Rob Collie, CEO i założyciel P3 Adaptive oraz autor Fair Game – seria wywiadów

Rob Collie jest założycielem i CEO P3 Adaptive, partnera Microsoft Solutions w dziedzinie danych i AI, obsługującego setki klientów z sektora średniego rynku oraz Fortune 1000. Były lider inżynierii w Microsoft, pracujący w zespołach Excel, Bing i Power BI, po odejściu z Microsoft poprowadził falę Power BI i jest autorem trzech wcześniejszych książek o biznesie i technologii (ponad 92 000 sprzedanych egzemplarzy). Prowadzi także podcast Raw Data with Rob Collie. Jego czwarta książka, Fair Game: Customizing AI to Your Business Is Easier Than You Think (sierpień 2026), przenosi tę praktyczną wiarygodność na moment AI.

Spędziłeś ponad dekadę w Microsoft, pomagając rozwijać funkcje Business Intelligence w Excelu i Power BI, zanim w 2013 roku założyłeś P3 Adaptive. Jak ta zmiana – od tworzenia oprogramowania wewnątrz Microsoft po rozwiązywanie problemów z danymi dla klientów – ukształtowała Twoje obecne spojrzenie na sztuczną inteligencję w przedsiębiorstwach?

Kiedy prowadziłem zespoły produktowe w Microsoft, budowaliśmy oprogramowanie, które musiało działać dla całego świata i nie mogło być dostosowane do potrzeb konkretnego klienta. Nazywaliśmy to „zamawianiem pizzy, której dodatki są akceptowalne dla 300 milionów ludzi”. Taka praca ma nieuchronnie charakter najniższego wspólnego mianownika oraz pewien dystans od indywidualnych klientów.

Było to prestiżowe, pracować na tak dużej scenie, ale nie dawało takiej satysfakcji emocjonalnej, jak pomaganie konkretnym klientom w realizacji ich unikalnych ambicji. Pracując blisko z klientem, mamy szansę zaangażować się w jego sukces i poszukiwać kreatywnych rozwiązań, które nigdy nie pasowałyby do jednego, uniwersalnego modelu dużego oprogramowania. To w wielu aspektach bardziej stymulujące intelektualnie, a bezpośredni kontakt z klientami sprawia, że zwycięstwa są znacznie bardziej satysfakcjonujące.

Jednak wiąże się to z większą odpowiedzialnością. W Microsoft pojedynczy niezadowolony klient był tylko statystyką, a ja codziennie bagatelizowałem skargi jako część po prostu wykonywanej pracy. W P3 Adaptive jeden niezadowolony klient oznacza, że zawiedliśmy. Nie ma tu statystyk. Mamy obowiązek wobec każdej pojedynczej relacji.

Nauczyłem się wielu cennych rzeczy w Microsoft i nie zamieniłbym tego doświadczenia na nic, ale często określam się jako „uleczający inżynier oprogramowania”, ponieważ sukces teraz oznacza zupełnie inne podejście.

I właśnie to podejście przenoszę na AI w przedsiębiorstwach. Gotowe rozwiązania AI są jak ostateczna pizza dla 300 milionów osób – prawdziwy cud, zaprojektowany tak, aby był wartościowy dla każdego, a jednocześnie nie dopasowany do nikogo. Jednak wygrane w AI organizacyjnym pochodzą z dopasowania – z bliskiego poznania konkretnej firmy i dostosowania AI do jej danych, jej procesów, jej definicji. Miałem okazję pracować po obu stronach tej przepaści i nie mam wątpliwości, po której stronie AI w przedsiębiorstwach odniesie sukces.

W Fair Game twierdzisz, że wiele firm podchodzi do sztucznej inteligencji od tyłu, rozprowadzając licencje na uniwersalne chatboty zamiast budować systemy rozumiejące ich działalność. Gdzie kończą się możliwości gotowych asystentów AI i jakie sygnały wskazują, że firma potrzebuje czegoś spersonalizowanego?

Gotowe rozwiązania AI mają doktorat we wszystkim, oprócz Twojego biznesu. Przeczytały cały internet, ale w internecie brakuje definicji Twojej firmy dotyczącej „aktywnych klientów”, logiki cenowej, procesów operacyjnych oraz tego, którym z Twoich dwóch systemów zaufać, gdy się rozchodzą. Ta wiedza nigdy nie będzie publiczna. Dlatego generatywne AI, które świetnie sprawdza się w użytku prywatnym, nie spełnia wymagań rzeczywistego biznesu, a różnica między tymi doświadczeniami jest zarówno zniechęcająca, jak i myląca.

