Faza Implement w metodyce DAPIS — jak faktycznie wdrożyć AI w organizacji

Wiele projektów AI ginie na etapie odkrycia i analizy. Powstają piękne prezentacje, canvasy projektowe, mapy procesów — i na tym koniec. Faza Implement w metodyce DAPIS to moment, w którym projekt przestaje być ideą, a zaczyna być rzeczywistością działającą w rękach użytkowników.

Celem tej fazy jest jedno: uruchomić rozwiązanie i zacząć realizować korzyści biznesowe. Faza kończy się przekazaniem systemu do obsługi operacyjnej — właścicielowi procesu lub innej wskazanej osobie.

Dwa etapy wdrożenia: pilotaż i pełne wdrożenie

Typowe wdrożenie rozwiązania opartego na LLM przebiega w dwóch krokach. Pierwszy to pilotaż, drugi to pełne wdrożenie.

Pilotaż — sprawdź, zanim zainwestujesz

Pilotaż odpowiada na pytanie: czy to w ogóle działa na naszych danych, w naszym procesie?

1. Zebranie próbnych danych z kroku procesu, który ma zostać zautomatyzowany.
2. Zdefiniowanie kryteriów oceny poprawności generowania przez AI.
3. Ręczne generowanie odpowiedzi przez LLM na podstawie próbnych danych.
4. Analiza jakości wyników przez ludzi.
5. Decyzja: opracowanie finalnej koncepcji lub zamknięcie projektu.

Pilotaż to moment, w którym organizacja zdobywa wiarygodne podstawy do decyzji inwestycyjnej. Przykład: firma analizująca decyzje planistyczne gmin może zacząć od kilkudziesięciu dokumentów przetworzonych ręcznie — zanim zbuduje system automatycznie przeszukujący strony jednostek samorządu terytorialnego.

Pełne wdrożenie — realizacja w praktyce

1. Zaprojektowanie koncepcji od strony technicznej, biznesowej i prawnej.
2. Konsultacja koncepcji z interesariuszami.
3. Zaplanowanie dostępu do danych w procesie.
4. Stworzenie rozwiązania — uwaga: to tutaj mieści się większość pracy.
5. Opracowanie instrukcji korzystania z rozwiązania.
6. Przeszkolenie lub demonstracja rozwiązania pierwszym użytkownikom.

Rytmy pracy — co wziąć ze Scruma?

Nie trzeba wdrażać całego Scruma, ale kilka jego elementów sprawdza się znakomicie w projektach AI.

Regularne spotkania synchronizujące

Krótkie, regularne spotkania zespołu — codziennie lub co kilka dni — utrzymują zaangażowanie i spójność wysiłków. Każdy uczestnik krótko odpowiada na trzy pytania: co zrobiłem, co zamierzam zrobić, z czym mam problem. Forma dowolna: piętnaście minut online albo dziesięć minut przy porannej kawie w jednej sali.

Pełzające planowanie

Wspólna lista zadań — tablica kanban, arkusz, wątek na Slacku — podzielona na work in progress (zadania aktualnie realizowane) i backlog (zadania zaplanowane). Regularnie przeglądana, aktualizowana, skracana o ukończone i uzupełniana o nowe. Zakres projektu AI ma prawo ewoluować — transparentność zapobiega bałaganowi.

Cztery modele wdrożenia LLM — który wybrać?

1. Czat

Najprostszy model: interfejs do rozmowy z LLM dostępny w sieci firmowej (np. Copilot). Nie wymaga prac programistycznych. Całość jakości procesu zależy od tego, jak dobrze użytkownik potrafi promptować. Warto wdrożyć listy kontrolne i wzorcowe prompty, bo bez dyscypliny pracownicy szybko wracają do starych nawyków.

• Zalety: tani, szybki, intuicyjny.
• Ograniczenia: brak integracji z procesem, brak standaryzacji, wysokie ryzyko halucynacji bez kontroli.

2. Wywołanie LLM przez API

LLM jest zintegrowany z istniejącym systemem przepływu pracy. Użytkownik wykonuje zadania w dotychczasowym narzędziu, a prompt generowany jest automatycznie w tle. Wymaga projektu IT, ale oferuje lepsze doświadczenie: brak przełączania między narzędziami, łatwe skalowanie.

• Zalety: tani w obsłudze, zintegrowany z procesem, znajomy interfejs użytkownika.
• Ograniczenia: wymaga projektu IT, nie wykorzystuje elastyczności agentów.

3. Agentowy workflow

Środowiska takie jak Make czy Zapier pozwalają graficznie projektować przepływ pracy przez kolejnych agentów. Integracja z zewnętrzną infrastrukturą może być wyzwaniem. Kluczowym aspektem jest bezpieczeństwo: dane opuszczają organizację.

• Zalety: wyższa jakość wnioskowania dzięki chain of thought, duża elastyczność procesu.
• Ograniczenia: drogi (szacunkowo 4× koszt czatu), wymaga projektu IT.

4. Agentowy czat

LLM decyduje w toku rozmowy, czy i które narzędzia (skille) uruchomić. Użytkownik zadaje otwarte pytania; system sam wywołuje np. raport z CRM i wkleja wynik do czatu. Gdy organizacja zbuduje własną bibliotekę skilli, taki czat zaczyna przypominać nowy system operacyjny. Uwaga: dostęp do narzędzi niesie ryzyko — źle skonfigurowany agent może skasować pliki lub ujawnić dane.

• Zalety: intuicyjny, buduje pamięć potrzeb użytkownika, wysoka jakość wnioskowania.
• Ograniczenia: ryzyko szkodliwego użycia narzędzi, brak integracji ze schematycznym przepływem procesu.

Pytania kontrolne przed i w trakcie wdrożenia

Lista pytań, które warto zadać sobie na każdym etapie implementacji:

• Czy pilotaż daje nadzieję na rozwiązanie jakościowo dobre, legalne i użyteczne?
• W jakim stopniu PoC pokrywa założenia z canvasa projektu?
• Skąd rozwiązanie będzie czerpało dane wejściowe? Czy mogą się zmieniać w czasie?
• Jak zostanie oceniony sukces pilotażu? Jakie kryteria muszą być spełnione, by podjąć decyzję o pełnym wdrożeniu?
• Czy nowi pracownicy będą w stanie samodzielnie korzystać z rozwiązania? Czy są dostępne instrukcje?
• Czy pracownicy chcą używać AI, czy boją się automatyzacji?
• Czy przełożony akceptuje wykorzystywanie LLM w pracy?