Start z polskim AI. Od pomysłu do wdrożenia #PWN

Start z polskim AI to cykl rozmów, którego celem jest przedstawienie doświadczeń związanych z polskimi modelami językowymi AI oraz praktykami firm i instytucji we wdrażaniu tych rozwiązań. Zapraszamy do rozmowy z Grzegorzem Kurzyp z Wydawnictwa Naukowego PWN.

W jaki sposób pojawienie się generatywnej sztucznej inteligencji wpłynęło na strategię Państwa organizacji oraz model jej funkcjonowania?

Wdrożenie sztucznej inteligencji w PWN realizowaliśmy etapowo. Na początku skupiliśmy się na rozwiązaniach zbliżonych do wyszukiwania semantycznego, czyli efektywnej pracy z tekstem i treściami. Dopiero w kolejnym etapie przeszliśmy do wykorzystania generatywnej sztucznej inteligencji, która umożliwia tworzenie odpowiedzi i syntezowanie treści na bazie zamkniętych, zweryfikowanych zbiorów danych.

Obecnie rozwijamy te rozwiązania w ramach platformy Medico PZWL - środowiska wspierającego procesy edukacyjne i dydaktyczne, a także codzienną pracę specjalistów, w szczególności lekarzy i innych zawodów medycznych. Warto podkreślić, że nie jest to produkt o charakterze wyrobu medycznego - system nie wspiera procesu diagnozy ani nie przetwarza danych pacjentów. Bazujemy wyłącznie na treściach opartych na sprawdzonych źródłach naukowych o charakterze EBM (Evidence Based Medicine)

Wpływ tej technologii na organizację jest procesem ciągłym. Nie postrzegamy go jako zamkniętego etapu, lecz raczej jako dynamiczną transformację. W jej wyniku pojawiły się nowe kompetencje w organizacji, a wykorzystanie modeli językowych w codziennej pracy nabrało nowego znaczenia. Dzięki wcześniejszym wdrożeniom łatwiejsza była również adaptacja bardziej zaawansowanych rozwiązań.

Obserwujemy dużą dynamikę rozwoju i stale uczymy się, jak najlepiej wykorzystywać potencjał AI. Intensywnie przygotowujemy się także do rozszerzania tych rozwiązań na kolejne obszary i platformy. Jednocześnie kluczowe pozostaje dla nas utrzymanie wysokiej jakości doświadczenia użytkownika oraz spójności z marką PWN.

Sztuczna inteligencja wspiera dziś przede wszystkim szybkie i precyzyjne budowanie odpowiedzi. Można powiedzieć, że w pewnym sensie zastąpiła tradycyjny dostęp do rozproszonych źródeł wiedzy - zamiast przeszukiwać obszerne zasoby, użytkownik otrzymuje konkretną odpowiedź w ciągu kilku sekund. System umożliwia również doprecyzowywanie zapytań i pogłębianie informacji.

Jednocześnie traktujemy tę technologię jako wyzwanie, szczególnie w zakresie zapewnienia jakości, eliminowania błędów oraz ograniczania ryzyka nieprawidłowych odpowiedzi. Naszym celem jest dostarczanie rozwiązań, które odpowiadają szybko, ale przede wszystkim rzetelnie i precyzyjnie.

Z perspektywy strategicznej obserwujemy również rosnące znaczenie AI w budowaniu naszej pozycji rynkowej - poprzez łączenie wysokiej jakości treści merytorycznych z nowoczesnymi technologiami. Nasze podejście ma charakter zarówno pionowy (rozwijanie istniejących obszarów), jak i horyzontalny – poszukujemy nowych zastosowań, nowych grup odbiorców i kolejnych dziedzin, w których możemy wykorzystać posiadane zasoby wiedzy.

Czy Państwa zweryfikowane zasoby eksperckie mogą być fundamentem dla rozwoju polskiej AI? I czym różniłby się model oparty na tych danych od modeli, które znamy dziś?

Uważam, że zasoby PWN stanowią w dużym uproszczeniu fundament polskiej edukacji i nauki. To zweryfikowana, ekspercka wiedza, która odpowiednio wykorzystana w modelach AI przekłada się na wyższą jakość i trafność generowanych odpowiedzi.

Istotnym wyróżnikiem jest również silny kontekst lokalny i specjalistyczny. W wielu obszarach dysponujemy precyzyjną wiedzą, której brakuje w modelach ogólnego przeznaczenia.

Kluczowe pozostaje jednak bieżące aktualizowanie treści. Już dziś, na przykładzie platformy Medico PZWL, widzimy, jak wysoką jakość odpowiedzi uzyskują użytkownicy.

