Kilka tygodni temu Ford ogłosił coś, co powinno dać do myślenia każdemu właścicielowi firmy w Polsce. Amerykański gigant motoryzacyjny zdecydował się przywrócić do pracy doświadczonych inżynierów - tych, których wcześniej zastąpił lub odsunął na boczny tor, stawiając na sztuczną inteligencję. Powód? Samo AI nie potrafiło zapewnić jakości, jakiej wymagała produkcja samochodów. Systemy popełniały błędy, których młodsi pracownicy nie potrafili wychwycić, a algorytmy nie miały wystarczającego kontekstu, żeby je przewidzieć.
Ta historia nie jest o porażce sztucznej inteligencji. Jest o tym, jak łatwo wpaść w pułapkę myślenia, że nowa technologia może po prostu zastąpić lata ludzkiego doświadczenia. Ford to korporacja z budżetem badawczym liczonym w miliardach dolarów. Jeśli oni popełnili ten błąd, to polskie małe i średnie firmy powinny wyciągnąć wnioski, zanim same za niego zapłacą.
Pracuję z polskimi firmami nad wdrożeniami AI od kilku lat i widzę powtarzający się wzorzec. Właściciel słyszy o ChatGPT, Claude'u albo automatyzacji procesów, ekscytuje się możliwościami i zaczyna myśleć kategoriami: „to może zastąpić dwóch pracowników". Tymczasem najlepsze rezultaty osiągają firmy, które myślą inaczej: „to może pomóc moim najlepszym ludziom pracować szybciej i mądrzej".
Co tak naprawdę wydarzyło się w Fordzie
Ford przez ostatnie lata intensywnie inwestował w automatyzację opartą na AI. Systemy sztucznej inteligencji miały wspierać projektowanie komponentów, kontrolę jakości i optymalizację procesów produkcyjnych. Na papierze wyglądało to świetnie - algorytmy analizowały dane szybciej niż jakikolwiek człowiek, generowały propozycje rozwiązań i wykrywały wzorce w danych produkcyjnych.
Problem pojawił się tam, gdzie zawsze się pojawia - na styku teorii i praktyki. Doświadczeni inżynierowie, ci z 20-30-letnim stażem, wiedzieli rzeczy, które nigdy nie trafiły do żadnej bazy danych. Wiedzieli, że konkretny typ spoiny zachowuje się inaczej przy określonej temperaturze. Wiedzieli, że dany dostawca ma tendencję do odchyleń w jednym parametrze. Wiedzieli, jak pachnie materiał, który za chwilę zacznie sprawiać problemy. To wiedza, której nie da się łatwo zakodować w algorytmie, bo często nawet sami eksperci nie potrafią jej zwerbalizować - to tak zwana wiedza ukryta (tacit knowledge).
Kiedy Ford odsunął tych ludzi, AI straciło swoją siatkę bezpieczeństwa. Młodsi pracownicy nie mieli wystarczającego doświadczenia, żeby weryfikować rekomendacje systemu. Efekt? Problemy z jakością, które przełożyły się na realne koszty - zarówno finansowe, jak i wizerunkowe. Ford musiał cofnąć się o krok i przywrócić doświadczonych specjalistów, tym razem stawiając ich w roli nadzorców i mentorów współpracujących z systemami AI.
Dlaczego polskie firmy są szczególnie narażone na ten sam błąd
W Polsce mamy specyficzną sytuację. Presja kosztowa w sektorze MŚP jest ogromna. Według danych GUS, przeciętne wynagrodzenie w sektorze przedsiębiorstw przekroczyło 8 500 zł brutto na początku 2025 roku, a koszty pracy rosną szybciej niż w wielu krajach Europy Zachodniej. Kiedy właściciel firmy produkcyjnej z Wielkopolski albo firmy usługowej z Dolnego Śląska słyszy, że AI może „zrobić robotę za pracownika", kuszące jest potraktowanie tego dosłownie.