Obecnie praktycznie każda odpowiedź na pytanie „co zrobić z AI?” brzmi „kup subskrypcje i zobacz, co się stanie”. Uważam, że to naturalny pierwszy krok, więc nie krytykuję nikogo, kto tak postąpił. Zamiast tego współczuję – nikt naprawdę nie poświęca czasu, aby wyjaśnić, że gotowe subskrypcje nie wystarczą, ani dlaczego. Dlatego myślę, że firmy są w zasadzie tam, gdzie powinniśmy ich spodziewać się – wypróbowują dostępne rozwiązania i zaczynają dostrzegać ich niewystarczalność.

Rozwiązanie nie polega na modyfikacji samego modelu AI – nie musisz zostać badaczem LLM. Wszystko, co otacza model, to: Twoje dane, instrukcje napisane prostym angielskim oraz zwykłe oprogramowanie. Kiedy w tym tygodniu po raz piąty wpisujesz ten sam kontekst do chatbota, to znak. To, co ciągle musisz wyjaśniać, to dokładnie to, co spersonalizowany system powinien już wiedzieć – za każdym razem, gdy się uruchamia.

Używasz terminu „Crafters” (Rzemieślnicy), aby opisać biznesowych profesjonalistów obeznanych z danymi, którzy potrafią budować wartościowe, spersonalizowane systemy AI bez bycia tradycyjnymi programistami. Jakie cechy wyróżniają Rzemieślnika i jak liderzy mogą zidentyfikować takie osoby wśród istniejącej siły roboczej?

Rzemieślnik to osoba, której od zawsze dręczy chęć rozwiązywania problemów przy pomocy narzędzi. W moim doświadczeniu około jeden na szesnaście pracowników wiedzy ma tę cechę. Byli to użytkownicy zaawansowani Excela, potem pokolenie Power BI, a później ludzie określani przez IT jako „shadow IT”. To Twoi analitycy, modelarze finansowi, liderzy operacji – ludzie, którzy dorastali w biznesie i odkryli talent do tworzenia narzędzi.

Dwie cechy czynią ich idealnymi do pracy z AI. Po pierwsze, myślenie systemowe: instynktownie rozkładają chaotyczny proces na wejścia, reguły i wyjścia, podobnie jak profesjonalni programiści. Po drugie, zakorzenienie w biznesie: wiedzą, które liczby naprawdę obserwuje CFO i co tak naprawdę pyta osoba zadająca pytanie. Nie da się tego nauczyć w bootcampie.

Jak ich znaleźć: podążaj za arkuszami kalkulacyjnymi. Obecnie w Twojej firmie są arkusze, pulpity i automatyzacje będące sercem krytycznych procesów. Żadne z nich nie zostało zbudowane przez IT, a każdy ma swojego autora. Zacznij od nich. Następnie oceń, jak mogą skierować swoje talenty w stronę spersonalizowanych rozwiązań AI.

Dlaczego uważasz, że Rzemieślnicy, a nie tylko programiści, są najlepiej przygotowani do prowadzenia wielu wewnętrznych projektów AI i jak powinny być podzielone obowiązki między ekspertami biznesowymi, zespołami danych, inżynierami oprogramowania, działami IT oraz zespołami bezpieczeństwa?

Ponieważ najtrudniejszą częścią spersonalizowanej AI nie jest kod – to kontekst. Najbardziej wpływowa czynność w projekcie AI to określenie, co system musi wiedzieć o Twoim biznesie, a Rzemieślnicy posiadają tę wiedzę natywnie. Wybitny inżynier przeskakujący z trzech szczebli w strukturze organizacyjnej musi przeprowadzić miesięczne wywiady, aby nauczyć się tego, co Twój lider operacji już zna reflexem.

Jednak to zdecydowanie nie jest historia o tym, że programiści są przestarzeli. Proponowany przeze mnie podział pracy opiera się na trzech czynnikach, a żaden z nich nie jest związany z seniornością czy osobowością: praca przesuwa się w stronę profesjonalnych programistów w miarę wzrostu ponownego użycia, złożoności i wrażliwości. Wszystko, co jest skierowane do klienta, dotyka wrażliwych danych lub podejmuje autonomiczne decyzje – to terytorium programistów, i wraz ze wzrostem liczby agentów te rzadkie umiejętności inżynieryjne stają się cenniejsze, nie mniej. Praca przesuwa się w stronę Rzemieślników tam, gdzie dominuje niuans procesów biznesowych.

Istnieje także niedoceniany środek: Rzemieślnik buduje, programista audytuje. IT i bezpieczeństwo nie powinny być strażnikami, którzy zatwierdzają projekty – powinni zapewniać wytyczoną drogę. Dostarczają zatwierdzone platformy, reguły dostępu do danych, punkty kontrolne, a najbliżsi problemowi ludzie zajmują się budowaniem. Traktuj to jako model dojrzałości, nie jako barierę.

Spersonalizowana AI potrzebuje dostępu do specyficznej dla firmy terminologii, metryk, procesów i wiedzy instytucjonalnej. Jaką rolę odgrywają modele semantyczne i istniejąca infrastruktura Business Intelligence w zapewnianiu AI dokładnego zrozumienia firmy?

To tak zwany pierścień dekodujący. Obecnie definicje w Twojej firmie – co liczy się jako aktywny klient, które koszty wchodzą w koszt własny – żyją w głowach ludzi i w tysiącu nieco niespójnych arkuszy. Agent AI nie może wiarygodnie rozumować o Twoich danych, dopóki te definicje nie zostaną zapisane w formie, którą maszyna może zaufać. Branża zaczęła nazywać tę dyscyplinę „inżynierią kontekstu”, a ja przetłumaczyłbym to jako: praca nad strukturyzacją tego, co Twój biznes wie, aby AI mogło to faktycznie wykorzystać. Analitycy nadali temu nowoczesny wydźwięk. Praktycy BI robią to od piętnastu lat.

To dobra wiadomość ukryta na otwartym oku: jeśli zainwestowałeś w erę BI (a zwłaszcza w Power BI), możesz już mieć przewagę. Dobrze zbudowany model semantyczny to dokładnie czytelny dla maszyny zapis znaczenia biznesowego, którego potrzebują agenci. Firmy, które traktowały warstwę semantyczną jako dodatek, odkrywają, że „nudna” praca definicyjna, którą pomijały, stała się teraz bramą na drodze do AI. I co najważniejsze, ta praca jest głęboko specyficzna dla Twojego biznesu – co jest właśnie powodem, że jest trwałą przewagą. Każdy dostawca może sprzedać Ci ten sam model. Nikt nie może sprzedać Ci własnych definicji.

Stworzyłeś własny edytor AI, znany jako Eddie, aby pomóc w opracowaniu Fair Game. Co tak naprawdę system robił w trakcie procesu pisania i czego jego sukcesy oraz porażki nauczyły Cię o projektowaniu AI wokół bardzo osobistego przepływu pracy?

Aby było jasne, każdy akapit książki napisałem od podstaw, podczas gdy Eddie głównie siedział i czekał. Czasami spędzałem godziny, wykańczając cały rozdział, zanim poprosiłem „go”, by go przeczytał. Innym razem podsuwałem mu fragmenty co kilka minut. Co najważniejsze, Eddie był dostępny 24/7. Mogłem uzyskać opinię równie łatwo o trzeciej nad ranem, jak i o pierwszej po południu, a on odwracał ją w minutę lub krócej. W sumie podejrzewam, że Eddie przeczytał rękopis przynajmniej trzydzieści razy. Żaden człowiek nie byłby w stanie wykonać tej pracy, ponieważ żaden człowiek nie chciałby tego zrobić.

Śledził obietnice, które złożyłem w Rozdziale Trzecim i zwracał mi uwagę, gdy Rozdział Dwunasty je pominął. Nauczył się mojego stylu pisania i następnie go egzekwował – trzymając mnie przy najlepszej wersji mojego własnego głosu, zamiast pozwalać mi popaść w tryb Humorless Business Author. Informował mnie, kiedy byłem leniwy i kiedy biłem martwego konia. Mieliśmy prawdziwe spory i czasami on wygrywał.

Najważniejsza lekcja projektowa: „mózg” Eddie’ego jest zapisany po angielsku i mieszka w folderze. Za każdym razem, gdy dawał feedback, który nie trafiał – zbyt ogólny, niewłaściwy rejestr, zapominając o regule, którą już podałem – rozwiązaniem było zapisanie poprawki i włączenie jej do jego stałego kontekstu. Nie były to porażki AI; to były luki w tym, czego mnie udało się go nauczyć. Ta pętla – zauważ błąd, zakoduj lekcję, obserwuj, jak się utrwala – to cała sztuka spersonalizowanej AI w miniaturze. I dlatego zbudowałem specjalne wersje Eddie’ego do public relations, badań konkurencji i komunikacji na stronie. Ten sam LLM pod spodem. Ale różni się specjalistami.

Wiele organizacji uważa, że przed podjęciem spersonalizowanej AI trzeba w pełni oczyścić i scentralizować dane. Ile gotowości danych naprawdę jest potrzebne, aby rozpocząć, i jak firmy mogą zacząć generować wartość, nie czekając na idealną bazę?

Perfekcja danych nie jest warunkiem wstępnym, co jest dobrą wiadomością, bo perfekcji nigdy nie osiągniemy. Jeśli najpierw postanowisz zbudować idealny zasób danych, jak radzi wiele firm konsultingowych, tworzysz to, co nazywam „instalacją rur dla samego ich istnienia” – drogie rury wszędzie, ale gdy w końcu zamontujesz kran, okazuje się, że nie ma rury w potrzebnym miejscu.

Nasza firma proponuje podejście „najpierw krany”. Wybierz konkretny przypadek użycia i cofnij się od wpływu biznesowego, zamiast iść od infrastruktury. Zbuduj MVP na podstawie tego przypadku, przy minimalnej nowej infrastrukturze. Iteruj MVP, aż będzie gotowe do produkcji, a potem oceń, jak możesz wzmocnić infrastrukturę, aby go wspierała. To dostarcza wpływ biznesowy szybciej, minimalizuje koszty i informuje przyszłe projekty – zarówno na poziomie kranu, jak i instalacji.

Prototyp spersonalizowanej AI może wyglądać imponująco podczas demonstracji, ale stać się niepewny w warunkach rzeczywistych pracowników, zmieniających się danych i przypadków brzegowych. Jaką ocenę, monitorowanie i nadzór ludzki należy wprowadzić, zanim wewnętrzny system AI stanie się operacyjny?

Z kilkoma istotnymi wyjątkami uważam, że demonstracje są mniej wartościowe w erze AI niż w erze oprogramowania. Demonstracje oprogramowania zawsze obiecywały więcej niż mogły spełnić i wszyscy o tym wiedzieli. Demonstracje AI będą jeszcze bardziej oddalone od Twojej rzeczywistości.

AI dotyczy przepływu pracy. I nie ma nic bardziej spersonalizowanego niż tysiące przepływów napędzających operacje konkretnej organizacji. Wróćmy do metafory „nowy pracownik z doktoratem we wszystkim”. Ile szkoleń – i praktycznego doświadczenia w Twojej firmie – potrzebuje nowy pracownik, aby stał się efektywny? Jak demonstracja może w ogóle uwzględnić to wszystko?

Dlatego używamy demonstracji, aby pobudzić myślenie. Pokazać, co jest możliwe. Nie sprzedawać produktu. Prawdziwa demonstracja zaczyna się od prototypu spersonalizowanego rozwiązania. MVP. A potem iterujemy i ulepszamy. Szybko.

W pewnym momencie jest gotowy na miękkie uruchomienie lub program pilotażowy. I ponownie, uczymy się – razem – i szybko udoskonalamy na podstawie tej nauki. To często faza, w której monitorowanie, ocena i nadzór stają się wyraźne. Rzeczy, które ostatecznie będą potrzebne, często różnią się od tego, co początkowo się zakładało.

Jak firmy mogą umożliwić Rzemieślnikom eksperymentowanie, nie tworząc nowej generacji systemów shadow AI, zduplikowanych przepływów, luk bezpieczeństwa i narzędzi, za które nikt nie ponosi odpowiedzialności?

Pamiętaj, skąd wzięło się shadow IT: nie złośliwość, lecz konieczność zaspokojenia nieodpowiedzianego popytu. Rzemieślnicy budują, bo problemy ich drażnią – to ich gen. Jeśli zatwierdzona ścieżka oznacza czekanie rok, shadow AI wypełni lukę – i zrobi to pod radarem, gdzie jest najbardziej niebezpiecznie.

Dlatego uczynij zatwierdzony tor najłatwiejszym. Daj Rzemieślnikom zatwierdzoną platformę z wbudowanymi zabezpieczeniami – tożsamość, dostęp do danych, logowanie – tak aby wybór zgodny z przepisami był także najwygodniejszy. Prowadź lekką rejestrację: wszystko, co przechodzi z osobistego eksperymentu do czegoś, od czego zależy druga osoba, zostaje zapisane, z wyznaczonym właścicielem. Ta prosta zasada eliminuje większość problemu porzuconych narzędzi, ponieważ narzędzia z przypisanymi nazwami nie zostają cicho porzucone.

