Problem · automatyzacja procesów z AI

Wiesz, co chcesz zautomatyzować. Nie wiesz, czy potrzebujesz do tego AI.

Automatyzacja procesów biznesowych z AI dla firm jest dziś opisywana tak, jakby model zastępował wszystko, co dotąd robiły zwykłe automaty. Nie zastępuje — robi coś innego i kosztuje w innym miejscu. Granica przebiega tam, gdzie kończy się reguła, którą da się zapisać, a zaczyna ocena.

Bogusław Tolarz · aktualizacja: 20 sierpnia 2026

Z czym firmy do mnie przychodzą

Masz już działające automaty — przypomnienia, przenoszenie plików, wysyłkę zestawień — i słyszysz, że „teraz robi się to z AI”, ale nikt nie mówi, co konkretnie miałoby się zmienić.
Twój automat zatrzymuje się zawsze w tym samym miejscu: gdy wejście przychodzi jako mail napisany prozą, skan albo wiadomość, w której każdy pisze inaczej.
Dostajesz oferty, w których to samo narzędzie raz nazywa się „workflow”, a raz „agent AI”, i nie da się z opisu wyczytać, czy w środku jest reguła, czy model.
Ktoś w firmie wkleja treści do czatu, dostaje dobrą odpowiedź i pyta, czemu nie robi tego program — a Ty nie wiesz, jak odpowiedzieć.
Boisz się, że wpuszczenie AI do procesu oznacza utratę kontroli nad tym, co firma wysyła na zewnątrz.

Dlaczego tego nie da się rozróżnić z opisu

Bo nikomu na rynku nie opłaca się tego rozróżniać. Słowo „AI” podnosi wartość oferty niezależnie od tego, co jest w środku, więc trafia do opisu narzędzia, w którym model odpowiada za jeden drobny krok — i do opisu narzędzia, w którym nie ma go wcale. Z materiałów marketingowych naprawdę nie da się tego wyczytać i nie jest to Twoja wina.

Drugi powód sięga głębiej: ta granica przebiega przez rodzaj pracy. Automat regułowy zastępuje wykonywanie. Model zastępuje rozpoznawanie — czytanie treści napisanej przez człowieka i wyciąganie z niej sensu. Firma zwykle ma w procesie obie te rzeczy naraz i nikt nigdy nie miał powodu ich rozdzielać, bo dotąd robiła je ta sama osoba.

Reguła i model — dwa różne narzędzia

To nie są dwie generacje tego samego. To dwa narzędzia o innych mocnych stronach i innym rozkładzie kosztów. Zanim zdecydujesz, którego użyć, warto wiedzieć, co dokładnie kupujesz w każdym z nich.

Automat regułowy

Robi dokładnie to, co mu zapisano, i zawsze tak samo. Da się go przeczytać, przetestować i wskazać palcem linijkę, która zawiniła. Kosztuje mało w utrzymaniu, bo nie zmienia zdania. Wymaga jednak, żeby ktoś potrafił opisać regułę słowami — a jeśli wejście przyjdzie w formie, której nie przewidziano, po prostu staje.

Model AI

Radzi sobie z wejściem, którego nikt nie ujednolicił: mailem pisanym po ludzku, skanem, opisem usterki od kierowcy. Nie potrzebuje wyczerpującej listy przypadków. W zamian bywa niepewny: ta sama treść potrafi dać nieco inny wynik, a błąd nie wygląda na błąd — jest sformułowany równie pewnie jak poprawna odpowiedź. Dlatego każdy wynik musi mieć sposób sprawdzenia.

Co z tego wynika dla kosztu

Reguła jest droga w napisaniu i tania w życiu. Model jest tani na starcie — działa po kilku zdaniach instrukcji — i droższy w życiu, bo ktoś musi pilnować jakości wyników, opłacać każde wywołanie i reagować, gdy dostawca zmieni wersję modelu. Porównywanie tylko kosztu uruchomienia prowadzi do złej decyzji.

Co z tego wynika dla zaufania

Regułę sprawdzasz raz i wierzysz jej. Model sprawdzasz na próbce i wierzysz mu statystycznie. Taka jest jego natura. Kłopot zaczyna się wtedy, gdy proces zbudowano tak, jakby model był regułą.

Z tego zestawienia wynika wniosek, który przewija się przez całą tę stronę: najlepsze rozwiązania nie wybierają jednego z dwóch, tylko mieszają oba w jednym przebiegu. Model dostaje wyłącznie ten fragment, w którym wejście jest nieuporządkowane — reszta zostaje regułą. Proces ma wtedy dokładnie jedno miejsce, któremu trzeba patrzeć na ręce.

Gdzie dokładnie przebiega granica

Praktycznie sprowadzam to do dwóch pytań: czy wejście jest uporządkowane i czy decyzja w środku jest prosta. Cztery możliwe odpowiedzi dają cztery różne rozstrzygnięcia — i tylko jedna z nich prowadzi prosto do AI.

