Start z polskim AI – od pomysłu do wdrożenia #Legal Architect

Start z polskim AI to cykl rozmów prezentujących doświadczenia związane z polskimi modelami językowymi AI oraz praktyki wdrożeniowe firm i instytucji. Tym razem w rozmowie wziął udział Michał Nowakowski, legal architect specjalizujący się w projektach AI, Data oraz ICT, założyciel www.legalarchitect.pl - praktyczne kompetencje dla lepszego AI & Data Governance w jednym miejscu i współzałożyciel GovernedAI, spółki pomagającej firmom w budowaniu własnego podejścia do AI i danych.

Coraz więcej firm korzysta już z narzędzi AI, ale niewiele z nich ma zasady dotyczące ich wykorzystania. Dlaczego przedsiębiorcy powinni myśleć o AI Governance już na początku swojej drogi z AI?

Myślę, że warto zacząć od próby zdefiniowania, czym właściwie jest AI Governance. Mam wrażenie, że w szerszej przestrzeni pojęcie to bywa nieco błędnie interpretowane. Governance często postrzegamy jako rodzaj hamulca, zbiór zabezpieczeń i ograniczeń, które sprawiają, że biznes działa wolniej. W przypadku AI Governance, przynajmniej w podejściu, które sam preferuję i na którym opieram własny framework, patrzę na to zupełnie inaczej.

Z jednej strony jest to całokształt działań, które podejmujemy po to, aby sztuczna inteligencja w organizacji była projektowana, rozwijana, wdrażana i wykorzystywana w sposób bezpieczny, efektywny oraz skuteczny. Wszystkie te działania powinny wspierać realizację celów biznesowych i wzmacniać model funkcjonowania firmy. Oczywiście jednym z ważnych elementów jest zapewnienie bezpieczeństwa oraz zgodności z regulacjami, a przy okazji także uwzględnienie kwestii związanych z etyką.

Z drugiej strony AI Governance to po prostu proces. Często rozszerzam to pojęcie do AI & Data Governance, obejmując nim wszystkie inicjatywy związane zarówno z danymi, jak i wykorzystaniem sztucznej inteligencji.

Jeśli przyjmiemy taką definicję, odpowiedź na pytanie o sens AI Governance staje się bardzo prosta. Jeżeli chcemy przyspieszyć wykorzystanie rozwiązań opartych na AI, to właśnie governance jest jednym ze sposobów, aby to osiągnąć. Gdy mamy ujednolicony proces, jasno określone role i odpowiedzialności oraz faktycznie stosujemy te zasady w praktyce, możemy znacząco skrócić czas potrzebny do realizacji projektów i osiągania założonych celów.

To właśnie jest moje rozumienie AI Governance. Niektórzy określają je jako kolejny system zarządzania, podobny do norm takich jak ISO 27001. Moim zdaniem świat jednak poszedł już o krok dalej. Technologia bardzo szybko ewoluuje, a wraz z nią zmieniają się wyzwania i możliwości. Sztuczna inteligencja ma oczywiście swoje ograniczenia i ryzyka, które staramy się adresować w ramach governance. Jednocześnie oferuje ogromny potencjał i bardzo konkretne korzyści biznesowe. Dlatego naszym celem powinno być nie tyle ograniczanie jej wykorzystania, ile stworzenie warunków do tego, aby korzystać z niej świadomie, bezpiecznie i skutecznie.

Pierwszym krokiem jest audyt obecnego stanu. Co firma powinna sprawdzić zanim zacznie budować AI Governance?

Zamiast mówić o gotowym modelu AI Governance, często lepiej zacząć od pojęcia maturity assessment, czyli oceny dojrzałości organizacji. Powstało już zresztą wiele frameworków wspierających takie działania. Przykładem może być OWASP AI Maturity Assessment, który koncentruje się na cyberbezpieczeństwie AI. To tylko jeden z elementów governance'u, ale dobrze pokazuje sposób myślenia o całym zagadnieniu.

Ocena dojrzałości pozwala przede wszystkim odpowiedzieć na dwa podstawowe pytania: gdzie jesteśmy dzisiaj oraz dokąd chcemy dojść. Dzięki temu możemy określić zarówno aktualny poziom wykorzystania sztucznej inteligencji w organizacji, jak i cele, które chcemy osiągnąć w przyszłości. Bardzo często jest to również pierwszy krok do naszkicowania strategii.

