[Spis treści]Pokaż spis treści
W naszym portfolio: 14 projektów AI na produkcji, 11 pracuje. Trzy zabite. Demo na 300 cherry-picked, produkcja na 50k brudnych. To jest właściwa proporcja, nie marketingowy slogan o “90% projektów AI umiera”. Te 11 działa, bo każde przeszło przez ten sam filtr: konkretny proces, konkretna metryka, konkretny fallback.
W Do More Soft wdrożyliśmy AI komercyjnie u 14 klientów przez ostatnie dwa lata. Te trzy zabite kosztowały więcej lekcji niż jedenaście sukcesów. Poniżej metodologia, która z tego wyrosła.
Dlaczego 90% projektów AI umiera po demo
VP of Operations myśli, że AI zastąpi osobę. Realnie: 70% przypadków poprawnie, 20% human review, 10% eskalacji. Musi przemyśleć org chart, zanim podpisze SOW. Bez tego decyzja “wdrażamy AI” jest decyzją o przebudowie zespołu, której nikt jeszcze nie podjął.
Drugi powód: demo na czystych danych, wdrożenie na brudnych. Model, który robi 94% accuracy na zestawie testowym, pada na realnych danych z literówkami, brakami i niespójnościami. Trzeci: AI jako osobny system z własnym loginem. Nikt nie używa.
AI PoC to Production: metodologia krok po kroku
Dzień 1-2: diagnostyka, nie burza mózgów
Pierwsze pytanie: która metryka się zmienia? Redukcja czasu 50% czy redukcja błędu 95%? Inny problem. Inny model. Inny budżet. Klient mówi “chcemy AI w obsłudze klienta” — to nie jest problem, to jest życzenie. Problem: “zapytania z formularza WWW czekają średnio 14h na pierwszą odpowiedź, tracimy 22% leadów przez fenomen ghostingu”. To jest projekt.
Ta rozmowa eliminuje połowę nietrafionych pomysłów na starcie i pozwala przypisać do PoC realny KPI, którym będziemy mierzyć go/no-go.
Dzień 3-5: Audyt danych i proof of feasibility
Weź 200-500 realnych przypadków z produkcji. Nie oczyszczonych, nie wyselekcjonowanych — realnych, ze wszystkimi ich wadami. Przepuść przez model (zaczynaj od gotowych API, nie trenuj własnego). Zmierz accuracy, czas odpowiedzi i koszt per request. Jeśli wyniki są poniżej 70%, ten use case nie zadziała z obecnymi danymi.
Dzień 6-8: Prototyp integracji
Zbuduj minimalną integrację z istniejącym systemem. Nie landing page z polem tekstowym, tylko prawdziwą integrację. AI jako warstwa w istniejącym flow: dane wchodzą z systemu, przetwarzane są przez model, wynik wraca do systemu. Użytkownik nie musi wiedzieć, że AI jest zaangażowane.
Dzień 9-10: Testy z użytkownikami i raport decyzyjny
Daj prototyp 3-5 realnym użytkownikom. Zbierz feedback nie o technologii, ale o procesie: czy jest szybciej? Czy wyniki są wiarygodne? Czy zaufaliby temu w codziennej pracy? Na tej podstawie raport go/no-go/pivot — z liczbami, nie z opiniami.
Architektura integracji: AI jako warstwa, nie zamiennik
W Textio: pierwsza wersja miała Claude jako SPOF. API timeout, edytor patrzy w pusty draft, klient pisze maila. Teraz: cache z fallbackiem do template, kolejka gdy API wolne, edytor zawsze ma draft. Dwa tygodnie outage żeby zaprojektować to porządnie. Dziś Gemini 2.0 Flash generuje pierwszą wersję, warstwa LangChain + RAG dokleja tone-of-voice z profilu marki, workflow edytorski wymusza zatwierdzenie zanim cokolwiek trafi na Facebook, WooCommerce czy WordPressa. Gdy LLM padnie, edytor dostaje draft z cache albo szablon oparty na strukturze danych. Pisanie nigdy się nie zatrzymuje.
To jest reguła architektoniczna, nie ozdoba. AI endpoint jest opcjonalny. Brak odpowiedzi w 3 sekundy, fallback do reguły biznesowej. Confidence score poniżej progu, eskalacja do człowieka. System odporny, użytkownicy ufają.
Jeden use case rozłożony na czynniki pierwsze
Pięć use case’ów z czystymi liczbami ROI brzmi atrakcyjnie, ale niczego nie uczy. Zobacz jak to wygląda w praktyce na jednym deploymencie.
