AI

Prawie 500 liderów biznesu, ekspertów technologicznych oraz przedstawicieli sektora publicznego spotkało się w Warszawie oraz online, aby wypracować wspólne odpowiedzi na kluczowe wyzwania ery cyfrowej. Trzecia edycja konferencji Symfonia Digital Day, zorganizowana pod hasłem „Algorytm polskiej gospodarki”, pokazała, że skuteczna transformacja wymaga ścisłego dialogu między przedsiębiorcami a administracją państwową. Gościem specjalnym wydarzenia była Agnieszka Radwańska. Tegoroczna odsłona konferencji Symfonii skupiła się na zdefiniowaniu, jak sztuczna inteligencja, dane oraz nowoczesne usługi cyfrowe mogą realnie wspierać rozwój gospodarczy. Program wydarzenia został ustrukturyzowany wokół trzech kluczowych filarów: wzrostu, odporności oraz gotowości. Ważnym akcentem konferencji było także ogłoszenie strategicznych zmian w strukturze organizatora. Prezes Grupy Symfonia, Piotr Ciski, poinformował oficjalnie o przekształceniu spółki Nefeni w  Symfonię Public, co podkreśla rosnące zaangażowanie Grupy w rozwój rozwiązań GovTech oraz zacieśnianie współpracy technologicznej z sektorem administracji i samorządów. Prezesem Symfonii Public został Hubert Paczkowski, dotychczasowy wiceprezes Nefeni, związany z Symfonią od 12 lat.   Block Quote Rachunek zysków i pułapki kosztowe. Jak mierzyć zwrot z inwestycji w AI   Wydarzenie otworzyła rozmowa Cezarego Szczepańskiego, dziennikarza XYZ, z Andrzejem Halesiakiem – przewodniczącym Rady Polskiego Instytutu Ekonomicznego i konsultantem Banku Światowego. W debacie zatytułowanej „W poszukiwaniu wartości. Jak mądrze wykorzystać trendy, które rewolucjonizują gospodarkę” eksperci skupili się na przeglądzie kluczowych zjawisk rynkowych oraz makroekonomicznych i praktycznych aspektach wdrażania sztucznej inteligencji w biznesie, analizując, gdzie AI realnie podnosi produktywność, a w jakich obszarach generuje nieuzasadnione koszty. W panelu praktycznym prowadzonym przez Sebastiana Goska z Symfonii udział wzięli Bartek Pucek, The Thinking Company, Weronika Krakowczyk, Polski Fundusz Rozwoju oraz Izabela Śliwka, MEGA-INSTAL. Uczestnicy dyskusji zgodnie podkreślili, że kluczem do sukcesu nie jest samo tempo adopcji innowacji, lecz precyzyjne mierzenie zwrotu z inwestycji oraz automatyzacja procesów powtarzalnych. – Zwiększenie produktywności indywidualnej osoby poprzez dostarczenie jej narzędzi nie oznacza automatycznie zwiększenia produktywności całego przedsiębiorstwa. To dwie różne rzeczy. Aby poprawić efektywność organizacji, trzeba przede wszystkim przyjrzeć się procesom, w ramach których funkcjonuje, i odpowiednio je zmienić. Samo wdrożenie nawet najlepszych narzędzi nie gwarantuje, że procesy staną się lepsze – zauważył podczas panelu Bartek Pucek, CEO The Thinking Company. Prawne ramy AI i compliance. Nowe standardy odpowiedzialności biznesu   Druga część konferencji poświęcona była budowaniu bezpieczeństwa i stabilności technologicznej. Dr Gabriela Bar z Gabriela Bar Law & AI przedstawiła konkretny plan działania na pierwsze 90 dni w kontekście unijnego rozporządzenia AI Act. Kwestie autonomii technologicznej i rozwoju krajowych rozwiązań stały się z kolei osią debaty z udziałem Marcina Dąbrowskiego z Bielik.AI, Ignacego Święcickiego z Polskiego Instytutu Ekonomicznego, Piotra Mieczkowskiego z Fundacji Digital Poland oraz Małgorzaty Ściślak z Symfonii. Realny wymiar cyberzagrożeń w erze zaawansowanego AI – w tym ataki typu deepfake czy wyłudzenia podszywające się pod kadrę zarządzającą – zaprezentował Michał Zdunowski, członek zarządu IS Consulting i założyciel Fundacji ShieldNet. – Pierwszym krokiem przygotowania organizacji do wymogów AI Act powinna być inwentaryzacja wszystkich wykorzystywanych systemów sztucznej inteligencji, zarówno tych oficjalnie wdrożonych, jak i używanych przez pracowników bez formalnej zgody. Następnie należy określić ich przeznaczenie, zidentyfikować dostawców i ocenić potencjalne ryzyko. Dopiero na tej podstawie można ustalić, które obowiązki regulacyjne dotyczą danej organizacji i jakie działania należy podjąć w pierwszej kolejności – podkreśliła dr Gabriela Bar. – Cyberbezpieczeństwo to nie tylko technologie, takie jak firewalle czy systemy antywirusowe. To przede wszystkim decyzje podejmowane na co dzień przez pracowników. W atakach socjotechnicznych, phishingu czy próbach wyłudzeń z wykorzystaniem deepfake’ów to właśnie czynnik ludzki często okazuje się najsłabszym ogniwem. Dziś przygotowanie fałszywej wiadomości głosowej czy nagrania podszywającego się pod prezesa zajmuje zaledwie kilka minut i nie wymaga zaawansowanych kompetencji technicznych – zaznaczył Michał Zdunowski. Cyfrowa integracja i autonomiczne procesy. Warunki bezpiecznego delegowania decyzji na algorytmy Ostatni blok tematyczny zarysował przyszłość relacji między sektorem publicznym a biznesem. Wizję państwa jako zintegrowanej cyfrowej platformy zaprezentował Tomasz Misiak, wiceprezes Fundacji Polska Bezgotówkowa. W debacie o formalnych i technologicznych barierach działania autonomicznych agentów AI wzięli udział Marianna Sidoroff z Ministerstwa Rozwoju i Technologii, Łukasz Stajuda z Urzędu Miejskiego w Pabianicach, Hubert Paczkowski, nowo powołany prezes Symfonii Public, Michał Tracz z Print Logistic oraz analityk trendów Arek Szulczyński. Dopełnieniem sesji było wystąpienie Aleksandry Kunysz, poświęcone przywództwu oraz zachowaniu odporności decyzyjnej kadry zarządzającej w warunkach permanentnego szumu informacyjnego. – Administracja publiczna musi korzystać z nowych technologii, żeby sprawnie realizować swoje zadania i odpowiadać na potrzeby obywateli. Automatyzacja jest potrzebna, ale musi być bezpieczna, rozliczalna i zgodna z zasadami ochrony danych. Nie możemy jednak doprowadzić do sytuacji, w której obawy związane z technologią całkowicie zablokują jej wykorzystanie. Państwo powinno działać jak platforma usługowa, dostosowana do tego, w jaki sposób obywatele chcą z niej korzystać – wskazała Marianna Sidoroff, dyrektor Departamentu Gospodarki Cyfrowej w MRiT. Mistrzowska lekcja od legendy sportu Finałowym punktem programu było wystąpienie gościa specjalnego – Agnieszki Radwańskiej. Wybitna tenisistka i przedsiębiorczyni podzieliła się doświadczeniami z zakresu zarządzania presją, podejmowania decyzji w ułamkach sekund oraz konsekwencji w dążeniu do wyznaczonych celów. Zapytana o to, czy sztuczna inteligencja może stworzyć uniwersalny model gwarantujący sukces, zarówno w sporcie, jak i biznesie,  zwróciła uwagę na znaczenie czynnika ludzkiego. – Technologia może nam dziś pokazać bardzo wiele szczegółów i dostarczyć danych, których wcześniej nie mieliśmy. Są jednak obszary, w których nadal kluczowy pozostaje czynnik ludzki. Nie sądzę, żeby dało się stworzyć agenta, który zagwarantuje sukces w każdej sytuacji. Ostatecznie decydują również psychologia, umiejętność oceny sytuacji i to, co człowiek potrafi wymyślić w danym momencie –  mówiła Agnieszka Radwańska. Partnerzy i patroni wydarzenia Organizatorem wydarzenia była Grupa Symfonia. Konferencja odbyła się pod patronatem honorowym Ministerstwa Rozwoju i Technologii oraz Fundacji Digital Poland. W gronie partnerów znaleźli się: Fundacja Polska Bezgotówkowa, Polski Fundusz Rozwoju, inicjatywa Cyfrowy Biznes, The Thinking Company, Bielik.AI oraz kancelaria Gabriela Bar Law & AI. Patronat medialny nad wydarzeniem objęli: Radio 357, „Gazeta Wyborcza”, XYZ.pl, PIT.pl, myERP.pl, ERPview, ERP24, Magazyn IT, Magazyn Wspólnota oraz Executive Magazine.

