Victor Coimbra, dyrektor ds. technologii i partner zarządzający w Artefact – cykl wywiadów

Victor Coimbra jest dyrektorem ds. technologii i partnerem zarządzającym w Artefact, gdzie kieruje pracami z zakresu sztucznej inteligencji, analityki danych i inżynierii w obu Amerykach. Jego kariera łączy doświadczenie w strategii biznesowej zdobyte w Bain i Accenture z praktycznym kierowaniem zespołami wdrażającymi systemy sztucznej inteligencji i uczenia maszynowego w złożonych środowiskach przedsiębiorstw. Koncentruje się na pomaganiu organizacjom w przekładaniu możliwości technicznych na mierzalne wyniki biznesowe, w tym na tworzeniu architektury, struktur zarządzania i modeli operacyjnych niezbędnych do skalowania sztucznej inteligencji.

Artefact to globalna firma doradcza specjalizująca się w danych i sztucznej inteligencji, która pomaga przedsiębiorstwom opracowywać strategie, tworzyć platformy danych, wdrażać rozwiązania AI i zarządzać zmianami organizacyjnymi. Działa w wielu branżach, w tym w usługach finansowych, ochronie zdrowia, przemyśle i handlu detalicznym. Przed wydarzeniem Adopt AI Summit, które odbędzie się 3–4 grudnia 2026 r. w Grand Palais w Paryżu, Coimbra opowiada o tym, jak przedsiębiorstwa mogą wyjść poza projekty pilotażowe, budować zespoły łączące ludzi i agentów AI oraz mierzyć wartość sztucznej inteligencji w środowisku produkcyjnym.

Kariera zaprowadziła Cię od strategii biznesowej w Accenture do kierowania zespołami zajmującymi się sztuczną inteligencją, analityką danych i inżynierią w Artefact w obu Amerykach. Jak połączenie doradztwa strategicznego z praktycznym przywództwem technicznym wpłynęło na Twoje podejście do pomagania przedsiębiorstwom w przekładaniu inwestycji w AI na mierzalne wyniki biznesowe?

Nauczyło mnie to, by zawsze łączyć strategię AI z jej wdrażaniem. Praca nad strategią w Bain i Accenture pokazała mi, że kierownictwo inwestuje w zmianę konkretnej pozycji rachunku zysków i strat. Inżynieria uświadomiła mi, że znaczna część tej wartości może zaginąć między prezentacją a wdrożeniem produkcyjnym.

Obecnie AI dotyczy w mniejszym stopniu technologii, a w większym budowania przewagi konkurencyjnej wokół podstawowych operacji biznesowych. Kluczowe pytanie brzmi: jak przełożyć indywidualną produktywność na wartość dla całego przedsiębiorstwa, tworząc rzeczywiście wspólną zdolność poznawczą w całej firmie?

Wymaga to połączenia strategii z wdrażaniem, a wiele nauczyłem się, zajmując się jednym i drugim.

Mimo znacznych inwestycji w sztuczną inteligencję wiele organizacji nadal ma trudności z wyjściem poza udane projekty pilotażowe. Jakie, z Twojego doświadczenia, są najczęstsze przeszkody uniemożliwiające wdrożenie inicjatyw AI w środowisku produkcyjnym i co wyróżnia firmy, którym udaje się skutecznie skalować wdrożenia?

Z mojego doświadczenia wynika, że wiele projektów pilotażowych nie posuwa się naprzód, ponieważ AI wprowadza się do organizacji zaprojektowanej wyłącznie z myślą o ludziach. Sama technologia zwykle działa. Często nadal nie jest jednak jasny podział pracy: które zadania należą do agentów, które pozostają po stronie ludzi, kto sprawdza rezultaty i kto za nie odpowiada.

Ponadto skalowanie zwykle spowalniają 3 kwestie: koszty tokenów, które gwałtownie rosną przy rozliczaniu za wykorzystanie, bezpieczeństwo i zarządzanie oraz wdrażanie, które nigdy nie przekłada się z samego dostępu na rzeczywiste korzystanie.

