100 problemów z wdrożeniem AI i automatyzacją w firmie i jak je rozwiązać (2026)

Automatyzacja z użyciem AI kusi prostotą: podłączasz model językowy, kilka narzędzi i procesy zaczynają działać same. W praktyce wdrożenia zatrzymują się na tych samych przeszkodach: brudnych danych, kruchych integracjach, chatbotach, które zmyślają, kosztach, których nikt nie liczył, i pracownikach, którzy nie ufają wynikom. Zebraliśmy 100 problemów, z którymi firmy przychodzą do nas najczęściej, i przy każdym opisaliśmy przyczynę oraz rozwiązanie.

Lista ma 10 grup po 10 problemów. Każdy punkt zaczyna się od krótkiej odpowiedzi, a kończy konkretnymi działaniami. Jeśli szukasz konkretnego objawu, użyj spisu treści albo wyszukiwania w przeglądarce (Ctrl+F). Jeśli dopiero planujesz pierwsze wdrożenie, zacznij od wpisu automatyzacja procesów AI w firmie - od czego zacząć.

Wybór procesów i przygotowanie wdrożenia

Najdroższe błędy zapadają przed napisaniem pierwszej linii kodu: przy wyborze procesu i celu automatyzacji.

1. Nie wiem, który proces w firmie zautomatyzować jako pierwszy

Najlepszy pierwszy proces to taki, który jest powtarzalny, ma jasne zasady i zajmuje komuś dużo czasu co tydzień. Typowe przykłady to przepisywanie danych z maili do systemu, kwalifikacja zapytań i przygotowanie odpowiedzi na powtarzalne pytania.

Rozwiązanie: spisz 10 czynności, które pracownicy wykonują najczęściej, oceń każdą pod kątem czasu, powtarzalności i ryzyka błędu, a na start wybierz jedną o niskim ryzyku. Przykłady znajdziesz we wpisie o 5 procesach do automatyzacji.

2. Chcemy zautomatyzować wszystko naraz

Duży projekt obejmujący wiele działów zwykle utyka, bo każdy dział ma inne dane, wyjątki i oczekiwania. Zanim cokolwiek zadziała, zespół traci cierpliwość, a budżet się kończy.

Rozwiązanie: podziel wdrożenie na etapy. Zacznij od jednego procesu, uruchom go produkcyjnie, zmierz efekt i dopiero wtedy dodawaj kolejne. Każdy etap powinien kończyć się działającym rozwiązaniem, a nie dokumentem. Dzięki temu każdy kolejny proces korzysta z doświadczeń poprzedniego, a zespół szybciej widzi realne korzyści.

3. Proces jest chaotyczny i każdy robi go inaczej

AI nie uporządkuje procesu, który nie ma zasad, tylko przyspieszy chaos. Jeśli trzech pracowników obsługuje to samo zgłoszenie na trzy sposoby, automatyzacja nie wie, który wariant jest właściwy.

Rozwiązanie: najpierw opisz proces krok po kroku: wejście, decyzje, wyjątki i wynik. Ustal jeden obowiązujący wariant i dopiero go automatyzuj. Często już samo spisanie procesu usuwa część problemów. Pomocny jest prosty schemat procesu, który zatwierdzają osoby wykonujące go na co dzień.

4. Nie wiemy, czy do zadania potrzebne jest AI, czy wystarczy zwykła automatyzacja

Jeśli zadanie ma stałe reguły (przenieś dane z formularza do arkusza, wyślij przypomnienie), wystarczy klasyczna automatyzacja bez modelu językowego. AI jest potrzebne tam, gdzie trzeba rozumieć tekst, klasyfikować lub streszczać.

Rozwiązanie: dla każdego kroku procesu zadaj pytanie, czy da się go opisać regułą „jeśli X, to Y”. Jeśli tak, użyj reguły, bo jest tańsza i przewidywalna. Model językowy włączaj tylko do kroków wymagających interpretacji.

5. Nikt w firmie nie odpowiada za automatyzację

Automatyzacja bez właściciela działa do pierwszej zmiany w systemie lub procesie, a potem po cichu przestaje. Nikt nie reaguje, bo nikt nie czuje się odpowiedzialny.

Rozwiązanie: wyznacz właściciela biznesowego (osoba, która zna proces i ocenia wyniki) oraz opiekuna technicznego (osoba lub firma, która reaguje na błędy). Zapisz, kto dostaje powiadomienia o awariach i w jakim czasie reaguje. Bez tych ustaleń nawet dobrze zbudowana automatyzacja przestaje być wiarygodna po kilku miesiącach.

6. Nie mamy mierzalnego celu wdrożenia

Cel typu „wdrożyć AI” nie pozwala ocenić, czy projekt się udał. Bez punktu odniesienia każda dyskusja o efektach kończy się wrażeniami.

Rozwiązanie: przed startem zmierz stan obecny: ile czasu zajmuje proces, ile spraw obsługujecie w tygodniu, ile jest błędów lub poprawek. Ustal jeden lub dwa wskaźniki, które porównasz po wdrożeniu, np. czas odpowiedzi na zapytanie albo liczbę ręcznie przepisywanych dokumentów. Wyniki porównuj po kilku tygodniach działania, a nie po pierwszych dniach, gdy zespół dopiero się uczy.

7. Zarząd oczekuje efektów po tygodniu

Nierealne oczekiwania biorą się z pokazów, w których AI działa na idealnych danych. W firmie trzeba jeszcze podłączyć systemy, obsłużyć wyjątki i przetestować działanie na prawdziwych sprawach.

Rozwiązanie: przedstaw harmonogram z etapami: analiza, prototyp, testy na prawdziwych danych, uruchomienie i poprawki. Pokaż wcześnie działający prototyp jednego kroku, żeby zarząd widział postęp, ale nie traktuj go jak gotowego produktu. Jasny plan chroni projekt przed porzuceniem po pierwszym nieudanym teście.

8. Wybraliśmy narzędzie, zanim poznaliśmy problem

Zakup licencji lub platformy przed analizą procesu kończy się dopasowywaniem procesu do narzędzia, a nie odwrotnie. Często okazuje się, że narzędzie nie ma potrzebnej integracji.

Rozwiązanie: zacznij od opisu procesu i listy systemów, które muszą się ze sobą komunikować. Dopiero potem porównaj narzędzia pod kątem integracji, kosztów i miejsca przetwarzania danych. Pomoże w tym nasze porównanie narzędzi do automatyzacji. Przed zakupem rocznej licencji poproś o okres próbny i sprawdź narzędzie na własnych danych.

9. Gotowe narzędzie czy rozwiązanie dedykowane

Gotowe narzędzia wystarczają do typowych zadań i szybkiego startu, a rozwiązanie dedykowane opłaca się przy nietypowych procesach, dużej skali lub wysokich wymaganiach dotyczących danych. Błędem jest decyzja bez porównania kosztów w dłuższym okresie.

Rozwiązanie: policz koszt licencji za wszystkich użytkowników w perspektywie kilku lat, koszt obejść, których wymaga gotowe narzędzie, i ryzyko zależności od jednego dostawcy. Zacznij od gotowego narzędzia, jeśli proces jest standardowy, i przejdź na własne rozwiązanie, gdy ograniczenia zaczną kosztować.

10. Pilotaż się udał, ale nikt go nie wdrożył na stałe

Pilotaż często działa obok normalnej pracy, bez integracji z systemami i bez właściciela, więc po zakończeniu testu wszyscy wracają do starych nawyków.

Rozwiązanie: już na starcie pilotażu ustal kryteria sukcesu i plan przejścia na produkcję: kto przejmuje utrzymanie, jakie integracje trzeba dokończyć i od kiedy stary sposób pracy przestaje obowiązywać. Najlepiej, gdy pilotaż od razu korzysta z prawdziwych systemów, a nie z kopii danych w arkuszu.

Dane i ich jakość

Model AI jest tak dobry, jak dane, które dostaje. Problemy z danymi to najczęstsza przyczyna słabych wyników.

11. AI daje słabe wyniki, bo dane w firmie są nieuporządkowane

Najczęstszą przyczyną są duplikaty, nieaktualne wpisy i brak jednolitych pól, np. ten sam klient zapisany na trzy sposoby. Model nie wie, która wersja jest prawdziwa, więc myli się albo zgaduje.

