Krytyczne zależności - czego zarząd nie wie o swojej infrastrukturze AI?

„Suwerenność technologiczna” brzmi jak temat z gazety, nie z zebrania zarządu – kojarzy się z polityką, z czymś, co dzieje się gdzieś wysoko nad głową prezesa średniej firmy.

Ale… to skojarzenie trzeba od razu odłożyć na bok.

Robocza definicja jest prostsza: suwerenność to brak krytycznych zależności. Zależności ma każda firma – od prądu, od banku, od dostawców oprogramowania. „Czy jesteśmy od czegoś uzależnieni” nic nie daje, bo odpowiedź zawsze brzmi „tak”. Sensowniej zapytać, której z tych zależności firma by nie przeżyła. To dotyczy zarówno infrastruktury AI, jak i miejsca, o którym zarządy myślą rzadziej – codziennej pracy zespołów z czatami.

Zależność od AI predykcyjnej – case z branży energetycznej

Klient Aigorithmics z sektora energetycznego stanął przed decyzją: kupić gotowe rozwiązanie predykcyjne od dostawcy wyspecjalizowanego w energetyce, czy postawić własną infrastrukturę i utrzymywać model prognozujący zapotrzebowanie samodzielnie.

Wybrali drugą opcję – droższą, wolniejszą na starcie, wymagającą własnego sprzętu i ludzi do obsługi. Powód nie był techniczny. Był biznesowy: model prognozujący jest rdzeniem ich przewagi konkurencyjnej, a stawiając infrastrukturę u siebie, całkowicie uniezależnili się od dostawcy. Nikt z zewnątrz nie może im zmienić warunków umowy, podnieść cen, obniżyć jakości modelu ani wycofać wsparcia. Nie czeka ich migracja, bo nie ma od kogo migrować.

Ochrona know-how była drugim powodem: dostawca sektorowy dostraja jedno rozwiązanie na danych wielu klientów z tej samej branży, więc korzystając z niego, firma pośrednio uczy konkurentów. Rdzeń decyzji był jednak inny — zarząd zidentyfikował, która zależność jest u nich krytyczna, i zainwestował w jej usunięcie. To była decyzja o alokacji budżetu, podjęta na poziomie zarządu, nie projekt techniczny zlecony działowi IT.

Dlaczego zarząd tego nie widzi

Sytuacje takie jak ta są rzadkością nie dlatego, że mało firm ma krytyczne zależności od AI. Są rzadkością, bo trudno je zauważyć, zanim zależność się w pełni ukształtuje.

• Koszt jest niewidoczny, dopóki nie jest za późno. Kalkulacja przy zakupie liczy koszt wejścia, nie liczy kosztu zmiany. Dostawca jest tani na starcie — cena rośnie realnie dopiero wtedy, kiedy firma jest już zależna i nie ma z czego łatwo się wycofać. A migracja modelu, który dostrajał się latami, jest zawsze trudna i obarczona ryzykiem.
• Nikt po drodze nie ocenia, czy dana zależność jest strategiczna. Zespół techniczny wybiera rozwiązanie, które działa szybko i tanio – to jego zadanie, i wykonuje je dobrze. Nikt jednak nie pyta, czy warto zabezpieczyć tę usługę przed ryzykiem związanym z dostawcą – to pytanie biznesowe, nie techniczne, a temat nigdy nie trafia na poziom zarządu, gdzie taka ocena mogłaby w ogóle paść.
• Umowy zawierają klauzule, których nikt nie czyta jako ryzyka biznesowego. Zapisy typu „product improvement” czy „aggregated insights” brzmią niewinnie, a w praktyce znaczą, że dane firmy poprawiają produkt sprzedawany także konkurentom.

Żaden z tych trzech powodów nie jest winą konkretnej osoby w organizacji. To miejsca, w których krytyczna zależność rośnie po cichu, zanim ktokolwiek zdąży ją zauważyć.