Dyrektor działu informatycznego, stojący przed decyzją o wpuszczeniu asystenta AI do produkcyjnego sklepu internetowego, rzadko pyta o to, czy taki mechanizm w ogóle działa. Znacznie częściej pyta o coś trudniejszego, a mianowicie co się stanie, gdy ten mechanizm zadziała źle. Jest to pytanie w pełni uzasadnione, ponieważ każdy system, który potrafi zmieniać dane w sklepie internetowym, niesie ze sobą pewne ryzyko, a odpowiedzialny dostawca technologii powinien umieć na to pytanie odpowiedzieć równie konkretnie, jak odpowiada na pytanie o same korzyści. Ten artykuł zamyka naszą serię poświęconą protokołowi MCP w e-commerce i celowo skupia się na dwóch tematach, które w rozmowach o sztucznej inteligencji najczęściej albo się pomija, albo traktuje zbyt ogólnikowo, czyli na rzeczywistym koszcie wdrożenia oraz na mechanizmach kontroli, które sprawiają, że taki system nadaje się do pracy w firmie, a nie tylko do prezentacji na scenie. Ile oszczędza MCP, a ile pozostaje bez zmian Zanim przejdziemy do tematu ryzyka, warto uczciwie odpowiedzieć na pytanie o oszczędność, ponieważ to właśnie liczby, a nie ogólne deklaracje, przekonują osoby odpowiedzialne za budżet. Trzeba przy tym od razu zaznaczyć jedną rzecz – liczby, które za chwilę przedstawimy, pochodzą z modelu zbudowanego na podstawie jednego wdrożenia, a nie z systematycznego pomiaru obejmującego dziesiątki projektów, więc należy traktować je jako wiarygodny kierunek, a nie jako gwarancję identycznego wyniku w każdej firmie. Punktem odniesienia jest konfigurator produktu ciętego na wymiar, złożony z dwunastu miejsc wyboru, z których pięć wymaga ręcznego wpisania wartości zamiast wyboru z listy. Dla każdego z takich miejsc administrator musi ustawić przeciętnie siedem różnych parametrów, takich jak zakres, skok, wartość domyślna czy jednostka miary. Praca wykonywana w tradycyjny sposób, poprzez panel administracyjny, zajmuje przeciętnie około trzech minut na jedno miejsce wyboru, licząc wejście w edycję, wypełnienie pól, zapis oraz weryfikację poprawności. Praca wykonywana w rozmowie z asystentem AI sprowadza się natomiast do jednego polecenia na każde miejsce wyboru, uzupełnionego o końcowy odczyt kontrolny całej konfiguracji. Gdy rozłożymy budowę takiego konfiguratora na poszczególne etapy, okazuje się, że oszczędność nie rozkłada się równomiernie, co samo w sobie jest ważną informacją. Etap analizy potrzeb klienta oraz etap testowania gotowej ścieżki zakupowej zajmują dokładnie tyle samo czasu niezależnie od tego, czy resztę pracy wykonuje się ręcznie, czy w rozmowie z AI, ponieważ są to decyzje i weryfikacje wymagające ludzkiego osądu, których żadna automatyzacja nie zastąpi. Prawdziwa oszczędność pojawia się dopiero na etapach związanych z odtwórczą pracą techniczną, a więc przy budowaniu struktury konfiguratora, ustawianiu parametrów poszczególnych miejsc wyboru oraz przypisywaniu do nich towarów – właśnie na tych trzech etapach czas pracy spada o ponad osiemdziesiąt procent. W liczbach bezwzględnych oznacza to, że czas poświęcany na czynności odtwórcze skraca się z niemal dwóch godzin do niespełna dwudziestu minut, podczas gdy całkowity czas budowy konfiguratora, licząc również analizę i testy, skraca się o około połowę. Wniosek płynący z tego modelu jest równie ważny jak same liczby: –przy jednym, pojedynczym konfiguratorze oszczędność jest odczuwalna, ale nie rewolucyjna. Rewolucja zaczyna się dopiero wtedy, gdy w grę wchodzi skala – katalog złożony ze stu produktów konfigurowalnych oznacza stukrotne powtórzenie właśnie tych etapów, które dzięki AI kurczą się najbardziej. Oznacza to również jasny wniosek dla strategii sprzedaży takiego rozwiązania – nie sprzedaje się go firmie z pojedynczym konfiguratorem na stronie, lecz producentowi z dużym, zmieniającym się sezonowo katalogiem, dla którego czas wprowadzania zmian jest realnym kosztem operacyjnym, a nie jedynie niedogodnością. Uczciwość wymaga też jasnego powiedzenia, czego ten model nie obejmuje. Nie uwzględnia on kosztu przygotowania danych po stronie klienta, który w praktyce bywa największą pojedynczą pozycją całego projektu, ani czasu potrzebnego na naukę formułowania poleceń dla asystenta, co sprawia, że pierwsze wdrożenie u nowego klienta zajmuje więcej czasu niż każde kolejne. Najuczciwiej będzie zatem powiedzieć, że pierwszy konfigurator zbuduje się w podobnym czasie co dotychczas, a realna różnica pojawia się dopiero od drugiego wdrożenia. Cztery mechanizmy kontroli, które muszą być standardem Skoro wiadomo już, ile można zyskać, czas odpowiedzieć na pytanie, które w tytule tego artykułu pojawia się jako najważniejsze tzn. jak sprawić, żeby asystent AI działający w sklepie internetowym nie stał się źródłem nowego ryzyka zamiast oszczędności. Odpowiedzią są cztery mechanizmy kontroli, które powinny być standardem w każdym poważnym wdrożeniu, niezależnie od tego, jaki dostawca oprogramowania stoi za danym rozwiązaniem. Pierwszym mechanizmem są uprawnienia. Wprowadzanie jakiejkolwiek zmiany w danych sklepu powinno wymagać uprawnień administratora, a klucz dostępu, za pomocą którego asystent łączy się z systemem, powinien dziedziczyć uprawnienia konkretnego użytkownika, a nie działać jako odrębne, uprzywilejowane „konto agenta” posiadające prawa ponad zwykłym systemem uprawnień. Innymi słowy, asystent działający w imieniu pracownika bez odpowiednich uprawnień nie powinien być w stanie zrobić niczego więcej, niż mógłby zrobić sam ten pracownik, logując się ręcznie do panelu. Drugim mechanizmem jest transakcyjność każdej operacji zapisu. Oznacza to, że każda zmiana wykonywana przez asystenta powinna albo zakończyć się w pełni powodzeniem, albo w pełni się nie wydarzyć, bez pozostawiania systemu w stanie pośrednim. Jeżeli asystent ma na przykład zaktualizować listę kilkudziesięciu towarów i w trakcie tej operacji natrafi na jeden błędny wpis, dobrze zaprojektowany mechanizm nie zmieni połowy listy, pozostawiając drugą połowę nietkniętą, lecz wycofa całą operację i zgłosi, na czym dokładnie polegał problem. Trzecim mechanizmem jest pełna historia każdej zmiany. Każda modyfikacja wykonana przez asystenta powinna trafiać do rejestru zawierającego wartość sprzed zmiany, wartość po zmianie, informację o tym, kto tę zmianę zlecił, oraz miejsce, z którego przyszło zlecenie. Równie istotne jest, aby wpisy pochodzące od asystenta AI dały się jednoznacznie odróżnić od wpisów wprowadzonych ręcznie przez pracownika w panelu administracyjnym, ponieważ dopiero taka możliwość rozróżnienia pozwala odpowiedzieć na pytanie, kto faktycznie stoi za konkretną zmianą w systemie. Czwartym mechanizmem są limity techniczne, takie jak ograniczenie liczby zapytań, jakie asystent może wykonać w ciągu minuty, wymuszenie szyfrowanego połączenia w środowisku produkcyjnym oraz możliwość ustawienia terminu ważności klucza dostępu, po którego upływie dostęp automatycznie wygasa, jeśli nie zostanie świadomie odnowiony. Te cztery mechanizmy nie eliminują całkowicie ryzyka związanego z pracą AI w systemie sprzedażowym, ponieważ żadna technologia nie daje stuprocentowej gwarancji bezbłędnego działania, ale sprawiają, że ewentualny błąd pozostaje widoczny, ograniczony w zasięgu i możliwy do szybkiego zdiagnozowania, zamiast rozlewać się po systemie w sposób niekontrolowany i niezauważony. Ryzyka, które mimo wszystko zostają Warto uczciwie powiedzieć, że nawet przy zachowaniu wszystkich czterech mechanizmów kontroli, pewne rodzaje ryzyka pozostają, i lepiej nazwać je wprost, niż udawać, że nie istnieją. Pierwszym z nich jest ryzyko operacji masowej wykonanej na podstawie błędnego założenia. Asystent AI, poproszony o zmianę cen na tysiącu produktów jednocześnie, wykona to polecenie równie sprawnie, jak wykonałby je na pojedynczym produkcie, a to oznacza, że błędne założenie leżące u podstaw takiego polecenia zostanie powielone na całym zbiorze równie szybko, jak poprawne. Najlepszym zabezpieczeniem przed tym ryzykiem jest rozpoczynanie współpracy z asystentem od trybu wyłącznie do odczytu oraz wymaganie akceptacji planu działania przed wykonaniem operacji obejmującej dużą liczbę rekordów naraz. Drugim ryzykiem jest niejednoznaczność samego polecenia. Zdanie w rodzaju „ustaw maksimum na sześć” brzmi jasno dla osoby, która je wypowiada, ale nie precyzuje, czy chodzi o sześć metrów, sześć sztuk, czy może sześć dni, a asystent zapisze dokładnie to, co otrzyma, nie mając możliwości domyślenia się intencji, jeśli nie została ona jasno wyrażona. Dlatego tak ważne jest, aby każda odpowiedź asystenta pokazywała wprost, jaka wartość obowiązywała wcześniej i jaka obowiązuje teraz, co pozwala natychmiast wychwycić taką pomyłkę, zanim wywoła ona realne skutki biznesowe. Trzecim ryzykiem jest fakt, że treść poleceń kierowanych do asystenta trafia do zewnętrznego dostawcy modelu sztucznej inteligencji, co oznacza, że dane sklepu w pewnym zakresie opuszczają infrastrukturę samej firmy. Odpowiedzialne podejście do tego ryzyka polega na pozostawieniu klientowi decyzji o wyborze konkretnego dostawcy modelu oraz regionu, w którym dane są przetwarzane, a także na możliwości świadomego zawężenia zestawu operacji, do których asystent w ogóle ma dostęp. Czwartym, najbardziej strategicznym, ryzykiem jest obawa przed uzależnieniem się od jednego dostawcy technologii. Warto jednak zauważyć, że sam protokół, na którym opiera się komunikacja między systemem a asystentem, jest standardem otwartym, a nie własnością jednej firmy. Ten sam serwer opisujący możliwości sklepu może obsługiwać różnych asystentów od różnych dostawców, co czyni z tego argumentu raczej zaletę całego podejścia niż jego słabość. Zasadą, którą warto potraktować jako punkt wyjścia do każdego wdrożenia, jest wpuszczenie asystenta do systemu klienta najpierw wyłącznie w trybie odczytu, i pozostawienie go w tym trybie przez pierwszy miesiąc współpracy. W tym czasie asystent może przejść przez cały katalog produktów i wskazać miejsca, w których dane są niespójne albo niekompletne, dając realną wartość bez jakiegokolwiek ryzyka związanego z możliwością wprowadzania zmian. Dopiero gdy klient na własne oczy zobaczy, że narzędzie poprawnie rozumie jego dane, warto rozważyć włączenie trybu zapisu. Co MCP oznacza dla Ciebie, gdy patrzysz na to z perspektywy zarządu? Jeżeli przeczytałeś wszystkie trzy artykuły tej serii, wiesz już, że MCP to nie jest pojedyncza funkcja ani chwilowa moda technologiczna, lecz otwarty standard, dzięki któremu asystent AI może bezpiecznie i w sposób kontrolowany wykonywać realną pracę w systemie sprzedażowym, od najprostszych operacji, przez budowę złożonych konfiguratorów, aż po pytania o koszt i ryzyko, które musi zadać sobie każdy odpowiedzialny decydent. Najważniejszym wnioskiem płynącym z tego ostatniego artykułu jest to, że oszczędność czasu i mechanizmy kontroli nie są względem siebie konkurencyjne, lecz się uzupełniają. Firma, która chce skorzystać z realnej oszczędności widocznej przy dużej skali katalogu, powinna jednocześnie oczekiwać od swojego dostawcy technologii jasnych odpowiedzi na pytania o uprawnienia, transakcyjność, historię zmian i limity techniczne, a najlepszym testem wiarygodności takiego dostawcy jest to, czy potrafi równie otwarcie mówić o ograniczeniach swojego rozwiązania, jak mówi o jego zaletach. Jeżeli rozpoznajesz w swojej firmie choćby jeden z opisanych w tej serii scenariuszy, kolejkę zadań dla działu informatycznego przy każdej zmianie oferty, katalog produktów konfigurowalnych, który rośnie szybciej niż zasoby zespołu technicznego, albo pytania klientów, na które dziś potrafi odpowiedzieć tylko jedna osoba w firmie, to jest dokładnie ten moment, w którym warto sprawdzić, jak wygląda to w praktyce na Twoich własnych danych, zanim podejmiesz jakąkolwiek decyzję. MCP, koszt i ryzyko – w trzech zdaniach Oszczędność czasu dzięki MCP nie jest równomierna – dotyczy głównie odtwórczej pracy technicznej i ujawnia się w pełni dopiero przy dużej skali katalogu, a nie przy pojedynczym wdrożeniu. Cztery mechanizmy kontroli – uprawnienia, transakcyjność, historia zmian i limity techniczne powinny być standardem w każdym wdrożeniu, a rozpoczęcie współpracy od trybu wyłącznie do odczytu jest najbezpieczniejszym sposobem na zbudowanie zaufania do nowego mechanizmu. Wartość takiego rozwiązania dostrzega nie tylko dział informatyczny, ale niemal każda osoba decyzyjna w firmie – od właściciela, przez kierownika katalogu, po dział obsługi klienta i dyrektora sprzedaży.