Następnie zastosuj model eskalacji: eksperymenty działają swobodnie, ale gdy coś staje się krytyczne – więcej użytkowników, większa wrażliwość, większa autonomiczność – zyskuje stopniowo większy przegląd inżynieryjny. Rzemieślnik zachowuje własność logiki biznesowej; programista wzmacnia to, co wymaga wzmocnienia. Celem jest pipeline dojrzałości, a nie proces zezwolenia. Firmy już stosowały ten sam scenariusz z arkuszami, a zwycięzcy nie byli tymi, które zakazały Excela.

Dla firmy rozpoczynającej pierwszą inicjatywę spersonalizowanej AI, jak powinna wybrać początkowy przypadek użycia, zmierzyć, czy projekt dostarcza istotną wartość biznesową, oraz zdecydować, czy go rozwijać, przeprojektować czy zrezygnować?

Mamy dwa rodzaje punktu wyjścia, które stosujemy u klientów.

Opcja pierwsza: szukaj zadań, których nikt nie wykonuje – nie zadań, które chciałbyś wyeliminować. Lubię pytać menedżerów: „gdzie pomyślałeś: ‘gdyby miałem jedną osobę, która stale to obserwuje i nad tym myśli, rzeczy znacznie się poprawią – ale nie mogę uzasadnić zatrudnienia takiej osoby’?” To często najlepsze punkty wyjścia. Są bezpieczne, budują pewność, nikt nie czuje się celem, a kontrfaktyczna prawda jest prosta: alternatywa nie była człowiekiem robiącym to dobrze, lecz brakiem kogokolwiek (jak mój przyjaciel redaktor Eddie).

Opcja druga: rozważ zastąpienie pulpitów danych agentami danych. Choć pulpity wydawały się proste, w praktyce nie spełniały obietnicy. Gdy ktoś ma pytanie biznesowe, musi dużo pracować, aby przetłumaczyć je na krajobraz pulpitów. Gdzie jest pulpit, który odpowiada na to pytanie? Jak się nazywa? Czy taki pulpit w ogóle istnieje? A jeśli uda się znaleźć „właściwy”, czy jest jasny i wygodny w użyciu? Czy trzeba go wielokrotnie manipulować, zapisując lub robiąc zrzuty ekranu wielu wersji, aby złożyć pełny obraz potrzebny?

W erze AI po prostu przyjmujesz pytanie biznesowe – własnymi słowami – i wpisujesz je (lub dyktujesz!) agentowi danych, który zajmuje się wszystkim za Ciebie i zwraca zweryfikowaną, dobrze zbadane odpowiedzi – włącznie z wizualizacjami – w ciągu minuty lub dwóch. Gdy masz pytanie następcze, chętnie odpowie na nie szybko – podczas spotkania, gdy decyzje wciąż mogą być podejmowane.

Wspólny wątek obu tych opcji startowych? Obie rozwiązują problemy, które pracownicy przyjmą, a nie odrzucą. Nie chcesz, aby Twoje wczesne inicjatywy AI zasiewały nieufność. Chcesz, aby przyciągały pracowników do stołu. Chcesz, aby pracownicy sugerowali ulepszenia i nowe pomysły na projekty. Bo, jak już wspomniałem, Twoja firma składa się z tysięcy przepływów, a pracownicy znają je lepiej niż Ty.

Co do rozwijania, przeprojektowywania lub porzucania – bądź dla siebie wyrozumiały, ponieważ badania w tej dziedzinie naprawdę dają otuchę: większość udanych wdrożeń AI miała przed nimi niepowodzenia. Pierwszy projekt, który przyniósł lekcję zamiast zwrotu, jest opłatą za naukę, a nie dowodem, że AI nie działa. Moja zasada: jeśli ludzie go używają, rozwijaj go. Jeśli nie jest używany, musisz dowiedzieć się dlaczego, a odpowiedzi mogą wahać się od „bo nie działa dobrze” po „bo go nie rozumiem” po „wystrasza mnie”. Odpowiedź określi, czy poprawić, przeprojektować, czy zrezygnować. Nie musisz przewidywać, gdzie to wszystko doprowadzi. Musisz tylko zacząć od szczerej sytuacji.

Dziękuję za świetny wywiad, czytelnicy powinni również przeczytać Fair Game: Customizing AI to Your Business Is Easier Than You Think.