Prosty agent AI i milionowe oszczędności, czyli jak z głową wdrażać AI zamiast na oślep gonić trendy
Piotr Szymański
AI Solution Architect, Billennium
Pod presją
Jak wynika z analiz, organizacje postrzegają AI przede wszystkim jako element modernizacji IT (70-90%)1, bez wyraźnego rozróżnienia między augmentacją pracy a pełną automatyzacją. Mimo powszechnych deklaracji, że głównym celem wdrażania sztucznej inteligencji jest wspieranie rozwoju pracowników i idący za tym wzrost ich produktywności o 15-40%, adopcja AI często skutkuje redukcją zatrudnienia w obszarach takich jak administracja, księgowość czy obsługa klienta2. Jednocześnie znikają stanowiska juniorskie, a tworzone są hybrydowe role wymagające kompetencji techniczno-biznesowych3. Kluczowym wyzwaniem w tej sytuacji jest jednak oportunizm wdrożeniowy. Bardzo często decyzje o adopcji AI wynikają nie z przemyślanej strategii, a z powszechnie odczuwanej presji konkurencyjnej i FOMO (ang. fear of missing out, dosłownie: strach przed tym, co nas omija)4. Przeważają wdrożenia nastawione na cele krótkoterminowe i bieżące wyzwania, pomijając projekty strategiczne budujące w szerszej perspektywie długofalową przewagę konkurencyjną.
APEX, czyli w poszukiwaniu realnej metryki
Jednak przyszłość niekoniecznie musi być tak pesymistyczna nieprzemyślana. Podczas gdy większość organizacji inwestuje miliony w infrastrukturę AI (CapEx) i patrzy z niepokojem na rosnące koszty API i licencji (OpEx), z pomocą przychodzi nowo zaproponowany wskaźnik – APEX (AI Productivity Index)5, który wprost odpowiada na pytanie „Okej, ale czy AI faktycznie potrafi zrobić coś użytecznego w naszej organizacji?”. Wykorzystując APEX, możemy przetestować modele AI na prawdziwych zadaniach z bankowości inwestycyjnej, konsultingu, prawa i medycyny – takich, które normalnie zajęłyby ekspertowi od 1-8 godzin roboczych. To odpowiedź na pytanie, jak sprawdzić, czy AI rzeczywiście poradzi sobie z przygotowaniem wyceny firmy czy analizą prawną kontraktu. Dzięki APEX organizacje mogą w końcu sprawdzić, jak modele poradzą sobie w zadaniach im zleconych, a które pomysły pozostają jedynie koncepcjami prezentacyjnymi.
Ryzyka i regulacje
Kolejnym elementem wspierającym organizacje w adopcji AI jest wykorzystanie sprawdzonych metod mierzenia wartości implementacji technologii informatycznych zaproponowanych przez Davida Swarda w oparciu o jego doświadczenia w IBM (IT Business Value)6, wspierających walidację roadmapy projektów.
Pomocne okazują się również ramy regulacyjne, które porządkują różne aspekty wdrażania AI, takie jak AI Risk Management Framework (NIST), standardy ISO 42001, ISO 23894 oraz Unified Control Framework (Eisenberg & Credo AI). Te ustandaryzowane ramy pozwalają nie tylko zmierzyć potencjalną wartość, ale też zarządzać ryzykiem i zapewnić zgodność z regulacjami – szczególnie istotną w kontekście nadchodzącego AI Act.
Teoria spotyka praktykę: case study optymalizacji licencji SAP
Rzadko jednak zastanawiamy się nad tym, jaki będzie rzeczywisty efekt pełnego zastąpienia niektórych ról lub ich częściowego zautomatyzowania – zarówno w wymiarze ekonomicznym, jak i ludzkim.
W Billennium nawigujemy klientów przez wszystkie wcześniej opisane etapy analizy strategicznej. I jeden z przypadków okazał się szczególnie intrygujący, a dotyczył optymalizacji kosztów licencji SAP Analytics Cloud.