Ta sama zależność w codziennej pracy z AI

Historia z branży energetycznej dotyczy modelu w produkcji — czegoś, co firma świadomie zbudowała i utrzymuje. Ale ta sama definicja suwerenności działa też w miejscu, o którym zarząd myśli rzadziej: w codziennej pracy zespołów z czatbotami AI.

Tu zależność wygląda inaczej. Zespół sprzedaży, który miesiącami rozmawia z jednym modelem, uczy go swojego kontekstu — jak brzmią typowe obiekcje klientów, jakie argumenty działają, których danych model nie powinien zakładać. To nie jest wiedza o narzędziu. To wiedza o firmie, przetłumaczona na język, który model rozumie. I zostaje tam, gdzie powstała — w historii czatu, w wgranych plikach.

Nikt nie liczy jej jako aktywa firmy, więc kiedy trzeba zmienić narzędzie, nikt też nie liczy jej jako straty — a zespół zaczyna od zera.

Różnica praktyczna jest ważna: w AI predykcyjnej odpowiedzią bywa własna infrastruktura — kosztowna i nie dla każdego. Więc tu decyzja jest strategiczna. W codziennej pracy z AI rozwiązanie jest prostsze technicznie. Wystarczy, żeby kontekst pracy zespołu był zapisany miejscu, które firma kontroluje, a nie w narzędziu dostawcy — w wewnętrznej bazie wiedzy.

Sześć pytań na najbliższe zebranie zarządu

To jest fragment do wycięcia i zabrania na spotkanie.

O modele w produkcji:

• Które z naszych systemów AI są rdzeniem przewagi konkurencyjnej — a które to tylko usprawnienia, które można wymienić bez ryzyka?
• Jeśli dostawca podniesie ceny albo pogorszy jakość modelu, ile czasu i pieniędzy zajęłoby przejście na inne rozwiązanie?

O codzienną pracę z AI:

• W ilu różnych czatach i kontach AI siedzi dziś wiedza o naszych procesach i decyzjach, i kto oprócz użytkownika ma do niej dostęp?
• Czy to, co nasi ludzie wpisali w AI i jak dostosowali je do pracy w naszej firmie, da się wyeksportować i przenieść w inne miejsce?

Domykające:

• Które z tych zależności naprawdę zagrażają rdzeniowi naszej wartości, a które są tylko niewygodne?
• Kto w naszej firmie umiałby dziś odpowiedzieć na te pytania?

Jak to wygląda w praktyce

To pytanie łatwo zadać na zebraniu, trudniej na nie odpowiedzieć bez pomocy z zewnątrz. Często wymaga nie tylko doświadczenia, ale także spojrzenia na technologię, procesy i finansowanie jednocześnie. Dlatego prowadzimy dwa programy, które prowadzą przez ten proces krok po kroku.

Warsztaty Innowacji, które prowadzimy razem z Aigorithmics i Business Law House, pomagają znaleźć i ocenić obszary, które mogą stać się sensownym projektem innowacyjnym AI – zanim firma zainwestuje w technologię, wdrożenie czy finansowanie. Efektem jest uporządkowana decyzja: co warto rozwijać dalej i jak przygotować to do kolejnego etapu. Trzy spotkania, 2–4 tygodnie, koszt 4000 zł netto.

Krok dalej jest Program Możliwości AI — dla zarządu, który już podjął decyzję, że chce wdrożyć technologię, ale nie wie, który kierunek jest najlepszy. Wspólnie z Waszymi liderami i przekrojowym zespołem identyfikujemy obszary, w których AI może przynieść wartość biznesową. Następnie oceniamy je pod kątem efektu, wykonalności, ryzyka, dostępności danych i dalszych kroków wdrożeniowych.

Efektem programu jest mapa inicjatyw AI: lista rekomendacji, co warto rozwijać teraz, co wymaga doprecyzowania, a czego nie warto dotykać na tym etapie.

Zacznijmy od rozmowy o tym, która zależność jest u Was krytyczna – napisz do nas 😉