Nie oznacza to oczywiście, że każda organizacja musi od razu tworzyć formalną strategię AI. W wielu przypadkach byłoby to po prostu niepotrzebne. Natomiast każda organizacja powinna mieć określony kierunek rozwoju oraz plan dotyczący wykorzystania danych i sztucznej inteligencji.

Drugim ważnym krokiem jest identyfikacja i mapowanie inicjatyw AI realizowanych w organizacji. Mogą to być zarówno konkretne wdrożenia, jak i projekty czy pomysły wykorzystujące elementy sztucznej inteligencji. Na tym etapie nie musimy jeszcze precyzyjnie definiować, czym jest dla nas system AI ani jakie kryteria musi spełniać inicjatywa AI. To można dopracować później. Na początku wystarczy zdroworozsądkowe, intuicyjne podejście, które pozwoli nam zbudować obraz tego, co już dzieje się w organizacji.

Trzecim elementem jest określenie odpowiedzialności. Innymi słowy – musimy odpowiedzieć sobie na pytanie, kto będzie odpowiadał za kwestie związane z AI.

Nie oznacza to od razu konieczności budowania rozbudowanej matrycy RACI czy szczegółowego podziału ról i obowiązków. Warto jednak wskazać osobę, która stanie się właścicielem tego obszaru. W niektórych organizacjach będzie to Chief AI Officer, w innych lider AI lub osoba, która obok swoich obecnych obowiązków przejmie odpowiedzialność za rozwój i koordynację inicjatyw związanych ze sztuczną inteligencją.

Taka osoba jest potrzebna przede wszystkim po to, by nadawać kierunek dalszym działaniom. Zresztą samo AI Governance wprowadza co najmniej dwie role, które coraz częściej pojawiają się w organizacjach: lidera AI oraz koordynatora lub stewarda AI. W tym zakresie często czerpiemy doświadczenia z Data Governance, które jest obszarem znacznie bardziej dojrzałym i od lat wykorzystuje podobne mechanizmy zarządzania odpowiedzialnością.

Jeżeli połączymy te trzy elementy – ocenę dojrzałości, mapowanie inicjatyw oraz określenie odpowiedzialności – otrzymamy bardzo dobry punkt wyjścia do budowy AI Governance.

Kolejnym krokiem może być analiza wymogów regulacyjnych. Dla wielu organizacji szczególne znaczenie będzie miał AI Act. Warto sprawdzić, czy przepisy te dotyczą naszej działalności i jakie obowiązki mogą na nas nakładać.

Co ciekawe, regulacje bywają także skutecznym argumentem w rozmowach z decydentami. Czasami trudno jest przekonać zarząd do inwestowania w governance wyłącznie na podstawie potencjalnych korzyści biznesowych. Sytuacja zmienia się jednak wtedy, gdy okazuje się, że organizacja może zostać uznana za dostawcę systemów AI w rozumieniu AI Act, szczególnie w przypadku systemów wysokiego ryzyka.

W tym kontekście często zwracam uwagę na artykuł 17 AI Act. To bardzo dobry przykład przepisu, który może stanowić fundament budowy AI Governance. Artykuł ten wskazuje szereg obszarów, które organizacja musi odpowiednio zaadresować. Jeśli potraktujemy te wymagania jako obowiązki compliance, a następnie uzupełnimy je o perspektywę biznesową, istnieje duża szansa, że zbudujemy governance, który nie będzie wyłącznie spełnianiem wymogów regulacyjnych, ale realnym wsparciem dla organizacji.

Dlatego zawsze patrzę na AI Governance nie jak na koszt, lecz jak na inwestycję. Dobrze zaprojektowany governance nie tylko ogranicza ryzyka i pomaga spełnić wymagania prawne, ale także przyspiesza wdrażanie innowacji oraz zwiększa szanse na osiągnięcie wymiernych korzyści biznesowych z wykorzystania sztucznej inteligencji.

Jakie elementy powinien zawierać skuteczny system AI Governance?

To, jak powinien wyglądać AI Governance w organizacji, zależy przede wszystkim od poziomu jej dojrzałości. Jeżeli firma posiada już wypracowane ramy zarządzania, takie jak Enterprise Governance, Data Governance czy IT Governance, znajduje się w znacznie lepszej sytuacji. W takim przypadku nie budujemy wszystkiego od zera, lecz uzupełniamy istniejące struktury o nowe elementy związane ze sztuczną inteligencją.