Wejście jest ustrukturyzowane, decyzja jest prosta

Plik z tego samego systemu, znane kolumny, warunek „jeśli kwota powyżej progu, idzie do akceptacji”. Reguła. Wstawianie tu modelu to płacenie za niepewność, której nie musisz mieć.

Wejście jest bałaganem, decyzja jest prosta

Mail od klienta, z którego trzeba wyjąć numer zamówienia i adres. To jest właściwe miejsce dla AI: model porządkuje wejście, a resztą procesu zajmuje się zwykły automat na regułach.

Wejście jest uporządkowane, decyzja jest złożona

Tu zwykle nie chodzi o technologię, tylko o to, że nikt nigdy nie spisał kryteriów. Zanim sięgnę po model, próbuję namówić firmę na zapisanie reguły — bo bardzo często okazuje się, że da się ją zapisać, a nikt dotąd nie musiał.

Bałagan na wejściu i ocena po stronie człowieka

Reklamacja, spór, nietypowe zgłoszenie. Tego bym nie oddawał maszynie w całości. Najwyżej przygotowanie materiału do decyzji: streszczenie, zebranie faktów z historii, propozycja odpowiedzi do zatwierdzenia.

Zanim padnie jakakolwiek liczba

Bywa, że po nich potrzeba AI znika w całości.

Co dokładnie w tym procesie jest dziś nieustrukturyzowane?

To pytanie odsiewa większość rozmów o AI. Jeśli odpowiedź brzmi „nic, wszystko przychodzi z systemu”, to nie potrzebujesz modelu, tylko porządnego automatu — i powiem to wprost, zamiast sprzedawać droższą wersję.

Jak poznasz, że wynik jest zły?

Musi istnieć moment sprawdzenia: pole, które da się porównać z dokumentem, suma, która musi się zgadzać, człowiek zatwierdzający przed wysyłką. Proces z AI bez takiego punktu przenosi ryzyko w miejsce, gdzie nikt nie patrzy.

Co się dzieje, gdy model odpowie „nie wiem”?

Dobrze zbudowany krok z AI musi mieć prawo się poddać i przekazać sprawę człowiekowi. Jeśli takiej ścieżki nie ma, model zgadnie — i to jest najgorszy możliwy wariant, bo zgadnie przekonująco.

Czy te dane mogą wyjść poza firmę?

Dane osobowe, umowy, dokumentacja medyczna, cenniki — tu rozstrzyga właściciel firmy. Pytam o nią na początku, bo odpowiedź zmienia dobór narzędzia, a czasem przenosi całą rzecz na model uruchamiany lokalnie.

Ile razy w miesiącu to się dzieje?

Rachunek zrób u siebie: liczba powtórzeń w miesiącu razy minuty na jedno powtórzenie razy stawka osoby, która to robi. Po drugiej stronie postaw koszt wywołań modelu i czas na sprawdzanie wyników. Dopiero różnica tych dwóch stron mówi cokolwiek o sensie.

Kto to utrzyma, gdy dostawca zmieni model?

Modele są wersjonowane i wycofywane, a zachowanie nowej wersji potrafi się różnić przy tej samej instrukcji. Ten koszt wraca co miesiąc, a w ofertach zwykle nie ma o nim słowa.

Warianty, od najprostszego

AI pojawia się tu dopiero na trzeciej pozycji — i przez długi czas tylko jako jeden krok wewnątrz zwykłego automatu.

1
Uporządkowanie wejścia zamiast rozumienia go
Najtańsza „automatyzacja z AI” to ta, w której AI okazuje się niepotrzebne. Formularz zamiast maila pisanego prozą, ustalony z kontrahentem układ pliku, wybór z listy zamiast pola tekstowego. Zero modelu, zero kosztu za wywołanie, zero niepewności. Zawsze sprawdzam to jako pierwsze.
2
Zwykły automat na regułach
Narzędzia takie jak n8n, Make czy Zapier łączą programy, które już masz. Jeśli wejście jest przewidywalne, to jest właściwa odpowiedź — tańsza w utrzymaniu i sprawdzalna co do kroku. Większość procesów w małej firmie kończy się na tym poziomie i nie ma w tym nic wstydliwego.
3
Automat na regułach z jednym krokiem AI
Wariant, który w praktyce proponuję najczęściej. Model robi dokładnie jedną rzecz — wyciąga dane z nieuporządkowanej treści albo przypisuje sprawę do kategorii — a cała reszta przebiegu to zwykłe reguły. Dzięki temu niepewność jest zamknięta w jednym miejscu, które da się obudować sprawdzeniem.
4
AI z człowiekiem w pętli zatwierdzania
Model przygotowuje wynik, człowiek klika „wyślij”. Sensowne wszędzie tam, gdzie błąd wychodzi na zewnątrz: odpowiedzi do klientów, dokumenty, korespondencja. Praca nie znika, ale zmienia się z pisania od zera na czytanie i poprawianie — i dopiero to jest uczciwie policzalna oszczędność.
5
Proces prowadzony przez model od początku do końca
Najdroższy wariant z całej listy. Ma sens, gdy przypadków jest dużo, każdy jest inny, a koszt pojedynczej pomyłki niski. Mówię o niej ostatniej, bo trafia się rzadziej, niż wynika to z tego, jak często się o niej mówi.