Rozwiązanie: przed wdrożeniem zrób przegląd danych w procesie, który automatyzujesz: usuń duplikaty, ujednolić formaty (daty, telefony, nazwy firm) i ustal, który system jest źródłem prawdy dla każdej informacji. Porządkowanie danych zrób raz porządnie, a potem zabezpiecz je walidacją przy wprowadzaniu.

12. Dane są rozproszone w mailach, arkuszach i głowach pracowników

AI nie skorzysta z wiedzy, której nie ma w żadnym systemie. Jeśli ceny są w jednym arkuszu, warunki w mailach, a wyjątki zna tylko jedna osoba, automatyzacja będzie działać na niepełnych informacjach.

Rozwiązanie: zbierz wiedzę potrzebną w procesie w jednym miejscu: bazie, CRM albo uporządkowanym repozytorium dokumentów. Poproś osoby z największym doświadczeniem o spisanie wyjątków i zasad, których nie ma nigdzie na piśmie.

13. Nie wiemy, jakich danych AI w ogóle potrzebuje

Firmy często przekazują albo za mało danych (model nie ma kontekstu), albo wszystko, co mają (rosną koszty i ryzyko). Potrzebne dane wynikają z decyzji, które model ma podejmować.

Rozwiązanie: dla każdego kroku procesu wypisz informacje, których potrzebuje człowiek, żeby podjąć decyzję. Przekazuj modelowi tylko te pola. Mniej danych oznacza niższe koszty, mniejsze ryzyko wycieku i łatwiejszą zgodność z RODO. Listę przekazywanych pól zapisz w dokumentacji, żeby każda zmiana była świadomą decyzją.

14. Dokumenty są w różnych formatach i wersjach

Ta sama procedura istnieje w kilku wersjach, w PDF, Wordzie i na wiki, a AI cytuje tę nieaktualną. Problem nie leży w modelu, tylko w źródłach.

Rozwiązanie: wybierz jedną aktualną wersję każdego dokumentu, archiwizuj pozostałe poza zasięgiem AI i dodaj do dokumentów datę ostatniej aktualizacji. Ustal, kto i kiedy przegląda dokumenty używane przez automatyzację. Dobrą praktyką jest jedna osoba odpowiedzialna za każdy dokument źródłowy.

15. Dane historyczne są niekompletne

Brakujące pola w starszych rekordach (branża klienta, źródło leada, powód reklamacji) sprawiają, że analizy i klasyfikacje AI są niewiarygodne dla części spraw.

Rozwiązanie: oznacz rekordy z brakami i nie używaj ich do wniosków. Uzupełnij kluczowe pola tam, gdzie to możliwe, a w formularzach i systemach ustaw te pola jako wymagane, żeby nowe dane były kompletne. Dzięki temu nowe dane będą od początku nadawały się do analizy i automatyzacji.

16. Pracownicy wpisują dane niedbale, bo „AI to poprawi”

Gdy pracownicy zakładają, że automatyzacja wszystko naprawi, jakość danych wejściowych spada, a wraz z nią jakość wyników. AI wzmacnia błędy, zamiast je usuwać.

Rozwiązanie: dodaj walidację w miejscu wprowadzania danych (wymagane pola, listy wyboru zamiast wolnego tekstu) i pokazuj zespołowi przykłady błędów automatyzacji wynikających ze złych danych. Odpowiedzialność za dane powinna być przypisana do konkretnych osób. Raz w miesiącu sprawdzaj próbkę rekordów i omawiaj wyniki z zespołem.

17. Mamy dane osobowe i nie wiemy, czy możemy ich użyć

Dane osobowe można przetwarzać z użyciem AI, jeśli istnieje podstawa prawna, cel jest określony, a dostawca narzędzia działa na podstawie umowy powierzenia. Problemem jest zwykle brak tej analizy, a nie samo AI.

Rozwiązanie: sprawdź z inspektorem ochrony danych lub prawnikiem podstawę przetwarzania, zaktualizuj rejestr czynności i klauzule informacyjne, a z dostawcą AI podpisz umowę powierzenia. Tam, gdzie to możliwe, przekazuj dane zanonimizowane lub zminimalizowane.

18. Dane są w starym systemie bez API

Stare systemy bez interfejsu programistycznego utrudniają automatyzację, ale rzadko ją wykluczają. Zwykle da się korzystać z eksportu plików, bezpośredniego dostępu do bazy lub automatyzacji interfejsu.

Rozwiązanie: sprawdź, czy system pozwala na eksport (CSV, XML), czy macie dostęp do bazy danych i czy producent oferuje integrację. Jeśli nie, rozważ cykliczny eksport plików jako pomost, a w dłuższym czasie wymianę systemu. Przed decyzją sprawdź też, czy producent nie planuje wygaszenia wsparcia dla systemu.

19. Nie wiemy, gdzie fizycznie są przetwarzane nasze dane

Dostawcy AI i narzędzi automatyzacji przetwarzają dane w różnych regionach, często poza Europejskim Obszarem Gospodarczym. Bez tej wiedzy trudno ocenić zgodność z RODO i wymaganiami klientów.

Rozwiązanie: sprawdź w dokumentacji i umowach dostawców region przetwarzania, listę podprocesorów i podstawę transferu danych poza EOG. Jeśli to możliwe, wybierz region europejski albo narzędzie uruchamiane na własnym serwerze. Zapisz te informacje w rejestrze narzędzi, bo klienci i audytorzy coraz częściej o nie pytają.

20. Dane szybko się dezaktualizują

Cenniki, stany, warunki i procedury zmieniają się częściej, niż aktualizowana jest baza wiedzy AI, więc odpowiedzi stają się nieaktualne bez żadnego komunikatu o błędzie.

Rozwiązanie: podłącz automatyzację bezpośrednio do źródła danych (system, baza) zamiast do kopii. Tam, gdzie to niemożliwe, ustal harmonogram aktualizacji i osobę odpowiedzialną, a przy dokumentach pokazuj datę ostatniej zmiany. Automatyzacja powinna też informować, gdy nie znalazła aktualnych danych, zamiast odpowiadać na podstawie starych.

Integracje i narzędzia: n8n, Make, Zapier i API

Integracje łączą AI z systemami firmy i to one najczęściej psują się po cichu.

21. Scenariusz w Make lub workflow w n8n nagle przestał działać

Najczęstsze przyczyny to wygasłe połączenie (token logowania), zmiana pola lub struktury danych w podłączonej aplikacji albo przekroczony limit planu. Integracja zwykle nie zgłasza tego nikomu, dopóki ktoś nie zauważy braku efektów.

Rozwiązanie: sprawdź historię wykonań i pierwszy błąd w logu, odnów połączenie, porównaj strukturę danych z poprzednim poprawnym wykonaniem i dodaj powiadomienie o błędach. Szczegóły i naprawa krok po kroku.

22. n8n, Make czy Zapier: nie wiemy, co wybrać

Zapier jest najprostszy na start, Make daje więcej kontroli nad logiką przy niższym koszcie złożonych scenariuszy, a n8n można uruchomić na własnym serwerze, co ułatwia kontrolę nad danymi. Wybór zależy od złożoności procesów i wymagań co do danych.

Rozwiązanie: spisz potrzebne integracje, przewidywaną liczbę operacji miesięcznie i wymagania dotyczące miejsca przetwarzania danych. Sprawdź cenniki i dostępne konektory dla swoich systemów i zrób krótki test na jednym procesie.

23. Koszty planu w narzędziu automatyzacji rosną z miesiąca na miesiąc

Narzędzia rozliczają się za zadania, operacje lub wykonania, więc źle zaprojektowany scenariusz (np. sprawdzanie skrzynki co minutę albo przetwarzanie każdego rekordu osobno) zużywa limity bez potrzeby.

Rozwiązanie: zamień częste odpytywanie na webhooki, filtruj dane na początku scenariusza, przetwarzaj rekordy paczkami i usuń zbędne kroki. Sprawdź raport zużycia, który scenariusz generuje najwięcej operacji. Przy dużej liczbie operacji porównaj koszt planu z uruchomieniem n8n na własnym serwerze.

24. Automatyzacja tworzy duplikaty rekordów

Duplikaty powstają, gdy scenariusz uruchamia się ponownie po błędzie albo dostaje to samo zdarzenie dwa razy, a nie sprawdza, czy rekord już istnieje.