Bardzo ważne jest przy tym, aby postrzegać governance jako proces, a nie wyłącznie zbiór dokumentów. Oczywiście dokumentacja jest niezbędna, ale sama w sobie nie tworzy skutecznego systemu zarządzania. Governance powinien być przede wszystkim sposobem działania organizacji, a dokumenty mają ten sposób działania wspierać i porządkować.

Mimo wszystko pewne formalne fundamenty są konieczne. Jeśli miałbym wskazać najważniejszy dokument wyjściowy, byłaby nim polityka AI. Taka polityka może być oparta na wymaganiach normy ISO 42001, a jednocześnie zmapowana do wymagań AI Act. Powinna pełnić rolę swoistej „gwiazdy polarnej” organizacji – wskazywać kierunek działania i definiować podstawowe zasady zarządzania sztuczną inteligencją.

Co istotne, sama polityka bardzo szybko prowadzi nas do kolejnych elementów systemu zarządzania. Określając zasady, niejako wymusza stworzenie procesów, procedur, wytycznych i instrukcji, które pozwolą te zasady realizować w praktyce.

Jednym z kluczowych elementów jest opis procesu obsługi inicjatyw AI w modelu end-to-end. Chodzi o cały cykl życia rozwiązania – od momentu pojawienia się pomysłu, przez ocenę, projektowanie, rozwój, wdrożenie i eksploatację, aż po wycofanie systemu z użycia, czyli tzw. decommissioning.

W organizacjach rozwijających własne rozwiązania szczególne znaczenie ma również uwzględnienie AI w procesach wytwórczych. Mówimy tutaj o rozszerzeniu istniejącego Software Development Life Cycle (SDLC) o wymagania związane z zarządzaniem ryzykiem AI, bezpieczeństwem, jakością danych czy zgodnością regulacyjną.

Kolejnym istotnym elementem jest matryca ryzyk AI, która pozwala identyfikować i oceniać zagrożenia związane z wykorzystaniem sztucznej inteligencji. Równie ważna jest matryca RASCI określająca odpowiedzialności poszczególnych osób i zespołów na każdym etapie procesu. Dzięki temu organizacja zyskuje jasność, kto odpowiada za konkretne decyzje i działania.

Warto również zadbać o odpowiednie zarządzanie zasobami. W wielu przypadkach wystarczy rozszerzyć istniejący rejestr zasobów IT o elementy związane z AI, takie jak modele, systemy, zbiory danych czy usługi dostarczane przez zewnętrznych dostawców.

Z mojego punktu widzenia bardzo dużą wartość ma także dobra dokumentacja techniczna. Dotyczy to między innymi kart systemów AI, kart modeli, dokumentacji danych czy opisów sposobu działania poszczególnych rozwiązań. Taka dokumentacja nie tylko wspiera zgodność z regulacjami, ale przede wszystkim ułatwia efektywne zarządzanie rozwiązaniami w długim okresie.

Nie można również zapominać o kompetencjach. AI Governance to nie tylko procesy i dokumenty, ale także ludzie. Dlatego tak ważne jest budowanie świadomości i rozwijanie kompetencji w obszarze AI, czyli tzw. AI Literacy. Co istotne, obowiązek zapewnienia odpowiedniego poziomu wiedzy i kompetencji został wprost wskazany w AI Act.

Oczywiście katalog dokumentów i działań może być znacznie szerszy. Niektóre organizacje zdecydują się na opracowanie zasad etycznego wykorzystania AI, dodatkowych polityk czy bardziej rozbudowanych procedur kontrolnych. Kluczowe jest jednak, aby dostosować zakres governance do rzeczywistych potrzeb organizacji.

Sektory silnie regulowane, takie jak finanse, energetyka czy ochrona zdrowia, będą naturalnie potrzebowały bardziej rozbudowanych mechanizmów zarządzania. Z kolei mniejsze organizacje powinny kierować się zasadą proporcjonalności oraz oceną ryzyka. Takie podejście jest zresztą spójne zarówno z filozofią normy ISO 42001, jak i z AI Act, który przewiduje określone ułatwienia dla małych i średnich przedsiębiorstw.

