po odejściu personelu.
Co menedżerowie sądzą o zaufaniu do danych i spójności wskaźników KPI w organizacjach?
Podczas jednego z webinarów DataRiseLab zadaliśmy uczestnikom dwa pytania. Odpowiedzi oraz komentarze Bartłomieja Ordyka (Senior Business and Systems Analyst w DataRiseLab), wiele mówią o tym, gdzie większość organizacji naprawdę się znajduje.
Wyniki ankiety z webinaru DataRiseLab.
„Na ile ufasz swoim obecnym danym jako podstawie dla produkcyjnego agenta AI bez nadzoru człowieka?”
61% uczestników zadeklarowało, że sprawdzałoby obliczenia, a 34% spodziewa się halucynacji od razu.
Nikt nie ufa swoim danym w ciemno – i ta szczerość jest bardzo dobrym punktem wyjścia. Wskazuje na lukę między tym, gdzie są dziś Twoje dane, a tym, gdzie muszą być, aby wspierać AI, i tę lukę da się naprawić. Z naszego doświadczenia firmy, które zauważają to wcześnie, oszczędzają najwięcej czasu i budżetu, bo inwestują w fundamenty, zanim zaangażują się w kosztowne pilotaże. – Bartłomiej Ordyk, Senior Business and Systems Analyst, DataRiseLab
„Czy macie ustandaryzowane definicje KPI, spójne we wszystkich działach?”
63% odpowiedziało „częściowo”, a kolejne 18% przyznało, że różne zespoły definiują te same metryki inaczej.
Jeśli sprzedaż i finanse inaczej definiują „aktywnego klienta” albo „marżę”, każdy zbudowany model będzie optymalizował pod różne rzeczy w różnych częściach biznesu. To nie jest problem AI – to problem definicji. Bez spójnych KPI nie da się zmierzyć, czy AI dostarcza wartość, czy tylko szybciej tworzy szum. – Bartłomiej Ordyk, Senior Business and Systems Analyst, DataRiseLab
Jakie są najważniejsze wnioski dla liderów biznesowych planujących wdrożenie AI?
Jeśli masz zapamiętać z tego artykułu pięć rzeczy, niech będą to konkretne drogowskazy biznesowe dla Twojego zespołu zarządzającego:
- Technologia nie jest wąskim gardłem. Nowoczesne modele AI działają bez zarzutu. Porażki wynikają z braku gotowości danych i zepsutych procesów – 85% modeli AI zawodzi z powodu słabych lub brakujących danych.
- Złe dane już Cię kosztują. Niska jakość danych pochłania co roku miliony złotych w strukturach operacyjnych, zanim w ogóle pojawi się temat technologii. AI nie tworzy tego problemu – ona go po prostu przyspiesza.
- Nie automatyzuj chaosu. AI ujawnia i potęguje dług operacyjny, zamiast go naprawiać. Najpierw dokładnie zdiagnozuj sytuację w firmie, a potem zawęź zakres do dwóch lub trzech przypadków użycia, które mają największe znaczenie dla biznesu.
- Praca przygotowawcza zwraca się sama. Uzgodnienie definicji KPI, przypisanie właściciela danych i udokumentowanie kluczowych procesów dostarczają realną wartość biznesową w kilka tygodni – niezależnie od tego, czy ostatecznie powstanie jakikolwiek model AI.
- Uczciwa samoocena to właściwy punkt startu. Luka między tym, gdzie są dziś Twoje dane, a tym, gdzie powinny być, jest całkowicie możliwa do naprawienia. Dostrzeżenie jej na wczesnym etapie pozwala zaoszczędzić najwięcej czasu i budżetu.