Wyobraź sobie firmę produkującą parapety cięte na wymiar, która postanowiła zbudować w swoim sklepie internetowym konfigurator pozwalający klientowi samodzielnie dobrać długość, materiał i wykończenie produktu. Strukturę takiego konfiguratora, a więc same miejsca wyboru oraz przypisane do nich towary, udało się przygotować w rozmowie z asystentem AI, bez konieczności wchodzenia w panel administracyjny sklepu. Na liście zadań do wykonania ręcznie zostało jednak coś, co z pozoru wydawało się drobnostką, a mianowicie parametry samej długości: od ilu do ilu metrów klient może wybierać, z jakim skokiem, jaka wartość ma być podpowiedziana jako domyślna. Powód był prosty i, jak się później okazało, tymczasowy – nie istniało jeszcze narzędzie, które pozwalałoby ustawić te parametry poprzez rozmowę z AI, więc trzeba było wykonać ten krok tak, jak wykonywano go od lat, czyli ręcznie. Ta historia jest dobrym punktem wyjścia do drugiego artykułu z naszej serii o MCP w e-commerce, ponieważ pokazuje coś istotnego – wdrażanie MCP w konkretnym systemie nie jest jednorazowym wydarzeniem, lecz procesem, w którym kolejne obszary sklepu stopniowo stają się dostępne dla asystenta AI. To, czego jeszcze wczoraj nie dało się zrobić w rozmowie, dziś już się da – i właśnie ten proces chcemy Ci dzisiaj pokazać na najbardziej wymagającym przykładzie, jakim jest konfigurator produktu. Cztery pojęcia, które warto znać, by rozmawiać o MCP Zanim przejdziemy do tego, jak wygląda budowa konfiguratora w rozmowie z AI, warto poświęcić chwilę na cztery pojęcia, bez których trudno zrozumieć, co właściwie dzieje się pod maską takiego produktu. Nie są to pojęcia skomplikowane, ale bywają mylone nawet wewnątrz firm zajmujących się e-commerce, a każda taka pomyłka potrafi później kosztować godzinę niepotrzebnej dyskusji na spotkaniu. Pierwszym pojęciem jest towar konfigurowalny, czyli produkt, który sam w sobie się nie sprzedaje, lecz stanowi ramę, w którą klient wkłada swoje wybory. Można o nim myśleć jak o pustym formularzu zamówienia, który dopiero wypełniony konkretnymi decyzjami klienta staje się gotowym produktem trafiającym do koszyka. Drugim pojęciem jest pojedyncze miejsce wyboru w takim konfiguratorze, a więc na przykład „długość”, „kolor” czy „dodatkowe wyposażenie”. Każde takie miejsce ma swoją nazwę, swoją kolejność w ścieżce zakupowej oraz zestaw reguł określających, czy klient musi go wypełnić, czy może je pominąć, i czy wybór w tym miejscu wpływa na ostateczną cenę. Trzecim pojęciem jest sposób, w jaki dane miejsce wyboru jest wypełniane, a tutaj mamy do czynienia z dwiema zasadniczo różnymi sytuacjami. W pierwszej klient wybiera gotowy towar z listy, na przykład konkretny model uchwytu czy zawiasu. W drugiej klient nie wybiera niczego z listy, lecz wpisuje albo wskazuje wartość, na przykład dokładną długość w metrach czy wybrany kolor z palety. Rozróżnienie tych dwóch sytuacji już na etapie planowania produktu jest jedną z decyzji, które później najtrudniej cofnąć, gdyby okazało się, że wybrano niewłaściwe podejście. Czwartym i ostatnim pojęciem są parametry poszczególnych miejsc wyboru, a więc konkretne liczby i ustawienia, takie jak minimalna i maksymalna długość, skok, czyli najmniejsza jednostka, o jaką można zmienić wartość, czy jednostka miary. Część z tych parametrów ustawia administrator sklepu, definiując reguły gry, a część wypełnia dopiero klient na stronie produktu, dokonując swojego wyboru w ramach tych reguł. Warto zapamiętać jedną konsekwencję płynącą z tych czterech pojęć, ponieważ ma ona bezpośrednie przełożenie na to, co MCP potrafi dzisiaj zrobić, a czego jeszcze nie – w sytuacji, w której klient wpisuje albo wskazuje wartość zamiast wybierać towar z listy, cała treść danego miejsca wyboru mieści się właśnie w tych parametrach. Samo miejsce wyboru, bez wypełnionych parametrów, jest praktycznie puste, nie niesie żadnej informacji poza samym swoim istnieniem. Dlatego narzędzie, które pozwala jedynie tworzyć takie miejsca wyboru, ale nie pozwala ustawiać ich parametrów przez AI, w praktyce rozwiązuje tylko połowę problemu, z jakim mierzy się firma budująca konfigurator. Sześć wzorców konfiguratora, które pokrywają niemal cały rynek Jedną z bardziej użytecznych obserwacji, jakie można wynieść z pracy nad wieloma różnymi konfiguratorami w wielu różnych branżach, jest to, że niemal wszystkie realne przypadki dają się sprowadzić do sześciu powtarzających się wzorców. Rozpoznanie, z którym wzorcem ma się do czynienia już na pierwszym spotkaniu z klientem, potrafi skrócić wycenę projektu z tygodnia analizy do jednej rozmowy telefonicznej, ponieważ znajomość wzorca od razu podpowiada, ile pracy i jakiego rodzaju będzie wymagało wdrożenie. Pierwszy wzorzec to cięcie na wymiar, znane doskonale z branży produkującej parapety, blaty, płyty czy tkaniny sprzedawane na metry. Klient podaje wymiar mieszczący się w dopuszczalnym zakresie, a cena wylicza się z metra bieżącego lub kwadratowego.  Drugi wzorzec to zestaw modułowy, typowy dla mebli, regałów, szaf czy zestawów narzędziowych. Produkt składa się z korpusu oraz wymiennych modułów, przy czym każdy moduł oferuje własną listę dopuszczalnych opcji, a część z nich jest opcjonalna. Cena sumuje się z poszczególnych wybranych elementów, a kolejność, w jakiej klient podejmuje decyzje, bywa równie ważna jak same opcje, ponieważ decyduje o tym, jak naturalnie przebiega rozmowa sprzedażowa na stronie produktu. Trzeci wzorzec to personalizacja i nadruk, obecne w sprzedaży kubków, koszulek, grawerowanych przedmiotów, opakowań czy zaproszeń. Klient wpisuje własny tekst, wybiera czcionkę i kolor, a niekiedy wgrywa własne zdjęcie. W tym wzorcu szczególnie istotne stają się ograniczenia techniczne, takie jak maksymalna liczba znaków czy dopuszczalny rozmiar przesyłanego pliku, ponieważ ich brak prowadzi prosto do reklamacji. Czwarty wzorzec to kreator wieloetapowy, spotykany tam, gdzie klient potrzebuje raczej doradztwa niż prostego wyboru z listy, na przykład przy konfiguracji instalacji technicznej czy dobieraniu zestawu produktów pod konkretne pomieszczenie. Klient przechodzi przez kolejne kroki pytań, a odpowiedź udzielona na jednym etapie zawęża opcje dostępne na kolejnym, aż do finalnego podsumowania i wyceny. Warto wiedzieć, że jest to zarazem najkosztowniejszy w utrzymaniu z sześciu wzorców, ponieważ każda zmiana oferty potrafi dotknąć jednocześnie kilku kroków naraz. Piąty wzorzec to konfigurator z podglądem wizualnym, obecny przy sprzedaży mebli tapicerowanych, drzwi, stolarki czy innych produktów, w których wybór klienta wpływa na widoczny na ekranie render. W tym wzorcu parametry opisują nie tylko cechy produktu, ale również jego geometrię – pozycję, skalę i obrót elementu widocznego na wizualizacji. Szósty i ostatni wzorzec to zestaw promocyjny, a więc pakiety, komplety czy oferty typu „kup razem taniej”. Jest to najprostszy z sześciu wzorców, ponieważ sprowadza się do kilku gotowych opcji z ustaloną z góry regułą cenową na całości, dzięki czemu klient rozumie go niemal natychmiast, bez żadnego dodatkowego wyjaśnienia. Praktyczna wartość tego podziału ujawnia się najpełniej w rozmowie handlowej. Zamiast pytać klienta o listę technicznych funkcji, wystarczy zapytać, czy klient podaje wymiar, składa produkt z modułów, personalizuje go, przechodzi ścieżkę pytań, czy ogląda podgląd wizualny. Odpowiedź od razu wskazuje właściwy wzorzec, wzorzec wskazuje niezbędne miejsca wyboru, a te z kolei przekładają się na realną pracochłonność wdrożenia. Jedno zdanie, cztery operacje – MCP w akcji Najlepszym sposobem na zrozumienie, jak MCP realnie zmienia pracę nad konfiguratorem, jest pokazanie, jak wygląda pojedyncze polecenie wypowiedziane do asystenta AI i co dzieje się w tle, zanim asystent odpowie, że zadanie zostało wykonane. Załóżmy, że administrator sklepu chce ustawić parametry długości w komponencie parapetu. Zamiast otwierać panel administracyjny, wchodzić w edycję produktu, odnajdywać właściwe pole i wypełniać je ręcznie, wystarczy jedno zdanie wypowiedziane w naturalnym języku: ustaw zakres długości od 0,1 do 6 metrów, ze skokiem co 0,1 metra i domyślną wartością 6 metrów. Pod tym jednym zdaniem kryją się w rzeczywistości cztery osobne operacje wykonane przez asystenta tzn. ustawienie wartości minimalnej, wartości maksymalnej, skoku oraz wartości domyślnej, a każda z nich kończy się informacją, jaka wartość obowiązywała wcześniej i jaka obowiązuje teraz. Ten detal, czyli pokazywanie wartości sprzed zmiany obok wartości po zmianie, ma znaczenie większe, niż mogłoby się wydawać na pierwszy rzut oka. To właśnie on sprawia, że administrator nie musi się zastanawiać, czy AI zrozumiało polecenie poprawnie, ponieważ odpowiedź sama, bez dodatkowego pytania, potwierdza dokładny zakres wprowadzonej zmiany. Co więcej, dobrze zaprojektowane narzędzie tego typu radzi sobie także z drobnymi różnicami językowymi, takimi jak zapis liczby z przecinkiem zamiast z kropką dziesiętną, co ma znaczenie w polskojęzycznym środowisku biznesowym, gdzie taki zapis jest naturalny dla człowieka, choć niekoniecznie oczywisty dla systemu informatycznego. Po wprowadzeniu zmian dobrą praktyką jest poproszenie asystenta o ponowny odczyt całej konfiguracji danego miejsca wyboru, aby na własne oczy zobaczyć, że wszystkie wartości rzeczywiście znalazły się tam, gdzie miały się znaleźć. Każda z tych zmian trafia jednocześnie do historii obiektu w systemie, dzięki czemu w każdej chwili można sprawdzić, kto i kiedy dokonał konkretnej modyfikacji, a to jest temat, do którego wrócimy szerzej w trzecim artykule tej serii, poświęconym bezpieczeństwu i kontroli. Czego MCP jeszcze nie potrafi Rzetelność wymaga, aby obok tego, co już działa, równie wyraźnie powiedzieć, czego dany mechanizm jeszcze nie potrafi, a w rozmowach o sztucznej inteligencji ten drugi element bywa pomijany znacznie częściej, niż powinien, co prowadzi później do rozczarowań. Pierwszym ograniczeniem jest sytuacja, w której miejsce wyboru ma dobierać towary automatycznie na podstawie ich cech, takich jak kategoria czy producent, zamiast z gotowej, wcześniej ustalonej listy. Takie dobieranie towarów po cechach wciąż wymaga dziś ręcznej konfiguracji w panelu administracyjnym, ponieważ mechanizm odpowiedzialny za ten sposób wypełniania konfiguratora nie jest jeszcze dostępny dla asystenta AI. Drugim ograniczeniem jest sytuacja, w której jedno miejsce wyboru ma odwoływać się do innego i dziedziczyć po nim listę dostępnych opcji, zamiast mieć własną, niezależną listę. System potrafi poprawnie obsłużyć takie odwołanie, gdy klient przegląda sklep, natomiast asystent AI na razie tego mechanizmu nie rozpoznaje, co oznacza, że tego typu powiązania trzeba na razie ustawiać bezpośrednio w panelu, pracując na tym miejscu wyboru, do którego prowadzi odwołanie. Trzecim, znacznie mniej istotnym ograniczeniem jest obsługa właściwości, które mogą przyjmować jednocześnie wiele wartości. Odczyt takich właściwości działa bez zastrzeżeń, natomiast ich zapis i usuwanie są świadomie zablokowane, ponieważ zapisanie jednej