Rozwiązanie: przed utworzeniem rekordu wyszukaj go po stałym identyfikatorze (e-mail, numer zamówienia, NIP) i aktualizuj zamiast tworzyć nowy. Zapisuj identyfikator przetworzonego zdarzenia, żeby powtórka go pominęła. Przy już istniejących duplikatach uruchom jednorazowe scalanie, zanim włączysz poprawioną automatyzację.

25. Webhook nie odbiera danych

Najczęściej adres webhooka zmienił się po przeniesieniu scenariusza, workflow nie jest aktywny (np. w n8n testowy adres działa tylko w trybie testu) albo system wysyłający blokuje lub zmienia format danych.

Rozwiązanie: sprawdź, czy workflow jest aktywny i czy system źródłowy używa adresu produkcyjnego, a nie testowego. Wyślij testowe zdarzenie i porównaj otrzymane dane z oczekiwanymi. Sprawdź log systemu wysyłającego, czy żądanie w ogóle wyszło. Przy n8n i Make sprawdź też, czy webhook nie wymaga nagłówka uwierzytelniającego, którego nadawca nie wysyła.

26. API zwraca błąd 429, czyli zbyt wiele zapytań

Błąd 429 oznacza przekroczenie limitu zapytań dostawcy w danym czasie. Zdarza się przy masowym przetwarzaniu, np. kilkuset rekordów naraz wysłanych do modelu AI.

Rozwiązanie: ogranicz liczbę równoległych zapytań, dodaj ponawianie z rosnącym odstępem i przetwarzaj dane paczkami. Sprawdź swój poziom limitów u dostawcy i w razie potrzeby poproś o jego podniesienie. Dla procesów niewymagających odpowiedzi od razu rozważ przetwarzanie wsadowe, które dostawcy często rozliczają taniej.

27. Integracja działa, ale nikt nie wie, co dokładnie robi

Scenariusze budowane przez różne osoby bez dokumentacji stają się czarną skrzynką. Gdy autor odchodzi, nikt nie odważy się ich zmienić.

Rozwiązanie: dla każdej automatyzacji zapisz cel, systemy, wyzwalacz, właściciela i sposób reagowania na błędy. Nazwij kroki zrozumiale i trzymaj dokumentację w jednym miejscu. Eksportuj definicje scenariuszy do kopii zapasowej. Przegląd dokumentacji wpisz w stały kalendarz, np. raz na kwartał.

28. Po aktualizacji aplikacji zmieniły się pola i automatyzacja zapisuje dane w złym miejscu

Zmiana nazwy lub typu pola w CRM, formularzu albo arkuszu sprawia, że mapowanie w scenariuszu wskazuje puste lub inne pole. Automatyzacja działa bez błędu, ale dane są błędne.

Rozwiązanie: ustal zasadę, że zmiany pól w systemach podłączonych do automatyzacji zgłasza się jej opiekunowi. Dodaj w scenariuszu walidację kluczowych pól i alert, gdy przychodzą puste wartości. Przed każdą większą zmianą w podłączonym systemie uruchom scenariusz testowo i sprawdź zapisane dane.

29. Nie wiemy, czy budować na narzędziu no-code, czy pisać własny kod

Narzędzia no-code przyspieszają start i wystarczają do większości integracji, a własny kod opłaca się przy dużej liczbie operacji, złożonej logice lub wymaganiach wydajnościowych. Często najlepsze jest połączenie obu podejść.

Rozwiązanie: zacznij od narzędzia no-code, a trudne fragmenty (złożone przekształcenia danych, własne integracje) przenieś do kodu lub mikroserwisu wywoływanego ze scenariusza. Przenieś całość do kodu, gdy koszty lub ograniczenia narzędzia zaczną przeważać.

30. Automatyzacja przestała działać po zmianie hasła lub odejściu pracownika

Połączenia z aplikacjami były założone na prywatne konto pracownika. Po zmianie hasła, wyłączeniu konta lub odejściu osoby integracja traci dostęp.

Rozwiązanie: używaj kont serwisowych lub firmowych kluczy API przypisanych do firmy, a nie do osoby. Prowadź listę połączeń z datą wygaśnięcia i osobą odpowiedzialną, a przy odejściu pracownika sprawdzaj, czy jego konto nie obsługuje automatyzacji. Dostęp do kont serwisowych powinny mieć co najmniej dwie osoby w firmie.

Chatboty AI na stronie

Chatbot to najczęściej pierwsze widoczne wdrożenie AI w firmie i najszybciej ocenione przez klientów.

31. Chatbot odpowiada ogólnikami zamiast konkretów o naszej firmie

Przyczyną jest brak podłączonej bazy wiedzy firmy: chatbot korzysta tylko z ogólnej wiedzy modelu. Nie zna Twoich cen, warunków ani procedur, więc odpowiada ogólnie.

Rozwiązanie: podłącz bazę wiedzy z aktualnymi informacjami (oferta, cennik, FAQ, regulamin) i w instrukcji systemowej nakaż odpowiadanie wyłącznie na jej podstawie. Testuj na prawdziwych pytaniach klientów, nie na wymyślonych. Bazę wiedzy uzupełniaj o pytania, na które chatbot nie znalazł odpowiedzi.

32. Chatbot podaje błędne ceny lub obiecuje rzeczy, których nie oferujemy

Model uzupełnia brakujące informacje prawdopodobnie brzmiącą odpowiedzią. Jeśli w bazie nie ma ceny, chatbot może ją wymyślić, co tworzy ryzyko sporu z klientem.

Rozwiązanie: podawaj ceny i warunki z bazy lub systemu, a nie z pamięci modelu. Nakaż chatbotowi, by przy braku informacji odpowiadał, że nie wie, i przekazywał rozmowę człowiekowi. Regularnie przeglądaj rozmowy pod kątem obietnic. Na stronie warto też zaznaczyć, że wiążące są warunki z oferty i regulaminu, a nie odpowiedź asystenta.

33. Ile kosztuje chatbot AI na stronę i czy się opłaca

Koszt zależy od zakresu: prosty chatbot oparty na bazie wiedzy to inny projekt niż asystent zintegrowany z CRM i systemem zamówień. Opłacalność zależy od liczby powtarzalnych pytań, które dziś obsługują ludzie.

Rozwiązanie: policz, ile zapytań miesięcznie dotyczy powtarzalnych tematów i ile czasu zajmuje ich obsługa. Szczegółowe omówienie kosztów znajdziesz we wpisie chatbot AI na stronę firmową - ile kosztuje.

34. Klienci nie chcą rozmawiać z chatbotem

Klienci zniechęcają się, gdy chatbot nie rozumie pytań, kręci się w kółko albo blokuje kontakt z człowiekiem. Problemem jest zwykle projekt rozmowy, a nie sama technologia.

Rozwiązanie: zapewnij widoczną możliwość przejścia do człowieka (formularz, e-mail, czat z konsultantem), skróć odpowiedzi i zacznij rozmowę od kilku przycisków z najczęstszymi tematami. Analizuj rozmowy, w których klient zrezygnował. Dobrze działa też jasna informacja na starcie, w czym chatbot może pomóc, a w czym nie.

35. Chatbot nie przekazuje rozmowy do człowieka

Brak przekazania wynika najczęściej z braku integracji z kanałem obsługi (skrzynka, helpdesk, CRM) albo z braku reguł, kiedy przekazanie ma nastąpić.

Rozwiązanie: zdefiniuj sytuacje wymagające człowieka: reklamacja, negocjacja ceny, niezadowolenie, brak odpowiedzi w bazie. Połącz chatbota z systemem zgłoszeń tak, żeby konsultant dostawał całą historię rozmowy i dane kontaktowe. Ustal również, w jakim czasie konsultant odpisuje i poinformuj o tym klienta w rozmowie.

36. Chatbot nie informuje, że jest AI

Na podstawie AI Act systemy przeznaczone do interakcji z ludźmi muszą informować, że rozmówca ma do czynienia z AI, chyba że jest to oczywiste. Ten obowiązek przejrzystości stosuje się od 2 sierpnia 2026 r.

Rozwiązanie: dodaj jasną informację w oknie czatu i pierwszej wiadomości, że odpowiada asystent AI, oraz link do informacji o przetwarzaniu danych. Więcej o obowiązkach znajdziesz w przewodniku po AI Act dla firm.

37. Chatbot zbiera dane osobowe bez informacji o RODO

Jeśli chatbot prosi o imię, e-mail czy opis problemu, przetwarzasz dane osobowe i musisz spełnić obowiązek informacyjny. Częsty błąd to brak informacji, kto jest administratorem i komu przekazywane są rozmowy.

