Czego nie dowiesz się od vendor'a AI, czyli 5 praktycznych wyzwań w legacy IT

Wkraczając w dojrzałą fazę transformacji cyfrowej, firmy i organizacje myślą o wdrażaniu poważnych systemów agentowych (Agentic AI), które potrafią znacząco automatyzować działania operacyjne w systemach ERP, CRM, kadrowych, logistycznych.

Jednak rzeczywistość szybko weryfikuje ten entuzjazm. Według najnowszych analiz rynkowych, aż 85–90% korporacyjnych inicjatyw GenAI nigdy nie opuszcza fazy testowej. Projekty te przynoszą rozczarowanie, nie dostarczają oczekiwanych korzyści, nie generują zakładanych zwrotów z inwestycji (ROI) i — co najgorsze — pozostają niezrealizowane, kurząc się na półce z napisem „plany na przyszłość".

Wysoka bariera wejścia sprawia, że wdrożenie sztucznej inteligencji w biznesie często kończy się na etapie prezentacji dla zarządu. W ramach naszych doświadczeń widzimy 5 głównych barier technologicznych i strukturalnych, które blokują realizację projektów AI. Pokazujemy też, jak je ominąć.

1. Dług technologiczny, czyli jak systemy legacy blokują AI na etapie integracji z ERP

Największa bariera wejścia dla zaawansowanych modeli językowych (LLM) pojawia się nie tam, gdzie nowoczesność zderza się z architekturą IT sprzed kilkunastu lat. Wiele branż — nie tylko bankowość, logistyka, ale też HR czy produkcja — opiera swoje codzienne operacje na przestarzałych systemach core'owych (starsze systemy ERP, systemy mainframe czy zamknięte bazy danych).

• Dlaczego projekt zostaje w planach: Starsze systemy nie posiadają elastycznych interfejsów API. Ponieważ modele AI nie mają jak połączyć się z kluczowymi danymi operacyjnymi firmy w czasie rzeczywistym, projekt z braku technicznych możliwości integracji zostaje bezterminowo zamrożony na etapie koncepcyjnym.
• Jak przełamać tę barierę: Rozwiązaniem jest budowa architektury hybrydowej łączącej robotyzację procesów (RPA) z GenAI. Podczas gdy sztuczna inteligencja analizuje zapytania, wyciąga wnioski i podejmuje decyzje, zaprogramowane boty RPA fizycznie wykonują operacje w starych interfejsach systemów legacy. AI staje się mózgiem, a RPA rękami systemu — co pozwala ominąć barierę technologiczną bez kosztownej wymiany całego IT.

2. Silosy i chaos w danych, czyli halucynacje i brak oczekiwanych korzyści z systemów RAG

Wielu menedżerów zakłada, że wdrożenie korporacyjnego agenta z wyszukiwarką wiedzy (np. opartą o technologię RAG — retrieval augmented generation) to kwestia kilku dni. W praktyce dane firmowe są rozproszone w dziesiątkach systemów, formatów i działów — a model językowy bez dostępu do spójnego, czystego korpusu wiedzy generuje błędne odpowiedzi.

• Dlaczego projekt zostaje w planach: Dane są niespójne, zduplikowane lub nieaktualne. Agent „halucynuje" — czyli generuje odpowiedzi brzmiące pewnie, ale oderwane od faktycznej wiedzy firmy. Zarząd traci zaufanie do systemu już po pierwszych tygodniach.
• Jak przełamać tę barierę: Przed wdrożeniem RAG konieczna jest faza orkiestracji i oczyszczania danych — audit źródeł wiedzy, deduplication, ujednolicenie formatów i stworzenie pipeline'u, który na bieżąco aktualizuje bazę wektorową. To inwestycja, która zwraca się z nawiązką w jakości odpowiedzi agenta.

3. Optymalizacja infrastruktury i kosztów tokenów

Koszt uruchomienia LLM w skali enterprise potrafi zaskoczyć nawet doświadczone zespoły IT. Modele językowe rozliczane są za liczbę przetworzonych tokenów — a każde zapytanie w rozbudowanym systemie RAG może generować setki tysięcy tokenów kontekstu miesięcznie.

• Dlaczego projekt zostaje w planach: Proof-of-concept działa świetnie na 100 zapytaniach dziennie. Przy 10 000 zapytaniach koszty API rosną do poziomu, który uniemożliwia rentowność projektu. Budżet się wyczerpuje przed osiągnięciem skali.
• Jak przełamać tę barierę: Optymalizacja kosztów obejmuje: wdrożenie cachingu odpowiedzi dla powtarzalnych zapytań, selekcję modeli (mniejsze, szybsze modele dla prostych zadań, duże LLM tylko tam gdzie konieczne), kompresję kontekstu RAG oraz monitoring token-per-query. Dobrze zaplanowana architektura może redukować koszty o 60–80% względem naiwnego wdrożenia.

4. Architektura integracyjna — RAG i API middleware

Nawet gdy dane są czyste, a koszty opanowane, wdrożenie agenta w środowisku enterprise wymaga solidnej warstwy integracyjnej. Agent musi komunikować się z wieloma systemami jednocześnie — ERP, CRM, bazami wiedzy, systemami ticketingowymi — zachowując przy tym bezpieczeństwo, audytowalność i kontrolę uprawnień.

• Dlaczego projekt zostaje w planach: Brak API middleware powoduje, że każda integracja jest pisana od zera. Projekt rośnie w złożoność, terminy się przesuwają, a zespół IT traci motywację do kontynuacji.
• Jak przełamać tę barierę: Budowa centralnego API gateway jako single point of contact dla agenta — z warstwą uwierzytelniania, rate-limitingu i logowania. Agent nigdy nie komunikuje się bezpośrednio z systemami produkcyjnymi; każde działanie przechodzi przez kontrolowaną warstwę middleware z pełnym audit trail.

5. Zarządzanie zmianą i pętla zwrotna

Najbardziej zaawansowana technologia zawiedzie bez właściwego zarządzania zmianą. Pracownicy, którzy nie rozumieją roli agenta AI, będą go omijać, sabotować lub używać w sposób niezgodny z założeniami — niwecząc ROI projektu.

• Dlaczego projekt zostaje w planach: Wdrożenie bez programu onboardingu skutkuje niskim adoption rate. Jeśli tylko 20% pracowników korzysta z agenta, projekt nigdy nie osiągnie zakładanych oszczędności.
• Jak przełamać tę barierę: Pętla zwrotna (continuous feedback loop) — systematyczne zbieranie ocen użytkowników, analiza zapytań bez odpowiedzi i regularne aktualizacje bazy wiedzy. Agent powinien uczyć się od użytkowników, nie odwrotnie. Program szkoleń i jasna komunikacja wartości dla każdej grupy pracowników to nie miękki element projektu — to warunek jego sukcesu.

6. Najczęstsze pytania