Najważniejsze jest jednak to, aby governance nie stał się celem samym w sobie. Jego zadaniem jest wspieranie organizacji w bezpiecznym, zgodnym i efektywnym wykorzystaniu sztucznej inteligencji, a nie generowanie dodatkowej biurokracji.

Jaki jest dziś największy błąd popełniany przez firmy wdrażające AI?  W obszarze właśnie ładu korporacyjnego.

Wracamy tutaj do kwestii, o której wspominałem na początku – bardzo często AI Governance jest mylony z compliance. W efekcie organizacje patrzą na niego wyłącznie przez pryzmat obowiązków, regulacji i ograniczeń, zamiast dostrzegać jego wartość biznesową.

To podstawowy błąd. Dobrze zaprojektowany AI Governance nie powinien być postrzegany jako kolejna warstwa biurokracji czy zbiór przeszkód utrudniających działanie organizacji. Jego celem jest stworzenie warunków do bezpiecznego, efektywnego i szybkiego wdrażania rozwiązań opartych na sztucznej inteligencji.

Gdybym miał wskazać najczęstsze problemy pojawiające się podczas budowy AI Governance, to poza wspomnianym już skupieniem wyłącznie na compliance zwróciłbym uwagę na jeszcze dwa aspekty.

Pierwszym jest niewłaściwe zarządzanie zaangażowaniem interesariuszy. Projekty związane z AI są z natury interdyscyplinarne. Wymagają współpracy biznesu, IT, cyberbezpieczeństwa, prawników, specjalistów od danych, compliance czy zarządzania ryzykiem. Taka szeroka perspektywa jest niezbędna.

Jednocześnie nie oznacza to, że zespół odpowiedzialny za stworzenie AI Governance powinien być bardzo liczny. Wręcz przeciwnie. W praktyce najlepiej sprawdzają się niewielkie, elastyczne zespoły projektowe składające się z trzech lub czterech osób, które są w stanie szybko podejmować decyzje i skutecznie koordynować prace.

Oczywiście na dalszych etapach nie da się uniknąć dyskusji dotyczących odpowiedzialności czy potencjalnych konfliktów kompetencyjnych. To naturalny element każdego projektu transformacyjnego. Jednak rozpoczęcie prac w mniejszym gronie znacząco zwiększa szanse na sprawne zbudowanie fundamentów governance'u.

Drugim problemem jest brak odpowiedniego poziomu świadomości i kompetencji. To wyzwanie, które obserwuję bardzo często.

Możemy oczywiście uczyć się wielu rzeczy w trakcie realizacji projektu, ale pewnych braków nie da się całkowicie nadrobić metodą prób i błędów. Prędzej czy później niedostateczna wiedza w obszarze AI, zarządzania ryzykiem, regulacji czy bezpieczeństwa zacznie wpływać na jakość podejmowanych decyzji.

Dlatego zawsze rekomenduję, aby przed rozpoczęciem bardziej zaawansowanych działań zadbać o zbudowanie odpowiedniego poziomu świadomości w organizacji oraz rozwój podstawowych kompetencji. Dotyczy to zarówno osób zarządzających, jak i zespołów, które będą później uczestniczyć w realizacji inicjatyw związanych ze sztuczną inteligencją.

Dopiero na takim fundamencie warto budować bardziej zaawansowane elementy AI Governance. W przeciwnym razie istnieje ryzyko, że organizacja stworzy zestaw procesów i dokumentów, których nikt nie będzie rozumiał, a tym bardziej skutecznie stosował w praktyce.

Jak budować kulturę odpowiedzialnego korzystania z AI?

To wszystko brzmi relatywnie prosto, kiedy o tym opowiadamy, ale w praktyce jest zdecydowanie trudniejsze. Weźmy chociażby przykład wykorzystania narzędzi generatywnej sztucznej inteligencji w organizacji.

Pierwszym krokiem powinno być przyjęcie odpowiedniej polityki. Nie mam tu na myśli wyłącznie dokumentu, choć oczywiście dokument również jest potrzebny. Chodzi przede wszystkim o jasne określenie zasad: co wolno robić, czego robić nie wolno, jakie działania są dopuszczalne pod określonymi warunkami oraz do kogo można się zwrócić w przypadku wątpliwości lub problemów.

Samo stworzenie polityki nie wystarczy. Musimy ją skutecznie zakomunikować, zadbać o to, aby pracownicy rozumieli jej znaczenie i wiedzieli, jak stosować ją w praktyce. Co więcej, sposób komunikacji powinien być dostosowany do różnych grup funkcjonujących w organizacji.