Rozwiązanie: dodaj w oknie czatu krótką klauzulę z linkiem do polityki prywatności, uwzględnij dostawcę AI jako podmiot przetwarzający, ustal okres przechowywania rozmów i nie proś o dane, które nie są potrzebne.

38. Chatbot spowalnia stronę

Skrypt chatbota ładowany od razu przy wejściu na stronę zwiększa ilość pobieranego kodu i może pogorszyć wskaźniki szybkości, zwłaszcza na telefonach.

Rozwiązanie: ładuj widżet dopiero po interakcji (kliknięciu ikony) lub po kilku sekundach od załadowania strony. Sprawdź wpływ w narzędziu PageSpeed Insights przed i po zmianie. Sprawdź też, czy widżet nie zasłania przycisków i formularzy na małych ekranach.

39. Chatbot da się namówić do odpowiadania na pytania niezwiązane z firmą

Bez ograniczeń w instrukcji systemowej chatbot odpowiada na wszystko, od zadań domowych po tematy, które mogą zaszkodzić wizerunkowi firmy, i zużywa przy tym płatne tokeny.

Rozwiązanie: określ w instrukcji zakres tematów i sposób odmowy, ogranicz długość rozmowy i odpowiedzi, a przy publicznych chatbotach dodaj filtr treści. Testuj próby obejścia instrukcji przed uruchomieniem i po każdej zmianie. Ustaw też dzienny limit wydatków na API, żeby nadużycie nie wygenerowało dużego rachunku.

40. Nie wiemy, jak sprawdzić, czy chatbot dobrze działa

Bez przeglądu rozmów i kilku wskaźników nie wiadomo, czy chatbot pomaga, czy zniechęca klientów. Sama liczba rozmów niczego nie mówi o jakości.

Rozwiązanie: co tydzień przeglądaj próbkę rozmów, oznaczaj błędne odpowiedzi i braki w bazie wiedzy, mierz odsetek rozmów przekazanych do człowieka i liczbę zapytań zakończonych kontaktem. Wdrożenie krok po kroku opisujemy w poradniku jak wdrożyć chatbota AI w firmie. Wnioski z przeglądu zamieniaj w poprawki bazy wiedzy i instrukcji, a nie tylko w raport.

Agenci AI

Agenci AI sami planują kroki i korzystają z narzędzi, dlatego wymagają więcej kontroli niż zwykła automatyzacja.

41. Czym agent AI różni się od zwykłej automatyzacji

Zwykła automatyzacja wykonuje z góry ustalone kroki, a agent AI sam decyduje, jakie kroki i narzędzia wykorzystać, żeby osiągnąć cel. Daje to elastyczność, ale też mniejszą przewidywalność.

Rozwiązanie: używaj agentów tam, gdzie zadania są zmienne i wymagają decyzji (np. zebranie informacji z kilku źródeł), a zwykłej automatyzacji tam, gdzie kroki są stałe. W wielu procesach najlepiej sprawdza się połączenie: stały szkielet i AI w wybranych krokach.

42. Agent AI wykonuje działania, których nie powinien

Przyczyną są zbyt szerokie uprawnienia: agent ma dostęp do wysyłania maili, usuwania rekordów lub płatności, choć do zadania potrzebuje tylko odczytu. Błąd modelu zamienia się wtedy w realną szkodę.

Rozwiązanie: daj agentowi minimalne uprawnienia potrzebne do zadania, osobne konto z ograniczonym dostępem i listę dozwolonych narzędzi. Działania nieodwracalne (wysyłka do klienta, zmiany w danych finansowych) zatwierdza człowiek. Przegląd uprawnień agenta powtarzaj przy każdym dodaniu nowego narzędzia.

43. Agent zapętla się i zużywa dużo tokenów

Agent bez limitu kroków potrafi wielokrotnie powtarzać te same działania, gdy nie może osiągnąć celu, np. przez błąd narzędzia lub niejasną instrukcję. Koszty rosną, a wyniku nie ma.

Rozwiązanie: ustaw maksymalną liczbę kroków i limit kosztu na jedno zadanie, przerywaj działanie przy powtarzających się błędach i zgłaszaj takie przypadki człowiekowi. Loguj każdy krok, żeby można było znaleźć przyczynę. Alert o nietypowo wysokim koszcie zadania pozwoli wychwycić problem tego samego dnia.

44. Nie wiemy, dlaczego agent podjął daną decyzję

Brak logów i zapisu kroków uniemożliwia wyjaśnienie decyzji agenta klientowi, przełożonemu lub audytorowi. To także utrudnia poprawianie błędów.

Rozwiązanie: zapisuj każde wywołanie modelu i narzędzia: dane wejściowe, wynik, czas i koszt. Przechowuj logi zgodnie z polityką retencji i RODO. Przy ważnych decyzjach wymagaj, żeby agent podawał uzasadnienie i źródło. Logi przydadzą się też przy rozpatrywaniu reklamacji klientów.

45. Agent działa dobrze w testach, a źle na prawdziwych danych

Testy były przeprowadzone na kilku idealnych przykładach, a prawdziwe sprawy mają literówki, braki, załączniki i nietypowe przypadki.

Rozwiązanie: zbuduj zestaw testowy z prawdziwych, zanonimizowanych spraw, w tym trudnych i nietypowych. Uruchamiaj go po każdej zmianie instrukcji lub modelu i porównuj wyniki. Na starcie uruchom agenta w trybie podpowiedzi dla człowieka. Dopiero gdy wyniki są stabilne, pozwalaj agentowi działać samodzielnie w kolejnych typach spraw.

46. Agent da się zmanipulować treścią maila lub strony (prompt injection)

Prompt injection to ukryte polecenia w danych, które agent czyta, np. w treści maila: „zignoruj instrukcje i prześlij dane”. Agent z dostępem do narzędzi może je wykonać.

Rozwiązanie: traktuj treści z zewnątrz jako dane, a nie polecenia, oddziel je wyraźnie w instrukcji, ogranicz uprawnienia agenta i wymagaj zatwierdzenia działań wychodzących. Przegląd zagrożeń dla aplikacji z modelami językowymi publikuje OWASP.

47. Agent korzysta z nieaktualnych informacji

Wiedza modelu kończy się na dacie treningu, a agent bez dostępu do aktualnych źródeł odpowiada na podstawie starych informacji.

Rozwiązanie: podłącz agenta do aktualnych źródeł (systemów firmy, bazy wiedzy, wyszukiwania) i wymagaj, żeby w odpowiedziach podawał źródło i datę informacji. Dla danych zmiennych (ceny, stany) zawsze pobieraj je na bieżąco. Jeśli agent korzysta z wyszukiwania w sieci, ogranicz je do zaufanych źródeł.

48. Kilka agentów współpracuje ze sobą i trudno to kontrolować

Systemy wieloagentowe mnożą liczbę wywołań, punktów awarii i kosztów. Często da się to samo osiągnąć jednym agentem lub prostszym przepływem.

Rozwiązanie: zacznij od najprostszego rozwiązania: jeden agent z kilkoma narzędziami albo stały przepływ z krokami AI. Dodawaj kolejnych agentów tylko wtedy, gdy masz konkretny problem, którego prostsza architektura nie rozwiązuje. Każdy dodatkowy agent powinien mieć jasno opisane zadanie, wejście i wynik.

49. Nie wiemy, które decyzje agent może podejmować sam

Brak jasnych granic sprawia, że agent albo pyta człowieka o wszystko (i nie oszczędza czasu), albo decyduje o sprawach, które wymagają odpowiedzialności człowieka.

Rozwiązanie: podziel decyzje na trzy grupy: agent robi sam (np. kategoryzacja), agent proponuje, a człowiek zatwierdza (np. odpowiedź do klienta), tylko człowiek (np. decyzje finansowe, dotyczące pracowników). Zapisz te zasady i odzwierciedl je w uprawnieniach. Zasady przeglądaj po kilku tygodniach działania i poszerzaj zakres samodzielności tylko tam, gdzie wyniki są stabilne.

50. Agent przestał działać po zmianie modelu

Nowa wersja modelu inaczej interpretuje instrukcje i inaczej formatuje odpowiedzi, przez co kolejne kroki procesu dostają dane w innej postaci.

