Rozmowa z Habte Woldu, CEO Inteca i współtwórcą platformy umożliwiającej efektywne wdrażanie AI w praktyki operacyjne.
Aż 95% firm nie osiąga realnych korzyści z wdrożeń sztucznej inteligencji – wynika z raportu MIT The GenAI Divide – State of AI in Business 2025. Mimo że globalne inwestycje w technologie AI liczone są w dziesiątkach miliardów dolarów, większość organizacji nadal nie potrafi przełożyć ich potencjału na konkretne wyniki biznesowe.
– Problem nie tkwi w samej technologii, ale w tym, jak jest ona włączana w codzienną pracę ludzi – zauważa Habte Woldu, CEO Inteca. – Dziś AI często działa obok człowieka, zamiast razem z nim. Podnosi produktywność pojedynczych osób, ale nie przekłada się to na efektywność całych organizacji. Brakuje spójności, standaryzacji i zdolności uczenia się w kontekście rzeczywistych praktyk operacyjnych.
To właśnie różnica między możliwościami technologicznymi a efektywnością organizacyjną jest dziś największym wyzwaniem. Rewolucja AI wymaga nowego podejścia – nie tylko automatyzacji zadań, ale automatyzacji efektów, zrozumienia kontekstu i współpracy ludzi z inteligentnymi agentami w ramach wspólnych, powtarzalnych praktyk.
O tym, jak nauczyć AI pracować ramię w ramię z ludźmi, jak przełamać barierę między eksperymentem a realną transformacją oraz jakie fundamenty muszą powstać, by AI zaczęła faktycznie „pracować dla biznesu” – rozmawiamy z Habte Woldu, CEO Inteca i twórcą PractIQ, inteligentnej platformy automatyzującej pracę z AI.
Z raportu MIT wynika, że aż 95% firm nie uzyskuje realnych korzyści z wdrożeń AI. Dlaczego Twoim zdaniem firmy mają z tym tak duży problem?
To wynika przede wszystkim z tego, że większość organizacji myśli o AI w niewłaściwy sposób. Dziś pracownicy korzystają z modeli typu ChatGPT głównie jako osobistych asystentów – żeby szybciej pisać teksty, analizować dokumenty czy podsumowywać informacje. Podnosi to produktywność jednostki, ale nie zmienia sposobu działania całej organizacji. Często dzieje się to zresztą „na dziko”, w ramach tzw. Shadow AI, gdy pracownicy używają prywatnych kont i narzędzi bez wiedzy firmy.
Tymczasem prawdziwe korzyści zaczynają się dopiero wtedy, gdy AI automatyzuje cały przepływ pracy, który realnie generuje wartość biznesową. To wymaga zupełnie innego sposobu myślenia – przejścia od „czatu, który pomaga człowiekowi”, do agenta, który samodzielnie realizuje zadania w procesie.
I tutaj właśnie pojawia się cała złożoność. Bo jeśli wyobrazimy sobie, że agent AI ma wykonywać konkretne kroki przepływu pracy – samodzielnie lub razem z ludźmi – to natychmiast pojawiają się fundamentalne pytania:
- jak zapewnić mu bezpieczny dostęp do danych organizacji,
- jak zbudować mu odpowiedni kontekst, aby działał powtarzalnie i zgodnie ze standardami,
- jak weryfikować poprawność wykonywanych przez niego zadań,
- jak aktualizować jego wiedzę i unikać błędów w przyszłości.
To ogromny zestaw wyzwań, który raport MIT bardzo trafnie opisuje. I właśnie dlatego tak wiele firm nie potrafi jeszcze przełożyć eksperymentów z AI na realną, powtarzalną wartość biznesową.
Z czego to wynika?