Gdzie to się zwykle wykłada

Nie podłączenie modelu. To dziś kwestia kilku ustawień w narzędziu, które prawdopodobnie już masz. Trudne jest poprowadzenie granicy: który krok zostaje regułą, a który dostaje model — bo od tego zależy, ile w Twoim procesie zostanie niepewności i ile pracy będzie kosztowało jej pilnowanie.

Sprawdzalność to osobny kłopot. Automat regułowy albo działa, albo widocznie się zatrzymuje. Krok z AI ma trzeci stan, którego wcześniej nie było: działa dalej i zwraca wynik, który wygląda poprawnie, a nie jest. Wykrycie takiego stanu nie dzieje się samo — musi być zaprojektowane razem z procesem.

Dochodzi jeszcze zmienność w czasie. Reguła napisana rok temu robi dziś to samo. Model sprzed roku mógł zostać wycofany albo podmieniony na nowszą wersję, która przy tej samej instrukcji zachowuje się inaczej. Proces z AI wymaga zaplanowanego momentu ponownego sprawdzenia — bez tego nie utrzyma się go w ruchu.

Gdzie bym AI nie wpuszczał

Nie wstawiałbym modelu tam, gdzie działa reguła

To najczęstszy błąd w tej kategorii. Proces, który dotąd był przewidywalny, zaczyna czasem odpowiadać inaczej — i firma traci jedyną rzecz, którą miała pewną. Jeśli warunek da się zapisać zdaniem „jeśli tak, to tak”, zapisujemy go jako regułę.

Nie budowałbym procesu, w którym model podejmuje decyzję bez śladu

Musi zostać zapis: co przyszło na wejściu, co model zwrócił, kto to zatwierdził. Bez tego pierwsza reklamacja albo kontrola zamienia się w zgadywanie, a nikt w firmie nie potrafi odtworzyć, dlaczego wyszło tak, a nie inaczej.

Nie zaczynałbym od agenta obsługującego cały dział

Prezentacje takich rozwiązań wyglądają najlepiej, a wdrożenia najgorzej. Znacznie łatwiej wskazać jeden krok, który dziś blokuje istniejący automat, wymienić właśnie ten krok i sprawdzić, czy poprawa jest realna, zanim ruszy się resztę.

Nie wypuszczałbym tego bez testu na starych sprawach

Zanim cokolwiek zacznie działać na żywo, puszczam to na sprawach z przeszłości, w których prawidłowy wynik jest znany. To jedyny sposób, żeby powiedzieć cokolwiek o jakości, zanim błąd trafi do klienta.

Większość tych zadań obejdzie się bez AI.

Gdy wejście do procesu już jest uporządkowane. Jeśli dane przychodzą z systemu, w stałych polach, a decyzja daje się zapisać warunkiem, to model nie ma tu czego rozpoznawać. Dołożysz koszt za wywołania i niepewność w miejscu, w którym miałeś pewność — a nie dostaniesz nic w zamian.

Gdy proces zdarza się rzadko. Policz to u siebie zanim ze mną porozmawiasz: ile powtórzeń w miesiącu, ile minut zajmuje jedno, jaka jest stawka osoby, która je wykonuje. Jeśli wychodzi kilka razy w miesiącu, samo doprowadzenie kroku z AI do stanu, któremu można ufać, będzie kosztowało więcej niż robienie tego dalej ręcznie.

Gdy nikt w firmie nie potrafi ocenić, czy wynik jest dobry. Krok z AI wymaga kogoś, kto na próbce powie „to jest poprawne, a to nie” — bez takiej osoby uruchomienie go jest zakładem o wynik. A gdy pomyłka jest kosztowna i wynik idzie od razu na zewnątrz, albo dokładamy krok zatwierdzania przez człowieka, albo tego nie robimy. Trzeciego wariantu nie zaproponuję.

Opisz jeden proces, w którym rozważasz AI.

Nie musisz wiedzieć, jaki model ani jakie narzędzie. Napisz, co przychodzi na wejściu, kto to dziś czyta i co się dzieje dalej — odpowiem, który krok zostawiłbym regułą, który dałbym modelowi i czy w Twoim przypadku w ogóle bym po niego sięgał.

Opisz swoją sytuacjębez płatności i zobowiązań

Jeśli dopiero szukasz, który proces w ogóle warto ruszyć: automatyzacja procesów w małej firmie → A jeśli pytanie brzmi szerzej — do czego AI nadaje się w firmie, a do czego nie: wdrożenie AI w firmie →