Firmy, które skutecznie skalują AI, traktują ją jako element przeprojektowania organizacji. Dzielą proces wdrażania na 2 pętle. W wewnętrznej agenci wykonują cały proces od początku do końca: piszą kod, budują, testują, wysyłają zmiany i weryfikują rezultaty. W zewnętrznej ludzie wyznaczają cel, sprawdzają wynik oraz monitorują koszty i jakość. Następnie tworzą jedną platformę bazową i wykorzystują ją ponownie w każdym przypadku użycia.

Piszesz o tym, jak ważne jest budowanie organizacji natywnej dla AI, zamiast po prostu dodawać chatboty i asystentów do istniejących systemów. Jakie fundamentalne zmiany w architekturze technologicznej przedsiębiorstw są konieczne, aby wesprzeć tę transformację, i w które obszary firmy obecnie inwestują zbyt mało?

Firma natywna dla AI działa w oparciu o platformę, która składa się z 4 warstw: środowiska sterującego, kontekstu, modelu i infrastruktury. Środowisko sterujące to przestrzeń, w której ludzie i agenci spotykają się i pracują — cała aplikacja otaczająca model. Kontekst określa, co wiedzą agenci i jakie mają uprawnienia. Warstwa modelu odpowiada za dostęp do modeli, kierowanie do nich zapytań i zarządzanie nimi przy odpowiednim poziomie kosztów. Infrastruktura to miejsce, w którym modele faktycznie działają, oraz podmiot, który przechowuje klucze dostępu.

Nic dziwnego, że większość uwagi skupia się na widocznych 20%: asystentach i narzędziach czatowych. Ukryte 80% to obszar, w którym wykonuje się większość prac inżynieryjnych i podejmuje decyzje dotyczące kosztów, bezpieczeństwa oraz kontroli.

Moja rada jest prosta: kupuj ogólne środowiska sterujące, a te wyspecjalizowane branżowo twórz samodzielnie. Korzystaj z modeli i infrastruktury w formie wynajmu i eksperymentuj z nimi, bo zmieniają się co kwartał. Całkowitą kontrolę zachowaj natomiast nad kontekstem. To warstwa, która naprawdę należy do Ciebie i w którą, moim zdaniem, warto inwestować więcej niż w jakąkolwiek inną.

W miarę jak AI przechodzi od wspierania pracowników do samodzielnego realizowania złożonych procesów, jak organizacje powinny określać, które z nich nadają się do automatyzacji agentowej? Jakie zabezpieczenia techniczne i operacyjne należy wprowadzić, zanim agentom AI przyzna się większe uprawnienia decyzyjne?

Moim zdaniem agenci bardzo dobrze radzą sobie z pracą odnoszącą się do przeszłości, a ludzie — z pracą skierowaną ku przyszłości. Agenci świetnie wykonują zadania oparte na istniejących informacjach, takie jak analityka, programowanie, testowanie, dokumentowanie i uzgadnianie danych. Ludzie odpowiadają za to, co wymaga kreatywności, która z definicji jest skierowana w przyszłość: wyczucie, wizję, planowanie, podejmowanie decyzji i ocenę, czy rezultat jest rzeczywiście dobry.

W praktyce odpowiada to podziałowi na 2 pętle. Agenci realizują wewnętrzną pętlę i wykonują zadania. Ludzie nadzorują zewnętrzną: wyznaczają cel, weryfikują rezultaty i monitorują przebieg.

Zabezpieczenia są wbudowane w system, a nie formułowane w promptach. Korzystamy z 6 warstw środowiska kontrolnego: rejestrowania zadań, pamięci, bezpiecznego środowiska pracy z odizolowanym środowiskiem wykonawczym i systemem uprawnień, pętli z punktami kontrolnymi i możliwością uzyskania wyjaśnień, routingu modeli oraz mechanizmów ochronnych określających, czego agent nie może zrobić samodzielnie, takich jak wymagane zatwierdzenia przez człowieka, kontrole zgodności z zasadami i zabezpieczenia danych osobowych (PII). Autonomia rośnie wraz z udokumentowanymi osiągnięciami, tak samo jak w przypadku nowego pracownika.