Rozwiązanie: przypinaj konkretną wersję modelu zamiast ogólnej nazwy, testuj nową wersję na zestawie testowym przed zmianą i wymagaj odpowiedzi w ustalonym formacie (np. JSON ze schematem), który łatwo zweryfikować. Zmianę wersji modelu traktuj jak każdą inną zmianę w systemie: z testem, planem wycofania i informacją dla zespołu.

Dokumenty, OCR, e-maile i obsługa leadów

Przetwarzanie dokumentów i skrzynek to obszar, w którym automatyzacja najszybciej odciąża zespół, ale też często się myli.

51. OCR źle odczytuje skany dokumentów

Najczęstsze przyczyny to słaba jakość skanu (niska rozdzielczość, krzywe zdjęcie, cień) oraz nietypowy układ dokumentu. Model nie odczyta poprawnie tego, czego nie widać wyraźnie.

Rozwiązanie: ustal minimalną jakość skanów, korzystaj z dokumentów w formie elektronicznej tam, gdzie to możliwe, a odczytane wartości sprawdzaj regułami (suma kontrolna, format NIP, zgodność kwot). Dokumenty z niską pewnością odczytu kieruj do weryfikacji przez człowieka. Statystyki poprawek pokażą, którzy dostawcy wysyłają dokumenty sprawiające najwięcej kłopotów.

52. AI źle wyciąga dane z dokumentów o różnych układach

Każdy dostawca ma inny wzór dokumentu, więc reguły oparte na położeniu pól przestają działać. Modele językowe radzą sobie lepiej, ale potrzebują jasnej definicji, czego szukać.

Rozwiązanie: zdefiniuj listę pól do odczytu z opisem i formatem każdego, wymagaj odpowiedzi w ustalonej strukturze i testuj na próbkach od wszystkich głównych dostawców. Pola krytyczne, np. kwoty i numery kont, zawsze weryfikuj. Nowy układ dokumentu dodawaj do próbek testowych, zanim trafi do produkcji.

53. Odczytane dane trafiają do systemu z błędami

Brak walidacji między odczytem a zapisem sprawia, że błąd OCR lub modelu od razu trafia do systemu księgowego lub CRM i trudno go później wychwycić.

Rozwiązanie: dodaj krok walidacji: sprawdzenie formatu, porównanie z danymi w systemie (np. czy kontrahent istnieje) i progi pewności. Rekordy niespełniające warunków trafiają do kolejki do ręcznego sprawdzenia, a nie do systemu. Kolejka do sprawdzenia powinna mieć właściciela i termin obsługi, inaczej będzie rosnąć.

54. Automatyczne odpowiedzi na maile brzmią sztucznie

Odpowiedzi brzmią sztucznie, gdy model nie ma przykładów stylu firmy i pisze ogólnym, zbyt uprzejmym językiem. Klient od razu wyczuwa szablon.

Rozwiązanie: dodaj do instrukcji kilka prawdziwych odpowiedzi zespołu jako wzór, określ ton, długość i formy zwracania się do klienta. Na początek generuj szkice, które pracownik poprawia i wysyła, i ucz się na jego poprawkach. Odpowiedzi automatyczne bez udziału człowieka włączaj stopniowo, zaczynając od najprostszych tematów.

55. AI źle klasyfikuje przychodzące maile

Kategorie są niejasne lub nakładają się na siebie, np. „reklamacja” i „pytanie o zamówienie”, więc model wybiera losowo między nimi. Problemem jest definicja kategorii, nie model.

Rozwiązanie: ogranicz liczbę kategorii, opisz każdą jednym zdaniem z przykładami i dodaj kategorię „inne / do sprawdzenia”. Mierz trafność na próbce oznaczonej przez ludzi i poprawiaj opisy kategorii, które są najczęściej mylone. Maile z niską pewnością klasyfikacji kieruj do człowieka zamiast zgadywać.

56. Leady z formularzy czekają godzinami na odpowiedź

Zapytania trafiają do wspólnej skrzynki, gdzie nikt nie odpowiada za ich obsługę, więc pierwsza odpowiedź przychodzi po godzinach lub dniach, często już po decyzji klienta.

Rozwiązanie: automatycznie zapisuj każdy lead w CRM, wysyłaj klientowi natychmiastowe potwierdzenie z konkretnym następnym krokiem, przypisuj zapytanie do osoby według zasad i powiadamiaj ją od razu. AI może przygotować szkic odpowiedzi i streszczenie zapytania. Mierz czas od wpłynięcia zapytania do pierwszej odpowiedzi i porównuj go co miesiąc.

57. AI źle ocenia, które leady są wartościowe

Model ocenia leady bez kryteriów firmy, więc kieruje się ogólnymi wskazówkami, np. długością wiadomości. Wynik nie ma związku z tym, którzy klienci rzeczywiście kupują.

Rozwiązanie: spisz kryteria wartościowego leada (branża, budżet, zakres, termin) na podstawie zamkniętych sprzedaży i przekaż je modelowi. Porównuj ocenę AI z oceną handlowców przez kilka tygodni, zanim zaczniesz na niej polegać. Ocena AI powinna być podpowiedzią dla handlowca, a nie filtrem, który odrzuca leady bez sprawdzenia.

58. Automatyczne maile trafiają do spamu

Przyczyną jest zwykle brak lub błędna konfiguracja rekordów SPF, DKIM i DMARC albo wysyłka zbyt wielu podobnych wiadomości z nowego adresu.

Rozwiązanie: skonfiguruj SPF, DKIM i DMARC dla domeny, wysyłaj przez sprawdzoną usługę pocztową, unikaj identycznych treści do wielu odbiorców i stopniowo zwiększaj wolumen. Sprawdź nagłówki wiadomości, czy uwierzytelnienie przechodzi. Wiadomości automatyczne wysyłaj z adresu, na który klient może odpowiedzieć i dostać odpowiedź.

59. Automatyzacja odpowiada klientowi w złym kontekście

AI widzi tylko ostatnią wiadomość, a nie całą historię korespondencji i zamówień, więc odpowiada na pytanie, które klient zadał już wcześniej, lub ignoruje ustalenia.

Rozwiązanie: przekazuj modelowi historię wątku i kluczowe dane klienta z CRM (status zamówienia, ostatnie ustalenia), ograniczone do tego, co potrzebne. Przy dłuższych wątkach używaj streszczenia historii. Przed wysłaniem sprawdzaj, czy w wątku nie ma nowszej wiadomości od klienta.

60. Nie wiemy, jak przetwarzać dokumenty z danymi osobowymi przez AI

Dokumenty z danymi osobowymi można przetwarzać przez AI, jeśli dostawca działa jako podmiot przetwarzający na podstawie umowy, a dane nie są używane do trenowania modeli. Trzeba też zadbać o czas przechowywania.

Rozwiązanie: wybierz usługę z umową powierzenia i wyłączonym trenowaniem na danych, ogranicz przekazywane dane do niezbędnych pól, usuwaj pliki po przetworzeniu i opisz proces w rejestrze czynności przetwarzania.

CRM i automatyzacja sprzedaży

CRM to centrum danych o klientach, więc automatyzacje wokół niego mają największy wpływ na sprzedaż.

61. Handlowcy nie uzupełniają CRM, więc AI nie ma na czym pracować

Uzupełnianie CRM jest dla handlowców dodatkową pracą bez widocznej korzyści. W efekcie dane są niepełne, a funkcje AI w CRM nie działają dobrze.

Rozwiązanie: automatyzuj wprowadzanie danych: zapis maili, notatek ze spotkań i leadów z formularzy. Ogranicz pola wymagane do minimum i pokaż handlowcom korzyść, np. automatyczne przypomnienia o kontakcie. Dobrze sprawdza się też uzupełnianie danych firmy automatycznie po numerze NIP z publicznych rejestrów.

62. Notatki ze spotkań nie trafiają do CRM

Ustalenia zostają w notesie lub głowie handlowca, a następna osoba nie wie, co obiecano klientowi. AI może przygotować streszczenie, ale trzeba je przypisać do klienta.

Rozwiązanie: po spotkaniu online generuj streszczenie i listę zadań z zapisu rozmowy (za zgodą uczestników), a handlowiec zatwierdza je jednym kliknięciem przed zapisem w CRM. Zadania z terminami twórz automatycznie. Streszczenie powinno trafiać do CRM w tym samym dniu, gdy pamięć o rozmowie jest świeża.

