Margaret Atwood, autorka kultowej „Opowieści służebnicy", w niedawnym wywiadzie dla The Verge powiedziała coś, co powinno dać do myślenia każdemu przedsiębiorcy: sztuczna inteligencja uczy się z tego, czym ją karmimy. Jeśli karmimy ją śmieciami, dostajemy śmieci na wyjściu. To nie jest nowa zasada - informatycy znają ją od dekad jako „garbage in, garbage out" - ale w erze masowego wdrażania AI nabiera zupełnie nowego znaczenia.
Dlaczego słowa pisarki, a nie technologa, są tu tak trafne? Bo Atwood patrzy na problem z zewnątrz. Nie interesuje jej, ile parametrów ma model językowy. Interesuje ją, co ten model produkuje i jakie ma to konsekwencje. I właśnie ta perspektywa jest najbliższa temu, jak na AI powinny patrzeć polskie małe i średnie firmy. Nie chodzi o to, czy masz najnowszego ChatGPT'a czy Claude'a. Chodzi o to, jakie dane wrzucasz do systemu i czego od niego oczekujesz.
W Polsce mamy dziś sytuację, w której firmy masowo testują narzędzia AI - od generowania treści, przez automatyzację obsługi klienta, po analizę danych sprzedażowych. Ale większość z nich pomija fundamentalny krok: uporządkowanie własnych danych. A bez tego nawet najlepsza technologia nie pomoże.
Twoje dane to fundament, nie dodatek
Wyobraź sobie taką sytuację. Prowadzisz firmę handlową, masz 15 pracowników i CRM, w którym od pięciu lat gromadzisz dane o klientach. Decydujesz się wdrożyć AI do automatyzacji ofertowania. Podłączasz narzędzie, a ono generuje oferty na podstawie historycznych danych z CRM-a. Problem w tym, że połowa rekordów ma błędne adresy e-mail, kategorie klientów są oznaczone niespójnie (raz „VIP", raz „vip", raz „klient premium"), a notatki handlowców to mix polskiego, angielskiego i skrótów, które rozumie tylko autor.
Co dostaniesz na wyjściu? Oferty wysyłane pod złe adresy, źle dopasowane rabaty i rekomendacje produktów, które nie mają sensu. AI nie naprawiło problemu - tylko go przyspieszyło i zautomatyzowało. Zamiast jednego handlowca popełniającego błędy, masz teraz system, który robi to samo, ale na skalę całej firmy.
Według raportu McKinsey z 2024 roku, firmy, które przed wdrożeniem AI przeprowadziły audyt i czyszczenie danych, osiągały o 40% lepsze wyniki z projektów AI niż te, które tego kroku pominęły. To nie jest drobna różnica - to przepaść między sukcesem a porażką wdrożenia.
W polskich realiach problem jest jeszcze głębszy. Wiele firm MSP przez lata prowadziło dokumentację w Excelu, na papierze, w mailach, w folderach na dysku sieciowym. Dane są rozproszone, niespójne i często niekompletne. Zanim w ogóle pomyślisz o AI, musisz odpowiedzieć na jedno pytanie: czy wiesz, jakie dane masz i w jakim są stanie?
Garbage in, garbage out - konkretne przykłady z polskiego rynku
Zasada „śmieci na wejściu, śmieci na wyjściu" brzmi abstrakcyjnie, dopóki nie zobaczysz jej w działaniu. Oto kilka scenariuszy, które widzę regularnie w pracy z polskimi firmami.
Sklep internetowy i opisy produktów. Firma e-commerce z Łodzi postanowiła użyć AI do generowania opisów produktów. Miała 3000 SKU, ale dane w systemie magazynowym były szczątkowe - nazwa produktu, cena, czasem wymiary. Bez atrybutów, bez kategoryzacji materiałów, bez informacji o grupie docelowej. AI generowało opisy, ale były one generyczne i bezużyteczne. Po trzech miesiącach firma wróciła do ręcznego pisania, twierdząc, że „AI się nie sprawdza". Tymczasem problem leżał w danych, nie w technologii.
Biuro rachunkowe i klasyfikacja dokumentów. Biuro z Krakowa wdrożyło narzędzie AI do automatycznego rozpoznawania i klasyfikacji faktur. System działał świetnie na fakturach PDF w standardowym formacie. Ale 30% dokumentów od klientów to były skany zdjęć z telefonu - krzywe, nieostre, z palcem zasłaniającym róg. AI klasyfikowało je błędnie lub w ogóle ich nie rozpoznawało. Rozwiązaniem nie było lepsze AI, tylko ustalenie z klientami standardu dostarczania dokumentów.
Firma produkcyjna i predykcja awarii. Średniej wielkości zakład produkcyjny pod Poznaniem chciał przewidywać awarie maszyn za pomocą AI. Zainstalował czujniki, zbierał dane przez pół roku. Problem? Czujniki nie były kalibrowane, dane z różnych maszyn miały różne formaty, a część odczytów była zapisywana ręcznie przez operatorów - z błędami, opóźnieniami i w różnych jednostkach. Model AI trenowany na takich danych generował fałszywe alarmy co kilka godzin. Zespół zaczął je ignorować, a potem nastąpiła prawdziwa awaria, którą system też zgłosił - ale nikt już nie reagował.
Każdy z tych przypadków ilustruje ten sam wzorzec: technologia AI jest tak dobra, jak dane, na których pracuje. I to nie jest ograniczenie, które zniknie z kolejną wersją modelu. To fundamentalna zasada, która obowiązuje niezależnie od tego, czy używasz ChatGPT, Claude'a, Gemini czy dowolnego innego narzędzia.