Opisuje Pan agentów AI jako członków zespołu, a nie tradycyjne narzędzia programowe. Jak takie podejście zmienia sposób, w jaki organizacje powinny budować zespoły, przydzielać obowiązki i szkolić pracowników do współpracy z coraz bardziej autonomicznymi systemami AI?

Organizacje hybrydowe już istnieją. Najważniejsze pytanie, jakie sobie teraz zadaję, dotyczy podziału pracy między ludzi a agentów. Uważam, że to klucz do skalowania.

W zespole hybrydowym schemat organizacyjny odzwierciedla podział potencjału poznawczego, a nie liczbę pracowników. Typowy podział, jaki obserwuję w dojrzałym zespole technologicznym, to 15% zadań wykonywanych wyłącznie przez ludzi, 25% pracy wspomaganej przez AI i 60% zadań realizowanych przez agentów. Szef IT wyznacza kierunek, przydziela zasoby i odpowiada za wyniki oraz koszty. Starszy programista weryfikuje pracę agentów i podejmuje decyzje dotyczące architektury. Agent koordynujący rozdziela zadania i raportuje koszty, a agent weryfikujący sprawdza każdą realizację.

Korzyści kumulują się w 3 etapach. Pracownicy wspomagani przez AI osiągają około 5x większą wydajność. Agenci działający jak syntetyczni pracownicy i realizujący zadania od początku do końca — około 10x. Uważam, że potencjał wzrostu 1000x tkwi w koordynowaniu obu tych grup jako jednej siły roboczej.

Szkolenie przebiega według tej samej logiki. Ludzie uczą się zlecać zadania agentowi tak jak młodszemu inżynierowi — przekazując mu uporządkowany kontekst i jasno określając oczekiwane rezultaty — oraz poświęcać swój czas na ocenę jakości, planowanie i podejmowanie decyzji.

Systemy AI dla przedsiębiorstw w dużym stopniu zależą od niezawodnej infrastruktury danych, a mimo to wiele organizacji nadal zmaga się z rozproszonymi danymi, niespójnym ładem danych i przestarzałymi technologiami. Jakie podstawowe możliwości powinny rozwijać firmy, przygotowując platformy danych do obsługi agentowej AI, i jak mogą je unowocześniać bez zakłócania bieżącej działalności?

Projektuj platformę danych z myślą o nowym rodzaju użytkownika: agentach. Gdy na pulpicie pojawi się błędna liczba, człowiek ją zakwestionuje. Agent, widząc błędną liczbę, podejmie na jej podstawie działania — i zrobi to na dużą skalę.

Priorytetowo potraktuj 4 obszary. Wspólne definicje biznesowe, dzięki którym każdy agent i każdy zespół tak samo rozumie pojęcie „aktywnego klienta”. Brama integracyjna z uwierzytelnianiem i standardowymi protokołami, takimi jak MCP, aby agenci uzyskiwali dostęp do danych z uprawnieniami przypisanymi do roli, w której działają. Monitorowanie jakości i pochodzenia danych. Oraz traktowanie danych nieustrukturyzowanych jako pełnoprawnego zasobu, ponieważ większość rzeczywistej wiedzy znajduje się w umowach, zgłoszeniach i notatkach ze spotkań.

Aby unowocześniać systemy bez zakłóceń, zacznij od obudowania starszych systemów warstwą integracyjną, a następnie migruj je, przypadek użycia po przypadku użycia. Agenci zmieniają też ekonomikę tego procesu. Wieloagentowe potoki migracyjne pozwalają dziś unowocześniać setki tysięcy wierszy starszego kodu w ciągu kilku miesięcy, przy czym decyzje dotyczące architektury podejmują ludzie.