wartości mogłoby przypadkiem skasować wszystkie pozostałe, a to jest przykład sytuacji, w której lepsza jest jasna odmowa wykonania operacji niż ryzyko cichej utraty danych. Warto też pamiętać o ograniczeniach dotyczących całej tej klasy rozwiązań, niezależnie od konkretnego systemu. Asystent AI nie zna intencji biznesowej stojącej za danym produktem; potrafi zbudować konfigurator zgodnie z opisem, ale nie oceni, czy tak zaprojektowany produkt rzeczywiście sprzeda się lepiej niż poprzednia wersja. Decyzja o tym, jaki zakres długości zaproponować klientom albo które warianty pokazać na pierwszym miejscu, zawsze pozostaje po stronie człowieka znającego rynek i klientów. Warto również wiedzieć, że jakość pracy asystenta zależy bezpośrednio od jakości danych już zgromadzonych w systemie. Sklep z niespójnie nazwanymi produktami i pustymi kategoriami dostanie od AI dokładnie to samo, co dostałby od nowego pracownika pierwszego dnia pracy, czyli serię pytań i sygnałów o brakujących informacjach. Trudna historia, która buduje zaufanie W pracy nad każdym nowym mechanizmem prędzej czy później pojawia się moment, w którym coś nie działa tak, jak powinno, i to właśnie ten moment najlepiej pokazuje, czy dany dostawca technologii jest gotowy na współpracę z wymagającym klientem biznesowym. Podczas wdrażania jednego z konfiguratorów zdarzyła się sytuacja, w której odczyt parametrów danego miejsca wyboru zwracał informację, że żadna wartość nie została jeszcze ustawiona, mimo że w rzeczywistości baza danych zawierała już poprawnie zapisane wartości. Przyczyna okazała się dość subtelna – mechanizm odpowiedzialny za odczyt w pewnym momencie pytał o dane przypisane do niewłaściwego elementu struktury, co samo w sobie nie powinno wywołać żadnego widocznego błędu, a jednak przez zbieg kilku okoliczności technicznych doprowadziło do sytuacji, w której system zamiast zgłosić problem, po cichu zwracał pustą odpowiedź. Dlaczego warto opowiadać tę historię otwarcie, zamiast ją przemilczeć? Ponieważ pokazuje ona coś znacznie ważniejszego niż sam fakt wystąpienia usterki, a mianowicie sposób, w jaki dojrzały proces radzi sobie z takimi sytuacjami. Rozbieżność została wykryta w ramach standardowego testowania, opisana wraz z dowodem na to, na czym dokładnie polegał problem, a poprawka trafiła do systemu razem z dodatkowym testem, który od tej pory pilnuje, aby ten sam błąd nie powrócił niezauważony.  Klient biznesowy, który rozważa wdrożenie technologii na wiele lat, nie pyta zwykle o to, czy dostawca gwarantuje całkowity brak błędów, ponieważ taka gwarancja nigdy nie byłaby wiarygodna – pyta raczej o to, co dzieje się w momencie, gdy błąd faktycznie się pojawi. Ta historia jest właśnie odpowiedzią na to drugie, znacznie trudniejsze pytanie, i jest to odpowiedź lepsza niż jakiekolwiek zapewnienie, że problemów nie ma. Co MCP w konfiguratorach oznacza dla Ciebie już dziś Jeśli prowadzisz firmę sprzedającą produkty, które klient musi dopasować do własnych potrzeb, czy to poprzez podanie wymiaru, wybór modułów, personalizację, przejście ścieżki pytań, czy obejrzenie podglądu wizualnego, ten artykuł miał pokazać Ci, że budowa takiego konfiguratora przestaje być tygodniowym projektem informatycznym angażującym webmastera na każdym etapie. Staje się rozmową, w której administrator opisuje swoim naturalnym językiem to, co chce uzyskać, a asystent AI wykonuje techniczną część tej pracy, zostawiając człowiekowi to, co w tej pracy najważniejsze, czyli decyzje biznesowe dotyczące zakresu oferty i doświadczenia klienta. Warto jednocześnie pamiętać, że nie jest to mechanizm bezwarunkowy – ma dziś jasno określone granice, a jego jakość zależy od jakości danych już zgromadzonych w systemie. Świadomość tych granic, zamiast osłabiać wartość rozwiązania, czyni rozmowę o nim znacznie bardziej wiarygodną, ponieważ pokazuje, że stoi za nim realne doświadczenie wdrożeniowe, a nie wyłącznie materiał marketingowy. W trzecim, ostatnim artykule tej serii przejdziemy do pytań, które prędzej czy później zada każdy odpowiedzialny decydent: ile to wszystko realnie kosztuje, jakie ryzyko się z tym wiąże i jakie mechanizmy kontroli powinny być standardem, zanim jakikolwiek asystent AI otrzyma prawo do wprowadzania zmian w produkcyjnym sklepie internetowym. Podsumowanie – MCP w konfiguratorze w trzech zdaniach Budowa konfiguratora produktu w rozmowie z AI opiera się na czterech prostych pojęciach, towarze konfigurowalnym, miejscach wyboru, sposobie ich wypełniania i parametrach, a zrozumienie tych pojęć pozwala szybko rozpoznać, ile realnej pracy wymaga dany produkt. Niemal wszystkie konfiguratory spotykane na rynku sprowadzają się do sześciu powtarzających się wzorców, dzięki czemu rozpoznanie wzorca już na pierwszym spotkaniu skraca wycenę projektu z tygodni do minut. MCP ma dziś jasno określone granice, których nie warto ukrywać. Uczciwe mówienie o tym, czego jeszcze nie potrafi, buduje w kliencie biznesowym znacznie więcej zaufania niż obietnica, że technologia potrafi już wszystko.

Sztuczna inteligencja, automatyzacja, rozwój systemów ERP i coraz większe znaczenie danych – to obszary, które warto uwzględnić, planując technologiczny rozwój firmy na 2027 rok. Samo podążanie za trendami nie gwarantuje jednak przewagi konkurencyjnej. Kluczowe jest określenie, które rozwiązania odpowiadają na rzeczywiste potrzeby przedsiębiorstwa, usprawniają codzienną pracę i wspierają realizację celów biznesowych. Ostatni kwartał to dobry moment, by przyjrzeć się wykorzystywanym systemom, zidentyfikować obszary wymagające zmian i zdecydować, na czym skoncentrować inwestycje w kolejnych miesiącach. Od czego zacząć? AI i agenci AI – to już czas konkretnych zastosowań Sztuczna inteligencja coraz częściej pojawia się w rozmowach o przyszłości biznesu. Jednak zamiast wdrażać ją wyłącznie dlatego, że jest jednym z najgłośniejszych trendów technologicznych, warto zacząć od prostszego pytania: które zadania w firmie można dzięki niej wykonywać szybciej, sprawniej lub z mniejszym ryzykiem błędów? Potencjalne zastosowania obejmują między innymi wyszukiwanie informacji, analizę dokumentów, przygotowywanie zestawień czy wspieranie pracowników w wykonywaniu powtarzalnych czynności. Większe możliwości mogą oferować agenci AI, którzy realizują określone zadania na podstawie wyznaczonych celów i reguł działania. Ich przydatność zależy jednak od konkretnego zastosowania, jakości danych, integracji z systemami oraz zakresu nadzoru człowieka. Co warto sprawdzić przed 2027 rokiem? Czy w firmie zidentyfikowano powtarzalne zadania, których realizacja pochłania dużo czasu? Czy dane i dokumenty są dostępne w formie umożliwiającej ich bezpieczne wykorzystanie? Czy wiadomo, jak kontrolować poprawność wyników generowanych przez AI? Czy potencjalne wdrożenie ma jasno określony cel biznesowy i mierniki efektów? Zamiast rozpoczynać od dużego projektu, warto wybrać konkretny proces, określić oczekiwane rezultaty i sprawdzić, czy zastosowanie AI rzeczywiście przynosi korzyści. ERP w WEB – system dopasowany do sposobu pracy Zmieniające się potrzeby przedsiębiorstw sprawiają, że coraz większego znaczenia nabiera nie tylko zakres funkcji systemu ERP, lecz także sposób, w jaki użytkownicy mogą z niego korzystać. Dostęp do procesów biznesowych przez przeglądarkę może być istotnym kierunkiem rozwoju dla firm, które chcą zwiększyć elastyczność pracy i ułatwić korzystanie z systemu różnym grupom użytkowników. Co warto sprawdzić przed 2027 rokiem? Czy obecny sposób dostępu do ERP odpowiada potrzebom pracowników? Czy korzystanie z systemu jest wygodne dla osób pracujących w różnych lokalizacjach? Czy rozwiązania WEB mogą uprościć wybrane procesy lub ograniczyć bariery w dostępie do informacji? Rozwój systemu ERP warto traktować jako element szerszej strategii cyfryzacji, a nie wyłącznie jako zmianę interfejsu lub technologii dostępu. Dane i Business Intelligence – decyzje oparte na faktach Nawet najbardziej rozbudowany system nie będzie wspierał zarządzania, jeśli dostęp do informacji jest utrudniony, raporty powstają z opóźnieniem, a dane z poszczególnych działów nie dają spójnego obrazu sytuacji firmy. Dlatego jednym z priorytetów na 2027 rok może być rozwój analityki biznesowej i uporządkowanie sposobu wykorzystywania danych. Rozwiązania Business Intelligence (BI) pomagają zestawiać informacje, obserwować wskaźniki i identyfikować zmiany istotne dla podejmowania decyzji. Ich wartość zależy jednak od jakości danych i właściwego doboru analizowanych mierników. Co warto sprawdzić przed 2027 rokiem? Czy zarząd ma dostęp do aktualnych informacji o wynikach firmy? Ile czasu zajmuje przygotowanie najważniejszych raportów? Czy działy korzystają ze spójnych danych i tych samych definicji wskaźników? Czy raporty pomagają podejmować konkretne decyzje, czy jedynie przedstawiają wyniki z przeszłości? Dobrze zaplanowana analityka pozwala przejść od samego gromadzenia danych do ich praktycznego wykorzystania. To również ważny element przygotowania organizacji do bardziej zaawansowanej automatyzacji i wdrażania AI. Produkcja – lepsza kontrola nad procesami i zasobami W przedsiębiorstwach produkcyjnych technologia powinna odpowiadać na konkretne wyzwania operacyjne. Mogą one dotyczyć planowania zleceń, dostępności materiałów, monitorowania realizacji produkcji, kontroli kosztów czy dostępu do aktualnych informacji o przebiegu procesów. W takich warunkach istotne jest nie tylko korzystanie z systemu ERP, ale także sprawdzenie, czy jego funkcjonalności odpowiadają specyfice zakładu. W niektórych przypadkach wystarczy lepsze wykorzystanie już dostępnych możliwości. W innych potrzebne mogą być dodatkowe integracje lub rozwiązania dedykowane, uwzględniające specyficzne wymagania produkcyjne. Co warto sprawdzić przed 2027 rokiem? Czy osoby odpowiedzialne za produkcję mają aktualne informacje o realizacji zleceń? Czy planowanie uwzględnia dostępność materiałów i zasobów? Czy można sprawnie analizować koszty i przyczyny odchyleń? Czy obecny system wspiera rzeczywisty przebieg procesów, czy wymaga wielu ręcznych obejść? Jak przygotować firmę na technologiczne wyzwania 2027 roku? Planowanie rozwoju na kolejny rok warto zacząć od poznania możliwości, które już dziś mogą zmienić sposób funkcjonowania przedsiębiorstwa. Jak wykorzystać AI w codziennej pracy?W jakim kierunku rozwija się ERP?Jak lepiej wykorzystywać dane, usprawniać produkcję i dopasowywać systemy do zmieniających się potrzeb biznesu? Konferencja Comarch ERP XL Showcase 2026 to okazja, by przyjrzeć się tym zagadnieniom z perspektywy praktycznych zastosowań i możliwości rozwoju systemu ERP. Podczas wydarzenia organizowanego przez T2S poznasz nowe kierunki rozwoju rozwiązań, poszukać inspiracji do usprawnienia procesów i zastanowić się, które technologie warto uwzględnić w planach na 2027 rok. Jeśli Twoja firma planuje kolejny etap cyfryzacji, rozwój systemu ERP lub szuka sposobów na lepsze wykorzystanie AI, zarezerwuj czas 17 listopada 2026 roku i dołącz do konferencji online. Sprawdź szczegóły i poznaj program wydarzenia.