Przede wszystkim z tego, o czym już wspominałem — AI w obecnym modelu jest trudna do „wpięcia” w realną pracę organizacji. Respondenci raportu wskazują kilka kluczowych barier, które praktycznie uniemożliwiają osiągnięcie skali i powtarzalnych efektów:
- konieczność ręcznego budowania kontekstu do każdego zadania, co sprawia, że agent AI nie może działać autonomicznie,
- brak adaptowalności – systemy mają problem z nietypowymi przypadkami i sytuacjami, które odbiegają od standardu,
- brak umiejętności uczenia się na bazie ludzkiego feedbacku, przez co błędy często się powtarzają,
- brak możliwości dopasowania AI do specyficznych workflow i procesów organizacji, co uniemożliwia pracę w sposób zgodny ze standardami firmy.
W efekcie AI pozostaje narzędziem punktowym, a nie elementem, który potrafi przejąć odpowiedzialność za realizację zadań od początku do końca. I to właśnie dlatego tylko nieliczne firmy potrafią dziś przełożyć potencjał technologii na realną transformację operacyjną.
A co Ty o tym myślisz?
Patrząc na zaangażowanie AI w procesy organizacji, lubię korzystać z analogii do zatrudniania i onboardingu nowego pracownika. Wyobraź sobie, że zatrudniasz niezwykle inteligentną i błyskotliwą osobę, której powierzysz realizację określonych zadań w procesie. Żeby mogła być efektywna, musisz zadbać o kilka fundamentalnych elementów: zapewnić jej dostęp do danych i narzędzi, na których będzie pracować, precyzyjnie opisać zadania, zdefiniować standardy realizacji — w tym kryteria jakości.
Ludzie stają się skuteczni dopiero wtedy, gdy nabiorą doświadczenia, czyli wykonają dany zestaw zadań wystarczająco wiele razy, oraz gdy pracują w oparciu o spójne standardy. W dobrze zorganizowanych firmach takie standardy istnieją; w innych — żyją w głowach doświadczonych pracowników.
Teraz spójrzmy na AI przez ten sam pryzmat. Generyczne modele AI mają ogromną wiedzę ogólną i potrafią świetnie wnioskować, ale nie znają procesów, narzędzi ani standardów pracy konkretnej organizacji. W tym sensie są jak nowy pracownik, który musi zostać wdrożony w realia konkretnego miejsca pracy.
I potrzebuje podobnego onboardingu jak człowiek?
Dokładnie tak. Aby AI mogła działać w trybie Agenta, przejmując zadania i odpowiedzialność za ich wykonanie, trzeba jej zapewnić dokładnie to samo, co nowemu członkowi zespołu:
- dostęp do danych i zasobów,
- odpowiednie narzędzia,
- precyzyjny opis zadań,
- standardy jakości,
- oraz osadzić to wszystko w kompletnym workflow, w którym dziś kluczową rolę nadal odgrywa człowiek.
To złożone wyzwanie — także dlatego, że obecne modele AI mają swoje ograniczenia, jak choćby głębokość efektywnego kontekstu, co utrudnia budowanie pełnej autonomii.
Myślę, że z tych powodów na rynku rodzi się nowa specjalizacja, łącząca kompetencje klasycznej inżynierii oprogramowania z inżynierią procesów. To będzie jedna z kluczowych kompetencji najbliższych lat.
To znaczy, że rodzi się właśnie nowy model pracy?
Tak, można powiedzieć, że powstaje zupełnie nowy model pracy. Budzimy się w rzeczywistości, w której AI nie tylko wspiera człowieka przy pojedynczych zadaniach, ale jest w stanie samodzielnie realizować całe zadania, a nawet kompletne procesy.
To oznacza konieczność wypracowania nowego paradygmatu organizacji pracy — takiego, który łączy technologię z metodykami pozwalającymi dekomponować strumień wartości na konkretne produkty i zadania. Innymi słowy: potrzebujemy podejścia, które umożliwi osadzenie inteligentnych agentów w realnych workflow w sposób uporządkowany, powtarzalny i skalowalny.
Mówi się o kolejnej rewolucji technologicznej, która ma dokonać przełomów w wielu dziedzinach życia. Ale zanim to nastąpi, AI musi nauczyć się pracy zespołowej – z ludźmi i dla ludzi. Jakie w tym kontekście są największe wyzwania?