Klasyfikacja faktur FMCG. 450k faktur rocznie, manualny routing 2-3h per 100 dokumentów. Trzy osoby na fulltime w księgowości. Model GPT-4o z prompt engineeringiem na schemacie kont: 87% accuracy w pierwszej iteracji. Niewystarczy — błąd 13% w księgowości to koszmar audytora. Przeformowane: model pre-screenuje i sugeruje konto, człowiek robi final routing z gotową rekomendacją. Czas spadł do 45 min per 100 faktur. ROI +45k PLN/rok przy koszcie wdrożenia 110k PLN, zwrot w 2.5 roku — ale prawdziwy zysk to redukcja błędów rozliczeniowych i czas księgowych przesunięty na controlling.
Analogiczne wzorce powtarzają się w pozostałych czterech use case’ach, które utrzymujemy produkcyjnie:
- Inteligentny chatbot RAG na bazie wiedzy firmy: redukcja obciążenia obsługi 40-60%, koszt 50-120k PLN
- Predykcja churnu w SaaS z >1000 klientów: ROI 200-400%, koszt 100-200k PLN
- Kontrola jakości computer vision na linii produkcyjnej: redukcja braków 30-70%, koszt 150-350k PLN
- Generowanie i personalizacja contentu (referencja: Textio): oszczędność 15-25h tygodniowo, koszt 40-80k PLN
Macierz kosztów
PoC (2 tygodnie): 15-40k PLN. MVP (6-8 tygodni): 60-180k PLN. Wdrożenie produkcyjne (3-6 miesięcy): 120-500k PLN. Utrzymanie roczne: 15-25% kosztu wdrożenia. Koszty API (OpenAI/Anthropic/Azure): 500-5000 PLN/miesiąc w zależności od wolumenu. Te liczby dotyczą firm MŚP, enterprise zaczyna się od x3.
Typowe pułapki — z naszych zabitych projektów
Próbowaliśmy custom model dla klienta z e-commerce. Mieliśmy 8k labeled rekordów, model potrzebuje 50k żeby mieć sens. Stracone 3 tygodnie i 40k PLN zanim ktoś powiedział stop. Fine-tune OpenAI na tym samym datasecie: 2 dni, 92% accuracy.
Drugi zabity projekt: VP Sales chciał AI w całej firmie naraz. Cztery działy, cztery różne procesy, jeden budżet. Po pół roku pilot każdy był na 60% gotowości, żaden produkcyjnie. Pivot na jeden proces, jeden dział, jeden mierzalny KPI — działa do dziś.
Trzeci: “dane ogarniemy później”. Klient miał CRM z 12 lat danych, 40% pól wypełnionych “ASAP”, “TBD” albo pustych. Model uczy się chaosu. Sześć tygodni czyszczenia danych przed pierwszym promptem.
Widziałem to. CTO decyduje Q1: “Jesteśmy AI company”. Q2: trzy pilots, zespół wypalony, dług technologiczny rośnie. Q3: board zabija wszystkie projekty AI razem z budżetem. Wybierz jeden use case z liczbami. Dowieź. Potem skaluj.
FAQ
Czym różni się AI PoC od deploymentu produkcyjnego? PoC działa na 200-500 cherry-picked rekordach przez 2 tygodnie. Produkcja obsługuje 50k+ brudnych rekordów miesięcznie, ma SLA, observability, fallback i human-in-the-loop. Inna architektura, inny koszt, inna metryka sukcesu.
Ile trwa przejście od prototypu AI do produkcji? PoC 2 tygodnie, MVP 6-8 tygodni, deployment produkcyjny 3-6 miesięcy. Łącznie 4-9 miesięcy od pierwszej rozmowy do systemu, który zarabia. Skrót poniżej 4 miesięcy zwykle oznacza pominięty audyt danych — i kosztuje później dwukrotnie.
Co to top 5 ROI-pozytywnych use case AI? Klasyfikacja dokumentów (ROI 120-180%), chatbot RAG na bazie wiedzy (80-150%), predykcja churnu (200-400%), kontrola jakości computer vision (150-300%), generowanie contentu z workflow edytorskim (100-200%). Liczby z naszych 11 wdrożeń produkcyjnych.
Dlaczego większość projektów AI umiera po demo? Demo na 300 cherry-picked rekordach, produkcja na 50k brudnych. Brak jasnego problemu biznesowego, brak planu integracji z istniejącym stackiem, decyzja architektoniczna “AI zamiast” zamiast “AI jako warstwa”. Trzy zabite projekty w naszym portfolio padły dokładnie na tym.