Wyzwaniem klienta była optymalizacja niezwykle kosztownych licencji, których ceny sięgają nawet kilku tysięcy euro na użytkownika rocznie. Co roku firma wykonywała kosztowny i czasochłonny audyt, aby zweryfikować, czy istnieje faktyczna potrzeba utrzymywania danych licencji. Proces polegał na tym, że zespół powołany ad hoc kontaktował się indywidualnie z każdym użytkownikiem, weryfikował bezpośrednio potrzebę utrzymania licencji oraz przygotowywał raport z rekomendacjami optymalizacji kosztów. Działania te angażowały kilka osób na wiele tygodni rocznie.
Szukając sposobów na usprawnienie tego procesu, podczas jednego z warsztatów budowy strategii AI wnikliwie przyjrzeliśmy się mu pod kątem jego pełnej automatyzacji oraz wprowadzenia mierzalnych wskaźników pozwalających na obiektywną ocenę konieczności utrzymania tych licencji.
Pomysł automatyzacji nie napotkał sprzeciwu – przeciwnie, został przyjęty z entuzjazmem zespołu, który dotychczas corocznie angażowany w ten mozolny proces – uważał go za irytujący obowiązek.
Przygotowaliśmy system, który na podstawie analizy logów, obiektów oraz metadanych z zachowań użytkowników SAP Analytics Cloud był w stanie przygotować stosowne rekomendacje w zakresie utrzymania, zmiany lub wycofania licencji. W tym przypadku zdecydowaliśmy się na fine-tuning modelu LLM (OpenAI o4-mini), który dzięki dokładnemu zrozumieniu kryteriów oceny (różne typy obiektów są możliwe do użycia przy różnych typach licencji) był w stanie sprawnie zarekomendować kroki niezbędne do optymalizacji kosztów (obniżenie poziomu licencji na niższy) lub jej eliminację w przypadku braku użycia. Dzięki przeprowadzonej analizie przeorganizowano i zoptymalizowano wykorzystanie licencji w całej organizacji. Nieużywane zasoby zostały wyeliminowane, a pozostałe dopasowano do najbardziej adekwatnych wersji i modeli użytkowania, co pozwoliło zwiększyć efektywność kosztową oraz lepiej dostosować środowisko licencyjne do realnych potrzeb biznesowych.
Efekt? Optymalizacja przyniosła znaczące oszczędności, maksymalizując wartość wszystkich zmienionych licencji i poprawiając efektywność kosztową w całej organizacji.
Opisany przypadek jasno pokazuje, jak organizacje mogą stawiać czoło (w usystematyzowany sposób) powszechnym wyzwaniom związanym z wdrażaniem sztucznej inteligencji. Po pierwsze, firma podeszła do AI strategicznie, z zamiarem wprowadzenia długofalowych i efektywnych zmian, przy jednoczesnym zadbaniu o szybkie i łatwo mierzalne sukcesy.
Przed implementacją AI nasz klient przeszedł pełny proces ewaluacji strategicznej, w którym wykorzystaliśmy mierzalne wskaźniki wydajności i wartość biznesową z punktu widzenia IT i operacji, a także ustandaryzowane ramy zarządzania ryzykiem i zgodnością z regulacjami. Umożliwiło to wypracowanie modelu wdrożeniowego zapewniającego szybkie, łatwe do zmierzenia korzyści, jednocześnie budując długofalową przewagę konkurencyjną i optymalizując wykorzystanie zasobów. To dowód na to, że AI może realnie wspierać organizację, gdy wdrożenie jest przemyślane, mierzalne i strategiczne – dokładnie odwrotnie niż w przypadkach opisanych na początku.
1 Wavestone: Global AI Survey 2025
2 Goldman Sachs: AI Workforce; Brynjolfsson QJE (2025)
3 PwC: Reinventing Work Roles; McKinsey Global Survey AI
4 Wavestone: AI Adoption Paradox; Quantive: AI in Strategic Management
5 The AI Productivity Index (APEX) https://arxiv.org/pdf/2509.25721
6 Measuring the Business Value of Information Technology Practical Strategies for IT and Business Managers