Widzę to w praktyce. Firma logistyczna z okolic Łodzi zwolniła doświadczonego dyspozytora i zastąpiła go systemem optymalizacji tras opartym na AI. System działał dobrze - przez pierwsze trzy tygodnie. Potem zaczął się sezon ogórkowy, zmieniły się wzorce ruchu na drogach, jeden z kluczowych klientów zmienił godziny przyjmowania dostaw, a system nie miał wystarczających danych historycznych dla tego konkretnego zestawu warunków. Stary dyspozytor wiedziałby, co zrobić. Nowy pracownik, który miał „tylko nadzorować AI", nie miał pojęcia, jak ręcznie skorygować trasy. Firma straciła na tym szacunkowo 40-60 tysięcy złotych w ciągu dwóch miesięcy, zanim sytuacja się ustabilizowała.
Drugi przykład - mała agencja marketingowa z Krakowa. Zredukowała zespół copywriterów z czterech do jednej osoby, zakładając, że reszta pracy będzie wykonywana przez generatywne AI. Jakość treści spadła na tyle, że dwóch ważnych klientów wypowiedziało umowy. Nie dlatego, że AI pisało źle - pisało poprawnie, ale generycznie. Brakowało zrozumienia branży klienta, lokalnego kontekstu, wyczucia tonu. Tego, co doświadczony copywriter robi intuicyjnie.
Jak wdrażać AI mądrze - model „wzmacniania", nie „zastępowania"
Lekcja z Forda i z doświadczeń polskich firm jest jasna: AI działa najlepiej jako wzmacniacz ludzkiego doświadczenia, nie jako jego zamiennik. Ale co to oznacza w praktyce dla firmy zatrudniającej 15, 50 czy 200 osób?
Po pierwsze - zidentyfikuj, gdzie w Twojej firmie siedzi wiedza ukryta. To zazwyczaj osoby, które pracują u Ciebie najdłużej. Księgowa, która „czuje", że coś nie gra z fakturą. Handlowiec, który po tonie głosu klienta wie, czy transakcja dojdzie do skutku. Kierownik produkcji, który po dźwięku maszyny rozpoznaje zbliżającą się awarię. Te osoby są bezcenne i żadne AI ich nie zastąpi - przynajmniej nie w perspektywie najbliższych lat.
Po drugie - daj tym ludziom AI jako narzędzie, nie jako konkurenta. Konkretne przykłady:
- Księgowość: AI (np. moduły w Comarch ERP albo Symfonii) może automatycznie kategoryzować faktury i wykrywać anomalie. Ale to doświadczona księgowa decyduje, czy anomalia to błąd, oszustwo czy nietypowa, ale legalna transakcja.
- Sprzedaż: CRM z wbudowanym AI (jak HubSpot czy Pipedrive z funkcjami predykcyjnymi) może podpowiadać, do którego klienta zadzwonić najpierw. Ale to handlowiec z 10-letnim doświadczeniem wie, jak poprowadzić rozmowę.
- Produkcja: Systemy predykcyjnego utrzymania ruchu (np. oparte na platformie Azure IoT albo rozwiązaniach od Siemensa) mogą analizować dane z czujników. Ale to technik z wieloletnim stażem potrafi ocenić, czy alarm jest fałszywy, czy wymaga natychmiastowej interwencji.
- Marketing: Narzędzia jak ChatGPT, Claude czy Jasper mogą generować szkice tekstów, propozycje nagłówków, warianty reklam. Ale to doświadczony marketer wie, co rezonuje z konkretną grupą docelową na polskim rynku.
Po trzecie - zanim kogokolwiek zwolnisz „bo AI to zrobi", przeprowadź uczciwy test. Przez miesiąc lub dwa pozwól AI wykonywać daną pracę równolegle z pracownikiem. Porównaj wyniki. Nie tylko pod kątem szybkości, ale też jakości, liczby błędów, satysfakcji klientów. Dopiero wtedy podejmuj decyzję - i zazwyczaj okaże się, że najlepszym rozwiązaniem jest model hybrydowy, a nie pełne zastąpienie.