Kolejnym elementem jest monitorowanie. Organizacja powinna mieć możliwość weryfikowania, czy przyjęte zasady są rzeczywiście stosowane. Innymi słowy, potrzebny jest pewien system kontroli i zarządzania jakością, oczywiście dostosowany do skali działalności i poziomu ryzyka.

Pojawia się jednak pytanie, jak sprawić, aby te zasady faktycznie trafiały do ludzi. Coraz częściej obserwujemy odejście od tradycyjnego podejścia opartego wyłącznie na dokumentach i wielogodzinnych szkoleniach.

Nie każdy pracownik będzie chciał poświęcić dwie czy trzy godziny na szkolenie dotyczące polityki AI. Być może znacznie skuteczniejsze okaże się trzy- lub pięciominutowe nagranie wideo, które w prosty sposób wyjaśni najważniejsze zasady: co można robić, czego należy unikać i jak postępować w sytuacjach problemowych.

Takie podejście może przyjmować różne formy – krótkie materiały wideo, podcasty czy inne formaty komunikacyjne, które są bliższe codziennym nawykom odbiorców. Oczywiście nie zastępują one formalnych dokumentów, ale mogą znacząco zwiększyć skuteczność ich wdrożenia.

Ja sam, rozwijając koncepcję Legal Architect, wykorzystuję również gry edukacyjne i symulacje. Uczestnicy wcielają się w określone role i przechodzą przez rzeczywiste procesy decyzyjne. Mogą na przykład prześledzić pełny cykl życia inicjatywy AI albo proces zarządzania incydentem związanym z wykorzystaniem sztucznej inteligencji.

Tego typu rozwiązania pozwalają nie tylko przekazać wiedzę, ale przede wszystkim budować zrozumienie i doświadczenie. A właśnie to jest najczęściej największym wyzwaniem.

Bardzo ważną rolę odgrywa również kierownictwo organizacji. Zarząd i osoby odpowiedzialne za zarządzanie powinny dawać jasny sygnał, że odpowiedzialne wykorzystanie AI jest elementem kultury organizacyjnej. Chodzi o pokazanie, że nie celem jest zakazywanie nowych technologii, lecz stworzenie warunków do ich świadomego i bezpiecznego wykorzystywania.

Choć odnoszę te przykłady głównie do generatywnej sztucznej inteligencji, dokładnie te same zasady dotyczą projektowania, rozwijania i wdrażania systemów AI. W każdym przypadku kluczowe są jasne reguły działania, odpowiednia komunikacja, budowanie kompetencji oraz zaangażowanie ludzi.

Bo ostatecznie nawet najlepsze procesy, polityki czy procedury nie będą działały bez osób, które rozumieją ich sens i potrafią stosować je w praktyce. Dlatego skuteczny AI Governance wymaga nie tylko odpowiednich narzędzi i dokumentów, ale również odrobiny kreatywności, niestandardowego podejścia oraz gotowości do inwestowania w rozwój kompetencji. To właśnie te elementy najczęściej decydują o tym, czy organizacja rzeczywiście będzie potrafiła wykorzystać potencjał sztucznej inteligencji w sposób bezpieczny i efektywny.

Jakie kompetencje związane z AI będą kluczowe dla firm w najbliższych latach?

To pytanie jest bardziej złożone niż mogłoby się wydawać, ponieważ bardzo wiele zależy od tego, jaką rolę pełnimy w organizacji i czym zajmujemy się zawodowo. Nie istnieje jeden uniwersalny zestaw kompetencji AI, który będzie równie wartościowy dla wszystkich.

Gdybym jednak miał wskazać kompetencje absolutnie fundamentalne, niezależnie od stanowiska czy branży, byłyby to przede wszystkim krytyczne myślenie oraz umiejętności komunikacyjne. To właśnie one będą miały kluczowe znaczenie w świecie coraz silniej wspieranym przez sztuczną inteligencję.

Krytyczne myślenie pozwala ocenić jakość informacji, weryfikować wyniki generowane przez AI i podejmować świadome decyzje. Z kolei umiejętności komunikacyjne stają się niezbędne zarówno w pracy z ludźmi, jak i w coraz częstszej współpracy z systemami opartymi na sztucznej inteligencji.