Dlatego można zakładać, że wykorzystanie naszych repozytoriów w procesie trenowania modeli językowych istotnie podnosi jakość, wiarygodność i użyteczność tych rozwiązań.

Czy w trakcie wdrażania sztucznej inteligencji w organizacji napotkali Państwo istotne wyzwania lub trudności?

Tak, zdecydowanie było wiele wyzwań. Na początku kluczowe było samo zrozumienie technologii oraz przezwyciężenie obaw - zwłaszcza dotyczących bezpieczeństwa treści i ryzyka ich ewentualnego wycieku.

Już na etapie przygotowań do wdrożenia AI nawiązaliśmy współpracę z Centrum Sztucznej Inteligencji Uniwersytetu im. Adama Mickiewicza w Poznaniu. Zależało nam na partnerach, którzy nie tylko wesprą nas merytorycznie, ale również w sposób rzetelny wskażą potencjalne ryzyka oraz pomogą budować rozwiązania w sposób bezpieczny i odpowiedzialny.

Istotnym wyzwaniem było także to, że nie jesteśmy organizacją technologiczną. W związku z tym część kompetencji musieliśmy pozyskać z zewnątrz, a jednocześnie przejść intensywny proces uczenia się i budowania wewnętrznego know-how. Ostatnie lata to bardzo dynamiczna krzywa rozwoju, szczególnie w zakresie łączenia kompetencji technologicznych z naszym kluczowym atutem, czyli wysokiej jakości treściami merytorycznymi.

Wyzwaniem było również zarządzanie zmianą - zarówno na poziomie organizacyjnym, jak i projektowym. Praca w zespołach rozproszonych, współpraca z partnerami naukowymi oraz większa odpowiedzialność za rozwój rozwiązań technologicznych wymagały nowego podejścia do zarządzania i realizacji projektów.

Dodatkową trudnością była niepewność, charakterystyczna dla projektów opartych na nowych technologiach. Część inwestycji traktowaliśmy jako element procesu uczenia się - dopiero z czasem mogliśmy precyzyjniej określić, co stanowi inwestycję w rozwój produktu, a co w budowanie kompetencji.

Na koniec warto podkreślić zderzenie dwóch odmiennych światów - dynamicznie rozwijającej się technologii oraz dobrze ustrukturyzowanego, przewidywalnego modelu działalności wydawniczej, który przez lata był stabilnym fundamentem organizacji. To również stanowiło istotne wyzwanie transformacyjne.

Uwzględniając zarówno Państwa doświadczenia wdrożeniowe, jak i obserwacje rynku technologicznego - jak ocenia Pan rozwój polskich modeli językowych na obecnym etapie?

Rozwój modeli językowych jest dziś uwarunkowany kilkoma kluczowymi czynnikami. Z jednej strony są to kwestie finansowe, z drugiej regulacyjne, a także jakość danych i treści, na których modele są rozwijane. Istotna jest również perspektywa ich realnej implementacji w warunkach krajowych - to obecnie jeden z najważniejszych aspektów.

Warto podkreślić, że rozwój i utrzymanie rozwiązań AI wiąże się z wysokimi kosztami - zarówno infrastrukturalnymi, jak i operacyjnymi. Modele wymagają znaczącej mocy obliczeniowej, czy to w ramach własnej infrastruktury, czy zasobów chmurowych. Dodatkowo rosną koszty kompetencji związanych z ich wdrożeniem, utrzymaniem i rozwojem. Sam rynek technologiczny jest bardzo dynamiczny - pojawiają się nowe modele, inne tracą na znaczeniu, co wpływa również na sposób zarządzania produktami opartymi na AI.

Jednocześnie uważam, że polskie modele językowe mają duży potencjał rozwoju. Szczególnie istotna jest tu ich przewaga w zakresie lokalnego kontekstu - języka, specyfiki instytucjonalnej czy potrzeb administracji publicznej. W takich zastosowaniach mogą one oferować realną wartość i lepsze dopasowanie niż modele ogólnego przeznaczenia.

Własne modele językowe pozwalają również w pewnym zakresie budować niezależność i odpowiadać na specyficzne potrzeby rynku. Dlatego, mimo wysokich kosztów i wyzwań, kierunek ten wydaje się uzasadniony i perspektywiczny.

Chciałbym dopytać o inicjatywę Product Café, która koncentruje się na integracji społeczności product managerów. Czy zauważył Pan zmiany w charakterze rozmów dotyczących produktów od momentu upowszechnienia się sztucznej inteligencji?

