Generatywna AI nie tworzy wartości tylko dlatego, że została dodana do istniejącego procesu. Najpierw trzeba wskazać oczekiwany wynik biznesowy, przeprojektować przepływ pracy i ustalić, które decyzje pozostają po stronie człowieka.
Artykuł McKinsey z 13 sierpnia 2025 roku opisuje pięć elementów zarządzania zmianą w erze Gen AI. Autorzy rekomendują między innymi przeprojektowanie procesów od początku do końca, budowanie zaufania oraz włączanie pracowników w tworzenie rozwiązań. Materiał nie podaje jednak, że takie podejście zapewnia średnio trzykrotnie wyższy zwrot z inwestycji.
Model 3P: autorska struktura porządkująca wdrożenie
Model 3P, czyli Process, Pilot, Production, to proponowana tutaj struktura porządkująca wdrożenie Gen AI. Nie jest standardem McKinsey ani potwierdzoną formułą osiągania określonego ROI. Pomaga rozdzielić trzy decyzje: który proces zmienić, jak sprawdzić wartość rozwiązania oraz kiedy można je bezpiecznie skalować.
Krok 1: Process, czyli wybór i mapowanie procesu
Zacznij od wyniku biznesowego, a nie od wyboru narzędzia. Pytanie „gdzie możemy użyć AI?” warto zastąpić pytaniem „który proces ma mierzalny wpływ na koszt, czas, jakość lub doświadczenie klienta?”.
- Zakres: opisz cały przepływ pracy, jego wejścia, decyzje, wyjątki oraz właściciela procesu.
- Kryteria wyboru: preferuj proces z powtarzalną pracą na danych, możliwym do zmierzenia punktem odniesienia i jasno określonym miejscem kontroli człowieka.
- Warunek brzegowy: nie wybieraj procesu tylko dlatego, że jest łatwy do zademonstrowania. Pilot powinien rozwiązywać rzeczywisty problem operacyjny.
Krok 2: Pilot, czyli kontrolowany test wartości i ryzyka
Pilot powinien porównać nowy sposób pracy z dotychczasowym punktem odniesienia. Jego długość zależy od procesu, dostępności danych i wymagań kontroli; 90 dni może być użytecznym horyzontem planistycznym, ale nie jest uniwersalnym optimum.
- Zespół: właściciel procesu, ekspert domenowy, osoba odpowiedzialna za technologię oraz przedstawiciel ryzyka lub compliance, jeśli wymaga tego charakter decyzji.
- Metryki: czas wykonania, liczba błędów, odsetek przypadków wymagających eskalacji, koszt obsługi i jakość wyniku.
- Punkt kontroli: przed rozpoczęciem testu ustal, które odpowiedzi AI wymagają zatwierdzenia i kto odpowiada za decyzję końcową.
Hipotetyczny zakres pilotażu: instytucja finansowa może przetestować system przygotowujący wstępne podsumowanie dokumentacji kredytowej. Wynik powinien być porównywany z analizą wykonaną według dotychczasowego procesu, a każdą decyzję nadal zatwierdza człowiek. Dopiero pomiar pokaże, czy rozwiązanie skraca czas bez pogorszenia jakości. Zasady projektowania takich punktów kontroli opisuję szerzej w analizie nadzoru człowieka nad agentem AI.
Krok 3: Production, czyli skalowanie na podstawie dowodów
Skalowanie jest uzasadnione dopiero wtedy, gdy pilot osiągnął wcześniej ustalone progi jakości, ryzyka i wartości biznesowej. Udany test techniczny nie wystarcza: organizacja potrzebuje właściciela rozwiązania, monitoringu, procedury obsługi wyjątków, kontroli dostępu oraz planu wycofania lub aktualizacji modelu.
Czego model 3P nie gwarantuje
- Nie gwarantuje konkretnego zwrotu z inwestycji ani terminu jego osiągnięcia.
- Nie zastępuje governance, oceny ryzyka, wymagań prawnych ani nadzoru człowieka.
- Nie uzasadnia skalowania, jeśli pilot nie ma punktu odniesienia albo daje niejednoznaczne wyniki.
Model 3P porządkuje kolejność decyzji, ale o wyniku wdrożenia decydują jakość procesu, dane, odpowiedzialność i gotowość ludzi do zmiany sposobu pracy. Praktyczne bariery organizacyjne, które pojawiają się przed skalowaniem, omawiam w artykule o barierach wdrożenia AI w firmach.
Źródło: McKinsey & Company, 13.08.2025, Reconfiguring work: Change management in the age of gen AI.