63. Automatyczne sekwencje maili wysyłają się do klientów, którzy już kupili

Sekwencja nie sprawdza aktualnego statusu klienta, bo nie jest połączona z danymi o zamówieniach lub zmianach etapu w CRM.

Rozwiązanie: przed każdym wysłaniem sprawdzaj status klienta i warunki wyjścia z sekwencji (zakup, odpowiedź, rezygnacja). Połącz CRM z systemem sprzedaży, żeby zmiany statusu przenosiły się automatycznie. Testuj sekwencję na kontach testowych przy każdej zmianie etapów sprzedaży.

64. W CRM jest wiele duplikatów kontaktów

Ten sam klient trafia do CRM z formularza, maila i importu, za każdym razem jako nowy kontakt, bo automatyzacje nie sprawdzają, czy już istnieje.

Rozwiązanie: przed utworzeniem kontaktu wyszukuj go po e-mailu, telefonie lub NIP, łącz istniejące duplikaty i ustal jedną automatyzację odpowiedzialną za tworzenie kontaktów. Regularnie uruchamiaj raport duplikatów. Zasady łączenia duplikatów zapisz, żeby wszyscy w zespole stosowali te same.

65. Funkcje AI w gotowym CRM nie pasują do naszego procesu

Wbudowane funkcje AI są projektowane pod typowe procesy sprzedażowe i nie znają specyfiki Twojej branży ani etapów sprzedaży.

Rozwiązanie: sprawdź, czy CRM pozwala na własne automatyzacje i integrację z zewnętrznym modelem przez API. Jeśli proces jest bardzo nietypowy, porównaj gotowe systemy z rozwiązaniem dedykowanym, np. w zestawieniu dedykowany CRM vs HubSpot, Pipedrive i Salesforce. Przed decyzją przetestuj integrację na jednym procesie, zamiast kupować dodatkowe moduły na zapas.

66. AI generuje oferty z błędnymi danymi

Model tworzy ofertę na podstawie ogólnych informacji, a nie aktualnego cennika i warunków, więc myli ceny, zakres lub terminy.

Rozwiązanie: pobieraj ceny i warunki z systemu, a AI używaj do opisu i dopasowania treści do klienta. Każda oferta przed wysłaniem przechodzi przez akceptację handlowca, a kluczowe wartości są wstawiane z danych, nie generowane. Zapisuj wersję cennika użytą w ofercie, żeby łatwo wyjaśnić ewentualne rozbieżności.

67. Przypomnienia o kontakcie z klientem nie działają

Zadania są tworzone ręcznie i łatwo o nich zapomnieć, a automatyczne przypomnienia nie uwzględniają zmian w terminach i statusach.

Rozwiązanie: twórz zadania automatycznie przy zmianie etapu w CRM, z terminem wynikającym z procesu. Wysyłaj podsumowanie zaległych zadań codziennie rano i sprawdzaj, czy zamknięte sprawy usuwają powiązane przypomnienia. Raz w miesiącu sprawdź, ile zadań jest przeterminowanych, i poszukaj przyczyny.

68. Nie wiemy, jak połączyć CRM ze sklepem, księgowością i formularzami

Każdy system ma inne dane i identyfikatory, więc integracja wymaga ustalenia, który system jest źródłem prawdy dla klientów, produktów i płatności.

Rozwiązanie: narysuj mapę przepływu danych: skąd pochodzi każda informacja i gdzie ma trafić. Ustal wspólne identyfikatory, kierunek synchronizacji i sposób rozwiązywania konfliktów. Więcej o roli AI w CRM opisaliśmy we wpisie CRM z AI. Integracje wdrażaj po kolei, zaczynając od przepływu, który dziś wymaga najwięcej ręcznego przepisywania.

69. Raporty sprzedażowe z AI się nie zgadzają

Model generujący raport z danych tekstowych potrafi źle policzyć lub pomylić okresy. Modele językowe nie są narzędziami do precyzyjnych obliczeń.

Rozwiązanie: liczby obliczaj w bazie danych lub arkuszu, a AI używaj do opisu i interpretacji gotowych wyników. Każdy raport powinien wskazywać źródło danych i okres, a kluczowe wartości warto porównać z systemem. Jeśli raport generuje AI, zapisz zapytanie do bazy, z którego pochodzą liczby.

70. Automatyczne wiadomości do klientów są niespersonalizowane albo zbyt osobiste

Personalizacja oparta na kilku polach daje sztuczny efekt, a zbyt szczegółowe nawiązania do danych klienta mogą budzić niepokój i problemy z RODO.

Rozwiązanie: personalizuj na podstawie kontekstu relacji (czego dotyczyło zapytanie, co klient kupił), a nie danych prywatnych. Sprawdź, czy masz podstawę do wysyłki i czy klient może łatwo zrezygnować z komunikacji. Treść personalizowanych wiadomości sprawdzaj na próbce przed wysyłką do całej grupy.

Halucynacje, prompty i baza wiedzy

Jakość odpowiedzi AI zależy od instrukcji, źródeł i sposobu ich sprawdzania.

71. AI wymyśla odpowiedzi i podaje nieprawdziwe informacje

Halucynacje wynikają najczęściej z braku źródeł: model nie ma potrzebnej informacji, więc tworzy wiarygodnie brzmiącą odpowiedź. Ogranicza się je podłączeniem bazy wiedzy, instrukcją przyznawania się do niewiedzy i weryfikacją odpowiedzi.

Rozwiązanie: odpowiadaj na podstawie dokumentów firmy (RAG), wymagaj podawania źródła, nakaż odpowiedź „nie wiem” przy braku danych i sprawdzaj odpowiedzi na zestawie testowym. Szczegóły i naprawa krok po kroku.

72. Ten sam prompt daje za każdym razem inny wynik

Modele językowe mają element losowości, a ogólne instrukcje zostawiają dużo miejsca na interpretację. W procesach biznesowych taka zmienność przeszkadza.

Rozwiązanie: obniż parametr temperatury dla zadań wymagających powtarzalności, doprecyzuj instrukcję, dodaj przykłady oczekiwanego wyniku i wymagaj ustalonego formatu odpowiedzi. Zapisuj wersje promptów i testuj zmiany. Przy zadaniach klasyfikacji ogranicz odpowiedź do listy dozwolonych wartości.

73. Prompt jest bardzo długi i model ignoruje część instrukcji

Instrukcje rozbudowywane przez wiele miesięcy zawierają sprzeczności i powtórzenia, a model nie zawsze stosuje się do wszystkich zasad naraz.

Rozwiązanie: uporządkuj instrukcję w sekcje (rola, zadanie, zasady, format), usuń sprzeczności i powtórzenia, a złożone zadanie podziel na kilka mniejszych kroków. Zasady krytyczne sprawdzaj dodatkowo w kodzie, a nie tylko w prompcie. Po porządkach uruchom zestaw testowy, żeby upewnić się, że nic się nie pogorszyło.

74. Baza wiedzy jest podłączona, a AI i tak nie znajduje właściwych informacji

Wyszukiwanie w bazie wiedzy zwraca nieodpowiednie fragmenty, gdy dokumenty są źle podzielone, mają mało opisowe nagłówki albo zawierają tabele i skany bez tekstu.

Rozwiązanie: dziel dokumenty na sensowne fragmenty z tytułem sekcji, zamieniaj skany na tekst, dodawaj metadane (temat, data, typ dokumentu) i testuj wyszukiwanie na listach prawdziwych pytań. Sprawdzaj, które fragmenty model dostał przy błędnej odpowiedzi.

75. AI odpowiada na podstawie nieaktualnych dokumentów

W bazie wiedzy są równocześnie stara i nowa wersja procedury lub cennika, a wyszukiwanie zwraca obie. Model może wybrać tę nieaktualną.

Rozwiązanie: usuwaj lub archiwizuj stare wersje z bazy, dodawaj datę obowiązywania do każdego dokumentu i ustal proces aktualizacji: zmiana dokumentu w firmie oznacza zmianę w bazie wiedzy tego samego dnia. Jeśli dokumentów jest dużo, wprowadź automatyczne przypomnienie o przeglądzie po określonym czasie.

76. AI odpowiada zbyt długo i rozwlekle

Modele domyślnie piszą wyczerpująco i grzecznie. Bez ograniczeń w instrukcji odpowiedzi są długie, co męczy klientów i zwiększa koszt tokenów.