Wdrożenie AI w biznesie to skuteczny sposób na optymalizację. Sztuczna inteligencja wcale nie musi redukować zespołów. Może natomiast je odciążyć, przejmując powtarzalne procesy operacyjne i ułatwiając codzienną pracę.   Klienci oczekują szybkich odpowiedzi na swoje zapytania. Kolejka zgłoszeń systematycznie rośnie, a czas oczekiwania wydłuża się z minut do kilkunastu godzin. W tym samym czasie specjaliści, zamiast doradzać, ręcznie logują się do różnych systemów, sprawdzają dostępność towarów i przepisują informacje. Ich czas pochłaniają czynności związane z klasyfikacją spraw i przygotowywaniem ofert sprzedażowych, podczas gdy mogliby zabrać się do zadań wymagających podejmowania strategicznych decyzji.   Powyższa sytuacja to codzienność wielu firm, która hamuje ich rozwój i obniża zadowolenie klientów. Wdrożenie AI w biznesie może być bezpośrednim rozwiązaniem tych wyzwań. Poznajcie Ideo Flow – platformę agentów AI do automatyzacji procesów operacyjnych.   Jak Agent AI odciąża pracowników firmy?  W przeciwieństwie do standardowych chatbotów, Ideo Flow nie tylko odpowiada na pytania językiem naturalnym, ale także wykonuje konkretne działania wewnątrz firmowych programów. Dlatego wdrożenie tego systemu umożliwia realne odciążenie helpdesku, jak i zespołu sprzedażowego – szczególnie na etapie ofertowania.   W odpowiednio skonfigurowanym procesie Agent samodzielnie:  analizuje zapotrzebowanie,   łączy się z bazą produktów,   pobiera aktualne ceny z ERP,  sprawdza stany magazynowe w programie WMS.   Następnie generuje gotową ofertę, tworzy lub uzupełnia rekord w CRM oraz przedstawia propozycję odpowiedzi. Zakres automatyzacji zależy od integracji, reguł biznesowych oraz poziomu autonomii ustalonego przez firmę.   Kluczowe jest również zastosowanie Ideo Flow w dziale serwisu i obsługi klienta. System odbiera zgłoszenia i rozpoznaje problemy użytkowników, dzięki czemu w przypadku tych prostszych, mało skomplikowanych spraw, jest w stanie niektóre kwestie rozwiązać samodzielnie. Przykładowo, pomagając klientowi z logowaniem do konta, Agentowi AI wystarczy wewnętrzna baza wiedzy. Automatycznie zamyka powtarzalne wątki, dostarczając klientowi najważniejsze informacje.   Co ważne, program sprawnie filtruje napływające wiadomości. Duża część spraw może przejąć “na siebie”, ale te trudniejsze, wymagające ludzkiej wiedzy, są przesyłane do ekspertów. Pracownik otrzymuje wówczas gotowy opis problemu, historię kontaktu i sugerowane kroki.  Zastosowanie Agenta AI w tym przypadku skraca czas obsługi zapytań do minimum. W efekcie firma dba o satysfakcję Klientów, a zespół może skupić się na strategicznych działaniach.   Ideo Flow a dane firmowe – co się z nimi dzieje?  Stosowanie sztucznej inteligencji naturalnie rodzi pytania o poufność danych wrażliwych. W przypadku Ideo Flow ten problem jest rozwiązywany u samych podstaw.   System może być uruchamiany we własnej infrastrukturze organizacji. To już na wstępie sprawia, że wszystkie połączenia oraz analizowane informacje biznesowe pozostaną wyłącznie w wewnętrznej sieci i nie będą przesyłane na zewnątrz. Do firmy należy decyzja, w jakim modelu Ideo Flow będzie wdrożony. Możliwy jest wybór modeli lokalnych (on-premise), rozwiązań prywatnych utrzymywanych w chmurach (tj. Azure, AWS), a także dostępnych w ramach abonamentu. Pozwala to precyzyjnie dopasować poziom zabezpieczeń do wewnętrznych polityk firmy.   FAQ – najczęstsze pytania i odpowiedzi  Z jakimi programami łączy się Ideo Flow?  Ideo Flow integruje się z programami już funkcjonującymi w firmie, takimi jak ERP, CRM, WMS, MES, bazy danych oraz systemy zamówień. Jednocześnie, warto pamiętać, że platforma nie zastępuje tych programów, lecz łączy je w jeden spójny proces.  Dla jakich firm przeznaczone jest to rozwiązanie?  Platforma sprawdza się w organizacjach produkcyjnych, a także w firmach, gdzie przepływ informacji wymaga ciągłej wymiany danych między zamówieniami, logistyką czy magazynem.   Czy Agent AI samodzielnie podejmuje decyzje?  To zależy od konfiguracji systemu. Agent może realizować zadania w pełni autonomicznie lub działać wyłącznie na etapie zbierania danych i przygotowywania rekomendacji, zostawiając ostateczną akceptację człowiekowi.  

Warto zacząć od pytania, które brzmi niepozornie, ale w praktyce jest jednym z najlepszych testów dojrzałości operacyjnej firmy – ile czasu zajmuje w Twoim e-commerce dodanie nowego wariantu produktu do sklepu internetowego? Dzień, tydzień, a może nikt już nawet nie pamięta, bo odpowiedź zawsze brzmi „trzeba zapytać dział IT”? Jeśli to pytanie wywołało choćby cień westchnienia, ten artykuł powstał z myślą właśnie o Twoim e-commerce, ponieważ odpowiedź na nie zmienia się szybciej, niż większość organizacji zdaje sobie z tego sprawę, a stoi za tym właśnie standard o nazwie MCP. Trzy etapy AI oraz dlaczego MCP to przełom O sztucznej inteligencji mówi się od kilku lat z rosnącą intensywnością, warto jednak zauważyć, że przez cały ten czas AI wykonywało zasadniczo jedną czynność, a mianowicie prowadziło rozmowę, zmieniało się jedynie to, jak dobrze i jak sprawnie tę rozmowę prowadziło. Ten proces daje się jednak opisać znacznie precyzyjniej, jeśli podzielimy go na trzy wyraźne etapy, z których każdy kolejny reprezentuje jakościowo inny poziom użyteczności dla biznesu. Pierwszy etap to moment, w którym AI zaczęło pisać teksty. Model językowy potrafi przygotować opis produktu, treść wiadomości e-mail czy post na social media, co jest niewątpliwie wygodne i realnie oszczędza czas pracy zespołu marketingu czy obsługi klienta. Wynik pracy modelu trafia jednak zawsze najpierw do człowieka, który musi go przeczytać, ewentualnie poprawić, a następnie ręcznie umieścić tam, gdzie docelowo ma się znaleźć; innymi słowy, AI pisze, a człowiek nadal przenosi. Drugi etap to moment, w którym AI zaczęło odpowiadać na pytania dotyczące firmowych danych. Można było zapytać model o coś, co znajduje się w dokumentach albo w bazie danych przedsiębiorstwa, i otrzymać sensowną, trafną odpowiedź, co samo w sobie stanowiło ogromne ułatwienie w porównaniu z ręcznym przeszukiwaniem plików czy systemów. Mimo to w samym systemie wciąż nic się nie zmieniało; model wyłącznie odczytywał informacje i przekazywał je dalej, pozostając w roli analityka, a nie wykonawcy. Trzeci etap, w którym znajdujemy się właśnie teraz, polega na tym, że AI zaczyna wykonywać konkretne działania, a możliwe stało się to właśnie dzięki MCP. Model nie tylko odpowiada, lecz sam wykonuje operacje bezpośrednio w systemie, np. zakłada nowy produkt, zmienia cenę, buduje konfigurator, tworzy zamówienie itp. Wszystko to, co wcześniej wymagało wejścia w panel administracyjny i przeklikania się przez kolejne ekrany, dziś można zrealizować jednym poleceniem wypowiedzianym zwyczajnym, naturalnym językiem. Tę różnicę łatwo zbagatelizować, jeśli poprzestaje się na samej lekturze, dlatego warto unaocznić ją sobie w inny sposób. Jest to moment, w którym z całego procesu znika jego najdroższy i najbardziej podatny na błędy etap, czyli przepisywanie. Kiedy człowiek otrzymuje gotowy tekst albo gotową odpowiedź i musi ją ręcznie wprowadzić do systemu, dzieje się jednocześnie kilka niekorzystnych rzeczy – zajmuje to czas, wymaga pełnego skupienia, a to właśnie w tym miejscu najczęściej rodzą się pomyłki, takie jak literówka w cenie, zapomniana kategoria produktu czy błędnie wpisany zakres wymiarów. Trzeci etap eliminuje ten krok, ponieważ AI nie podaje już człowiekowi gotowca do przepisania, lecz wykonuje operację samodzielnie, od razu w miejscu, w którym powinna zostać wykonana. Czym jest MCP i dlaczego to działa Żeby sztuczna inteligencja mogła wykonywać operacje w konkretnym systemie, na przykład w sklepie internetowym, potrzebny był wspólny język, którym system i asystent AI mogłyby się ze sobą porozumiewać; coś w rodzaju instrukcji obsługi, którą system samodzielnie przekazuje modelowi, opisując, co potrafi zrobić, jakich informacji do tego potrzebuje i co ostatecznie zwróci jako odpowiedź. Ten wspólny język to właśnie MCP, a więc standard, który powstał pod koniec 2024 roku i w bardzo krótkim czasie przyjęły go wszystkie liczące się firmy tworzące modele sztucznej inteligencji, co samo w sobie jest sygnałem, jak istotną lukę wypełnił. Zanim ten standard się pojawił, każde połączenie systemu z asystentem trzeba było budować osobno, niemal jak indywidualną umowę między dwiema stronami, które nie mówią tym samym językiem i wymagają obecności tłumacza po środku. Im więcej systemów i asystentów funkcjonowało w firmie, tym więcej takich osobnych, kosztownych „tłumaczeń” trzeba było stworzyć i później utrzymywać. Dzięki MCP wystarczy natomiast, że system raz opisze, co potrafi zrobić, a każdy asystent, który posługuje się tym samym protokołem, od razu wie, w jaki sposób z tej wiedzy skorzystać, bez konieczności pisania odrębnej integracji dla każdej pojedynczej pary system – asystent. To właśnie ten mechanizm stoi za stwierdzeniem, że sklep internetowy może dziś rozmawiać z AI, i to on stanowi przewagę, którą polski e-commerce dopiero zaczyna dostrzegać i doceniać. Dla właściciela sklepu przekłada się to na jedno konkretne zdanie, warte zapamiętania – Twój sklep można podłączyć do asystenta AI, którego już dziś używasz w codziennej pracy, a on będzie w nim realnie pracował, a nie jedynie o nim opowiadał. MCP w praktyce: przykład, który znasz Najlepiej widać to na przykładzie, który nie ma w sobie nic ze spektakularnej technologii, a mimo to doskonale ilustruje, na czym polega opisywana zmiana. W jednej z firm co miesiąc trzeba było przygotować raport godzin pracy zespołu, czyli zadanie, które w takiej czy innej formie wykonuje niemal każda organizacja zatrudniająca osoby rozliczane z czasu pracy. Wcześniej wyglądało to następująco – raz w miesiącu ktoś wchodził do systemu ewidencji czasu pracy, filtrował wpisy, przenosił dane do arkusza kalkulacyjnego, ręcznie liczył odchylenia od normy, formatował gotowy wynik, a następnie rozsyłał go do zarządu oraz osobno do poszczególnych pracowników. Były to godziny pracy poświęcane co miesiąc na to samo zadanie, przy czym na każdym etapie istniało realne ryzyko drobnej, ale kosztownej pomyłki. Dzisiaj cały ten proces przebiega automatycznie, ósmego dnia każdego miesiąca, bez jakiegokolwiek udziału człowieka system sam pobiera dane, sam wylicza odchylenia, a następnie sam przygotowuje i wysyła dwie odrębne wiadomości – jedną zbiorczą, przeznaczoną dla zarządu, oraz drugą, indywidualną, skierowaną do każdego pracownika z osobna. W tym miejscu pojawia się jednak moment kluczowy dla zrozumienia, na czym polega prawdziwa wartość sztucznej inteligencji, w odróżnieniu od zwykłej automatyzacji, sam algorytm liczący godziny istniał już wcześniej i działał sprawnie bez żadnego udziału AI. Problem polegał na tym, że taka mechaniczna reguła nie potrafi odróżnić sytuacji, w której ktoś rzeczywiście pracował mniej, od sytuacji, w której w danym tygodniu wypadł po prostu długi weekend, dla prostego algorytmu liczącego godziny obie te sytuacje wyglądają identycznie. Dopiero dołożenie sztucznej inteligencji do tego procesu rozwiązało ten problem, ponieważ model samodzielnie sprawdza kalendarz dni wolnych, zanim jeszcze oceni wyniki, i dzięki temu potrafi rozróżnić brak pracy wynikający z urlopu od braku pracy niewynikającego z żadnego oczywistego powodu. Jest to dokładnie ta różnica, która oddziela zwykły czat, potrafiący jedynie udzielać odpowiedzi, od sztucznej inteligencji rozumiejącej kontekst i zdolnej wykonać pracę wymagającą pewnej dozy osądu. Kto odpowiada za bezpieczeństwo MCP w Twoim sklepie Kiedy klient pyta dzisiaj, czy jego sklep da się połączyć z AI, w rzeczywistości pyta jednocześnie o trzy odrębne kwestie, nawet jeśli sam nie potrafi ich tak precyzyjnie nazwać.  Po pierwsze, czy AI może czytać dane jego sklepu, sprawdzając stany magazynowe, ceny czy zamówienia.  Po drugie, czy AI może te dane realnie zmieniać, zakładając produkty, aktualizując ceny albo budując konfiguratory.  Po trzecie wreszcie, czy w razie potrzeby ktoś będzie w stanie udowodnić, kto dokładnie dokonał danej zmiany, czyli czy istnieje wiarygodny ślad pokazujący, że była to konkretna operacja wykonana przez AI, a nie na przykład pomyłka pracownika. Na pierwsze z tych pytań odpowie dziś niemal każda agencja zajmująca się wdrożeniami e-commerce. Na drugie i trzecie jest jednak w stanie odpowiedzieć wyłącznie ten, kto jest właścicielem samego systemu, a więc jego modelu danych i całej warstwy uprawnień, na której zbudowany jest serwer MCP. Żeby bezpiecznie wpuścić AI do sklepu, trzeba bowiem wiedzieć nie tylko, co dany system w ogóle potrafi zrobić, lecz również jak dokładnie zapisuje każdą wprowadzoną zmianę i kto formalnie ma prawo taką zmianę zlecić. To właśnie ta różnica decyduje ostatecznie o tym, czy MCP w sklepie internetowym pozostaje ciekawostką technologiczną, czy staje się pełnoprawnym i bezpiecznym narzędziem codziennej pracy. Co MCP oznacza dla Twojego e-commerce już dziś Jeśli prowadzisz sklep internetowy albo firmę sprzedającą online, ten artykuł miał przekazać Ci jedną, zasadniczą myśl – sztuczna inteligencja przestała być wyłącznie narzędziem do pisania tekstów, a stała się, właśnie dzięki MCP, narzędziem do faktycznego wykonywania pracy operacyjnej. Nie jest to odległa wizja przyszłego roku, lecz proces, który dzieje się już teraz, krok po kroku, w konkretnych, działających systemach. Pytanie, które warto sobie w tym miejscu zadać, nie brzmi już, czy sztuczna inteligencja kiedyś zmieni branżę e-commerce, lecz raczej, które z powtarzalnych i czasochłonnych zadań w Twojej firmie mogłyby już dzisiaj zniknąć z listy rzeczy wykonywanych ręcznie. W kolejnym artykule z tej serii pokażemy dokładnie, jak MCP wygląda w praktyce, krok po kroku, na żywym przykładzie budowy produktu konfigurowalnego, takiego jak parapet cięty na wymiar, prowadzonej w rozmowie z asystentem AI, bez konieczności choćby jednorazowego otwierania panelu administracyjnego. Podsumowanie – MCP w trzech zdaniach Sztuczna inteligencja przeszła drogę od pisania tekstów, przez odpowiadanie na pytania, aż po realne wykonywanie operacji dzięki MCP, a każdy z tych etapów oznacza jakościowo inny poziom wartości dla biznesu. Stało się to możliwe dzięki wspólnemu standardowi, który pozwala systemom i asystentom AI porozumiewać się ze sobą bez konieczności budowania osobnej integracji dla każdej pojedynczej pary. To już nie jest teoria, lecz działający mechanizm, a firmy, które zrozumieją MCP jako pierwsze, zyskają realną przewagę, zanim zdąży to zrobić konkurencja.

