Najwięcej czasu tracicie zwykle wtedy, gdy sprawa czeka w kolejce albo przechodzi między osobami. Jeśli AI przyspiesza tylko pracę, oszczędzacie minuty, choć cały proces nadal trwa tygodniami.
Przed wyborem narzędzia sprawdźcie, ile trwa cały obieg, ile z tego zajmuje faktyczna praca i gdzie sprawa stoi. Dopiero wtedy rozdzielcie kroki między reguły, ocenę AI i decyzję człowieka.
W lipcu 1990 roku Michael Hammer, wcześniej profesor informatyki na MIT, próbował na łamach Harvard Business Review wyjaśnić, dlaczego firmy wydały ogromne pieniądze na komputery, a dostały tak mało. Jego diagnoza była prosta: technologia rozczarowała, bo służyła głównie do mechanicznego przyspieszania starych sposobów pracy. Same procesy pozostały bez zmian.
Hammer nazwał to „brukowaniem krowich ścieżek", czyli utrwalaniem starej, krętej drogi zamiast wytyczenia nowej. Dziś w jego zdaniu wystarczy podmienić „technologię informacyjną" na „AI". Firma kupuje licencje i szkoli zespół, lecz proces wygląda tak samo jak wcześniej. Przyspieszają jedynie jego poszczególne kroki.
Wniosek o polisę przechodził przez nawet 30 kroków, 5 działów i 19 osób. Typowy obieg trwał od 5 do 25 dni, a większość tego czasu zajmowało przekazywanie sprawy między działami. Inny ubezpieczyciel policzył, że jego wniosek spędzał w procesie 22 dni, choć faktyczna praca trwała 17 minut.
Po przeprojektowaniu: jedna osoba prowadziła sprawę od początku do końca, a system i eksperci wspierali ją wtedy, gdy byli potrzebni. Średni obieg skrócił się do 2-5 dni, a firma obsługiwała ponad dwa razy więcej wniosków.
Policzmy, co dałby tam najlepszy model AI. Gdyby każdy krok pracy przyspieszył dwukrotnie, firma zaoszczędziłaby osiem i pół minuty w procesie trwającym 22 dni. Raport mógłby pokazać „50% oszczędności czasu pracy", ale klient nadal czekałby prawie tyle samo. Problemem były kolejki, nie tempo pisania czy sprawdzania dokumentów.
Brytyjskie Ministerstwo Biznesu i Handlu (Department for Business and Trade) sprawdziło ten mechanizm na 1000 licencjach Microsoft 365 Copilot. Pilotaż trwał od października do grudnia 2024 roku, a pełna ocena ukazała się w sierpniu 2025. To jeden z nielicznych publicznie opisanych testów asystenta AI w dużej organizacji.
akcji Copilota na użytkownika dziennie, średnio przez 63 dni robocze pilotażu
badanych było zadowolonych lub bardzo zadowolonych z narzędzia
solidnych dowodów, że zaoszczędzony czas przełożył się na produktywność organizacji
Autorzy obserwowali też, jak ludzie wykonują te same typy zadań z Copilotem i bez niego, a trafność i jakość oceniali w skali 1-5. Jedne wyniki przemawiają za narzędziem, inne już nie.
Źródło: DBT, „Microsoft 365 Copilot evaluation", sierpień 2025, tabela 6. Autorzy zaznaczają, że próby w obserwowanych zadaniach były małe, a badanie produktywności nie było głównym celem ewaluacji.
Raport pokazuje, że asystent AI faktycznie pomaga w niektórych zadaniach, zwłaszcza w czytaniu i pisaniu. W innych obniża jakość, nawet gdy praca idzie szybciej. Jest też drugi problem: czas zaoszczędzony przez jedną osobę może nie poprawić wyników całej organizacji. Zadowoleni użytkownicy nie są jeszcze dowodem na sprawniejszą firmę.
W obu historiach trzeba zestawić dwie liczby, czego wiele firm wciąż nie robi. Czas pracy obejmuje minuty, w których ktoś czyta, ocenia, wpisuje lub podejmuje decyzję. Czas obiegu biegnie od przyjęcia sprawy do jej zamknięcia i zwykle liczy się go w dniach kalendarzowych. U Hammera było to 17 minut wobec 22 dni. Cała różnica kryła się w kolejkach, przekazaniach, oczekiwaniu na odpowiedź i kolejnych rundach uwag.
Asystent AI używany przez pracownika skraca głównie czas pracy, czyli wspomniane 17 minut. Klient, audytor lub wnioskodawca czeka natomiast przez cały obieg. Zespół może więc polubić narzędzie, a raport z pilotażu pokazać poprawę, choć odbiorca procesu nie zauważy żadnej różnicy.
Datę przyjęcia i zamknięcia sprawy znajdziecie zwykle w systemie obiegu, skrzynce lub arkuszu. Policzcie medianę i rozrzut dla ostatnich kilkudziesięciu spraw. Samą średnią łatwo zaburzy kilka skrajnych przypadków.
Systemy pokażą daty, lecz nie powiedzą, ile trwa sama praca. Zapytajcie o to każdą osobę uczestniczącą w procesie: ile minut zajmuje jej krok w zwykłej sprawie, a ile w trudnej.
Czekanie nie rozkłada się równo na cały proces. Najczęściej większość opóźnienia powstaje w dwóch lub trzech punktach przekazania. Właśnie tam możecie odzyskać najwięcej czasu.