Zdecydowanie obserwujemy dziś bardzo dynamiczny rozwój w tym obszarze. Trudno już wyobrazić sobie pracę nad produktami cyfrowymi bez uwzględnienia sztucznej inteligencji - niezależnie od tego, w jakiej formie się pojawia.

Widać to również w ramach inicjatywy Product Café, która dziś obejmuje blisko 80 wydarzeń w 6 miastach w Polsce, angażując blisko 5000 uczestników i niemal 200 ekspertów. To już duża i dojrzała społeczność, w której temat AI pojawia się coraz częściej i w różnych kontekstach.

Co istotne, sztuczna inteligencja nie zawsze jest bezpośrednio częścią samego produktu, ale coraz rzadziej jest nieobecna w procesie jego tworzenia. Szczególnie widoczne jest to na etapie prototypowania, testowania i weryfikacji rozwiązań. AI pomaga również porządkować procesy, jednak kluczowe pozostają dane oraz bezpośredni kontakt z użytkownikami - to one stanowią podstawę trafnych decyzji produktowych.

Istotną zmianą jest tempo pracy. Dziś możliwe jest szybkie przygotowanie makiet, koncepcji czy wizualizacji przed spotkaniem z zespołem czy użytkownikami/klientami. Procesy, które wcześniej wymagały wielu iteracji i zaangażowania różnych specjalistów, mogą być realizowane znacznie sprawniej dzięki pracy z narzędziami AI.

Wpływa to również na rolę product managera. Nawet osoby bez zaplecza technicznego mogą dziś efektywnie przygotować koncepcję, przetestować ją z użytkownikami czy zaprezentować zespołowi. To znacząco ułatwia komunikację i przyspiesza podejmowanie decyzji.

Warto jednak podkreślić, że kluczowe kompetencje pozostają niezmienne. Krytyczne myślenie, umiejętność zadawania właściwych pytań, interpretacji wniosków oraz pracy z zespołem są dziś jeszcze ważniejsze. AI nie zastępuje tych kompetencji, ale pozwala lepiej wykorzystać mocne strony i przesunąć uwagę na zadania o wyższej wartości.

Obserwujemy również, że rośnie znaczenie pracy opartej na wiarygodnych źródłach. W praktyce coraz większy nacisk kładzie się na jakość danych, ich weryfikowalność oraz możliwość odwołania się do konkretnych opracowań czy ekspertów.

Jednocześnie widać, że rynek dojrzewa. Po początkowym okresie dużych oczekiwań pojawia się bardziej realistyczne podejście - organizacje uczą się, jak metodycznie wdrażać AI, optymalizować procesy i wzmacniać zespoły. Te, które robią to w sposób uporządkowany, osiągają wyraźne korzyści.

Z perspektywy pracy produktowej oznacza to także przesunięcie akcentów. Część zadań powtarzalnych jest stopniowo automatyzowana, co pozwala specjalistom skupić się na bardziej kreatywnych i strategicznych elementach pracy.

Jakie błędy najczęściej popełniają zespoły produktowe przy wdrażaniu funkcjonalności opartych na sztucznej inteligencji?

Myślę, że same błędy, które popełniają zespoły, w dużej mierze pozostają podobne - zmieniają się natomiast narzędzia, przy pomocy których są popełniane.

Dotyczy to chociażby pracy nad koncepcją produktu czy rozmów z użytkownikami. Mechanizm jest tu w gruncie rzeczy ten sam - jeśli zadasz niewłaściwe pytanie lub źle sformułujesz zapytanie do systemu, to otrzymasz odpowiedź, która może skierować Cię w zupełnie innym kierunku, niż ten, który faktycznie powinieneś obrać.

W pewnym momencie można było zauważyć silną tendencję do delegowania bardzo wielu zadań do sztucznej inteligencji. AI generowała ciekawe koncepcje, jednak często prowadziło to do rozwiązań oderwanych od realnych potrzeb użytkowników. Szybko okazywało się, że sztuczna inteligencja nie jest narzędziem, które samodzielnie „zaprojektuje” produkt - szczególnie jeśli brakuje weryfikacji i kontaktu z rzeczywistymi odbiorcami.

W praktyce problem pojawia się zwłaszcza wtedy, gdy ktoś próbuje zastąpić realnych użytkowników ich „symulacją”. Jeśli zespół ma trudność z bezpośrednią weryfikacją pomysłów czy rozmową z klientami, to wykorzystanie AI w tym zakresie rzadko przynosi wiarygodne rezultaty.

Wydaje mi się, że był moment pewnego zachłyśnięcia się możliwościami tej technologii – przekonania, że wiele procesów można w pełni zautomatyzować. Z czasem jednak organizacje zaczęły weryfikować te założenia i dostrzegać realne ograniczenia AI.