Dostęp do danych magazynowych bez przeglądania raportów i analizowania kolejnych zestawień? Dzięki sztucznej inteligencji wystarczy zadać pytanie systemowi WMS, aby uzyskać potrzebne informacje. Jak takie rozwiązanie działa w praktyce, przekonało się 40 uczestników Warehouse Compass Day „Pogad[AI] ze swoim magazynem”, który odbył się 15 października w biurze Sente we Wrocławiu. Podczas wydarzenia mogli samodzielnie przetestować możliwości rozmowy z systemem Teneum WMS i sprawdzić, jak AI może wspierać codzienne zarządzanie magazynem. WMS, który odpowiada na pytania Hasło wydarzenia nabrało dosłownego znaczenia na warsztacie „AI w Teneum WMS w praktyce”. Uczestnicy pracowali na działającym systemie z Asystentem AI: pytali o wydajność magazynu i szukali sposobu na sprawiedliwe przyznawanie premii magazynierom. Z danych WMS może dziś korzystać nie tylko operator, lecz także właściciel firmy, kierownik magazynu, a nawet handlowiec – przez telefon, w samochodzie lub w dowolnym innym miejscu. „Ważniejsze niż wyniki na ekranie jest doświadczenie pracy z systemem nie poprzez klikanie i pisanie na klawiaturze, ale poprzez zwykłą rozmowę, tak jak z człowiekiem” – podsumował Marcin Smereka, CTO w Sente, który prowadził warsztat. Arkusz to jeszcze nie AI Piotr Susz z Locura Consulting rozpoczął dzień od uporządkowania pojęć. „Sztuczną inteligencją nie jest automatyzowanie arkuszy. AI w magazynie działa wtedy, kiedy rozwiązanie autonomicznie zastępuje pracę człowieka i daje lepsze efekty niż przed wdrożeniem” – tłumaczył. Przykład takiego rozwiązania przedstawił Przemysław Mysiak z Tedmarku. Agent AI, który wspiera obsługę reklamacji, wykrywa kary niesłusznie naliczane przez przewoźników. Firma oszczędza dzięki temu dziesiątki tysięcy złotych miesięcznie. Od promptowania do własnych agentów Piotr Susz przekonywał, że budowanie agentów AI przestało być domeną programistów. Osoba bez umiejętności programowania może nauczyć się korzystać z MCP (ang. Model Context Protocol – standard łączenia AI z zewnętrznymi danymi i narzędziami). i łączyć modele z własnymi danymi. Sam w lutym nie wiedział, czym jest terminal, a w październiku rozwijał kilkanaście aplikacji, które na siebie zarabiają. Podkreślał przy tym, że fundamentem pozostają dane i bezpieczeństwo. Podobne doświadczenia mieli paneliści. Lech Biernat, CEO Olza Logistic, opowiadał o pracowniku, który bez żadnych kursów po czterech–pięciu miesiącach prowadzi w firmie zaawansowane prace programistyczne. Najpierw dane, potem agenci W panelu „Magazyn przyszłości” wielokrotnie wracał temat danych. „Zanim wdroży się skomplikowanych agentów, trzeba pomyśleć, gdzie zbierać dane, żeby ci agenci je zobaczyli” – mówił Przemysław Tytro, dyrektor generalny Tedmarku. Przemysław Świtacz z Movu Robotics radził inwestować w gromadzenie danych już teraz, zanim bezpowrotnie przepadną. Wojciech Nowak z Sente zwrócił uwagę na architekturę rozwiązań. „Model warto użyć do tego, żeby z procesu zrobić powtarzalny algorytm. Potem do wykonywania już go nie używamy, bo algorytm działa deterministycznie”. Taka architektura ogranicza ilość danych wysyłanych do chmury i koszty, które zdaniem panelistów będą rosnąć. AI wspiera decyzje, ale nie zastępuje doświadczenia Piotr Susz porównał modele językowe do lupy: mogą znacząco zwiększać możliwości osób, które potrafią logicznie analizować problemy, ale jednocześnie wzmacniają znaczenie krytycznej oceny wyników. Pokazał to warsztat Wojciecha Nowaka i Piotra Susza, podczas którego uczestnicy z pomocą agenta AI analizowali procesy magazynowe, identyfikowali obszary optymalizacji i szacowali potencjalne oszczędności. Szczególnie żywą dyskusję wywołała klasyfikacja ABC, jej konfiguracja i wpływ na efektywność magazynu. Różne doświadczenia uczestników pokazały, że nie istnieje jeden uniwersalny przepis na optymalizację: AI pomaga analizować scenariusze, ale o zasadności zmian decydują realia konkretnej firmy. Jeden proces na początek Z dnia płynie praktyczny wniosek. Wybrać jeden proces, przetestować na nim AI i sprawdzić efekty, a gdy coś się nie uda, wyciągnąć wnioski i próbować dalej. Z decyzją nie warto zwlekać, bo jak mówi Piotr Susz, w logistyce zawsze brakuje czasu. Doświadczenia z warsztatów pokazują zarazem, że interfejs konwersacyjny jest dopiero jedną z możliwości. Aby AI mogła realnie wspierać decyzje i procesy, potrzebuje niezawodnego systemu oraz aktualnych danych. W Teneum WMS architektura AI-native łączy te fundamenty z dalszym rozwojem funkcji opartych na sztucznej inteligencji. Organizatorem Warehouse Compass Day jest Sente, producent systemu Teneum WMS i Teneum ERP. Patronat medialny: Forsal, Logistics Manager, Logistyczny.com, Logistyka360, myERP.pl, logistyka.net, Trans Info.

Za nami poznańska edycja Dynamics Business Forum 2026, która odbyła się w przestrzeniach Concordia Design. Portal myERP.pl jest patronem medialnym tegorocznego wydarzenia organizowanego przez ekspertów z firmy IT.integro.   Jesienny sezon konferencyjny rozpoczął się na dobre. Szczególnie w tym okresie widać, że programy wydarzeń branżowych coraz częściej opierają się na nośnych hasłach, wśród których absolutny prym wiedzie sztuczna inteligencja. W przypadku konferencji Dynamics Business Forum spodziewałam się, że głównym bohaterem okaże się Microsoft Copilot. Nic bardziej mylnego. Choć o innowacjach opartych na AI intensywnie dyskutowaliśmy, sztuczna inteligencja ani na moment nie przyćmiła głównej gwiazdy wydarzenia – systemu ERP Dynamics 365 Business Central.   Dynamics 365 Business Central w centrum ekosystemu Microsoft   To właśnie oprogramowanie ERP w ekosystemie Microsoft, jego codzienna użyteczność dla poszczególnych działów biznesowych i wsparcie dla twardych procesów grały pierwsze skrzypce.   Organizatorzy postawili na bardzo skondensowany program, a prelegenci byli świetnie przygotowani technicznie i merytorycznie. Już w sesji otwierającej konferencję Piotr Śledź, Prezes Zarządu IT.integro, nakreślił wyraźną tezę spotkania: każdy użytkownik Business Central może mieć własnego asystenta AI, a każdy proces agenta AI – jednak bez wysokiej jakości danych narzędzia AI nie wniosą wartości dodanej dla biznesu.  Codzienna praca w ERP z AI od Microsoft  Przemysław Kniat oraz Marietta Jurzynek uruchomili system ERP, aby pokazać codzienną pracę użytkowników Business Central. Copilot został ukazany we właściwych proporcjach – jako narzędzie, które jeszcze bardziej przyspiesza codzienne zadania, ale nie podejmie działania bez nadzoru i akceptacji człowieka.  Podczas konferencji zobaczyliśmy konkretne zastosowania AI osadzone w architekturze ERP. Rozbudowany chat z Copilotem potrafi dziś odpowiadać na pytania pracownika dotyczące konkretnych kontrahentów i ich zamówień. Wśród kluczowych funkcji znalazły się m.in.:  Podsumowania – Copilot streszcza informacje dla wybranych rekordów, np. klienta, produktu czy zamówienia sprzedaży – bezpośrednio w panelu,   Tworzenie opisów marketingowych na podstawie danych o produktach,   Tworzenie ofert i zamówień sprzedaży – dzięki sugestii wierszy sprzedaży, AI pomaga szybko tworzyć kluczowe dokumenty,  Analiza danych – użytkownik może komunikować się z Copilotem w języku naturalnym, aby przekształcać i agregować dane, korzystać z filtrów czy opcji sortowania.   Kluczową innowacją jest również Agent zamówień sprzedaży, który wspiera handlowca przy rutynowych czynnościach. Zintegrowany z pocztą Outlook asystent może analizować przychodzące wiadomości e-mail, weryfikować szczegóły zamówienia i stany magazynowe, a następnie tworzyć wstępne oferty i redagować odpowiedzi do klientów. Wszystko to odbywa się za zgodą pracownika, który przegląda i zatwierdza czynności Agenta przed ich realizacją.  Raportowanie, handel i produkcja w Business Central  Agenda zdecydowanie kładła nacisk na praktykę. Zamiast zasypywać uczestników wielogodzinnymi wykładami, poświęcono czas na sesje demonstracyjne. Dzięki konkretnym demo na żywym organizmie mogliśmy prześledzić działanie systemu krok po kroku. Mateusz Wojciechowski i Michał Łyduch przeprowadzili uczestników przez proces prognozowania popytu i planowania zakupów i produkcji. Michał Zdanowicz wziął na warsztat wymagający obszar produkcji na zamówienie. Pokazał drogę obsługi zlecenia – od momentu wpłynięcia zamówienia, przez realizację na hali produkcyjnej i rozliczanie pracy maszyn, aż po moduł ścisłej kontroli jakości. Jakub Abram uzupełnił wiedzę o analitykę, skupiając się na raportach Power BI i możliwości zadawania pytań danym w języku naturalnym. Wszystkie zaprezentowane procesy zostały przeprowadzone ze wsparciem narzędzi AI.   Tym samym system ERP Business Central zaprezentowano od tych najprostszych po wysoce zaawansowane funkcjonalności. Pokazano również te funkcje, które nawet bez udziału AI odczuwalnie ułatwiają życie pracownika na co dzień.   Co decyduje o sukcesie wdrożenia ERP i jak zrobili to klienci IT.integro?  Karol Piotrowski szczerze zarysował to, co naprawdę decyduje o powodzeniu wdrożenia systemu ERP, wskazując na ukryte koszty, jakość danych i konieczność przygotowania własnego zespołu na cyfrową zmianę. Z kolei Piotr Śledź uczulił słuchaczy na wymogi prawne – w tym unijne rozporządzenie AI Act – których przestrzegać muszą nie tylko dostawcy technologii, ale i sami użytkownicy systemów biznesowych.  Intrygującą częścią okazało się portfolio projektowe IT.integro. Po zapoznaniu się z mechaniką Business Central, publiczność zobaczyła, jak omawiane funkcje zadziałały w średnich, dużych i wielooddziałowych organizacjach z branży usługowej, produkcyjnej czy handlowej.   Do zobaczenia na kolejnych konferencjach Dynamics Business Forum  Bardzo dobra frekwencja wymusiła pewną dynamikę, ale organizatorzy zadbali o mnóstwo przestrzeni na networking w trakcie przerw kawowych i na sam koniec wydarzenia. Cenna była obecność prelegentów, którzy nie znikali w kuluarach zaraz po zakończeniu swoich bloków tematycznych. Przeciwnie – eksperci pozostali otwarci do rozmowy i bardzo chętnie odpowiadali na indywidualne przypadki biznesowe zgłaszane przez gości.   Na osobny akapit zasługuje detal, który często bywa traktowany po macoszemu. Otrzymany przy wejściu welcome pack nie zawierał stosu prostych broszur. Zamiast tego do rąk uczestników trafiła starannie opracowana, stustronicowa publikacja “Zarządzanie nowoczesnym biznesem”. To materiał, który doskonale utrwala wiedzę nabytą podczas konferencji. Książka szeroko opisuje funkcjonalności systemu Dynamics 365 Business Central oraz rozmaite sposoby wykorzystania w nim Copilota.   Dynamics Business Forum 2026 to doskonała przestrzeń wymiany wiedzy między ekspertami IT oraz przedstawicielami biznesu. To wydarzenie pokazało, jak umiejętnie połączyć rzetelną wiedzę o procesach operacyjnych z nowościami ze świata AI. Cykl tegorocznych spotkań powoli dobiega końca – ostatnie z nich odbędą się 7 i 8 października w Gdańsku i Warszawie.  

Budżetowanie nie powinno być coroczną walką z Excelem. Dziesiątki arkuszy, ręczne przepisywanie danych, sprawdzanie wersji i uzgadnianie założeń między działami to nie jest sposób, w jaki chcemy dziś zarządzać finansami. Na rynku są już profesjonalne platformy FP&A, takie jak Prophix, które pozwalają przenieść planowanie finansowe na zupełnie inny poziom – łącząc dane, budżetowanie, forecasting, raportowanie i analizę w jednym środowisku. Finanse bardziej autonomiczne Dla zarządu ważne jest nie tylko to, żeby dział finansowy szybciej przygotował budżet. Ważniejsze jest, żeby finanse mogły działać bardziej autonomicznie i dostarczać biznesowi aktualną informację bez ciągłego wykonywania ręcznej pracy. Tu coraz większą rolę odgrywa AI i agenci wspierający konkretne procesy finansowe. Dobrym przykładem jest agent do budżetowania. Zamiast traktować budżetowanie jako serię ręcznych zadań wykonywanych przez zespół finansowy, możemy wykorzystać agenta do wsparcia całego procesu – od zebrania i uporządkowania danych, przez pracę na założeniach i identyfikowanie braków, aż po analizę odchyleń i przygotowanie informacji potrzebnych osobom odpowiedzialnym za poszczególne obszary. To nie oznacza, że AI podejmuje za nas decyzje. Wręcz przeciwnie. Agent przejmuje część pracy operacyjnej, dzięki czemu ludzie mogą skupić się na tym, co wymaga ich doświadczenia: ocenie założeń, rozmowie o scenariuszach i podejmowaniu decyzji. Co to oznacza w praktyce? Zmiana założeń może odbywać się za pomocą języka naturalnego. Zamiast ręcznie edytować dziesiątki komórek, można wydać polecenie, np. zwiększyć koszty podróży o 5% we wszystkich centrach kosztów. Agent wykonuje zmianę zgodnie z instrukcją. Można ograniczyć problem niekompletnych budżetów. Agent pomaga wykrywać braki i nieprawidłowe dane, zanim budżet zostanie przekazany dalej. Dzięki temu finanse nie muszą później spędzać czasu na poszukiwaniu brakujących wartości i poprawianiu błędów. Zmiany masowe przestają być problemem. Aktualizacja wielu miesięcy, pozycji czy wskaźników może zostać wykonana znacznie szybciej niż przy ręcznej pracy w arkuszach. Kontrola i walidacja odbywają się automatycznie. Zamiast ręcznie sprawdzać, czy sumy się zgadzają albo czy gdzieś nie została zerwana formuła, można oprzeć proces na automatycznej walidacji i audytowalności zmian. Efekt? FP&A otrzymuje kompletne i spójne dane szybciej, a cały proces budżetowy może być krótszy, bardziej przewidywalny i mniej podatny na błędy. Budżet nie może być dokumentem na cały rok Nie jesteśmy też zwolennikami podejścia, w którym raz zatwierdzony budżet staje się niezmiennym punktem odniesienia na kolejne 12 miesięcy. Rynek zmienia się zbyt szybko. Dlatego bliższe jest nam budżetowanie kroczące i regularny forecasting, co praktykujemy również w naszej firmie. Pozwala ono systematycznie aktualizować perspektywę finansową firmy i reagować na to, co rzeczywiście dzieje się na rynku. Spadek sprzedaży, wzrost kosztów, zmiana kursów walut, nowe możliwości inwestycyjne czy nieoczekiwane wydarzenia w otoczeniu firmy nie powinny być czymś, co zauważamy dopiero w raporcie na koniec kwartału. Powinniśmy widzieć ich wpływ na przyszłość i odpowiednio wcześnie reagować. Od budżetu do ciągłego planowania Właśnie w tym kierunku powinno zmierzać nowoczesne FP&A: od corocznego budżetowania do ciągłego planowania i zarządzania przyszłością firmy. Platforma finansowa i wspierający ją agenci mogą automatyzować dużą część pracy, ale najważniejsza zmiana dotyczy sposobu myślenia. Budżet przestaje być plikiem, który trzeba przygotować raz w roku. Staje się żywym modelem biznesu, który można na bieżąco aktualizować, analizować i wykorzystywać do podejmowania decyzji. Dlatego budżetowanie 2027 warto zacząć już dziś – nie od otwierania kolejnego arkusza Excel, ale od odpowiedzi na pytanie: jak chcemy, żeby nasze finanse działały za rok? Może jako jeden spójny ekosystem? Mniej ręcznej pracy. Więcej automatyzacji i AI. Budżetowanie kroczące zamiast sztywnego planu. I finanse, które nie tylko raportują przeszłość, ale aktywnie wspierają zarządzanie przyszłością firmy.

Przemysł produkujący na potrzeby sektorów strategicznych, obronnychi infrastrukturalnych funkcjonuje dziś w zupełnie innych warunkach niż jeszcze kilka lat temu. Globalne napięcia geopolityczne, regionalne konflikty, zakłócenia logistyczne oraz rosnąca presja na bezpieczeństwo dostaw sprawiają, że odporność operacyjna staje się równie ważna jak wydajność produkcji. Firmy produkujące komponenty, podzespoły, konstrukcje, urządzenia i systemy wykorzystywane przez przemysł obronny coraz częściej muszą działać w warunkach podwyższonej niepewności. Decyzje podejmowane są szybciej, planowanie długoterminowe staje się trudniejsze, a zdolność do adaptacji zyskuje większe znaczenie niż perfekcyjnie zoptymalizowane procesy. W takim środowisku przewagę zdobywają organizacje, które potrafią szybko analizować sytuację, dynamicznie reharmonogramować produkcję oraz utrzymywać pełną kontrolę nad kosztami, zasobami i terminami realizacji. Pytanie nie brzmi już, czy zmienność nadejdzie. Pytanie brzmi: czy przedsiębiorstwo jest przygotowane, aby skutecznie na nią reagować? Co by było, gdyby? Wyobraźmy sobie sytuację, w której w ciągu kilku tygodni znacząco wzrasta zapotrzebowanie na określone komponenty lub wyroby wykorzystywane przez sektor strategiczny. Jednocześnie pojawiają się opóźnienia w dostawach materiałów, wzrastają ceny surowców, a klienci zaczynają składać więcej zamówień, ale w mniejszych partiach. Dla wielu przedsiębiorstw taki scenariusz nie jest już teorią, lecz doświadczeniem ostatnich lat. Europejski przemysł przechodzi obecnie głęboką transformację. Rosnące koszty energii, materiałów i pracy powodują wzrost kosztów produkcji, natomiast niepewność gospodarcza i geopolityczna skłania odbiorców do ograniczania ryzyka poprzez dzielenie zamówień na mniejsze partie. W efekcie średnia długość serii produkcyjnych maleje, a liczba decyzji operacyjnych podejmowanych każdego dnia gwałtownie rośnie. Dla działów produkcji oznacza to konieczność ciągłego optymalizowania harmonogramu produkcji, szybszego reagowania na zmiany oraz utrzymywania pełnej kontroli nad dostępnością zasobów i rentownością realizowanych zleceń. Flatter produkcyjny – gdy organizacja wpada w drgania W lotnictwie istnieje zjawisko określane mianem flatteru. Są to niebezpieczne, samowzbudne drgania konstrukcji powstające po przekroczeniu określonego progu obciążeń. Jeśli nie zostaną odpowiednio wcześnie wykryte i skorygowane, mogą prowadzić do utraty stabilności całego układu. Podobne zjawisko można dziś zaobserwować w wielu przedsiębiorstwach produkcyjnych. Rosnąca liczba krótkich serii, częste zmiany terminów dostaw, dynamiczne priorytety klientów oraz nieustanne korekty harmonogramów powodują powstawanie swoistego „flatteru zleceń”. Każda zmiana generuje kolejne zmiany. Dział zakupów modyfikuje zamówienia, produkcja aktualizuje harmonogram, magazyn zmienia priorytety wydań, a zarząd oczekuje bieżącej informacji o kosztach i terminach realizacji. Jeżeli organizacja nie posiada narzędzi umożliwiających szybkie przetwarzanie informacji i podejmowanie decyzji, liczba korekt zaczyna narastać lawinowo. W efekcie zamiast zwiększać elastyczność przedsiębiorstwo traci stabilność operacyjną. Właśnie dlatego współczesne firmy produkcyjne coraz większą uwagę poświęcają skracaniu pętli decyzyjnej. Im szybciej organizacja potrafi przełożyć dane na decyzję, a decyzję na działanie, tym skuteczniej radzi sobie w warunkach wysokiej zmienności rynku. Przemysł w nowej rzeczywistości operacyjnej Ostatnie lata pokazały, że globalny przemysł musi funkcjonować w warunkach coraz większej nieprzewidywalności. Zakłócenia logistyczne, ograniczona dostępność surowców, wzrost kosztów energii oraz presja na skracanie terminów realizacji sprawiają, że tradycyjne modele zarządzania produkcją przestają być wystarczające. Przez dekady wiele przedsiębiorstw budowało swoją przewagę w oparciu o koncepcję Just in Time, zakładającą maksymalną efektywność wykorzystania zasobów, minimalizację zapasów oraz wysoką przewidywalność dostaw. Dziś jednak sama wydajność nie wystarcza. Coraz większego znaczenia nabiera zdolność organizacji do szybkiego reagowania na zakłócenia oraz utrzymania ciągłości operacyjnej w zmiennym otoczeniu biznesowym. Firmy produkcyjne coraz częściej obserwują: większą zmienność zamówień, skracanie serii produkcyjnych, konieczność częstszego przeplanowywania produkcji, rosnącą presję na terminowość i kontrolę kosztów, potrzebę natychmiastowego dostępu do aktualnych danych produkcyjnych i operacyjnych. W praktyce oznacza to konieczność szybszego, opartego na danych podejmowania decyzji oraz większej elastyczności całego przedsiębiorstwa. Coraz częściej o przewadze konkurencyjnej decyduje nie zdolność realizacji idealnego planu, lecz umiejętność skutecznego działania wtedy, gdy plan wymaga natychmiastowej zmiany. Krótsze serie produkcyjne stają się standardem Jeszcze kilka lat temu wiele zakładów pracowało w modelu długich, stabilnych serii produkcyjnych. Dziś coraz częściej dominują krótkie partie i częstsze dostawy. Klienci ograniczają ryzyko operacyjne poprzez dzielenie zamówień na mniejsze partie, oczekując jednocześnie zachowania wysokiej jakości i krótkiego czasu realizacji. To zmienia sposób funkcjonowania produkcji: wzrasta liczba zleceń produkcyjnych, rośnie obciążenie działów planowania i logistyki, zwiększa się liczba zmian harmonogramów, trudniejsze staje się utrzymanie rentowności przy małych seriach. W szczególności dotyczy to firm realizujących produkcję projektową, produkcję komponentów specjalistycznych oraz przedsiębiorstw współpracujących z branżami strategicznymi i infrastrukturalnymi. Łańcuch dostaw musi być odporny, a nie tylko wydajny Przez wiele lat przedsiębiorstwa produkcyjne optymalizowały swoje procesy pod kątem maksymalnej efektywności kosztowej. Globalne łańcuchy dostaw, produkcjajust-in-time oraz