Rozwiązanie: określ w instrukcji maksymalną długość, styl (najpierw odpowiedź, potem szczegóły) i podaj przykład dobrej odpowiedzi. Ustaw też limit tokenów odpowiedzi w konfiguracji modelu. Dłuższe wyjaśnienie podawaj dopiero na prośbę użytkownika.

77. AI źle radzi sobie z językiem polskim i branżowymi terminami

Modele dobrze znają polski, ale nie znają wewnętrznego słownictwa firmy, skrótów i nazw produktów, więc mylą je lub tłumaczą dosłownie.

Rozwiązanie: dodaj do bazy wiedzy słownik pojęć firmowych i branżowych z definicjami, a w instrukcji wskaż, których nazw nie wolno zmieniać ani tłumaczyć. Testuj na pytaniach z prawdziwym żargonem klientów. Słownik aktualizuj przy wprowadzaniu nowych produktów i usług.

78. Nie wiemy, jak testować jakość odpowiedzi AI

Bez zestawu testowego każda zmiana promptu lub modelu jest zgadywaniem: poprawia jedne odpowiedzi i psuje inne, czego nikt nie zauważa.

Rozwiązanie: przygotuj kilkadziesiąt prawdziwych pytań z poprawnymi odpowiedziami ocenionymi przez ekspertów, uruchamiaj je po każdej zmianie i porównuj wyniki. Dodawaj do zestawu każdy błąd zgłoszony przez użytkowników. Wyniki testów zapisuj, żeby widzieć, czy jakość rośnie, czy spada.

79. Model odpowiada pewnie, nawet gdy się myli

Modele językowe nie mają wbudowanego poczucia niepewności i formułują błędne odpowiedzi tak samo pewnie jak poprawne. Ton odpowiedzi nie mówi nic o jej prawdziwości.

Rozwiązanie: wymagaj podawania źródła dla faktów, sprawdzaj automatycznie, czy cytowany fragment istnieje w bazie, a odpowiedzi bez źródła oznaczaj lub kieruj do weryfikacji. W procesach o wysokim ryzyku zatwierdza człowiek. Pomaga też prośba w instrukcji, by model wyraźnie zaznaczał, kiedy odpowiedź jest przypuszczeniem.

80. Prompty są rozrzucone po scenariuszach i nikt nie wie, która wersja działa

Instrukcje edytowane bezpośrednio w narzędziach przez różne osoby nie mają historii zmian, więc po pogorszeniu wyników nie da się wrócić do poprzedniej wersji.

Rozwiązanie: trzymaj prompty w jednym miejscu z historią wersji (repozytorium lub dokument z wersjonowaniem), opisuj każdą zmianę i jej powód, a nową wersję wdrażaj dopiero po teście na zestawie testowym. Przy każdej wersji zapisz też model i parametry, z którymi była testowana.

Koszty, bezpieczeństwo i RODO

Koszty i ryzyka rosną po cichu, dlatego warto je kontrolować od pierwszego dnia.

81. Rachunek za API OpenAI lub innego modelu rośnie szybciej, niż zakładaliśmy

Najczęstsze przyczyny to wysyłanie do modelu zbyt długiego kontekstu (cała historia, całe dokumenty), użycie najdroższego modelu do prostych zadań i brak limitów. Koszt API zależy od liczby tokenów wejściowych i wyjściowych.

Rozwiązanie: sprawdź w panelu dostawcy, które zadania zużywają najwięcej tokenów, skróć kontekst, użyj tańszego modelu do prostych kroków i ustaw limity wydatków. Szczegóły i naprawa krok po kroku.

82. Nie wiemy, ile będzie kosztować utrzymanie wdrożenia AI

Koszt wdrożenia to tylko część wydatków. Dochodzą opłaty za API, licencje narzędzi, hosting, monitoring i czas na poprawki po zmianach w systemach.

Rozwiązanie: przed startem oszacuj liczbę operacji miesięcznie i policz koszt jednostkowy na zadanie (np. na jeden przetworzony dokument), dodaj licencje i opiekę. Etapy i koszty wdrożenia omawiamy we wpisie o kosztach i etapach automatyzacji AI. Koszty sprawdzaj co miesiąc i porównuj z liczbą obsłużonych spraw.

83. Klucz API wyciekł albo jest zapisany w kodzie

Klucz API zapisany w kodzie strony, repozytorium lub współdzielonym arkuszu może zostać przechwycony i wykorzystany na Twój koszt. To jeden z częstszych incydentów przy szybkich wdrożeniach.

Rozwiązanie: natychmiast unieważnij ujawniony klucz i wygeneruj nowy, przechowuj klucze w zmiennych środowiskowych lub menedżerze sekretów, nigdy w kodzie po stronie przeglądarki. Używaj osobnych kluczy dla projektów i ustaw limity wydatków. Sprawdź też historię zużycia API, żeby ocenić, czy klucz został wykorzystany przez osoby trzecie.

84. Pracownicy wklejają dane klientów do publicznych narzędzi AI

Brak firmowego narzędzia i zasad sprawia, że pracownicy korzystają z prywatnych kont, w których dane mogą być wykorzystywane do ulepszania modeli i są poza kontrolą firmy.

Rozwiązanie: udostępnij firmowe narzędzie z umową i wyłączonym trenowaniem na danych, wprowadź zasady korzystania z AI i przeszkol zespół. Zakaz bez dostępnej alternatywy zwykle nie działa, bo pracownicy i tak sięgają po wygodne narzędzia. Szerzej opisujemy to w liście 50 problemów z AI w firmie.

85. Nie wiemy, czy dostawca AI trenuje modele na naszych danych

Zasady zależą od dostawcy i rodzaju usługi: wersje biznesowe i API zwykle domyślnie nie używają danych do trenowania, a darmowe wersje konsumenckie mogą to robić. Trzeba to sprawdzić w warunkach usługi.

Rozwiązanie: przeczytaj warunki i politykę danych dla konkretnej usługi i planu, sprawdź ustawienia konta, a dla danych firmowych używaj planów biznesowych lub API z umową powierzenia przetwarzania. Wynik sprawdzenia zapisz w rejestrze narzędzi i powtarzaj je przy zmianie warunków usługi.

86. Czy na wdrożenie AI potrzebujemy zgody klientów (RODO)

Nie zawsze: podstawą przetwarzania może być np. wykonanie umowy lub prawnie uzasadniony interes, a zgoda jest tylko jedną z podstaw z RODO. Trzeba jednak przeanalizować cel, zakres danych i ryzyko.

Rozwiązanie: dla każdego procesu z AI ustal z inspektorem ochrony danych lub prawnikiem podstawę prawną, zaktualizuj obowiązek informacyjny i rejestr czynności. Przy przetwarzaniu wysokiego ryzyka przeprowadź ocenę skutków dla ochrony danych.

87. AI podejmuje decyzje wobec klientów bez udziału człowieka

RODO daje osobom prawo, by nie podlegać decyzji opartej wyłącznie na zautomatyzowanym przetwarzaniu, która wywołuje wobec nich skutki prawne lub w podobny sposób istotnie na nie wpływa. Dotyczy to np. automatycznej odmowy usługi.

Rozwiązanie: przy decyzjach istotnych dla klienta zapewnij udział człowieka, możliwość odwołania i wyjaśnienia decyzji. AI może przygotować rekomendację, ale decyzję zatwierdza pracownik. Poinformuj klientów, w jaki sposób mogą poprosić o ponowne rozpatrzenie sprawy przez człowieka.

88. Nie wiemy, czy nasze wdrożenie podlega AI Act

AI Act obowiązuje od 1 sierpnia 2024 r., a obowiązki wchodzą etapami: zakazane praktyki od 2 lutego 2025 r., obowiązki dla modeli AI ogólnego przeznaczenia od 2 sierpnia 2025 r., a większość pozostałych przepisów od 2 sierpnia 2026 r. Typowe automatyzacje biurowe zwykle nie są systemami wysokiego ryzyka, ale obowiązki przejrzystości mogą dotyczyć chatbotów.

Rozwiązanie: spisz używane systemy AI, ich cel i obszar zastosowania, a następnie oceń je wobec kategorii ryzyka. Szczegóły znajdziesz w przewodniku po AI Act.

89. Automatyzacja ma dostęp do zbyt wielu danych i systemów

Dla wygody konta integracyjne dostają pełne uprawnienia administratora, więc błąd lub przejęcie jednego konta daje dostęp do wszystkiego.