Dlatego kluczowe pozostają kompetencje, które zawsze były fundamentem pracy produktowej - przede wszystkim krytyczne myślenie, umiejętność zadawania właściwych pytań oraz świadoma weryfikacja otrzymywanych wyników.

Sztuczna inteligencja może znacząco przyspieszyć pracę, na przykład w przygotowaniu materiałów czy uporządkowaniu informacji - i w tym kontekście jest bardzo dużym wsparciem. Natomiast jeśli korzysta się z niej bez odpowiedniej wiedzy domenowej i bez zdolności oceny jakości wyników, łatwo wejść na niewłaściwy kierunek.

Z naszej perspektywy szczególnie istotna pozostaje praca na wiarygodnych źródłach oraz ich weryfikacja. Nie wszystkie organizacje podchodziły do tego w ten sposób - część z nich w pewnym momencie zaczęła bezrefleksyjnie generować treści i rozwiązania.

Jest to jednak naturalny etap w procesie adaptacji każdej nowej technologii - początkowy entuzjazm, a następnie stopniowe porządkowanie podejścia i budowanie bardziej świadomego wykorzystania.

A jak wygląda to szerzej, z perspektywy samych organizacji - czy widzi Pan zmianę w ich podejściu w tym obszarze?

Myślę, że sytuacja jest do pewnego stopnia analogiczna do wcześniejszych fal innowacji. Na początku tylko część organizacji była gotowa, zarówno finansowo, jak i kompetencyjnie, aby eksperymentować i szukać swojego miejsca w wykorzystaniu sztucznej inteligencji.

Dziś widać, że coraz więcej firm podchodzi do tego tematu bardziej świadomie, korzystając z doświadczeń i błędów pierwszych użytkowników. Jednocześnie wiele organizacji nadal pozostaje na etapie poszukiwania odpowiedzi na pytanie, jak realnie wykorzystać AI w swoim modelu biznesowym.

Istotnym czynnikiem pozostają koszty - szczególnie w przypadku rozwiązań klasy enterprise, gdzie dochodzą wydatki infrastrukturalne, koszty przetwarzania oraz kompetencje potrzebne do wdrożenia i utrzymania systemów. To naturalnie wprowadza pewną ostrożność w podejściu do inwestycji w AI.

W praktyce widać, że wiele wdrożeń ma charakter punktowy - przykładem są chatboty, które dobrze radzą sobie z prostymi zapytaniami, ale często zawodzą w bardziej złożonych scenariuszach. Dla mniej wymagających użytkowników to wciąż wartość, natomiast bardziej świadomi odbiorcy oczekują konkretnych, pogłębionych odpowiedzi i szybkiej weryfikacji informacji.

To z kolei pokazuje, że w wielu branżach, szczególnie tam, gdzie pracuje się na wiedzy eksperckiej, jak medycyna - samo wdrożenie AI nie wystarcza. Kluczowe jest zapewnienie jakości, wiarygodności i precyzji danych.

Z drugiej strony potencjał jest bardzo duży, zwłaszcza w obszarach opartych na uporządkowanej, powtarzalnej dokumentacji. Dobrym przykładem mogą być usługi publiczne - odpowiednio wdrożone rozwiązania mogą znacząco ułatwić dostęp do informacji, ograniczyć konieczność fizycznych wizyt w urzędach i uprościć komunikację dzięki bardziej przystępnemu językowi.

Warto jednak podkreślić, że obecnie rynek wchodzi w bardziej dojrzałą fazę. Po okresie dużego entuzjazmu pojawia się większy pragmatyzm - organizacje coraz częściej weryfikują inwestycje pod kątem realnej wartości biznesowej i dopasowania do swoich potrzeb.

Z perspektywy produktowej widać również, że wdrażanie AI w nowych rozwiązaniach jest często prostsze niż w już istniejących produktach, gdzie trzeba uwzględnić obecnych użytkowników i dotychczasowy sposób korzystania z usługi.

Jednocześnie w niektórych przypadkach AI rzeczywiście zmienia sposób korzystania z produktu. Przejście z modelu opartego na wyszukiwaniu treści do modelu dostarczającego bezpośrednie, kontekstowe odpowiedzi, wraz z możliwością weryfikacji źródeł - to przykład zmiany, która ma realny wpływ na doświadczenie użytkownika.

