Sztuczna inteligencja w polskich firmach to już nie eksperyment - to realne wdrozenia przynoszące mierzalne korzyści. Jednak wiele firm wciaz boi się pierwszego kroku, nie wiedzac od czego zacząć, ile to kosztuje i jakich wynikow oczekiwac. Najlepszym lekarstwem na te obawy są konkretne przykłady.
W tym artykule prezentujemy szczegółowy case study polskiej firmy, która z sukcesem wdrożyła sztuczna inteligencje w swoich procesach biznesowych. Opisujemy przebieg projektu od pomyslu do produkcji, napotkane wyzwania, poniesione koszty i osiągnięte rezultaty.
Firma i kontekst wdrozenia
Firma: Dystrybutor części zamiennych do maszyn przemyslowych, centrala w Lodzi, oddzialy w 5 miastach. 180 pracowników, przychody 85 mln PLN rocznie, 12 000 aktywnych klientów (B2B), katalog 45 000 produktów.
Główne wyzwania biznesowe: rosnąca liczba zapytan ofertowych (250+ dziennie), dlugi czas odpowiedzi na zapytania (średnio 4.5 godziny), trudność w identyfikacji części na podstawie nieprecyzyjnych opisów klientów, wysoka rotacja w dziale sprzedaży (trudność w przekazywaniu wiedzy produktowej), spadajaca marza z powodu rosnacji konkurencji - konieczność szukania przewag operacyjnych.
Cel projektu AI: skrócenie czasu odpowiedzi na zapytania ofertowe, poprawa trafności rekomendacji produktowych i odciążenie zespołu sprzedaży z powtarzalnych zadan.
Faza 1: Identyfikacja obszarów do wdrozenia AI
Przed rozpoczęciem wdrozenia firma przeprowadziła audyt procesów pod katem potencjału AI. Nie chodzilo o wdrażanie AI dla samej technologii, lecz o rozwiazanie konkretnych problemow biznesowych.
Zidentyfikowano 4 obszary z najwiekszym potencjaalem: przetwarzanie zapytan ofertowych (NLP + baza wiedzy produktowej), rekomendacje cross-sell/up-sell (ML na danych transakcyjnych), predykcja popytu i optymalizacja stanow magazynowych (ML prognozowanie), automatyczna klasyfikacja i routing zgloszen serwisowych.
Decyzja: rozpocząć od przetwarzania zapytan ofertowych - obszar o najwyzszym wplywie biznesowym (250+ zapytan dziennie) i stosunkowo niskim ryzyku technicznym. Podejście MVP (Minimum Viable Product) - wdrozyc najprostsza wersje, przetestować, iterowac.
Faza 2: Budowa asystenta AI do zapytan ofertowych
Problem: klient wysyla zapytanie e-mailem, czesto nieprecyzyjne (oczywiscie - to nie inzynierowie, lecz technicy w fabrykach). Przykład zapytania: 'Potrzebujemy lozyysko do pompy Grundfos, model chyba CR 15-3, ale nie jestem pewien. Cos się wytarło, średnica walu okolo 35mm.'
Tradycyjnie handlowiec musiał: zidentyfikować model pompy, znaleźć schemat techniczny, określić pasujące lozyysko, sprawdzić dostępność w magazynie, przygotowac oferte z cena i terminem. Cały proces: 30-60 minut na zapytanie.
Rozwiazanie AI: asystent oparty na modelu LLM (Claude API) z dostępem do bazy produktowej firmy (RAG - Retrieval Augmented Generation). Asystent parsuje zapytanie klienta, identyfikuje urzadzenie i komponent, przeszukuje baze produktowa i schematy techniczne, proponuje 1-3 pasujące produkty z cenami i dostępnością, generuje szkic odpowiedzi dla handlowca.
Architektura techniczna rozwiazania
Rozwiazanie zostalo zbudowane jako mikrousluga zintegrowana z istniejącym systemem ERP i poczta firmowa.
- Frontend: integracja z Outlookiem (plugin) i wewnętrzny dashboard webowy
- Backend: Python (FastAPI) hostowany na Azure App Service
- Model AI: Claude API (Anthropic) z customowym promptem i RAG
- Baza wektorowa: Pinecone - indeks 45 000 produktów z opisami, parametrami i kompatybilnością
- Integracja ERP: API do systemu magazynowego (stany, ceny, terminy dostawy)
- Orkiestracja: Make (Integromat) do automatycznego przetwarzania e-maili i routing
- Monitoring: Langfuse do sledzenia jakości odpowiedzi AI i kosztów API
Wdrożenie - harmonogram i etapy
Cały projekt od koncepcji do produkcji zajoł 14 tygodni. Harmonogram:
Tygodnie 1-2: Audyt procesów, zdefiniowanie wymagaan, wybór technologii. Tygodnie 3-5: Przygotowanie bazy wiedzy produktowej (wektoryzacja katalogu, indeksowanie schematów technicznych, mapowanie kompatybilności). Tygodnie 6-8: Budowa MVP asystenta AI, integracja z API ERP, testowanie na historycznych zapytaniach.
Tygodnie 9-10: Pilotaż z 3 handlowcami (human-in-the-loop - AI sugeruje, czlowiek zatwierdza). Tygodnie 11-12: Iteracja na podstawie feedbacku (tuning promptow, uzupelnienie bazy wiedzy, obsługa edge cases). Tygodnie 13-14: Rollout na cały zespół sprzedaży, szkolenie, uruchomienie monitoringu.