Mapowanie procesu może być krótkie, pod warunkiem że obejmie cały obieg. Jeśli przez kilka tygodni dopieszczacie jeden krok, łatwo przeoczyć, że blokada leży tuż obok. Dlatego każdą diagnozę zaczynamy od siedmiu pytań.
Ustalcie, za co odpowiada proces i co dzieje się w typowej sprawie. Firmy zwykle mają opisany właśnie ten fragment.
Policzcie wyjątki, sprawdźcie, kto je obsługuje i ile kosztuje błąd. To one pochłaniają zwykle najwięcej czasu.
Sprawdźcie, kto dostarcza dane, kto czeka na wynik i co dzieje się, gdy jedna ze stron się opóźnia.
Wskażcie, gdzie są dane i który zapis uznajecie za wiążący, gdy dwa systemy podają różne wartości. Automat potrzebuje jasnej reguły.
Porównajcie oddziały, kraje i przejęte spółki. Pięć wersji jednego procesu może wymagać utrzymania pięciu narzędzi.
Zmierzcie każdy krok osobno, bo różnica między pracą a czekaniem rozkłada się nierówno.
Najdokładniejszą wiedzę mają zwykle osoby, które wykonują tę pracę od lat. Będą korzystać z nowego rozwiązania i najlepiej znają miejsca, w których proces się zacina. Systemy pokażą Wam liczby, a operatorzy wyjaśnią ich przyczyny. Potrzebujecie obu źródeł.
Po zmierzeniu procesu możecie przydzielić każdy krok do jednego z trzech koszyków. Trzeba przy tym znać sam proces oraz możliwości modelu językowego. Jeśli o podziale decyduje głównie entuzjazm wobec AI, niemal wszystko ląduje w środkowym koszyku. To zwykle najdroższy wariant.
Po takim podziale proces może zamiast 25 kroków obejmować kilka automatycznych reguł na wejściu i wyjściu, jeden lub dwa kroki oceny AI oraz dwie decyzje człowieka. Znikają głównie czynności pośrodku procesu: ściganie dokumentów, prośby o dodatkowe informacje, czekanie na odpowiedź i przepisywanie danych między arkuszami. Właśnie one rozciągały 17 minut pracy do 22 dni obiegu.
Weźmy dział szkód majątkowych w firmie ubezpieczeniowej. Każde zgłoszenie od klienta firmowego trafia do doświadczonego likwidatora. Zanim oceni samą szkodę, czyta cały pakiet: formularz, zdjęcia, faktury i protokół z miejsca zdarzenia. Sprawdza, czy niczego nie brakuje, czy daty i kwoty się zgadzają i czy dokumenty potwierdzają opisane okoliczności. Sama lektura zajmuje kilkanaście minut, ale zgłoszenie czeka w jego kolejce kilka dni, a każda prośba o brakujący dokument uruchamia obieg od nowa.
Po zmierzeniu procesu widać, jak rozdzielić tę pracę. Dane z formularza i faktur da się wyodrębnić według stałych reguł, a braki i niezgodne daty wychwycić automatycznie zaraz po wpłynięciu zgłoszenia. AI ocenia węższą kwestię: czy dokumenty potwierdzają to, co opisał klient. Każda uwaga musi zawierać dokładny cytat ze źródła, a system automatycznie odrzuca uwagę bez cytatu. Likwidator nadal decyduje o wypłacie, ale zamiast surowego pakietu plików dostaje kompletną sprawę z listą uwag i wskazaniem miejsc w dokumentach.
Przed wdrożeniem taki podział sprawdza się na kilkunastu zamkniętych sprawach, które likwidator już ocenił, również tych, przy których były wątpliwości. System zdaje sprawdzian, jeśli znajduje uwagi zgłoszone wcześniej przez likwidatora i nie dokłada fałszywych alarmów. Najważniejsza liczba dotyczy jednak całego procesu: klient szybciej dostaje prośbę o brakujący dokument, a sprawa trafia do likwidatora już kompletna, bez czekania w kolejce na pierwsze czytanie.
Diagnozę zaczynamy od mapy procesów. Mierzymy czas obiegu i czas pracy, rozmawiamy z osobami, które wykonują tę pracę na co dzień, a potem dzielimy kroki między reguły, ocenę AI i decyzję człowieka. Jeszcze przed budową ustalamy, po czym poznamy sukces. Dzięki temu po pilotażu liczby pokazują, czy warto iść dalej. Pilot działa równolegle do obecnego procesu i niczego w nim nie zmienia, dopóki testy nie potwierdzą jego trafności.
Materiał edukacyjny. Stan na 5 września 2026 roku. Liczby z raportów zewnętrznych podajemy za ich autorami, wraz z zastrzeżeniami, które sami zgłosili.
Michael Hammer, „Reengineering Work: Don't Automate, Obliterate", Harvard Business Review, lipiec-sierpień 1990. Department for Business and Trade, „Microsoft 365 Copilot evaluation", GOV.UK, sierpień 2025, oraz omówienie raportu na blogu ministerstwa.
Konto, DPA, retencja i transfer danych. Co sprawdzić, zanim proces dotknie AI.
Porównanie wariantów OpenAI, Claude, Gemini, DeepSeek, Kimi i z.ai do pracy z danymi firmowymi.
Ile danych wystarczy do pierwszego wdrożenia i dlaczego jedna definicja procesu jest ważniejsza niż jeden system.
Pomagamy firmom wybrać zastosowanie AI i wdrożyć je w codziennej pracy.