Praktyczny plan dla polskiej firmy MŚP
Jeśli prowadzisz firmę i zastanawiasz się, jak podejść do AI po przeczytaniu tej historii, proponuję prosty, czterokrokowy plan:
Krok 1: Audyt wiedzy ukrytej. Zrób listę procesów, w których kluczową rolę odgrywa doświadczenie konkretnych osób. Porozmawiaj z nimi. Zapytaj, co robią inaczej niż „podręcznikowo". Często sami będą zaskoczeni, ile wiedzą - bo dla nich to oczywistość. Ta wiedza to Twój najcenniejszy zasób i jednocześnie największe ryzyko, bo odejście takiej osoby (na emeryturę, do konkurencji) oznacza realną stratę.
Krok 2: Dokumentacja i digitalizacja. Zanim wdrożysz AI, spróbuj uchwycić choć część tej wiedzy. Nagrania wideo, listy kontrolne, drzewa decyzyjne. To nie jest łatwe i nigdy nie uchwyci wszystkiego, ale nawet 30-40% zapisanej wiedzy eksperckiej to ogromna wartość. Niektóre firmy wykorzystują do tego same narzędzia AI - np. prowadzą wywiady z ekspertami, nagrywają je i używają modeli językowych do tworzenia strukturyzowanej dokumentacji.
Krok 3: Pilotaż z nadzorem. Wybierz jeden proces, wdróż rozwiązanie AI i przez minimum 8-12 tygodni monitoruj je z udziałem doświadczonego pracownika. Zbieraj dane o błędach, wyjątkach, sytuacjach, w których AI sobie nie radzi. Te dane są na wagę złota - pozwalają dostroić system i zdefiniować granice, w których AI może działać autonomicznie.
Krok 4: Skalowanie z pokorą. Rozszerzaj zastosowanie AI stopniowo, zawsze z mechanizmem nadzoru ludzkiego. Nie zakładaj, że jeśli AI działa dobrze w jednym obszarze, to automatycznie sprawdzi się w innym. Każdy proces ma swoją specyfikę i wymaga osobnej walidacji.
Warto też pamiętać o aspekcie finansowym. Według raportu PARP z 2024 roku, średni koszt wdrożenia rozwiązania AI w polskiej firmie MŚP to od 30 do 150 tysięcy złotych, w zależności od skali i złożoności. Jeśli do tego dodamy koszty zwolnienia doświadczonego pracownika (odprawa, utrata wiedzy, rekrutacja i wdrożenie następcy), rachunek szybko się zmienia. Często taniej i mądrzej jest zatrzymać eksperta i dać mu AI jako wsparcie, niż zastąpić go algorytmem i potem naprawiać skutki.
Podsumowanie - Ford zapłacił za lekcję, Ty nie musisz
Historia Forda to nie argument przeciwko sztucznej inteligencji. To argument za rozsądnym podejściem do jej wdrażania. AI jest potężnym narzędziem - naprawdę potrafi przyspieszyć pracę, zmniejszyć liczbę rutynowych błędów i otworzyć możliwości, które wcześniej były poza zasięgiem małej firmy. Ale narzędzie jest tak dobre, jak osoba, która je obsługuje.
Polskie firmy mają w tym kontekście pewną przewagę. Jesteśmy na wcześniejszym etapie adopcji AI niż amerykańskie korporacje, co oznacza, że możemy uczyć się na ich błędach zamiast powtarzać je na własną rękę. Możemy od razu budować modele współpracy człowiek-AI, zamiast najpierw zwalniać ludzi, a potem ich przywracać.
Moja rada dla każdego właściciela firmy w Polsce: zanim pomyślisz o AI jako sposobie na redukcję etatów, pomyśl o nim jako sposobie na to, żeby Twoi najlepsi ludzie mogli robić więcej i lepiej. Bo doświadczenie - to, które buduje się latami, w konkretnej branży, na konkretnym rynku, z konkretnymi klientami - to wciąż coś, czego żaden algorytm nie potrafi odtworzyć. Ford przekonał się o tym za miliony dolarów. Ty możesz przekonać się o tym za darmo, po prostu czytając tę historię i wyciągając z niej wnioski.
Źródło: Ford rehires gray-beard engineers after AI falls short - TechCrunch