Wyzwania napotkane podczas wdrozenia
Wdrożenie nie było pozbawione problemow. Kluczowe wyzwania i sposoby ich rozwiazania:
- Jakość bazy produktowej - opisy produktów w ERP były niekompletne i niespójne. Rozwiazanie: 2 tygodnie pracy na czyszczeniu i wzbogacaniu danych (najtrudniejszy etap)
- Halucynacje AI - model czasem sugerowal produkty, które nie istnialy w katalogu. Rozwiazanie: scisle ograniczenie odpowiedzi do produktów z bazy wektorowej (RAG), walidacja każdej rekomendacji przez API ERP
- Opór handlowców - część zespołu obawiaala się, że AI zabierze im prace. Rozwiazanie: jasna komunikacja (AI wspiera, nie zastępuje), włączenie handlowców w testowanie i feedback, pokazanie, że AI obsługuje nudne zapytania, a oni mogą skupic się na duzych klientach
- Koszty API - przy 250 zapytaniach dziennie koszty API rosły szybciej niz zakladano. Rozwiazanie: caching odpowiedzi dla powtarzalnych zapytan, optymalizacja promptow (krotsze, bardziej precyzyjne), batch processing
- Wielojezycznosc - część klientów pisala po angielsku lub niemiecku. Rozwiazanie: model Claude doskonale obsługuje wiele języków bez dodatkowej konfiguracji
Wyniki po 6 miesiacach
Mierzalne rezultaty wdrozenia AI po półroku działania produkcyjnego:
- Śśredni czas odpowiedzi na zapytanie: z 4.5 godziny do 45 minut (redukcja o 83%)
- Trafność rekomendacji produktowych: 89% (AI sugeruje prawidlowy produkt w 89% przypadkow)
- Liczba obsłużonych zapytan: wzrost z 250 do 380 dziennie (bez dodatkowego zatrudnienia)
- Konwersja zapytan na zamówienia: wzrost z 32% do 41% (szybsza odpowiedz = wyższa konwersja)
- Przychod na handlowca: wzrost o 18% (handlowcy maja więcej czasu na kluczowych klientów)
- Satysfakcja klientów (CSAT): wzrost z 7.2 do 8.4 (skala 1-10)
- Koszty API AI: okolo 3 200 PLN/mies. (0.004% przychodow firmy)
Koszty wdrozenia i ROI
Transparentność kosztów jest kluczowa przy ocenie sensowności wdrozenia AI. Oto pełne zestawienie:
Koszty jednorazowe: audyt i konsulting (zewnętrzna firma) - 25 000 PLN, czyszczenie i wzbogacanie bazy produktowej (wewnętrzny zespół, 2 tygodnie) - 15 000 PLN, development MVP i integrację (zewnętrzny zespół, 8 tygodni) - 120 000 PLN, testy i pilotaż (wewnętrzny + zewnętrzny) - 20 000 PLN, szkolenie zespołu - 5 000 PLN. Łącznie: 185 000 PLN.
Koszty miesięczne: API Claude (Anthropic) - 3 200 PLN, infrastruktura Azure - 1 500 PLN, Pinecone (baza wektorowa) - 350 PLN, Make (automatyzacja) - 200 PLN, utrzymanie i rozwoj (część etatu dewelopera) - 4 000 PLN. Łącznie: 9 250 PLN/mies. Oszczednosc szacowana: 45 000-60 000 PLN/mies. (czas handlowców + wzrost konwersji). ROI: zwrot inwestycji w 4-5 miesięcy.
Nastepne kroki - rozszerzenie AI w firmie
Po sukcesie asystenta ofertowego firma planuje rozszerzenie AI na kolejne obszary:
Krótkoterminowo (3-6 mies.): rekomendacje cross-sell/up-sell - model ML analizujący historyczne zamówienia i sugerujący komplementarne produkty. Chatbot na stronie www obsługujący podstawowe zapytania klientów 24/7. Automatyczna klasyfikacja i routing zgloszen serwisowych.
Dlugoteiminowo (6-18 mies.): predykcja popytu i automatyczna optymalizacja stanow magazynowych. Dynamiczne ceny na podstawie elastyczności popytowej. Automatyzacja całego cyklu ofertowego (od zapytania do faktury).
Lekcje dla innych polskich firm
Na podstawie tego wdrozenia można wyciagnac kluczowe wnioski dla firm planujących implementację AI:
- Zacznij od jednego procesu - nie probuj wdrażać AI wszedzie naraz. Jeden sukces daje momentum na nastepne
- Dane są fundamentem - jakość bazy wiedzy determinuje jakość odpowiedzi AI. Zainwestuj czas w czyszczenie danych
- Human-in-the-loop na starcie - AI sugeruje, czlowiek zatwierdza. Buduje zaufanie i pozwala na kontrole jakości
- Mierz od początku - zdefiniuj metryki sukcesu przed wdrożeniem (czas odpowiedzi, trafność, konwersja) i trackuj je
- Wlacz zespół - handlowcy to eksperci domenowi. Ich feedback jest nieoceniony w tuningu systemu
- Nie boj się kosztów API - 3 000 PLN/mies. za narzędzie generujące 50 000 PLN/mies. oszczednosci to świetny ROI
Podsumowanie
Case study dystrybutora części zamiennych pokazuje, że wdrożenie AI w polskiej firmie B2B jest realne, oplacalne i nie wymaga milionowych budżetów. Inwestycja 185 000 PLN zwrocila się w 4-5 miesięcy, a miesięczne koszty utrzymania są marginalne w stosunku do generowanych oszczednosci i dodatkowych przychodow.
Kluczem do sukcesu było pragmatyczne podejście: konkretny problem biznesowy, mierzalne cele, iteracyjne wdrażanie i zaangazowanie zespołu. Rozwiazania takie jak Finito Pro pomagają polskim firmom przejsc te same sciezke - od identyfikacji obszarów do wdrozenia AI po pełna implementację i optymalizację.