Nie mam wątpliwości, że stoimy u progu rewolucji technologicznej porównywalnej z wynalezieniem Internetu czy nawet silnika parowego. Jednak największym wyzwaniem nie jest sama AI, lecz powtarzalność i zdolność do uczenia się w sposób zbliżony do tego, jak uczą się ludzie — czyli poprzez adaptowanie kontekstu, eliminowanie błędów i wykonywanie zadań w sposób przewidywalny, zgodny ze standardami organizacji.
Odwróciłbym jednak to, co powiedziałeś: to nie AI musi nauczyć się pracy z ludźmi, ale to my musimy nauczyć się właściwie wykorzystywać tę technologię. AI jest narzędziem — potężnym, ale nadal tylko narzędziem. To człowiek definiuje proces, standardy, kryteria jakości i rolę, jaką ma odegrać inteligentny agent.
I co ważne: już dziś mamy przykłady procesów, w których AI wykonuje znaczną część pracy. W obszarach takich jak wytwarzanie oprogramowania, analiza danych czy obsługa klienta inteligentni agencipotrafią przejąć nawet kilkadziesiąt procent zadań operacyjnych — oczywiście pod warunkiem, że działają w dobrze zdefiniowanym workflow, z klarownym kontekstem i nadzorem człowieka.
Dlatego największe wyzwanie polega nie na „uczeniu AI pracy zespołowej”, lecz na zbudowaniu takich warunków, aby mogła pracować w sposób powtarzalny, bezpieczny i przewidywalny — jako realny członek zespołu, a nie ciekawy gadżet technologiczny?
Dokładnie to pytanie zadaliśmy sobie w Inteca w 2023 roku. Jednym z naszych kluczowych obszarów działalności jest rozwój i utrzymanie oprogramowania dla przedsiębiorstw. Patrząc na przełom, jaki przyniosły duże modele językowe, i rozumiejąc, że tworzenie oprogramowania to w istocie proces przetwarzania informacji — od intencji użytkownika, przez implementację, aż po działającą aplikację — zaczęliśmy zastanawiać się, czy cały ten proces da się zautomatyzować z udziałem AI.
Co ważne: nie chodziło o to, aby dać inżynierom kolejnego asystenta. Chodziło o to, by AI w roli Agenta była w stanie przejąć większość realnych zadań w procesie wytwórczym.
Tak narodziła się koncepcja PractIQ. Zaczęliśmy eksperymentować wewnętrznie — i bardzo szybko zderzyliśmy się z dwoma fundamentalnymi barierami.
Pierwsza to powtarzalność. Dla tych samych danych wejściowych ten sam Agent AI potrafił wykonać zadanie na różne sposoby — czasem poprawnie, czasem zupełnie niezgodnie z oczekiwaniami. Trudno było mówić o jakości czy przewidywalności, a bez tego automatyzacja procesów po prostu nie działa.
Drugim dużym wyzwaniem okazał się rozmiar efektywnego kontekstu. W przypadku złożonych zadań czy dużych zbiorów danych agent AI nie jest w stanie objąć całości problemu naraz. Proces trzeba więc dekomponować na mniejsze podzadania, dzielić dane i zapewniać agentowi odpowiednio przygotowany, aktualny kontekst.
A to tylko dwa z wielu problemów, z którymi musieliśmy się zmierzyć podczas budowania PractIQ.
W jaki sposób udało wam się je rozwiązać i „nauczyć” tego agentów?
To pytanie jest bardziej złożone, niż mogłoby się wydawać – głównie dlatego, że samo słowo „nauczyć” w kontekście AI bywa mylące. W branży zwykle kojarzy się je z trenowaniem lub douczaniem modeli, ale to tylko jedna z metod pracy z dużymi modelami językowymi. Nie zawsze najważniejsza.
W Inteca podeszliśmy do tego inaczej. Skoro naszym celem była pełna automatyzacja produkcji oprogramowania — od intencji użytkownika po gotowe rozwiązanie — zaczęliśmy od przyjrzenia się temu, jak wygląda cały proces dziś.