Jeżeli chodzi o kompetencje merytoryczne, wszystko zależy od konkretnej roli i odpowiedzialności. Projektując programy AI Literacy dla organizacji, staram się unikać podejścia „jedno szkolenie dla wszystkich”. Takie rozwiązania zwykle pozwalają zbudować jedynie podstawową świadomość, ale często rodzą więcej pytań niż odpowiedzi. W niektórych przypadkach mogą nawet wywoływać niepotrzebny lęk przed technologią, a przecież nie o to chodzi.

Dlatego zakres kompetencji powinien być dostosowany do poziomu odpowiedzialności i rzeczywistych potrzeb poszczególnych grup pracowników. Inne umiejętności będą potrzebne członkom zarządu, inne menedżerom, a jeszcze inne specjalistom technicznym czy użytkownikom biznesowym.

Warto również pamiętać, że sama technologia rozwija się niezwykle dynamicznie. Oczywiście istnieją pewne trwałe fundamenty wiedzy, ale konkretne narzędzia i rozwiązania zmieniają się tak szybko, że trudno jest za nimi stale nadążać. Coś, co jeszcze pół roku temu było przełomowym rozwiązaniem, za kolejne sześć miesięcy może okazać się standardem albo nawet narzędziem o ograniczonej przydatności.

Dlatego większą wartość mają dziś kompetencje trwałe niż znajomość konkretnego narzędzia.

Z tego powodu jestem również daleki od twierdzenia, że rozwój AI sprawi, iż nauka programowania przestanie mieć sens. W nauce programowania nigdy nie chodziło wyłącznie o opanowanie konkretnego języka. Chodzi o zrozumienie logiki działania systemów, zależności pomiędzy poszczególnymi elementami, architektury rozwiązań i sposobu rozwiązywania problemów.

Właśnie architektura będzie moim zdaniem jednym z najważniejszych obszarów przyszłości. Dotyczy to zarówno architektury systemów, jak i umiejętności integrowania różnych narzędzi, modeli i źródeł danych. Aby robić to skutecznie, trzeba rozumieć logikę działania technologii, a nie jedynie potrafić korzystać z gotowych aplikacji.

Dlatego z dużą ostrożnością podchodzę do wszelkich prognoz zapowiadających masowe znikanie zawodów pod wpływem AI. W ostatnim czasie nawet przedstawiciele największych firm technologicznych zaczęli prezentować znacznie bardziej wyważone stanowisko niż jeszcze kilka lat temu. Coraz częściej podkreślają, że sztuczna inteligencja nie eliminuje znaczenia człowieka, lecz zmienia charakter jego pracy.

Osobiście od początku podchodziłem do najbardziej radykalnych prognoz z dużym dystansem. Wiele z nich było bardziej elementem marketingu i budowania zainteresowania technologią niż realistyczną oceną przyszłości rynku pracy. Dzisiaj coraz wyraźniej widać, że człowiek nadal pozostaje kluczowym elementem całego ekosystemu.

Jest jeszcze jedna kompetencja, o której mówi się zdecydowanie za rzadko, a która będzie miała ogromne znaczenie w najbliższych latach. To świadomość jakości danych.

Dyskusje o sztucznej inteligencji bardzo często koncentrują się na modelach, narzędziach i nowych funkcjonalnościach. Tymczasem fundamentem każdego skutecznego systemu AI są dane. To właśnie ich jakość, kompletność, aktualność i wiarygodność decydują o jakości rezultatów generowanych przez algorytmy.

Możemy dysponować najbardziej zaawansowanymi modelami na świecie, ale jeśli będziemy pracować na słabych danych, nie osiągniemy oczekiwanych efektów. Dlatego świadomość znaczenia danych, umiejętność oceny ich jakości oraz rozumienie procesów zarządzania danymi będą należały do najważniejszych kompetencji przyszłości – niezależnie od branży i zajmowanego stanowiska.

Co najbardziej by przyspieszyło adopcję polskich modeli językowych w biznesie? Czy to w Waszej opinii jest kwestia edukacji, dostępności tych rozwiązań, czy być może też regulacji?