Rozwiązanie: dla każdej integracji twórz osobne konto z minimalnymi uprawnieniami, ograniczaj dostęp do konkretnych folderów, tabel i operacji, a klucze i tokeny regularnie zmieniaj. Raz na kwartał przeglądaj listę uprawnień. Usuwaj konta i klucze integracji, które nie są już używane.

90. Nie wiemy, jak przechowywać logi rozmów i wyników AI

Logi są potrzebne do diagnozy błędów i rozliczalności, ale zawierają dane osobowe, więc nie można ich trzymać bez końca i bez kontroli dostępu.

Rozwiązanie: ustal okres przechowywania logów, ogranicz dostęp do nich, maskuj dane wrażliwe tam, gdzie to możliwe, i opisz to w dokumentacji ochrony danych. Usuwaj logi automatycznie po upływie ustalonego okresu. Zakres logowania dopasuj do potrzeb diagnostyki, bez zapisywania zbędnych danych.

Ludzie, ROI i utrzymanie

Wdrożenie kończy się sukcesem dopiero wtedy, gdy ludzie z niego korzystają, a ktoś dba o jego działanie.

91. Pracownicy boją się, że AI zabierze im pracę

Obawy biorą się z braku informacji, co dokładnie zmienia automatyzacja. Pracownicy, którzy czują się zagrożeni, nie zgłaszają błędów i nie dzielą się wiedzą potrzebną do wdrożenia.

Rozwiązanie: powiedz otwarcie, które zadania są automatyzowane i co zespół będzie robił zamiast nich. Włącz pracowników w projekt od początku, bo znają wyjątki procesu, i pokaż, że automatyzacja przejmuje nudne, powtarzalne czynności. Szkolenia i możliwość zgłaszania pomysłów na automatyzację zmieniają obawy w zaangażowanie.

92. Zespół nie korzysta z wdrożonego narzędzia

Najczęściej narzędzie jest poza codziennym miejscem pracy (osobna aplikacja, osobne logowanie) albo nie rozwiązuje problemu, który zespół faktycznie ma.

Rozwiązanie: osadź automatyzację w narzędziach, których zespół już używa (poczta, CRM, komunikator), zapytaj użytkowników, co im przeszkadza, i popraw najczęstsze uwagi. Wyznacz w zespole osobę, która pomaga innym. Sprawdź po miesiącu, kto korzysta z narzędzia, i porozmawiaj z osobami, które z niego zrezygnowały.

93. Pracownicy nie ufają wynikom AI i wszystko sprawdzają ręcznie

Brak zaufania wynika zwykle z wcześniejszych błędów i braku informacji, skąd AI wzięło odpowiedź. Ręczne sprawdzanie wszystkiego niweluje oszczędność czasu.

Rozwiązanie: pokazuj źródło każdej odpowiedzi, mierz i publikuj trafność na zestawie testowym, a sprawdzanie ograniczaj do przypadków o niskiej pewności lub wysokim ryzyku. Zaufanie rośnie, gdy zespół widzi, że błędy są poprawiane. Gdy trafność jest stabilnie wysoka, zmniejszaj zakres ręcznej kontroli stopniowo.

94. Pracownicy ufają AI za bardzo i nie sprawdzają wyników

Po kilku tygodniach poprawnego działania pracownicy przestają czytać to, co zatwierdzają, i błędy przechodzą dalej. Zatwierdzanie zamienia się w formalność.

Rozwiązanie: określ, które elementy trzeba zawsze sprawdzić (kwoty, terminy, dane klienta), wyróżniaj je w interfejsie i rób wyrywkowe kontrole jakości. Przypominaj na szkoleniach o konkretnych błędach, które wystąpiły. Liczba odrzuconych lub poprawionych wyników to dobry wskaźnik, czy kontrola nadal działa.

95. Nie umiemy policzyć zwrotu z inwestycji w AI

Zwrot da się policzyć tylko wtedy, gdy przed wdrożeniem zmierzono stan wyjściowy: czas, koszt lub liczbę błędów. Bez tego zostają szacunki i wrażenia.

Rozwiązanie: porównaj czas obsługi jednej sprawy przed i po wdrożeniu, pomnóż różnicę przez liczbę spraw i koszt godziny pracy, a następnie odejmij koszty API, licencji i utrzymania. Licz na własnych danych, nie na obietnicach dostawców. Uwzględnij też korzyści trudniejsze do wyceny, np. krótszy czas odpowiedzi klientom, ale opisuj je osobno od twardych wyliczeń.

96. Automatyzacja przestała działać i nikt tego nie zauważył

Brak monitoringu sprawia, że błędy wychodzą na jaw dopiero po skargach klientów lub brakach w danych, często po kilku dniach lub tygodniach.

Rozwiązanie: włącz powiadomienia o błędach w narzędziu automatyzacji, monitoruj liczbę wykonań dziennie (spadek do zera to sygnał awarii) i ustaw codzienne lub cotygodniowe podsumowanie działania dla właściciela procesu. Raz w tygodniu właściciel procesu powinien rzucić okiem na wyniki, nawet gdy nie ma alertów.

97. Jakość odpowiedzi AI pogarsza się z czasem

Pogorszenie wynika zwykle ze zmian po stronie danych (nowe produkty, nieaktualna baza wiedzy), zmian modelu u dostawcy lub zmian w procesie, których automatyzacja nie uwzględnia.

Rozwiązanie: regularnie uruchamiaj zestaw testowy i porównuj wyniki z poprzednimi, przeglądaj próbkę wyników produkcyjnych i aktualizuj bazę wiedzy przy każdej zmianie oferty lub procedur. Zmiany modeli zapowiadane przez dostawcę planuj z wyprzedzeniem, z testem przed przełączeniem.

98. Firma, która zrobiła wdrożenie, przestała odpowiadać

Brak dostępu do kodu, kont i dokumentacji uzależnia firmę od jednego wykonawcy. Gdy on znika, nikt nie potrafi naprawić ani rozwinąć rozwiązania.

Rozwiązanie: zadbaj, żeby konta narzędzi, klucze API i repozytoria były na firmę, a nie na wykonawcę, i żeby umowa obejmowała przekazanie dokumentacji i kodu. Jeśli już straciłeś kontakt, zacznij od inwentaryzacji kont i dostępów. Niezależnie od wykonawcy przechowuj aktualną kopię definicji automatyzacji i promptów.

99. Każdy dział wdraża AI na własną rękę

Brak koordynacji prowadzi do wielu podobnych narzędzi, rosnących kosztów licencji i różnych standardów bezpieczeństwa danych.

Rozwiązanie: prowadź jeden rejestr narzędzi i automatyzacji AI w firmie, ustal wspólne zasady bezpieczeństwa i zakupów, a nowe wdrożenia zgłaszaj przed startem do osoby odpowiedzialnej. Wspólne komponenty, np. baza wiedzy, mogą służyć wielu działom. Wspólny rejestr ułatwia też spełnienie obowiązków z RODO i AI Act.

100. Nie wiemy, jak rozwijać automatyzację po pierwszym wdrożeniu

Po pierwszym sukcesie brakuje planu kolejnych kroków, więc rozwój zależy od przypadkowych pomysłów, a nie od tego, co przynosi firmie najwięcej korzyści.

Rozwiązanie: raz na kwartał przeglądaj listę procesów pod kątem czasu, powtarzalności i ryzyka, wybieraj kolejne do automatyzacji i korzystaj z doświadczeń pierwszego wdrożenia. Inspiracje znajdziesz w zestawieniu 15 zastosowań AI w firmie. Każdy kolejny proces planuj z mierzalnym celem i właścicielem, tak samo jak pierwszy.

Od czego zacząć

Jeśli automatyzacja dopiero się zaczyna, przejdź najpierw przez problemy 1-10 i 11-20: dobrze wybrany proces i uporządkowane dane rozwiązują większość późniejszych kłopotów. Jeśli coś już działa, sprawdź monitoring, koszty i bezpieczeństwo (problemy 81-100). Możesz zacząć od bezpłatnego audytu AI, który pokaże, które procesy w Twojej firmie nadają się do automatyzacji. Jeśli wolisz przekazać wdrożenie specjalistom, nasz zespół przeprowadzi je w ramach usługi automatyzacja procesów AI (od 2 000 zł netto), z kontrolą człowieka nad kluczowymi decyzjami.