AI w Polsce to za dużo szumu, za mało produkcji. Oto dlaczego 90% projektów nie wchodzi w życie

Rozmawiam z founderami i CTO polskich firm. Większość ma za sobą przynajmniej jeden projekt AI, który nie wszedł do produkcji. Albo w ogóle nie wystartował, albo umarł po pilocie.

Pieniądze wydane. Zespół sfrustrowany. Szefowa działu pyta: „Po co nam to było?”

To nie jest wina technologii. To nie jest wina zespołu. To jest wina podejścia.

Widziałem ten wzorzec wielokrotnie, w startupach w Dubaju, w fintechach w Szwecji, w e-commerce w Hiszpanii. W Polsce wygląda to identycznie, tylko mówimy o tym ciszej. Pora to zmienić.

5 POWODÓW, DLACZEGO PROJEKTY AI UPADAJĄ W POLSCE

1. Zaczynasz od modelu, zamiast od danych

To najczęstszy błąd. Zespół dostaje budżet, wybiera najnowszy framework (LLM, model multimodalny, cokolwiek jest na topie), trenuje go na danych, które akurat są pod ręką i dziwi się, że w produkcji model zachowuje się inaczej niż w notebooku.

Prawda: 80% pracy nad AI to dane i proces, nie model. Jeśli spędzasz 80% czasu na dopasowywaniu modelu, a 20% na danych, Twój projekt nie wejdzie do produkcji [1].

Pytanie, które powinieneś sobie zadać, zanim napiszesz pierwszą linię kodu: „Czy moje dane są wystarczająco dobre, żeby model miał szansę działać?”

2. Nie masz punktu odniesienia, więc nie wiesz, czy AI cokolwiek poprawia

Widziałem projekty, w których zespół przez 6 miesięcy budował system rekomendacyjny oparty na AI, żeby okazało się, że prosta reguła biznesowa oparta na 3 if-ach działała lepiej.

Jeśli nie masz punktu odniesienia (jak działa system bez AI), nigdy nie udowodnisz, że AI przynosi wartość. A bez udowodnionej wartości, projekt umiera przy pierwszym cięciu budżetu.

3. Mierzysz sukces dokładnością modelu, nie wpływem na biznes

„Model ma 94% dokładności”, słyszałem to setki razy. Tylko że 94% dokładności nie mówi nic o tym, czy system faktycznie pomaga firmie.

Czy wzrosła konwersja? Czy spadł koszt obsługi klienta? Czy mniej transakcji jest odrzucanych? To są pytania, które decydują o życiu projektu. Niestety, rzadko padają przed rozpoczęciem budowy.

4. Nie masz procesu MLOps, więc wdrożenie to chaos

Model działa w Jupyter Notebooku. Wdrożenie go do produkcji wymaga: konteneryzacji, API, monitorowania, alarmowania, retrainingu, wersjonowania. Większość polskich firm nie ma tego procesu.

Efekt? Model działa na laptopie data scientist. „Wdrożenie” to przekazanie .pkl przez Slacka. I dziwimy się, że nie działa w produkcji.

5. Nie przygotowałeś organizacji na zmiany

AI to nie tylko technologia. To zmiana procesów, kompetencji, odpowiedzialności.

Jeśli model credit scoringu odrzuca klienta, który według starego systemu był akceptowany, kto podejmuje ostateczną decyzję? Jakie jest ryzyko? Kto jest odpowiedzialny?

Jeśli nie masz odpowiedzi na te pytania, Twój projekt AI utknie w pilocie, bo nikt nie będzie miał odwagi włączyć go na produkcji.

CO Z TYM ZROBIĆ? (NIE 10 RZECZY, 3)

1. Sprawdź dane, zanim sprawdzisz model

Zanim wybierzesz framework, architekturę czy model, spędź tydzień na zrozumieniu danych.

• Czy dane są kompletne? (Ile brakujących wartości?)
• Czy dane są reprezentatywne? (Czy odzwierciedlają rzeczywistą populację?)
• Czy dane są dostępne w produkcji? (częsty problem: dane treningowe pochodzą z innego źródła niż dane produkcyjne)
• Czy dane są zgodne z RODO? (Czy masz podstawę prawną do ich przetwarzania?)

Jeśli odpowiedź na któreś z tych pytań brzmi „nie wiem”, masz odpowiedź, od czego zacząć.

2. Zbuduj baseline, zanim zbudujesz model

Zanim wydasz złotówkę na AI, odpowiedz na pytanie: „Jak działa ten proces bez AI?”

Może wystarczy lepszy SQL? Albo prosta reguła biznesowa? Albo człowiek z dostępem do lepszych danych?

Jeśli AI nie jest znacząco lepsza od punktu odniesienia, nie wdrażaj AI. To nie porażka. To dobra decyzja biznesowa.

3. Przygotuj organizację, zanim przygotujesz wdrożenie

Zanim model pójdzie na produkcję, musisz wiedzieć:

• Kto jest odpowiedzialny za decyzje podejmowane przez AI?
• Jak wygląda eskalacja, gdy model się myli?
• Kto monitoruje jakość modelu w produkcji?
• Jak często model jest retrenowany?

Jeśli nie masz odpowiedzi na te pytania, nie wdrażaj. Najpierw zbuduj proces.

NAJWAŻNIEJSZA LEKCJA (Z MOJEGO DOŚWIADCZENIA)

Mój największy błąd w projektach AI? Zaufałem modelowi, zanim zaufałem danym.

Budowałem system, który miał przewidywać zachowania użytkowników. Model dawał piękne wyniki w testach. W produkcji padł po 3 godzinach.

Dlaczego? Dane treningowe pochodziły z okresu niskiej aktywności. W momencie skoku wolumenowego model nie wiedział, co robić.

Od tamtej pory każdy projekt zaczynam od tygodnia spędzonego na danych. Model to ostatnia rzecz, którą wybieram. I to zmieniło wszystko.

BIO

Jacek Trefon, CTO, budował systemy AI w Dubaju (giełda kryptowalut, regulowana przez ADGM), Szwecji (fintech) i Hiszpanii (AI dla e-commerce). Teraz pomaga polskim firmom wdrażać AI odpowiedzialnie. www.trefon.com/pl