Przede wszystkim nie powinniśmy sprowadzać całej dyskusji o sztucznej inteligencji wyłącznie do dużych modeli językowych. Wiele wartościowych zastosowań AI nie wymaga generatywnej sztucznej inteligencji ani zaawansowanych modeli językowych. Bardzo często równie skuteczne, a czasem nawet bardziej efektywne biznesowo okazują się rozwiązania oparte na bardziej tradycyjnych metodach sztucznej inteligencji, analityce danych czy automatyzacji procesów.

Jeżeli jednak spojrzymy na AI przez pryzmat generatywnej sztucznej inteligencji i dużych modeli językowych, to kluczowym wyzwaniem pozostaje świadomość i kompetencje osób podejmujących decyzje.

Jeżeli decydenci nie będą potrafili oceniać potencjalnych korzyści biznesowych, nie będą rozumieli procesów zachodzących w organizacji ani problemów, które rzeczywiście warto rozwiązać za pomocą AI, trudno będzie mówić o skutecznym wdrażaniu tej technologii.

W przeciwnym razie bardzo łatwo wpaść w schemat, który obserwujemy już dzisiaj. Do organizacji przychodzi dostawca lub integrator, prezentuje rozwiązanie wykorzystujące AI, realizowany jest pilotaż, a po jego zakończeniu wszyscy mogą powiedzieć: „mamy AI”. Problem polega na tym, że po pewnym czasie okazuje się, iż wdrożenie nie przyniosło żadnych realnych korzyści biznesowych, a czasami wręcz wygenerowało dodatkowe koszty i problemy.

Dlatego tak ważne jest budowanie kompetencji pozwalających krytycznie oceniać dostępne rozwiązania. Dzisiaj wiele organizacji nie posiada jeszcze wystarczającej wiedzy, aby skutecznie weryfikować obietnice składane przez dostawców technologii. W efekcie bardzo łatwo jest sprzedać rozwiązanie wyłącznie dlatego, że pojawia się w nim hasło „AI”.

Tymczasem nie chodzi o samo wdrażanie sztucznej inteligencji. Chodzi o rozwiązywanie konkretnych problemów biznesowych i osiąganie mierzalnych rezultatów.

Oczywiście pewną rolę mogą odegrać także regulacje i działania państwa, choć nie jestem przekonany, że istnieje dziś jedno proste rozwiązanie. Wydaje mi się natomiast, że ogromne znaczenie mogłoby mieć zwiększenie wykorzystania AI w sektorze publicznym oraz jednostkach samorządu terytorialnego.

Większa skala wdrożeń po stronie administracji oznaczałaby wzrost popytu na tego typu rozwiązania. A tam, gdzie pojawia się popyt, naturalnie rozwija się również podaż.

Zresztą od lat powtarzam, że Polska nie ma największego problemu po stronie podaży. Mamy bardzo dobrych inżynierów, specjalistów technologicznych i ludzi biznesu. Potrafimy tworzyć innowacyjne rozwiązania. Znacznie większym wyzwaniem jest budowanie rynku, który będzie chciał z tych rozwiązań korzystać.

Jeżeli liczba dostawców i twórców technologii rośnie szybciej niż liczba organizacji gotowych ją wdrażać, rozwój całego ekosystemu staje się znacznie trudniejszy.

Dlatego ogromną rolę mają do odegrania instytucje wspierające rozwój przedsiębiorczości i innowacji, w tym między innymi PFR. Ich zadaniem powinno być nie tylko wspieranie konkretnych projektów technologicznych, ale przede wszystkim budowanie świadomości, rozwijanie kompetencji oraz pokazywanie przedsiębiorcom realnych korzyści wynikających z wykorzystania sztucznej inteligencji.

Jeżeli uda się połączyć edukację, rozwój kompetencji, wzrost świadomości biznesowej oraz budowanie rzeczywistego popytu na innowacje, stworzymy znacznie lepsze warunki do rozwoju rynku AI w Polsce.

Do tego potrzebni są jednak liderzy. Osoby, które rozumieją zarówno technologię, jak i biznes, potrafią wyznaczać kierunki działania oraz konsekwentnie realizować strategie związane z wykorzystaniem sztucznej inteligencji. To właśnie od takich ludzi w dużej mierze zależy, czy AI stanie się dla organizacji źródłem realnej przewagi konkurencyjnej, czy jedynie kolejnym modnym hasłem.

Dziękujemy za rozmowę!

Cykl rozmów „Start z polskim AI – od pomysłu do wdrożenia” jest realizowany w ramach programu Centrum Kompetencji AI.