Twój agent AI jest tak dobry, jak Twój system archiwizacji

30 grudnia 2025 r. duńska poczta dostarczyła ostatni list w swojej 401‑letniej historii. 1500 pozostałych skrzynek pocztowych zostało wycofanych z ulic w tym roku. Tymczasem w lipcu 2026 r. niemiecki gabinet federalny zatwierdził GeDIG, ustawę o danych zdrowotnych i innowacjach cyfrowych, która wycofuje faxy z gabinetów lekarzy do jesieni 2029 r. i wprowadza obowiązkowe elektroniczne skierowania.

Jak więc to możliwe, że jeden kraj może wprowadzić takie zmiany, podczas gdy inny wciąż wycofuje się z używania faksów w tym stuleciu? Biorąc pod uwagę wykorzystanie AI w biznesie w poszczególnych krajach, 42 % duńskich firm używało przynajmniej jednej technologii AI w 2025 r., co jest najwyższym odsetkiem w Europie. Niemcy osiągnęły 26 %, powyżej średniej UE, ale szesnaście punktów za Daną.

Dla mnie ten kontrast skłania nas do ponownego przemyślenia przekonań dotyczących przyjmowania AI. Szczególnie przekonania, że wybór modelu jest punktem wyjścia przy wdrażaniu AI, pomijając stan systemów otaczających model. Oba kraje mają dostęp do tych samych modeli i dostawców chmury, ale różnica polega na tym, czy procesy biznesowe i publiczne już generują wiarygodne cyfrowe zapisy. Ponieważ agent AI nie działa bezpośrednio na rzeczywistości, lecz na wersji rzeczywistości dostępnej w systemie, naturalnie wprowadza to pewne ograniczenia.

Pierwsze ograniczenie: Informacje nigdy nie zostały zdigitalizowane

Agent nie może pobrać dokumentu, który nigdy nie trafił do systemu. Kształt przepływu informacji w organizacji określa, co agent może w ogóle postrzegać jako zadanie.

Na poziomie kraju, dane Eurostatu pokazują, że przyjmowanie AI w biznesie koreluje z cyfryzacją procesów administracyjnych. Kluczowy mechanizm polega jednak na tym, że w krajach, w których obywatele już otrzymują oficjalne dokumenty w formie cyfrowej, firmy mają mniej interakcji poza systemem do uzgodnienia, co zmniejsza ilość pracy interpretacyjnej potrzebnej przed bezpiecznym użyciem AI w operacjach.

Na poziomie firmy, badanie IZA z 2026 r. obejmujące 1907 duńskich przedsiębiorstw wykazuje, że wzrost cyfryzacji o jedną odchylenie standardowe wiąże się z 8‑10 punktami procentowymi wyższym prawdopodobieństwem przyjęcia podstawowych systemów AI. Sugeruje to, że przyjmowanie AI zależy od tego, czy wewnętrzne operacje firmy są już zorganizowane w cyfrowo ustrukturyzowany, maszynowo czytelny sposób. Jeśli procesy są rozproszone, istnieje niewiele stabilnych informacji, na których systemy lub agenci AI mogą działać.

Może to także wyjaśniać, dlaczego cyfryzacja napędzana polityką nie przekłada się automatycznie na gotowość AI. Obowiązkowe B2B e-fakturowanie we Włoszech stworzyło w pełni cyfrowy kanał, ale ogólne przyjmowanie AI pozostaje poniżej średniej UE. Zdigitalizowanie jednego kroku nie eliminuje otaczającego systemu analogowego.

Drugie ograniczenie: Informacje istnieją tylko w czyjejś głowie

Ludzie prowadzą operacje, co oznacza, że najczęściej znają szczegóły, których AI nie ma. Administrator finansowy wie, że najemca zapłacił gotówką, ale płatność nigdy nie została wprowadzona do systemu księgowego. W rezultacie zapisy bankowe i system nie zgadzają się. Administrator rozumie przyczynę, podczas gdy AI widzi jedynie niespójne dane. Zarządca nieruchomości pamięta, że właściciel poprosił, by nie kontaktować się z nim przez dwa tygodnie. Zespół zna obejście dla jednego budynku lub klienta, ale nikt tego nie udokumentował.

ClarEval przetestował zadania z brakującymi celami, brakującymi przesłankami i niejednoznaczną terminologią. Wydajność modelu spadła z około 89 % po wyjaśnieniu do około 9 % gdy niejasność pozostała nierozwiązana. Ambig‑SWE natomiast wykazało, że umożliwienie modelowi zadawania pytań użytkownikowi posiadającemu brakujące informacje przywróciło do 74 % utraconej wydajności. Sugeruje to, że inżynierowie powinni budować system zdolny do zadawania wyjaśnień od samego początku.

Trzecie ograniczenie: Informacje istnieją, ale nie mogą zostać przekazane

Niektóre dane są dostępne w firmie, ale nadal nie mogą dotrzeć do modelu z powodu przepisów o prywatności, kontroli bezpieczeństwa, umów lub wewnętrznej polityki.

badanie oparte na siedmiu latach danych w chmurze wykazało, że RODO — podstawowa ustawa UE o ochronie danych — zmniejszyło przechowywanie danych o 26 % i przetwarzanie o 15 % wśród firm UE w porównaniu z analogicznymi firmami z USA. Innymi słowy, regulacje prywatności uczyniły firmy mniej intensywnymi pod względem danych, ograniczając ilość informacji, które mogły zachować i przetwarzać w analizach i AI. Przyjęcie generatywnej AI było prawie równe, wynosząc 37 % firm UE i 36 % firm USA. Jednak różnica w głębokości przyjęcia AI jest ogromna: 81 % firm USA używa AI w co najmniej dwóch wewnętrznych procesach, w porównaniu z 55 % w UE. Jednym z możliwych powodów jest to, że informacje już istniejące w organizacjach są często trudniejsze do ponownego wykorzystania w AI w Europie. Rozmowy wsparcia klienta, na przykład, często zawierają dane osobowe zbierane w celu rozwiązania problemów klientów. Zgodnie z zasadą ograniczenia celu RODO (Artykuł 5(1)(b)), te dane nie mogą być po prostu ponownie wykorzystane do szkolenia AI bez ważnej podstawy prawnej. Firmy z USA zazwyczaj napotykają mniej równoważnych federalnych ograniczeń w ponownym wykorzystaniu takich danych.

Jak zbudować właściwy system

Wyszukiwanie działa tylko wtedy, gdy odpowiedź istnieje w systemie. Agenci powinni pytać, gdy brakuje informacji, nigdy nie zgadywać i przekształcać rozmów lub nieformalnych decyzji w ustrukturyzowane zapisy. Firmy powinny także usuwać równoległe papierowe przepływy pracy, ponieważ jeśli zadanie może odbywać się poza systemem, część kontekstu pozostanie niewidoczna.

Każda firma musi zmierzyć się ze swoimi lukami. Należy ocenić, czy fakt niezbędny do prawidłowego działania znajdował się w systemie. Testować przepływy pracy z i bez wykluczonych pól przeglądu prywatności. Na koniec, w przypadku przepływu pracy, który może być realizowany na papierze, to właśnie tego agenta należy zbudować jako ostatniego.

Agenci mogą poprawić wydajność ludzi, ale nie naprawiają braków.