O ile ogólny przebieg SDLC jest wszędzie podobny — analiza, projektowanie, implementacja, testy, wdrożenie — o tyle każdy zespół w praktyce pracuje nieco inaczej, ma własne przyzwyczajenia, standardy i sposoby wykonywania zadań. Jeśli chcieliśmy, by AI wykonywała te zadania autonomicznie, musieliśmy znaleźć sposób, by wytłumaczyć jej te praktyki w sposób uniwersalny i możliwy do odwzorowania.
I tu pojawił się przełom: zdefiniowanie praktyk operacyjnych i sposobu ich formalnego opisywania.
Dlaczego?
Bo modele AI najlepiej radzą sobie wtedy, gdy mają jasno określone:
- oczekiwania,
- dane wejściowe i wyjściowe,
- reguły działania,
- oraz przykłady.
Gdy przyjrzymy się pracy doświadczonych specjalistów, zobaczymy, że dokładnie tego używają: wiedzy (czyli zestawu zasad) oraz doświadczenia (czyli wielu przepracowanych przykładów).
Dlatego naszym zadaniem stało się rozbicie praktyk operacyjnych na zestaw powtarzalnych produktów i zadań oraz skonfigurowanie AI w roli wyspecjalizowanych agentów, które potrafią te zadania realizować.
Ostatnim, ale kluczowym elementem jest koordynacja współpracy między agentami i ludźmi, czyli coś, co nazywamy orkiestracją pracy. To ona sprawia, że cały proces działa spójnie — a agenci AI nie tylko wykonują swoje zadania, ale robią to we właściwej kolejności i kontekście, współpracując z człowiekiem jak z członkiem zespołu.
Jak to wszystko przełożyć na procesy, które firmy stworzyły jeszcze przed rewolucją AI? One często są złożone i nielinearne. W jaki sposób wpleść w nie AI i połączyć to z ludźmi?
Wbrew pozorom to właśnie w takich procesach AI może dać największą wartość. Jeśli proces jest prosty, deterministyczny i masowy — jak np. klasyczne procesy produkcyjne — udział AI może okazać się mniej przełomowy. Natomiast tam, gdzie mamy złożoność, zmienność i dużą liczbę decyzji do podjęcia, AI potrafi realnie odciążyć ludzi i przyspieszyć pracę.
Jak to wygląda w praktyce?
Pierwszym krokiem jest dekompozycja procesu: rozłożenie go na części składowe, zidentyfikowanie stosowanych praktyk oraz zrozumienie, jak te elementy są ze sobą powiązane. Dopiero wtedy można wybrać te fragmenty, w których AI wniesie największą wartość — i od nich zacząć.
Z takim właśnie wyzwaniem mierzyliśmy się w Inteca. Proces realizacji projektu IT, czyli budowy oprogramowania, jest z natury nieliniowy, iteracyjny i bardzo zmienny. Jednocześnie już w 2023 roku było jasne, że AI potrafi programować — generować kod źródłowy. Problem polega na tym, że aby robiła to dobrze i powtarzalnie, musi otrzymać poprawne wejście: wyniki analizy, decyzje architektoniczne, projekt rozwiązania. Dopiero na tej podstawie można wygenerować jakościowy kod.
Dlatego właśnie najbardziej interesowała nas trudniejsza część workflow – analiza, architektura, projektowanie. W naszej firmie mieliśmy dobrze zdefiniowane praktyki w tych obszarach, więc postanowiliśmy „przetłumaczyć” je na język zrozumiały dla AI, tak aby mogła realizować je tak samo, jak robią to doświadczeni specjaliści.
A z biznesowego punktu widzenia, co było waszym celem?
Na początku dominowały u nas cele badawcze. ROI zszedł na drugi plan, bo chcieliśmy przede wszystkim zweryfikować postawioną tezę i zrozumieć, jakie konsekwencje ten kierunek rozwoju może mieć dla naszej firmy i — szerzej — dla całej branży IT.
