# Automatyzacja AI procesów w firmie

> Model językowy jest potrzebny dopiero tam, gdzie na wejściu pojawia się nieustrukturyzowany tekst albo decyzja, której nie da się zapisać regułą; dużą część procesów, dla których firmy szukają automatyzacji AI, da się zautomatyzować klasycznie: taniej, szybciej i bez kosztu zmiennego.

Autor: Robert Marczyński · Opublikowano: 2026-07-08 · Aktualizacja: 2026-07-08
Kanoniczny URL: https://ekspertodsztucznejinteligencji.pl/uslugi/automatyzacja-ai

## Pierwsze pytanie: czy tu w ogóle potrzebny jest model

Zaczynam od pytania, które bywa niewygodne dla wykonawcy: **czy ten proces wymaga sztucznej inteligencji?**

Bardzo często nie wymaga. Przepisywanie danych między dwoma systemami, które mają API. Wysyłka powiadomienia po zdarzeniu. Generowanie dokumentu z szablonu na podstawie pól z formularza. To są zadania dla klasycznej automatyzacji: tańsze w budowie, przewidywalne, bez kosztu zmiennego i bez ryzyka, że wynik będzie za każdym razem trochę inny.

Model językowy jest potrzebny dopiero wtedy, gdy występuje przynajmniej jedno z dwóch:

- **Wejście jest nieustrukturyzowane.** Tekst napisany swobodnie przez człowieka, dokument o zmiennym układzie, wiadomość, w której informacja może być wszędzie.
- **Decyzji nie da się zapisać regułą.** Ocena, czy zgłoszenie jest pilne. Rozpoznanie, o co klientowi naprawdę chodzi. Dopasowanie odpowiedzi do kontekstu.

Rozwiązania, które projektuję, zwykle są hybrydowe: model obsługuje wejście i decyzję, a wszystko, co da się zapisać regułą, wykonuje logika klasyczna. Model, któremu zleca się liczenie i przepisywanie, to najdroższy możliwy sposób wykonania tych czynności. I najmniej niezawodny.

## Gdzie automatyzacja z AI daje najwięcej

### Dokumenty przychodzące

Odczytanie danych z faktury, zamówienia, formularza o zmiennym układzie i wpisanie ich do systemu z akceptacją człowieka. Duża objętość, tani błąd, bo wyłapywany przy akceptacji.

### Segregowanie i kierowanie

Rozdzielenie spraw prostych od wymagających specjalisty, przypisanie kategorii i priorytetu. To zwykle pierwszy krok [wdrożenia AI w firmie](/uslugi/wdrozenie-ai-w-firmie). Często najbardziej opłacalne wdrożenie w firmie, bo nie wymaga, żeby AI rozwiązała sprawę. Wystarczy, że skieruje ją do właściwej osoby.

### Wstępne wersje odpowiedzi

Przygotowanie propozycji odpowiedzi na typowe zapytanie, którą konsultant poprawia i wysyła. Wariant z nadzorem, więc tani we wdrożeniu i bezpieczny.

### Ujednolicanie danych

Doprowadzanie do wspólnego formatu informacji, które przychodzą w różnych postaciach z różnych źródeł.

## Rachunek opłacalności

Zrób go przed wyceną, samodzielnie. Zajmuje pół godziny i chroni przed rozczarowaniem:

1. Liczba wykonań procesu w miesiącu.
2. Średni czas jednego wykonania.
3. Punkty 1 × 2 = obecny koszt czasowy procesu.
4. Szacowany czas po automatyzacji, **łącznie z czasem na weryfikację wyniku przez człowieka**. Ten składnik jest pomijany najczęściej i bywa decydujący.
5. Różnica minus miesięczny koszt utrzymania i API.

Jeśli wynik po pięciu punktach jest bliski zeru, automatyzacja nie ma uzasadnienia ekonomicznego. Nawet jeśli technicznie jest wykonalna i efektowna w prezentacji.

## Gdzie te wdrożenia najczęściej stają

Nie na modelu. Na styku z systemami, w których firma naprawdę pracuje.

Najczęstszą przyczyną nieudanych pilotaży jest według raportu MIT NANDA (2025) luka uczenia się: narzędzia nie zapamiętują informacji zwrotnej i nie adaptują się do procesów firmy, więc nie poprawiają się z czasem. Najlepszy zwrot raport widzi zaś nie w narzędziach dla front-office, tylko w automatyzacji zaplecza: ERP, łańcucha dostaw i finansów; jakość modelu i regulacje grają role drugorzędne.

To pokrywa się z tym, co widzę w wycenach. Sam model jest zwykle najtańszym elementem układanki, a rachunek robią integracje i stan danych. Rozwiązanie, które generuje świetne odpowiedzi, ale nie potrafi ich zapisać tam, gdzie zespół i tak musi wejść, nie oszczędza czasu. Przenosi go.

Praktyczny wniosek na etapie planowania: zanim wybierzesz narzędzie, sprawdź, czy systemy po twojej stronie mają API. System z nowoczesnym API podłącza się w godziny, system bez API przez eksporty i pliki pośrednie, czyli w tygodnie. Ta jedna odpowiedź przesuwa wycenę o rząd wielkości i to ją sprawdzam w [audycie gotowości AI](/uslugi/audyt-gotowosci-ai).

## Czego nie robię

Nie automatyzuję procesów, których nikt nie mierzy, bo nie da się wykazać efektu, a projekt zostanie oceniony wrażeniami. Nie proponuję modelu tam, gdzie wystarczy reguła. Nie buduję automatyzacji na obejściach systemów bez API, jeśli nie powiem wprost, że takie rozwiązanie jest kruche i wymaga wyższego budżetu na utrzymanie.

## Najczęstsze pytania

**Czym automatyzacja AI różni się od zwykłej automatyzacji?**

Klasyczna automatyzacja wykonuje zapisane z góry reguły: jeśli warunek, to działanie. Automatyzacja z użyciem AI radzi sobie z wejściem nieustrukturyzowanym. Tekstem pisanym swobodnie, dokumentem o zmiennym układzie. I z sytuacjami, których nikt nie przewidział regułą. Kosztuje za to więcej i generuje opłatę za każde wykonanie.

**Kiedy nie warto używać AI do automatyzacji?**

Gdy dane wejściowe są ustrukturyzowane i reguły dają się zapisać. Przepisywanie danych między systemami z API, wysyłka powiadomienia po zdarzeniu, generowanie dokumentu z szablonu. To zadania dla klasycznej automatyzacji. Użycie modelu językowego doda tu koszt zmienny i element niepewności bez żadnej korzyści.

**Ile można zaoszczędzić na automatyzacji AI?**

Nie da się tego uczciwie podać przed zmierzeniem konkretnego procesu. Rachunek robi się tak: liczba wykonań w miesiącu razy czas jednego wykonania to koszt obecny; od oszczędności odejmujemy czas na weryfikację wyniku przez człowieka i miesięczny koszt utrzymania. Każda liczba podana przed tym rachunkiem jest zgadywaniem.

**Czy automatyzacja AI wymaga wymiany systemów?**

Zwykle nie. Rozwiązania podłącza się do istniejących systemów przez API. Problem pojawia się przy systemach, które API nie mają. Wtedy potrzebne są obejścia, które działają, ale są kruche i podnoszą koszt utrzymania. To warto ustalić jeszcze przed wyceną.


## Źródła

- MIT NANDA / MIT Media Lab — The GenAI Divide: State of AI in Business 2025: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf