AI łatwo robi efektowne demo.
Znacznie trudniej pokazać, że tworzy realną wartość.
Model odpowiada na pytania.
Generuje komentarz.
Prezentacja wygląda nowocześnie.
Ale po sześciu miesiącach zarząd może zapytać:
Ile właściwie na tym zyskaliśmy?
Jeżeli nie potrafimy odpowiedzieć, projekt ma problem.
Najpierw baseline
Przed wdrożeniem trzeba wiedzieć, jak proces wygląda dzisiaj.
Jeżeli przygotowanie raportu zarządczego wymaga 80 godzin pracy miesięcznie, a po wdrożeniu 35, odzyskaliśmy 45 godzin.
To łatwo policzyć.
Ale ROI z AI może występować na kilku poziomach.
1. Efektywność
Ile pracy udało się ograniczyć?
Ile procesów manualnych zniknęło?
2. Jakość
Czy zmniejszyła się liczba błędów?
Czy informacje są bardziej spójne?
3. Szybkość
Czy zarząd otrzymuje informacje wcześniej?
Czy forecast jest aktualizowany częściej?
4. Jakość decyzji
Czy problem został wykryty wcześniej?
Czy controller ma więcej czasu na analizę?
Czy manager otrzymuje lepsze scenariusze?
5. Wynik biznesowy
To najtrudniejszy, ale najważniejszy poziom.
Przykładowo:
system wcześniej wykrył pogarszającą się rentowność grupy klientów → zmieniono pricing → marża poprawiła się o X.
Albo:
system wskazał wzrost ryzyka należności → organizacja szybciej zareagowała → ograniczono ekspozycję.
Tutaj technologia zaczyna wpływać nie tylko na controlling, ale na ekonomię firmy.
Nie każdy PoC powinien być skalowany
Projekt może działać technicznie i nie mieć sensu biznesowego.
Jeżeli automatyzacja oszczędza dwie godziny miesięcznie, ale utrzymanie rozwiązania kosztuje kilkadziesiąt tysięcy rocznie, zamiast sukcesu mamy ciekawy eksperyment.
Dlatego jeszcze przed prototypem warto ustalić:
Po czym poznamy, że projekt warto rozwijać?
Największy ROI nie musi też oznaczać redukcji etatów.
Ten sam zespół może analizować więcej danych, wcześniej wykrywać problemy, częściej aktualizować forecast i spędzać więcej czasu z biznesem.
Dlatego końcowe pytanie nie powinno brzmieć tylko:
Lepiej zapytać:
To znacznie ambitniejsza miara. I moim zdaniem właściwa.