Co z tym zrobić? Praktyczny plan dla polskiej firmy MSP
Dobra wiadomość jest taka, że nie musisz mieć idealnych danych, żeby zacząć korzystać z AI. Musisz natomiast wiedzieć, w jakim stanie są Twoje dane, i świadomie zarządzać tym ryzykiem. Oto konkretne kroki, które możesz podjąć już dziś.
Krok 1: Zrób audyt danych. Nie potrzebujesz do tego drogiego konsultanta. Zacznij od prostego pytania: gdzie trzymamy dane o klientach, produktach, zamówieniach i finansach? Wypisz wszystkie źródła - CRM, Excel, system magazynowy, e-mail, dysk Google, kartki na biurku. Sam ten spis bywa otwierający oczy.
Krok 2: Oceń jakość. Dla każdego źródła danych sprawdź: ile rekordów jest kompletnych? Czy nazewnictwo jest spójne? Czy dane są aktualne? Czy są duplikaty? Nie musisz sprawdzać wszystkiego - weź próbkę 100 rekordów z każdego systemu. Jeśli więcej niż 20% ma problemy, to czerwona flaga.
Krok 3: Ustal standardy na przyszłość. Zanim zaczniesz czyścić stare dane, ustal zasady wprowadzania nowych. Jakie pola są obowiązkowe? Jaki format daty? Jak zapisujemy nazwy firm? Te proste reguły, spisane na jednej stronie A4 i wdrożone w zespole, potrafią zmienić jakość danych w ciągu kilku miesięcy.
Krok 4: Zacznij od małego projektu AI. Wybierz jeden obszar, w którym masz najlepsze dane, i tam przetestuj AI. Może to być analiza sentymentu opinii klientów (jeśli zbierasz je systematycznie), automatyzacja odpowiedzi na powtarzalne zapytania (jeśli masz bazę wiedzy) albo generowanie raportów z danych sprzedażowych (jeśli Twój system ERP jest w porządku). Mały sukces na dobrych danych nauczy Cię więcej niż ambitny projekt na złych.
Warto też pamiętać o kosztach. Czyszczenie i porządkowanie danych to inwestycja - wymaga czasu pracowników, czasem zewnętrznych narzędzi. Ale według badań Gartner z 2023 roku, firmy tracą średnio 12,9 miliona dolarów rocznie z powodu złej jakości danych. Oczywiście polskie MSP operują na zupełnie innej skali, ale proporcja się utrzymuje. Jeśli Twój zespół sprzedaży traci godzinę dziennie na szukanie poprawnych danych kontaktowych klientów, to przez rok tracisz ponad 250 roboczogodzin. Na jednego pracownika.
Atwood ma rację - ale to nie koniec historii
Margaret Atwood zwróciła uwagę na coś jeszcze: AI nie tylko uczy się z danych niskiej jakości, ale też z danych stronniczych, nieaktualnych i wyrwanych z kontekstu. Dla polskiej firmy to oznacza dodatkowe ryzyka, o których rzadko się mówi.
Większość dużych modeli AI jest trenowana głównie na danych anglojęzycznych. Kiedy używasz ich do zadań wymagających znajomości polskiego rynku - analizy prawnej, generowania treści marketingowych, obsługi klienta - model może nie rozumieć polskich realiów. Nie zna specyfiki polskiego prawa pracy, polskich zwyczajów zakupowych ani niuansów języka polskiego w komunikacji biznesowej. To nie jest wina modelu - to konsekwencja danych, na których został wytrenowany.
Dlatego tak istotne jest, żeby nie traktować AI jako wyroczni, ale jako narzędzie, które wymaga nadzoru i kontekstu. Najlepsze wyniki osiągają firmy, które łączą AI z wiedzą ekspercką swoich pracowników. AI przygotowuje szkic oferty - handlowiec go weryfikuje i dopasowuje. AI analizuje dane sprzedażowe - menedżer interpretuje wyniki w kontekście rynku. AI klasyfikuje zgłoszenia klientów - pracownik obsługi sprawdza trudniejsze przypadki.
Ten model współpracy człowiek-AI jest realistyczny, skuteczny i nie wymaga milionowych budżetów. Wymaga natomiast świadomości, że AI ma ograniczenia, i dojrzałości, żeby te ograniczenia zaakceptować zamiast je ignorować.
Muszę też uczciwie przyznać: nie każda firma potrzebuje dziś AI. Jeśli Twoje procesy nie są poukładane, dane są w chaosie, a zespół nie ma czasu na naukę nowych narzędzi, to wdrażanie AI może przynieść więcej frustracji niż korzyści. Czasem lepszą inwestycją jest porządny CRM, szkolenie z Excela albo zatrudnienie osoby, która uporządkuje procesy. AI przyjdzie potem - i będzie działać lepiej, bo będzie miało na czym pracować.
Podsumowanie
Słowa Margaret Atwood to przypomnienie starej zasady w nowym kontekście: jakość wyniku zależy od jakości danych wejściowych. Dla polskich firm MSP to ma bardzo praktyczne konsekwencje. Zanim wydasz pieniądze na wdrożenie AI, zainwestuj czas w audyt i porządkowanie swoich danych. Zanim oczekujesz cudów od technologii, upewnij się, że dajesz jej materiał do pracy, a nie cyfrowe śmieci.
AI to potężne narzędzie, ale nie magiczna różdżka. Firmy, które to rozumieją i budują solidne fundamenty danych, wygrają wyścig o efektywność. Reszta będzie się zastanawiać, dlaczego ich „inteligentny" system generuje głupoty. Odpowiedź będzie prosta: bo nauczył się ze śmieci.
Źródło: The Verge - Margaret Atwood on AI's garbage in, garbage out problem