Oprócz dostępu do danych ustrukturyzowanych agenci AI coraz częściej muszą rozumieć wiedzę instytucjonalną, procesy biznesowe i kontekst organizacyjny. Jak przedsiębiorstwa mogą skutecznie gromadzić tę wiedzę i integrować ją ze swoimi systemami AI, a jakie ryzyko wiąże się z działaniem agentów bez wystarczającego kontekstu biznesowego?

Kontekst sprawia, że model staje się współpracownikiem. Narzędzia rozumieją zadania, a agenci — kontekst. Nie prosisz młodszego inżyniera o pracę bez wyjaśnienia celu, ograniczeń i kryteriów dobrej realizacji; z agentem jest tak samo.

Gromadź wiedzę bezpośrednio podczas pracy, zamiast tworzyć obszerne dokumenty, które trudno aktualizować. Każde spotkanie, zgłoszenie, decyzja i korekta zasilają warstwę kontekstową łączącą pliki, tabele, wektory i graf powiązań. Po każdym ukończonym zadaniu informacje są zapisywane z powrotem w pamięci, dzięki czemu organizacja uczy się przy każdej realizacji. Kontekst również wymaga własnego ładu: ewaluacji, uprawnień i kontroli kosztów.

Bez kontekstu agenci zwykle napotykają kilka przewidywalnych trudności. Trzymają się zapisanych zasad, ale pomijają niepisane reguły, które wszyscy znają. Wyszukują niewłaściwe informacje i odpowiadają z pełnym przekonaniem. Opierają się na danych z poprzedniego kwartału. A warstwa kontekstowa bez ścisłych uprawnień może narazić wrażliwe dane na ryzyko.

Wiele firm mierzy sukces AI wzrostem produktywności, poziomem adopcji lub liczbą uruchomionych projektów pilotażowych. Jakich wskaźników powinni używać dyrektorzy ds. informatyki i liderzy biznesowi, aby ocenić rzeczywisty zwrot z inwestycji w AI, zwłaszcza gdy uwzględniają koszty infrastruktury, bieżącego utrzymania i złożoność operacyjną autonomicznych agentów?

Mierz efektywność hybrydowej siły roboczej, a nie narzędzia. Adopcja to dopiero pierwszy z 4 poziomów; każdy należy oceniać względem wartości bazowej ustalonej przed wdrożeniem. Adopcja odpowiada na pytanie, czy ludzie korzystają z narzędzia. Produktywność — czy realizujemy zadania szybciej: mierzą ją czas realizacji, przepustowość i czas rozwiązania problemu. Jakość — czy wyniki są lepsze: wskazują na nią błędy, które przedostały się do produkcji, odsetek nieudanych zmian i konieczność ponownego wykonania pracy. Wartość i koszty — czy to się opłaca: mierzą je uwolnione nakłady pracy, czas wprowadzenia produktu na rynek i pełny koszt realizacji zadania.

Łatwo przeoczyć jeden wskaźnik: to, jak zmienia się podział potencjału poznawczego między ludźmi a agentami w poszczególnych zespołach. Uwolnione zasoby ludzkie trzeba celowo przeznaczać na zadania związane z przyszłym rozwojem. W przeciwnym razie część korzyści zostanie utracona.

Jeśli chodzi o koszty, model rozliczeń przechodzi od stałych opłat do opłat zależnych od wykorzystania, przez co trudniej przewidzieć wysokość rachunków. Dlatego kierowanie zapytań do modeli i FinOps powinny być częścią platformy od pierwszego dnia. Wydatki na AI należy traktować tak jak wydatki na chmurę: powinny być widoczne, przypisane do zespołu i powiązane z uzyskiwaną wartością.

