Żabka zarabia na AI, a inni tracą? Ekspert radzi, jak uniknąć milionowych strat

• 51 proc. dyrektorów IT w USA nie zauważyło poprawy wyników po inwestycjach w transformację cyfrową w ciągu ostatnich dwóch lat
• Projekty sztucznej inteligencji kończą się niepowodzeniem w 80% przypadków – dwukrotnie częściej niż standardowe wdrożenia IT
• Główne przyczyny klęsk to niejasne wymagania biznesowe, oderwane od rzeczywistości zespoły technologiczne i dostarczanie przestarzałych rozwiązań
• Firmy jak Walmart, UPS czy Żabka osiągnęły spektakularne sukcesy, traktując technologię jako narzędzie do realizacji konkretnych celów biznesowych

Inwestycje w AI przypominają hazard na forexie

Technologia i tworzenie oprogramowania przypominają rynek forex. Są tacy, którzy dużo zyskują – i dzięki technologii wyprzedzają konkurencję o pięć kroków naraz. Ale większość niestety przegrywa

– ostrzega Bartosz Szkudlarek, CEO Eversis i ekspert z 25-letnim doświadczeniem w tworzeniu oprogramowania dla biznesu.

Statystyki potwierdzają słowa eksperta. Aż 51 proc. z 400 amerykańskich dyrektorów IT stwierdziło, że w ciągu ostatnich dwóch lat nie zauważyli żadnej poprawy wyników ani rentowności w wyniku inwestycji w transformację cyfrową. To alarmujący sygnał dla firm planujących wydatki na projekty AI.

Jeszcze gorzej wyglądają dane dotyczące projektów sztucznej inteligencji. W sierpniu ubiegłego roku Narodowy Wydział Badań nad Bezpieczeństwem RAND ustalił, że projekty AI kończą się niepowodzeniem w ponad 80% przypadków – to dwukrotnie wyższy wskaźnik niż w przypadku projektów IT bez elementów AI.

To jakby tylko 2 na 10 mostów nadawało się do przejechania

– komentuje Szkudlarek, porównując nieprzewidywalność technologii do podstawowych zasad inżynierii.

Dlaczego transformacja cyfrowa kończy się fiaskiem?

Chaos w wymaganiach biznesowych

"Najpierw oberwą ci, którzy powinni być najskuteczniejsi. Zespoły biznesowe często nie potrafią jasno określić, czego naprawdę potrzebują" – wyjaśnia ekspert, przytaczając konkretny przykład z praktyki.

"Jeden z moich klientów zdefiniował 30 wymagań dotyczących obsługi zwrotów w nowej linii produktowej. Koszt: dodatkowe 300 tys. zł. Po wdrożeniu okazało się, że miesięcznie było... 5 zwrotów" – relacjonuje Szkudlarek.

Według eksperta, przyczyny takich absurdów to:

• brak zrozumienia wartości biznesowej produktu
• ucieczka przed odpowiedzialnością za trudne decyzje
• pozorna produktywność: robienie „czegoś", byle nie zmierzyć się z tym, co naprawdę ważne

Rozwiązanie? "Wybrać lidera z biznesowym DNA - takiego, który widzi zyski i straty. Mocna orientacja na cele - każde zadanie musi dać się przełożyć na jedno: czy się opłaca, czy nie" – radzi CEO Eversis.

Odrealnione zespoły technologiczne

"Do stworzenia i uruchomienia projektów AI potrzebni są ludzie, którzy rozumieją potrzeby biznesowe, a jednocześnie mają szeroką wiedzę technologiczną. Trzeba znać modele AI, algorytmy, przetwarzanie danych. Do tego dochodzi integracja z CRM, systemem księgowym i bazą wiedzy" – wylicza Szkudlarek.

Pozyskanie zespołu, który rozumie tak złożoną technologię i jednocześnie jest nastawiony na wynik biznesowy – graniczy z cudem

– dodaje ekspert.

Problem pogłębia fakt, że zespoły technologiczne często mają inne cele niż biznes. "Na konferencjach IT nie usłyszymy case study o tym, ile rozwiązanie przyniosło zysku albo jak obniżyło koszty. Usłyszymy tylko, kto użył jakich klocków" – punktuje Szkudlarek.

Software, którego już nikt nie potrzebuje

"Bezwładność wewnętrznych zespołów sprawia, że software, który trafia na produkcję, jest już nieadekwatny do sytuacji biznesowej albo po prostu nie trafia w potrzeby użytkowników końcowych. W obu przypadkach efekt jest ten sam: frustracja" – diagnozuje problem ekspert.

Przyczyny bezwładności zespołów:

• brak konfrontowania rozwiązań z realnymi użytkownikami
• zbyt rozbudowane zespoły, w których ustalenia zajmują tygodnie
• strach przed odpowiedzialnością

Dużo łatwiej budować software albo agentów AI w laboratorium niż zderzać je z rzeczywistością  

– zauważa Szkudlarek.

Jak uniknąć klęski w projektach AI?

Praktyczne rozwiązania od eksperta

"No-blame policy – jeśli zespół boi się błędów, będzie robić wszystko, żeby się zabezpieczać, a nie dowozić" – radzi Szkudlarek jako pierwsze rozwiązanie.

Ekspert zaleca także:

• POC, MVP – "lepiej wypuścić coś niedoskonałego (w kontrolowanej grupie użytkowników) niż szukać ideału w nieskończoność"
• Śledzenie time to market – "mierzenie czasu od pomysłu biznesowego do realnej zmiany na produkcji"
• Firmy, które wygrały dzięki technologii

Nie wszystkie inwestycje w technologię kończą się fiaskiem. Są firmy, które potraktowały software nie jako koszt – ale jako dźwignię strategiczną

– podkreśla Szkudlarek, przytaczając konkretne przykłady sukcesu.

Walmart – rewolucja w logistyce

"W latach 80, gdy konkurencja liczyła stany magazynowe na oko, Walmart zainwestował połowę swoich rocznych przychodów w pełne skomputeryzowanie logistyki. To dzięki cyfrowemu łańcuchowi dostaw firma dziś obsługuje ponad miliard transakcji rocznie, utrzymując niskie ceny i wysoką dostępność towaru" – opisuje ekspert.

UPS – algorytm oszczędzający miliony

"Przez dekadę rozwijali własny algorytm optymalizacji tras (ORION). Efekt? Oszczędność 50 mln USD rocznie na paliwie i czasie pracy. Nie dlatego, że chcieli mieć AI – ale dlatego, że chcieli jechać krócej i taniej" – wyjaśnia Szkudlarek.

Żabka – polski lider transformacji

"Nasz lokalny lider. Chmurowy ERP, SAP, AI i aplikacje mobilne? Jasne – ale tylko jako narzędzia do celu. Dzięki cyfryzacji procesów Żabka zwiększyła wydajność operacyjną o 20%, niemal zlikwidowała papierowy obieg dokumentów i otwiera dziś 3 sklepy dziennie" – chwali polską firmę ekspert.

Kluczowe wnioski dla inwestorów w AI

"To nie magia. To nie AI. To technologia w służbie celu – a nie na odwrotnie" – podsumowuje Bartosz Szkudlarek, wskazując receptę na sukces w inwestycjach w sztuczną inteligencję.

Ekspert jednoznacznie stwierdza: firmy odnoszące sukces w transformacji cyfrowej nie traktują technologii jako celu samego w sobie, lecz jako narzędzie do osiągnięcia konkretnych rezultatów biznesowych. To fundamentalna różnica między tymi, którzy tracą miliony na projektach AI, a tymi, którzy dzięki nim wyprzedzają konkurencję.