Dlatego celowo zajęliśmy się również najtrudniejszymi elementami procesu, takimi jak automatyzacja analizy wymagań czy projektowania architektury. Gdybyśmy potrafili rozwiązać te fragmenty, to znaczyłoby, że automatyzacja całego SDLC jest naprawdę w zasięgu.
A co doradziłbyś innym firmom, które chciałyby pójść śladem Inteca?
Podejście, które rekomenduję, jest dość proste w założeniu, choć wymaga dokładnej pracy analitycznej: najpierw trzeba zrozumieć przepływ produktów i zadań w procesie oraz powiązania między nimi, a następnie wybrać te fragmenty, od których warto zacząć automatyzację. Dobrze, jeśli spełniają one trzy kryteria:
- Możliwość precyzyjnego zdefiniowania produktów, danych wejściowych i wyjściowych, reguł dla zadań oraz stworzenia tzw. checklist, które pozwolą weryfikować poprawność ich realizacji.
- Wyraźna wartość biznesowa automatyzacji, np. skrócenie czasu realizacji, zmniejszenie pracochłonności, czy uwolnienie ludzi od monotonnych zadań, tak aby mogli skupić się na działaniach przynoszących większą wartość.
- Strukturalna prostota fragmentu procesu, dzięki czemu łatwiej zacząć od mniej skomplikowanych, powtarzalnych elementów workflow, które w obecnym modelu są żmudne i czasochłonne.
Twoim pomysłem na rozwiązanie tego problemu jest PractIQ, inteligentna platforma, która zmienia sposób pracy z AI, standaryzuje go i automatyzuje. Możesz wyjaśnić, na czym to polega?
PractIQ powstało wewnątrz naszej firmy, początkowo w celu zautomatyzowania własnego procesu wytwarzania oprogramowania. Po drodze napotkaliśmy te same wyzwania, o których mówi wiele raportów branżowych, w tym raport MIT. Równolegle obserwowaliśmy trendy, które liderzy rynku sygnalizowali zanim stały się powszechnie uznawane. Na przykład dziś powszechnie mówi się, że vibe-coding nie sprawdza się w poważnych procesach produkcyjnych, a agentom AI potrzebna jest solidna specyfikacja wejściowa — pojawiła się koncepcja spec-driven development.
W naszej firmie doszliśmy do podobnych wniosków dość wcześnie. Ale zadawaliśmy sobie kolejne pytania: jeśli wejściem dla zespołu agentów AI jest dobra specyfikacja, to co jest wejściem do procesu wytworzenia tej specyfikacji? I jak to zadanie również zautomatyzować z użyciem AI? Czy można znaleźć wspólny schemat definiowania takich problemów, który pozwalałby budować rozwiązania dla każdej praktyki, nie tylko w naszej firmie, ale w każdej organizacji?
I do czego was to doprowadziło?
Tak zrodziła się koncepcja Practice Engineering — dyscypliny zajmującej się projektowaniem orkiestracji pracy między agentami AI a ludźmi, w celu automatyzacji i ciągłego doskonalenia powtarzalnych sposobów pracy.
To właśnie jest fundament naszej platformy PractIQ: metoda dekompozycji pracy na mniejsze części oraz orchestracja zadań między zespołem ludzi i agentów AI, dzięki czemu możliwe jest powtarzalne, wysokiej jakości wykonywanie procesów i ich ciągłe udoskonalanie.
W jaki sposób dziś szkolicie agentów AI?
Wyobraź sobie najbardziej doświadczonych pracowników wykonujących określone zadania w danym procesie i poproś ich, aby dokładnie opisali, jak je realizują: na co zwracają uwagę, czego potrzebują na wejściu i na wyjściu, jak weryfikują poprawność wykonania oraz podali przykłady dobrej i złej realizacji. Następnie połącz wszystkie te zadania i produkty w spójną całość. To właśnie daje dane potrzebne do określenia praktyki operacyjnej dla danego procesu — coś, co niektórzy nazwaliby best practice.