minimalizacja zapasów pozwalały osiągać wysoką produktywnośći konkurencyjność. Obecnie coraz większego znaczenia nabiera jednak zdolność adaptacji. Firmy działające w sektorach strategicznych muszą być przygotowane nie tylko na realizację planu produkcyjnego, ale również na szybkie reagowanie w sytuacjach zakłóceń i nieprzewidzianych zmian. Organizacje coraz częściej mierzą się z: ograniczoną dostępnością materiałów i komponentów, wydłużającymi się terminami dostaw, zmianami priorytetów klientów i harmonogramów realizacji, dużą zmiennością cen surowców i kosztów zakupowych, koniecznością elastycznego zarządzania sekwencją zleceń, rosnącymi wymaganiami dotyczącymi identyfikowalności i kontroli dostaw. W takich warunkach przewagę zyskują przedsiębiorstwa, które posiadają pełną widoczność procesów oraz możliwość szybkiego przełożenia informacji z obszaru zakupów, magazynu, produkcji i logistyki na konkretne decyzje operacyjne. W takich warunkach kluczowe staje się pełne powiązanie danych z obszaru: produkcji, zakupów, magazynu, logistyki, finansów i controllingu. Bez jednego, spójnego systemu zarządzania przedsiębiorstwo traci zdolność szybkiego reagowania. Pętla decyzyjna musi się skrócić W nowoczesnym środowisku przemysłowym przewagę konkurencyjną coraz częściej buduje nie skala produkcji, lecz szybkość podejmowania trafnych decyzji operacyjnych. Rosnąca zmienność zamówień, krótsze serie produkcyjne, dynamiczne ceny surowców oraz niestabilność łańcuchów dostaw powodują, że firmy nie mogą już planować produkcji w perspektywie tygodni bez bieżącej korekty danych i harmonogramów. Skrócenie pętli decyzyjnej oznacza dziś możliwość: natychmiastowej analizy wpływu zmian na produkcję, szybkiego przeplanowania zasobów i harmonogramów, bieżącej kontroli kosztów i marżowości, szybkiej reakcji na opóźnienia dostaw, podejmowania decyzji na podstawie aktualnych danych z produkcji, magazynui zakupów. W praktyce oznacza to odejście od modelu zarządzania opartego na arkuszach kalkulacyjnych, e-mailach i opóźnionych raportach na rzecz zintegrowanego środowiska ERP działającego w czasie rzeczywistym. Dla firm działających w sektorach strategicznych i produkcji specjalistycznej skrócenie pętli decyzyjnej staje się dziś jednym z kluczowych elementów stabilności procesów przedsiębiorstwa. Organizacje korzystające z wielu niepołączonych systemów często tracą cenne godziny na zbieraniei weryfikację danych. Tymczasem w warunkach wysokiej zmienności przewagę zyskują firmy, które mają dostęp do jednego, spójnego źródła informacji i mogą podejmować decyzje w czasie rzeczywistym. ERP, APS i AI — nowa architektura podejmowania decyzji W nowoczesnym środowisku produkcyjnym przewaga konkurencyjna coraz rzadziej wynika wyłącznie z mocy produkcyjnych. Kluczowa staje się zdolność organizacjido szybkiej adaptacji i podejmowania trafnych decyzji operacyjnych. Paradoksalnie, mniejsze zakłady produkcyjne często potrafią reagować na zmiany szybciej niż duże organizacje. Wynika to nie tylko z prostszej struktury organizacyjnej, ale przede wszystkim z krótszej ścieżki przepływu informacji i podejmowania decyzji. W dużych przedsiębiorstwach wyzwaniem staje się zachowanie tej samej elastyczności przy jednoczesnym zarządzaniu setkami pracowników, rozbudowaną infrastrukturą produkcyjną oraz złożonym łańcuchem dostaw. W sektorach strategicznych oraz produkcji specjalistycznej tempo reakcji ma dziś bezpośredni wpływ na ciągłość operacyjną, terminowość realizacji kontraktów oraz rentowność produkcji. Dlatego kluczową rolę odgrywają zintegrowane systemy ERP i APS, które pozwalają przenieść szybkość działania charakterystyczną dla mniejszych organizacji na skalę dużego przedsiębiorstwa, zapewniając jednocześnie pełną kontrolę nad procesami, zasobamii kosztami. Dlatego nowoczesne przedsiębiorstwa coraz częściej budują środowisko zarządzania oparte na trzech filarach: systemach ERP, zaawansowanym planowaniu APS, rozwiązaniach wspieranych przez AI. Każdy z tych elementów pełni inną rolę w procesie zarządzania produkcją. AI wspiera analizę i przewidywanie zmian Rozwiązania wykorzystujące sztuczną inteligencję pomagają analizować duże wolumeny danych, identyfikować wzorce i wspierać prognozowanie zdarzeń operacyjnych. AI może wspierać organizację poprzez: analizę danych historycznych i operacyjnych, wykrywanie trendów oraz anomalii, symulowanie scenariuszy produkcyjnych, prognozowanie opóźnień i ryzyk, wspieranie planowania zakupów i dostępności materiałów. W praktyce oznacza to szybszy dostęp do informacji wspierających decyzje biznesowei operacyjne oraz dalsze skrócenie pętli decyzyjnej. Im większa liczba danych i zależności występujących w organizacji, tym większą wartość stanowi zdolność ich szybkiej analizy i przełożenia na konkretne działania. APS odpowiada za logikę i realia produkcji Zaawansowane planowanie i harmonogramowanie produkcji (APS) pozwala przełożyć decyzje biznesowe na rzeczywiste możliwości zakładu produkcyjnego. System APS uwzględnia m.in.: dostępność maszyn i pracowników, przezbrojenia, ograniczenia technologiczne, dostępność materiałów, opóźnienia dostaw, priorytety klientów, rentowność i priorytety biznesowe. Dzięki temu przedsiębiorstwo może szybciej reagować na zmiany oraz dynamicznie przeplanowywać produkcję bez utraty kontroli nad kosztami i terminami realizacji. Człowiek pozostaje kluczowym elementem procesu decyzyjnego Nawet najbardziej zaawansowane systemy nie zastępują doświadczeniai odpowiedzialności człowieka. To menedżerowie, planiści i zespoły operacyjne podejmują końcowe decyzje, uwzględniając realia biznesowe, sytuację rynkową oraz strategiczne cele organizacji. Nowoczesne systemy ERP, APS i AI nie eliminują człowieka z procesu zarządzania — ich rolą jest skrócenie pętli decyzyjnej i dostarczenie wiarygodnych danych potrzebnych do szybkiego działania. Tempo zmian sprawia, że decyzje, które kiedyś mogły czekać do kolejnego tygodniowego przeglądu operacyjnego, dziś muszą być podejmowane niemal natychmiast. Dotyczy to wszystkich poziomów zarządzania — od zarządu i dyrektorów po planistów i kierowników produkcji. To właśnie zdolność do połączenia danych, planowania i egzekucji w czasie rzeczywistym staje się dziś jednym z najważniejszych elementów odporności operacyjnej nowoczesnego przemysłu. W branżach związanych z obronnością, lotnictwem i bezpieczeństwem infrastruktury znaczenie mają nie tylko terminy realizacji, ale również pełna identyfikowalność komponentów, zgodność procesowa oraz możliwość szybkiego odtworzenia historii produkcji każdego wyrobu. Produkcja dla sektorów strategicznych wymaga pełnej kontroli procesów Firmy współpracujące z branżami wymagającymi wysokiej jakości, zgodności procesowej i pełnej identyfikowalności komponentów potrzebują dziś czegoś więcej niż standardowego systemu ERP. Kluczowe znaczenie mają: pełne śledzenie partii i numerów seryjnych, kontrola dokumentacji technologicznej, integracja danych produkcyjnych i magazynowych, możliwość szybkiego przeplanowania produkcji, analiza rentowności na poziomie pojedynczego zlecenia, zarządzanie produkcją jednostkową i krótkoseryjną. To właśnie obszary, w których nowoczesne systemy ERP stają się fundamentem ciągłość operacyjną przedsiębiorstwa. Jak ABAS ERP wspiera nowoczesne zakłady produkcyjne? Abas ERP został zaprojektowany z myślą o przedsiębiorstwach produkcyjnych działających w środowisku dużej zmienności i wysokich wymagań procesowych. System wspiera m.in.: zaawansowane planowanie i harmonogramowanie produkcji (APS), bieżącą analizę kosztów i marżowości, zarządzanie produkcją projektową i krótkoseryjną, pełne traceability materiałów i komponentów, integrację z systemami MES, CAD/CAM, WMS i rozwiązaniami logistycznymi, automatyzację procesów zakupowych i magazynowych, cyfrowy przepływ informacji między działami. Dzięki temu firmy mogą szybciej reagować na zmiany rynkowe, ograniczać ryzyko operacyjne oraz utrzymywać wysoką efektywność nawet przy dynamicznie zmieniających się zamówieniach. Abas ERP zapewnia również: dostęp do aktualnych danych w czasie rzeczywistym, wielowymiarowy controlling kosztów produkcji, wsparcie dla produkcji krótkoseryjnej i projektowej, pełną identyfikowalność materiałów i komponentów, integrację procesów zakupowych, magazynowych i produkcyjnych, możliwość szybkiego wdrażania zmian procesowych i integracji z systemami zewnętrznymi. W środowisku przemysłu strategicznego oznacza to większą przewidywalność operacyjną, lepszą kontrolę procesów i szybsze reagowanie na zmieniające się warunki biznesowe. Cyfrowa odporność staje się nowym standardem przemysłu Transformacja cyfrowa nie jest już wyłącznie projektem rozwojowym. Dla wielu przedsiębiorstw staje się warunkiem utrzymania konkurencyjności i stabilności operacyjnej. Firmy, które potrafią: szybko analizować dane, elastycznie planować produkcję, skutecznie zarządzać kosztami, integrować procesy w czasie rzeczywistym, utrzymywać pełną kontrolę nad przepływem materiałów i informacji on-line, będą znacznie lepiej przygotowane na przyszłe wyzwania rynku. Nowoczesny przemysł funkcjonuje dziś w warunkach permanentnej zmienności. Rosnące wymagania klientów, presja kosztowa i niestabilność łańcuchów dostaw powodują, że odporność operacyjna staje się jednym z najważniejszych czynników sukcesu. Dla firm produkcyjnych działających w sektorach strategicznych oznacza to konieczność budowania organizacji: elastycznej, cyfrowej, zintegrowanej, opartej na aktualnych danych. System ERP przestaje być wyłącznie narzędziem do ewidencji procesów. Staje się centrum zarządzania przedsiębiorstwem i fundamentem szybkiego podejmowania decyzji. Chcesz sprawdzić, jak Abas ERP wspiera firmy produkcyjne w zarządzaniu produkcją krótkoseryjną, planowaniem APS i pełnym traceability procesów?Odwiedź zespół Abas podczas targów MSPO, znajdziesz nas na stoiku nr 1-E07 lub skontaktuj się z nami, aby porozmawiać o wyzwaniach nowoczesnego przemysłu i możliwościach cyfrowej transformacji przedsiębiorstwa.