Podsumowując, trudno mówić o pełnej rewolucji we wszystkich organizacjach. Bardziej adekwatne wydaje się określenie, że jesteśmy w fazie stopniowej adaptacji - od eksperymentów i entuzjazmu w kierunku bardziej świadomego, selektywnego i biznesowo uzasadnionego wykorzystania AI.

Czy spotkał się Pan z sytuacjami, w których organizacje wdrażały rozwiązania oparte na sztucznej inteligencji głównie ze względu na ich popularność, a niekoniecznie realną wartość dla użytkownika?

Rzeczywiście zdarzają się sytuacje, w których organizacje wdrażają rozwiązania oparte na sztucznej inteligencji, nie mając wcześniej uporządkowanych podstaw - takich jak jasne zasady korzystania z narzędzi przez pracowników czy spójne zarządzanie dokumentacją i danymi.

W pewnym sensie przypomina to wcześniejsze podejście do innowacji. Był moment, w którym tworzenie „inicjatyw innowacyjnych” samo w sobie stanowiło wartość - powstawały różnego rodzaju huby czy projekty, które budowały wizerunek nowoczesności organizacji, ale nie zawsze przekładały się na realne wdrożenia. Często miało to bardziej wymiar komunikacyjny niż operacyjny.

Jednocześnie nie uważam, że samo eksperymentowanie jest czymś negatywnym - pod warunkiem, że nie szkodzi pracownikom, klientom czy użytkownikom. Testowanie nowych rozwiązań i szukanie kierunków rozwoju jest naturalnym elementem procesu adaptacji technologii.

Problem pojawia się wtedy, gdy działania te są motywowane wyłącznie chęcią poprawy wizerunku, bez budowania realnych kompetencji - zarówno wewnątrz organizacji, jak i przy wsparciu zewnętrznych ekspertów. Wówczas może to prowadzić do pewnego chaosu i rozchwiania organizacyjnego.

Dlatego kluczowe znaczenie ma rozwijanie w organizacji grupy osób, które rozumieją technologię, pełnią rolę ambasadorów zmiany i potrafią świadomie współpracować z ekspertami.

Równie istotne pozostaje przestrzeganie zasad związanych z zarządzaniem danymi i bezpieczeństwem. W przypadku organizacji operujących na dużych zbiorach informacji odpowiedzialność za sposób ich wykorzystania jest znacząca i nie może być pomijana na etapie wdrożeń.

Co, Pana zdaniem, mogłoby najbardziej przyspieszyć adopcję polskich modeli językowych w biznesie - większa edukacja, lepsza dostępność rozwiązań, czy może odpowiednie regulacje?

Myślę, że odpowiedź nie jest jednoznaczna - wiele zależy zarówno od branży, jak i konkretnego kontekstu organizacji. W niektórych sektorach, szczególnie tych silnie regulowanych, wdrożenie AI wymaga zupełnie innego podejścia niż w branżach bardziej elastycznych lub zaawansowanych technologicznie.

Istotnym czynnikiem pozostaje dostępność rozwiązań oraz próg wejścia, zarówno technologiczny, jak i kosztowy. W tym kontekście szczególnie ważne wydaje się wsparcie dla sektora MŚP, który z jednej strony ma ogromny potencjał, a z drugiej często potrzebuje bardziej dostępnych i prostszych we wdrożeniu narzędzi.

Kluczową rolę odgrywa również edukacja - rozumiana nie tylko jako znajomość technologii, ale także świadomość jej możliwości, ograniczeń oraz uwarunkowań formalnych, prawnych i odpowiedzialności związanej z jej wykorzystaniem. Równie ważne jest pokazywanie konkretnych obszarów, w których AI może realnie przynosić wartość biznesową.

Warto też zwrócić uwagę na specyfikę języka i lokalnego kontekstu - w tym przypadku polskie modele językowe mają istotną przewagę w rozumieniu niuansów języka oraz możliwości adaptacji do specyficznych zastosowań, np. w sektorach takich jak medycyna. Dodatkowym atutem jest większa kontrola nad danymi i transparentność w zakresie ich pochodzenia czy sposobu przetwarzania.

Jednocześnie na poziomie praktycznym bardzo duże znaczenie ma doświadczenie użytkownika. Globalne rozwiązania często oferują prostszy i bardziej dopracowany proces wdrożenia, co bezpośrednio wpływa na tempo adopcji. W tym obszarze lokalne rozwiązania wciąż mają przestrzeń do dalszego rozwoju.

Podsumowując, przyspieszenie adopcji wymaga równoległego działania w kilku obszarach: obniżenia barier wejścia, zwiększenia dostępności technologii, budowania kompetencji oraz dopracowania doświadczenia użytkownika.

Dziękujemy za rozmowę! 

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