W PractIQ opracowaliśmy sposób, aby zebrać te informacje w ustrukturyzowany sposób, tak by można było skonfigurować agentów AI działających jak doświadczeni pracownicy. Kluczowe jest też uruchomienie ich orkiestracji w współpracy z ludźmi, z odpowiednimi narzędziami, danymi i kontekstem.
A dlaczego właściwie praktyki są dziś ważniejsze od procesów?
Nie chodzi o to, że są ważniejsze, ale jeśli chcemy, by AI realnie wspierała nas w pracy, musimy zejść na poziom praktyk. W procesach opartych na danych ten sam etap może być realizowany różnymi metodami. Na przykład analiza wymagań klienta w procesie tworzenia oprogramowania może odbywać się z użyciem historyjek użytkownika albo przypadków użycia. To dwie różne praktyki, mające różne wejścia, wyjścia i powiązania z innymi elementami, ale realizujące tę samą funkcję w procesie.
Jeśli chcemy powierzyć taką funkcję AI, musimy szczegółowo zdefiniować każdą praktykę, aby produkowała weryfikowalne i powtarzalne produkty. To trochę jak z robotem na taśmie produkcyjnej: jego działanie jest w pełni deterministyczne, miejsce, z którego bierze śrubkę i wkręca ją dalej, jest określone co do milimetra. W cyfrowych procesach nie wszystko da się zdeterminować — np. specyfikacja funkcjonalności, kod programu czy tekst reklamacji klienta. Tam interesuje nas skuteczny rezultat zadania, czyli pozytywny efekt końcowy.
Dlatego właśnie powstała inżynieria praktyk — metoda dekompozycji produktów i zadań w przepływie pracy, która pozwala delegować je do agentów AI. To jak konstruowanie powtarzalnej taśmy produkcyjnej: wejścia i wyjścia na poszczególnych stanowiskach mogą się różnić, ale na końcu proces musi dawać powtarzalny rezultat.
Jak to wpłynęło na kulturę organizacyjną i procesy firmy?
W pewnym sensie wracamy do fundamentów. Zawsze stawialiśmy nacisk na zrozumienie całego strumienia wartości klienta i kompleksowe podejście do inżynierii oprogramowania — od pracy z klientem, przez analizę potrzeb, aż po gotowe rozwiązanie.
Dziś staramy się uświadamiać inżynierom, że praca koncepcyjna i interakcja z klientem są kluczowe. To najbardziej cenione umiejętności, ale w ostatnich latach trudne do wyeksponowania. Rozwój AI uwidacznia prawdziwość tej tezy: jeśli ktoś skupia się tylko na powtarzalnych zadaniach bez głębokiego kontekstu — np. programista realizujący szczegółowo opisane przez architekta czy tech lidera zadanie — to musi wiedzieć, że AI jest już w stanie je w pełni przejąć.
Fundamenty, które pozostają najważniejsze, to praca z człowiekiem w celu zrozumienia intencji, umiejętność przełożenia tego na koncepcję rozwiązania, dobór technologii i praktyk realizacji oraz nowy rodzaj inżynierii, czyli budowanie i dostrajanie orkiestracji ludzi i agentów AI.
Czy jesteś w stanie określić, w jakim kierunku będzie się rozwijała współpraca człowieka i agentów AI?
Moim zdaniem zmienia się całkowicie sposób myślenia o pracy. Idziemy w kierunku, w którym agenci AI staną się integralną częścią organizacji, otwierając nowe możliwości, szczególnie w wykorzystaniu potencjału najbardziej doświadczonych specjalistów.
W naszej firmie przestajemy już mówić o tradycyjnych inżynierach oprogramowania. Definiujemy nowe kompetencje — inżynierów praktyk (Practice Engineers) — którzy potrafią projektować, orkiestrują i optymalizują współpracę ludzi i agentów AI, aby dostarczać powtarzalne, wysokiej jakości rezultaty.