Artefact współpracuje z przedsiębiorstwami z sektora usług finansowych, ochrony zdrowia, produkcji, handlu detalicznego i innych branż, w których wdrażanie AI wiąże się z różnymi wyzwaniami. Jakie wnioski płyną z wdrożeń w tych sektorach i jak organizacje powinny równoważyć innowacyjność z wymogami zgodności z przepisami, niezawodnością i nadzorem człowieka?

Każda branża staje przed tym samym pytaniem: jak podzielić pracę między ludzi a agentów. Zmienia się natomiast to, jaka część zewnętrznej pętli musi pozostać pod kontrolą człowieka. W handlu detalicznym i branży dóbr konsumpcyjnych pomyłki niewiele kosztują, dlatego agenci szybciej przejmują większą część pracy. W produkcji tempo wyznaczają niezawodność i integracja z systemami operacyjnymi. W usługach finansowych i ochronie zdrowia każda decyzja musi być możliwa do wyjaśnienia, dlatego ludzie przez dłuższy czas zachowują większy udział w weryfikacji i podejmowaniu decyzji.

Wszędzie dostrzegam tę samą prawidłowość: zgodność z przepisami najlepiej sprawdza się jako właściwość platformy, uwzględniona w niej od samego początku. Gdy mechanizmy zabezpieczające, dzienniki audytowe i zatwierdzenia przez ludzi są częścią środowiska wykonawczego, każde nowe zastosowanie automatycznie je uwzględnia. Jeśli kwestie zgodności z przepisami pojawiają się dopiero na końcu, przy każdym nowym projekcie trzeba zaczynać tę rozmowę od nowa.

Nadzór powinien być stopniowany. W przypadku zadań niskiego ryzyka agenci działają samodzielnie, przy średnim ryzyku są poddawani kontroli w wyjątkowych sytuacjach, a przy wysokim ryzyku jedynie przygotowują decyzję. Poziom nadzoru zmienia się wraz z budowaniem zaufania.

W związku z tym, że w grudniu tego roku w Paryżu odbędzie się szczyt Adopt AI Summit organizowany przez Artefact, coraz większego znaczenia nabierają dyskusje o suwerenności w obszarze AI, zarządzaniu i konkurencyjności przemysłu. Jak, Pana zdaniem, podejście Europy do wdrażania AI wpływa na globalne strategie przedsiębiorstw i jakie zmiany, według Pana, wyznaczą kierunek rozwoju AI w przedsiębiorstwach w nadchodzących latach?

Europa jako jedna z pierwszych zaczęła zadawać pytanie o suwerenność i sądzę, że staje się ona globalną zasadą projektowania. Międzynarodowe korporacje nie chcą tworzyć osobnej architektury dla każdego zestawu przepisów, dlatego projektują rozwiązania zgodnie z najbardziej rygorystycznymi wymogami: zachowują własny kontekst, wynajmują modele i kontrolują, gdzie są one uruchamiane oraz kto ma klucze. Kolejną szansą dla Europy jest równie zdecydowane podejście do wdrażania AI, ponieważ o konkurencyjności zdecyduje jej wykorzystanie na dużą skalę.

Kolejnym etapem będzie organizacja hybrydowa, która, jak sądzę, stanowi przyszłość pracy. Firmy przejdą od liczenia pracowników do zarządzania wspólnymi zasobami poznawczymi ludzi i agentów. Agenci przejmą większość zadań związanych z analizą przeszłości: analizowanie danych, pisanie kodu i sporządzanie raportów. Ludzie zajmą się zadaniami ukierunkowanymi na przyszłość: wyczuciem, wizją, planowaniem i podejmowaniem decyzji.

Uważam, że przewodnictwo obejmą firmy, które jako pierwsze rozwiążą problem podziału pracy. Właśnie o tym chcę rozmawiać w Paryżu, aby wyznaczyć kierunek na kolejne lata.

Dziękuję za ciekawą rozmowę. Czytelników, którzy chcą dowiedzieć się więcej o wdrażaniu AI w przedsiębiorstwach, przepływach pracy opartych na agentach i transformacji danych, zapraszamy na stronę Artefact.